基于機器視覺的水面垃圾自動監測算法
摘要:針對水面垃圾自動監測的問題,提出了一種基于機器視覺的自動監測算法。首先通過將原始圖像轉換為亮度灰度直方圖,再通過邊緣提取算法獲得水面圖像中垃圾區域的邊緣,最后根據垃圾區域邊緣提取垃圾區域。實驗結果表明該算法能較好的提取水面圖像中的垃圾區域,為水面垃圾自動監測提供理論支持。
關鍵詞:機器視覺,水面,垃圾
在環境監測中，水體質量一直是監測的重點。而近年來隨著旅游業的發展，對于水體水面的要求越來越高，水面垃圾的清理成為水體保護的新課題。一方面，旅游業的發展導致水體附近人口密集、人流量大，這使得水面垃圾數量急劇增加；另一方面，由于水面垃圾量的增長并不存在較為明顯的規律性，而為保護水面環境現在主要通過人工清除水面垃圾，這使得清除垃圾的時機非常重要。若定時清除，有時由于垃圾數量不多浪費了人力物力，有時由于垃圾數量增長較快等到人工清除時水面環境已經嚴重污染。因此，為有效及時的清除水面垃圾的同時盡量減少人力物力，或者在一定的人力物力情況下為有效提高水面環境質量，合理選擇水面垃圾清除時機成為關鍵。
隨著計算機技術的不斷發展，機器視覺成為水體自動監測的一個主要發展方向[1,2]。機器視覺就是用機器代替人眼來做測量和判斷。顯然，使用機器視覺技術可對水面垃圾量進行有效的監測。因此，基于機器視覺的水面垃圾自動監測將有效反映水面的環境質量，這將為有效選擇垃圾清理時機提供指導，從而能夠在保持水面環境的前提下盡量減少清理次數從而節省相應的人力物力。
1水面垃圾自動監測算法
在現有的機器視覺技術中，主要通過顏色空間的描述獲得相應的數字圖像。而面向硬件設備最常用的顏色空間就是RGB 顏色空間，所以現有機器視覺設備采集得到的水面圖像一般為24 位的 RGB 圖像。即每一個 RGB 彩色像素由 R、G、B三個值表示，每個像素 24 個字節，每個分量 8 個字節，所以每個分量都分為 256（28） 個灰度級，總共可以表示 16777216（224）種顏色。采集到原始圖像后一般首先需要將其轉換為灰度圖像，最常見的方式是使用 R、G、B 三個值的和作為亮度特征，建立亮度灰度圖像。得到灰度圖像后接著需要將垃圾在圖像中對應的像素從水面圖像中分割出來。由于垃圾對應區域的顏色與水面對應區域存在一定差異可以考慮提取垃圾的邊緣。所謂邊緣(或邊沿)就是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集“邊緣”的兩側分屬于兩個區域，每個區域的灰度相對均勻一致，而兩個灰度特性上存在一定差異。人們觀察物體的時候，首先看到的最清楚的部分就是邊緣和線，根據邊緣和線的組成，便可以知道物體的構造。多年以來，圍繞圖像邊緣檢測的問題，人們提出了各種圖像邊緣檢測算子，如：Roberts 算子、Prewitt 算子、Sobel 算子 、laplace 算子 、Canny算子等，這些算子各有優點，在實際應用中被廣泛地采用。對于邊緣較為明顯的灰度圖像，這些算子均能取得很好的效果。提取垃圾邊緣后，就可將水面圖像中垃圾對應區域分離出來，從而達到水面垃圾的自動監測
詳細內容請查看附件部分：
使用微信“掃一掃”功能添加“谷騰環保網”
如果需要了解更加詳細的內容，請點擊下載 
201211192147233281.zip
下載該附件請登錄，如果還不是本網會員，請先注冊
