本发明涉及图像数据处理技术领域，提出了基于计算机视觉的硅胶污水处理智能监测方法，包括：获取图像数据；基于局部最小值点的位置信息获取距离变换图，基于距离变化图获取硅胶污水俯视图的二值图像，基于二值图像获取局部最小值点的污水纹理系数；基于二值图像获取局部最小值点的轮廓边缘距离序列，基于局部最小值点的轮廓边缘距离序列获取局部最小值点的模糊评价度指标，基于污水纹理系数和模糊评价度指标获取局部最小值点的粘稠度指标，基于粘稠度指标对局部最小值点进行合并获取优化后的局部最小值点；基于图像的分割结果获取硅胶污水指数，实时地监测硅胶污水处理情况。本发明避免图像出现过分割的现象，提高了硅胶污水处理监测的精度。
1.基于计算机视觉的硅胶污水处理智能监测方法，其特征在于，该方法包括以下步骤：
根据硅胶污水俯视图中的每个局部最小值点获取硅胶污水俯视图的距离变化图，其中，局部最小值点通过分水岭算法直接获取，根据距离变化图中每个局部最小值点的邻域分布规律获取硅胶污水俯视图的二值图像，根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的最大内接矩形区域，根据每个局部最小值点的最大内接矩形区域获取每个局部最小值点的污水纹理系数；
根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的轮廓边缘距离序列，根据每个局部最小值点的轮廓边缘距离序列获取每个局部最小值点的模糊评价度指标，根据每个局部最小值点的污水纹理系数和模糊评价度指标获取每个最小值点的粘稠度指标，根据粘稠度指标对局部最小值点进行合并获取优化后的局部最小值点；
根据优化后的局部最小值点获取分水岭算法的分割结果，根据分水岭算法的分割结果获取硅胶污水指数，实时地监测硅胶污水处理情况；
所述根据每个局部最小值点的最大内接矩形区域获取每个局部最小值点的污水纹理系数的方法为：根据每个局部最小值点的最大内接矩形区域获取每个局部最小值点的灰度共生矩阵，将每个局部最小值点的灰度共生矩阵的一阶矩与二阶矩的乘积作为每个局部最小点的污水纹理系数；
所述根据每个局部最小值点的轮廓边缘距离序列获取每个局部最小值点的模糊评价度指标的方法为：对于每个局部最小值点，将局部最小值点所属的区域窗口内进行离散余弦变换后低频区域所包含的低频系数的平方和与局部最小值点的轮廓边缘距离序列内元素的方差之间的乘积作为分子，将局部最小值点所属的区域窗口内的所有扩散边界点的梯度幅值的和作为分母，将分子与分母的比值作为局部最小值点的模糊评价度指标；
所述根据每个局部最小值点的污水纹理系数和模糊评价度指标获取每个最小值点的粘稠度指标的方法为：对于每个局部最小值点，将局部最小值点的污水纹理系数作为分子，将局部最小值点的模糊评价度指标作为分母，将分子与分母的比值的归一化结果作为局部最小值点的粘稠度指标；
所述根据优化后的局部最小值点获取分水岭算法的分割结果，根据分水岭算法的分割结果获取硅胶污水指数，实时地监测硅胶污水处理情况的方法为：根据优化后的局部最小值点利用分水岭算法获取硅胶污水俯视图的分割结果，将粘稠度指标大于预设第二阈值的分割区域记为污水区域，将污水区域的总面积作为分子，将硅胶污水俯视图的总面积作为分母，将分子与分母比值的百分数结果作为硅胶污水指数；实时地监测硅胶污水处理情况，当硅胶污水指数大于预设第三阈值时，认为水域内硅胶污水超标。
2.根据权利要求1所述的基于计算机视觉的硅胶污水处理智能监测方法，其特征在于，所述根据硅胶污水俯视图中的每个局部最小值点获取硅胶污水俯视图的距离变化图的方法为：将硅胶污水俯视图中利用分水岭算法获取的每个局部最小值点的距离值作为每个局部最小值点的第一预设参数值，将除所有局部最小值点之外的所有像素点的距离值设置为第二预设参数值，将每个像素点的距离值替换像素点的灰度值获取距离二值图；
计算距离二值图中每一个距离值为第二预设参数值的像素点与其最近的局部最小值点之间的欧氏距离，将所述欧氏距离对像素点的距离值进行替换更新，遍历整个距离二值图中所有距离值为第二预设参数值的像素点，将替换更新后的结果记为硅胶污水俯视图的距离变化图。
3.根据权利要求1所述的基于计算机视觉的硅胶污水处理智能监测方法，其特征在于，所述根据距离变化图中每个局部最小值点的邻域分布规律获取硅胶污水俯视图的二值图像的方法为：以距离变化图中每个局部最小值点为中心，向各个方向扩散，直到每个方向的像素点的距离值无法继续增大为止，将最终停止扩散的像素点称为扩散边界点；
将所有的扩散边界点的距离值设置为第三预设参数值，将其余像素点的距离值设置为第四预设参数值，将图像中所有像素点的距离值设置后的结果记为硅胶污水俯视图的二值图像。
4.根据权利要求1所述的基于计算机视觉的硅胶污水处理智能监测方法，其特征在于，所述根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的最大内接矩形区域的方法为：利用形态学闭运算技术获取硅胶污水俯视图的二值图像的处理结果，将所述处理结果内的每个最小值点所属区域的轮廓作为每个局部最小值点所属的区域窗口；
对于硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口，根据每个局部最小值点所处区域内的最大内接矩形获取每个局部最小值点的最大内接矩形区域。
5.根据权利要求1所述的基于计算机视觉的硅胶污水处理智能监测方法，其特征在于，所述根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的轮廓边缘距离序列的方法为：对于硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口，获取局部最小值点所属的区域窗口内的所有扩散边界点与局部最小值点之间的欧氏距离，根据所有扩散边界点与局部最小值点之间的欧氏距离随机排列获取每个局部最小值的轮廓边缘距离序列。
6.根据权利要求1所述的基于计算机视觉的硅胶污水处理智能监测方法，其特征在于，所述根据粘稠度指标对局部最小值点进行合并获取优化后的局部最小值点的方法为：对于每个局部最小值点，比较与局部最小值点最近邻的局部最小值点的粘稠度指标，局部最小值点的粘稠度指标与其最近邻的局部最小值点的粘稠度指标之间的差值的绝对值小于预设第一阈值时，将两个局部最小值点的所处区域进行合并，将所述两个局部最小值点中粘稠度指标最大的局部最小值点作为合并后的局部最小值点；
对每个局部最小值点进行合并，直到所有局部最小值点的粘稠度指标与其最近邻的局部最小值点的粘稠度指标之间的差值的绝对值都不小于预设第一阈值为止，将合并后的局部最小值点作为优化后的局部最小值点。
基于计算机视觉的硅胶污水处理智能监测方法
技术领域
[0001] 本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的硅胶污水处理智能监测方法。
背景技术
[0002] 硅胶是一种含硅橡胶的凝胶状物质，具有热稳定性好、绝缘性能高等特点，在建材、电子、医疗等行业有广泛应用。随着社会发展，硅胶的产量和使用量持续增长，相应地，随着硅胶生产规模的扩大，硅胶废水也不断增多，如果直接排放，其中的化学物质和物理物质可能会对环境造成污染，如水体污染、土壤污染等。所以硅胶废水处理环节就显得十分重要，不仅可以减少对环境的污染，保护水资源，还可以促进行业绿色生产，推动硅胶产业可持续发展。
[0003] 目前，基于计算机视觉监测污水方法中常用图像分割技术完成对硅胶污水图像的分割任务，实时地监测硅胶污水处理情况。比如，常见的分水岭算法，在图像分割领域应用较为广泛。但是，常规的分水岭算法应用于硅胶污水图像的分割任务中容易出现过分割现象，造成硅胶污水区域分割结果精度低，从而造成后续硅胶污水监测结果不准确。
发明内容
[0004] 本发明提供基于计算机视觉的硅胶污水处理智能监测方法，以解决硅胶污水监测结果不准确的问题，所采用的技术方案具体如下：
[0005] 本发明一个实施例基于计算机视觉的硅胶污水处理智能监测方法，该方法包括以下步骤：
[0006] 获取硅胶污水俯视图的图像数据；
[0007] 根据硅胶污水俯视图中的每个局部最小值点获取硅胶污水俯视图的距离变化图，根据距离变化图中每个局部最小值点的邻域分布规律获取硅胶污水俯视图的二值图像，根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的最大内接矩形区域，根据每个局部最小值点的最大内接矩形区域获取每个局部最小值点的污水纹理系数；
[0008] 根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的轮廓边缘距离序列，根据每个局部最小值点的轮廓边缘距离序列获取每个局部最小值点的模糊评价度指标，根据每个局部最小值点的污水纹理系数和模糊评价度指标获取每个最小值点的粘稠度指标，根据粘稠度指标对局部最小值点进行合并获取优化后的局部最小值点；
[0009] 根据优化后的局部最小值点获取分水岭算法的分割结果，根据分水岭算法的分割结果获取硅胶污水指数，实时地监测硅胶污水处理情况。
[0010] 优选的，所述根据硅胶污水俯视图中的每个局部最小值点获取硅胶污水俯视图的距离变化图的方法为：
[0011] 将硅胶污水俯视图中利用分水岭算法获取的每个局部最小值点的距离值作为每个局部最小值点的第一预设参数值，将除所有局部最小值点之外的所有像素点的距离值设置为第二预设参数值，将每个像素点的距离值替换像素点的灰度值获取距离二值图；
[0012] 计算距离二值图中每一个距离值为第二预设参数值的像素点与其最近的局部最小值点之间的欧氏距离，将所述欧氏距离对像素点的距离值进行替换更新，遍历整个距离二值图中所有距离值为第二预设参数值的像素点，将替换更新后的结果记为硅胶污水俯视图的距离变化图。
[0013] 优选的，所述根据距离变化图中每个局部最小值点的邻域分布规律获取硅胶污水俯视图的二值图像的方法为：
[0014] 以距离变化图中每个局部最小值点为中心，向各个方向扩散，直到每个方向的像素点的距离值无法继续增大为止，将最终停止扩散的像素点称为扩散边界点；
[0015] 将所有的扩散边界点的距离值设置为第三预设参数值，将其余像素点的距离值设置为第四预设参数值，将图像中所有像素点的距离值设置后的结果记为硅胶污水俯视图的二值图像。
[0016] 优选的，所述根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的最大内接矩形区域的方法为：
[0017] 利用形态学闭运算技术获取硅胶污水俯视图的二值图像的处理结果，将所述处理结果内的每个最小值点所属区域的轮廓作为每个局部最小值点所属的区域窗口；
[0018] 对于硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口，根据每个局部最小值点所处区域内的最大内接矩形获取每个局部最小值点的最大内接矩形区域。
[0019] 优选的，所述根据每个局部最小值点的最大内接矩形区域获取每个局部最小值点的污水纹理系数的方法为：
[0020] 根据每个局部最小值点的最大内接矩形区域获取每个局部最小值点的灰度共生矩阵，将每个局部最小值点的灰度共生矩阵的一阶矩与二阶矩的乘积作为每个局部最小点的污水纹理系数。
[0021] 优选的，所述根据硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口获取每个局部最小值点的轮廓边缘距离序列的方法为：
[0022] 对于硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口，获取局部最小值点所属的区域窗口内的所有扩散边界点与局部最小值点之间的欧氏距离，根据所有扩散边界点与局部最小值点之间的欧氏距离随机排列获取每个局部最小值的轮廓边缘距离序列。
[0023] 优选的，所述根据每个局部最小值点的轮廓边缘距离序列获取每个局部最小值点的模糊评价度指标的方法为：
[0024] 对于每个局部最小值点，将局部最小值点所属的区域窗口内进行离散余弦变换后低频区域所包含的低频系数的平方和与局部最小值点的轮廓边缘距离序列内元素的方差之间的乘积作为分子，将局部最小值点所属的区域窗口内的所有扩散边界点的梯度幅值的和作为分母，将分子与分母的比值作为局部最小值点的模糊评价度指标。
[0025] 优选的，所述根据每个局部最小值点的污水纹理系数和模糊评价度指标获取每个最小值点的粘稠度指标的方法为：
[0026] 对于每个局部最小值点，将局部最小值点的污水纹理系数作为分子，将局部最小值点的模糊评价度指标作为分母，将分子与分母的比值的归一化结果作为局部最小值点的粘稠度指标。
[0027] 优选的，所述根据粘稠度指标对局部最小值点进行合并获取优化后的局部最小值点的方法为：
[0028] 对于每个局部最小值点，比较与局部最小值点最近邻的局部最小值点的粘稠度指标，局部最小值点的粘稠度指标与其最近邻的局部最小值点的粘稠度指标之间的差值的绝对值小于预设第一阈值时，将两个局部最小值点的所处区域进行合并，将所述两个局部最小值点中粘稠度指标最大的局部最小值点作为合并后的局部最小值点；
[0029] 对每个局部最小值点进行合并，直到所有局部最小值点的粘稠度指标与其最近邻的局部最小值点的粘稠度指标之间的差值的绝对值都不小于预设第一阈值为止，将合并后的局部最小值点作为优化后的局部最小值点。
[0030] 优选的，所述根据优化后的局部最小值点获取分水岭算法的分割结果，根据分水岭算法的分割结果获取硅胶污水指数，实时地监测硅胶污水处理情况的方法为：
[0031] 根据优化后的局部最小值点利用分水岭算法获取硅胶污水俯视图的分割结果，将粘稠度指标大于预设第二阈值的分割区域记为污水区域，将污水区域的总面积作为分子，将硅胶污水俯视图的总面积作为分母，将分子与分母比值的百分数结果作为硅胶污水指数；
[0032] 实时地监测硅胶污水处理情况，当硅胶污水指数大于预设第三阈值时，认为水域内硅胶污水超标。
[0033] 本发明的有益效果是：基于常规分水岭算法确定局部最小值点所在位置，进行距离变换获取局部最小值点所属的区域窗口，根据局部最小值点所属的区域窗口内污水特征构建污水纹理系数以及模糊评价度指标，综合得到局部最小值点的粘稠度指标，改进分水岭算法中局部最小值点的选取。其有益效果在于，通过改进局部最小值点的选取，对局部最小值点进行优化，避免分水岭算法分割硅胶污水俯视图时容易出现过分割现象，提高硅胶污水俯视图的分割质量，从而提升硅胶污水检测精度。
附图说明
[0034] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035] 图1为本发明一个实施例所提供的基于计算机视觉的硅胶污水处理智能监测方法的流程示意图；
[0036] 图2为本发明一个实施例所提供的基于计算机视觉的硅胶污水处理智能监测方法的具体实施流程图。
具体实施方式
[0037] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038] 请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的硅胶污水处理智能监测方法流程图，该方法包括以下步骤：
[0039] 步骤S001，获取硅胶污水俯视图的图像数据。
[0040] 综合考虑续航时间、载重、防风能力等因素，本发明中选择DJI Mavic 3作为拍摄设备，采用栅格式扫描路线，确保对整个污水排放区域进行全面覆盖，使用Sonny QX1摄像头获取硅胶污水 分辨率的硅胶污水俯视图。另外，为了后续分析的准确性，使用平均值法对硅胶污水俯视图进行灰度化操作，然后对灰度化操作后的硅胶污水俯视图使用中值滤波算法进行去噪，最后使用直方图均衡化算法限制图像对比度，减弱光照对图像数据的影响。将上述处理后的图像记为预处理后的硅胶污水俯视图，其中平均值法、中值滤波算法以及直方图均衡化算法为公知技术，不做多余赘述。
[0041] 至此，将上述处理后的图像记为预处理后的硅胶污水俯视图，获取到预处理后的硅胶污水俯视图的图像数据。
[0042] 步骤S002，根据硅胶污水俯视图获取距离变化图，根据距离变化图获取二值图像，根据二值图像获取最大内接矩形区域，根据最大内接矩形区域获取污水纹理系数。
[0043] 一般场景下，硅胶污水排放后，水面呈不透明的乳白色，且由于硅胶污水粘性强，污水区粘稠度高，不会呈现明显的流动性，同时可以看到此处水源周边植被变色或者枯死的现象，这体现出治理污水的重要性。本发明中硅胶污水处理智能监测方法的具体实施流程图如图2所示。
[0044] 分水岭算法是一种传统且应用场景较多的图像分割技术，其对复杂的图像也有较好的分割结果，而且算法思路相对简单，计算高效。但是，分水岭算法对图像中噪声较为敏感，分割结果容易出现过分割的现象。为了避免出现过分割的现象，提高硅胶污水处理监测的准确性，需要对算法的局部最小值点进行优化。
[0045] 在此，利用传统的分水岭算法，将预处理后的硅胶污水俯视图作为算法的输入，将预处理后的硅胶污水俯视图中的局部最小值点作为算法的输出，分水岭算法为公知技术，不做多余赘述。此时，将局部最小值点直接应用常规分水岭算法，较大硅胶污水区域会被分割为一个连通域，而较小的污水区域又会被分割为另外一个连通域，产生了过分割现象，不仅增加了计算量而且使得分割结果更加复杂。
[0046] 为了使较小污水区域应该与较大污水区域同属于一个连通域，此处以获取的局部最小值点为分析对象，构建硅胶污水俯视图的距离变换图。
[0047] 具体地，将初步获取的所有局部最小值点的距离值设置为0，表示自身到自身的距离为0，然后将除局部最小值点之外的所有像素点的距离值设置为 ,此处根据图像分辨率 可设定距离值 为200，实施者可以根据实际情况自行设定。将每个像素点的距离值替换像素点的灰度值，由此获取距离二值图，即只包括两个距离值的图像。对于距离二值图中任意一个距离值不为0的像素点，计算该像素点与所有距离值为0的局部最小值点之间的欧式距离，选取所有欧式距离中最小值对距离值不为0的像素点的距离值 进行更新，以相同的方法遍历距离二值图中所有距离值不为0的像素点获得局部最小值点的距离变换图，即硅胶污水俯视图的距离变化图。
[0048] 进一步地，通过距离变换图可以获取局部最小值点周围区域分布情况，在此以每个局部最小值点为中心，向各个方向进行扩散。对于每个扩散方向，直到方向上像素点的距离值无法继续增大为止，将最终停止扩散的像素点称为扩散边界点。通过上述方法可获得多个扩散边界点，但对于每个局部最小值点，由于当扩散到直到像素点的距离值无法继续增大为止，即停止扩散，在停止扩散后可能会存在多个离散的扩散边界点，在此将扩散边界点的距离值更新为255，其余区域像素点距离值更新为0。通过对距离变化图中所有像素点的距离值进行更新，将更新后的结果作为硅胶污水俯视图的二值图像。
[0049] 另外，对硅胶污水俯视图的二值图像进行形态学闭运算操作，使得离散的扩散边界点能够相接，此时这些扩散边界点则构成了局部最小值点所属区域的轮廓，将局部最小值点所属区域的轮廓记为局部最小值点所属的区域窗口。由此，得到多个局部最小值点所属的区域窗口，形态学闭运算为公知技术，不做多余赘述。
[0050] 进一步地，为了分析局部最小值点所属的区域窗口内硅胶污水表面特征，进而构建局部最小值点的粘稠度指标，反映其区域窗口内硅胶污水分布密度。若局部最小值点所属的区域窗口内硅胶污水的密度越大，则局部最小值点的粘稠度指标越大，相应的污染程度也更严重。同时，通过比较最近邻的局部最小值点所属的区域窗口内的分布情况，实现对相邻局部最小值进行合并，以此来避免后续出现过分割现象。一般场景下，若局部最小值点所属的区域窗口内硅胶污水分布密度较大，则该区域整体灰度值偏高，纹理特征不明显，同时相较于其他无污染水域更加模糊。
[0051] 具体地，对于硅胶污水俯视图的二值图像中每个局部最小值点所属的区域窗口，利用最大内接矩形技术获取每个局部最小值点所属的区域窗口内的最大内接矩形区域，最大内接矩形技术为公知技术，不做多余赘述。基于每个局部最小值点所属的区域窗口内的最大内接矩形区域构建0度方向上的灰度共生矩阵，将通过每个局部最小值点所属的区域窗口获取的灰度共生矩阵作为每个局部最小值点的灰度共生矩阵，灰度共生矩阵为公知技术，不做多余赘述。
[0052] 计算每个局部最小值点的污水纹理系数：
[0053]
[0054] 式中， 为第 个局部最小值点的污水纹理系数， 为第 个局部最小值点的灰度共生矩阵的一阶矩， 为第 个局部最小值点的灰度共生矩阵的二阶矩。
[0055] 当第 个局部最小值点的灰度共生矩阵的一阶矩越大时，说明第 个局部最小值点所属的区域窗口内纹理对比度较高，相应的纹理更加清晰，则局部最小值点的污水纹理系数越大，即硅胶污水分布密度较小。当第 个局部最小值点的灰度共生矩阵的二阶矩越大时，说明第 个局部最小值点所属的区域窗口内纹理更加复杂，则局部最小值点的污水纹理系数越大，即硅胶污水分布密度越小。
[0056] 需要说明的是，局部最小值点的灰度共生矩阵的一阶矩反映了局部区域的纹理对比度，局部最小值点的灰度共生矩阵的二阶矩反映了局部区域中纹理的不确定性和复杂度，灰度共生矩阵的一阶矩与二阶矩为公知技术，不做多余赘述。
[0057] 步骤S003，根据二值图像获取轮廓边缘距离序列，根据轮廓边缘距离序列获取模糊评价度指标，根据污水纹理系数和模糊评价度指标获取粘稠度指标，根据粘稠度指标对局部最小值点进行优化。
[0058] 对于局部最小值点所属的区域窗口内硅胶污水表面来说，其图像越模糊，边界感越弱，与周围局部最小值点所属的区域窗口之间的相似度越高。
[0059] 具体地，计算每个局部最小值点所属的区域窗口的轮廓边缘上所有像素点到局部最小值点的欧式距离以及该区域窗口内所有轮廓边缘像素点的灰度梯度幅值总和，然后根据每个局部最小值点所属的区域窗口的轮廓边缘上所有像素点到局部最小值点的欧式距离按照随机排列的方式组成的序列作为每个局部最小值的轮廓边缘距离序列。需要说明的是，轮廓边缘像素点即为扩散边界点，灰度梯度幅值可以利用Sobel算子计算得到，Sobel算子为公知技术，不做多余赘述。
[0060] 在此，计算每个局部最小值点的模糊评价度指标：
[0061]
[0062] 式中， 为第 个局部最小值点的模糊评价度指标， 为第 个局部最小值点所属的区域窗口内轮廓边缘像素点的灰度梯度幅值和， 为第 个局部最小值点所属的区域窗口内的灰度值进行离散余弦变换后低频区域所包含的低频系数平方和， 为第 个局部最小值点的轮廓边缘距离序列 内元素值的方差。需要说明的是，灰度梯度幅值及低频系数为公知技术，不做多余赘述。
[0063] 当第 个局部最小值点所属的区域窗口的低频系数平方和 越大时，说明局部图像越模糊，则局部最小值点的模糊评价度指标越大。当第 个局部最小值点所属的区域窗口的轮廓边缘像素点的梯度和 越小时，说明局部图像越模糊，则模糊评价度指标越大。当第 个局部最小值点所属的区域窗口的轮廓边缘距离序列 的方差 越大时，说明局部最小值点区域的轮廓边缘相对曲折，即轮廓边缘越不光滑，其轮廓边缘越模糊，则模糊评价度指标 越大，即硅胶污水分布密度越大，粘稠度越高。
[0064] 进一步地，计算每个局部最小值点的粘稠度指标：
[0065]
[0066] 式中， 为第 个局部最小值点的粘稠度指标， 为归一化函数， 为第 个局部最小值点的模糊评价度指标， 为第 个局部最小值点的污水纹理系数。
[0067] 当第 个局部最小值点的模糊评价度指标越大时，第 个局部最小值点所属的区域窗口内硅胶污水图像越模糊，即硅胶污水分布密度越大，则局部最小值点的粘稠度指标越大。当第 个局部最小值点的污水纹理系数越小时，第 个局部最小值点所属的区域窗口内硅胶污水纹理越模糊，即硅胶污水分布密度越大，则局部最小值点的粘稠度指标越大。
[0068] 至此，获取每个局部最小值点的粘稠度指标。
[0069] 进一步地，对于每个局部最小值点的粘稠度指标，比较与最近邻的局部最小值点粘稠度指标之间差值的绝对值大小，对满足条件的局部最小值进行合并。
[0070] 具体地，以第 个局部最小值点为例，记录与其欧氏距离最近的局部最小值点的粘稠度指标，当第 个局部最小值点的粘稠度指标 与最近邻的局部最小值点的粘稠度指标之间差值的绝对值小于预设第一阈值 时，将这两个局部最小值点可进行合并，且将较大粘稠度指标对应的局部最小值点坐标作为合并后的局部最小值点坐标，预设第一阈值 的经验取值为0.05。对每个局部最小值点进行合并，直到所有局部最小值点的粘稠度指标与其最近邻的局部最小值点的粘稠度指标之间的差值的绝对值都不小于预设第一阈值为止，将合并后的局部最小值点作为优化后的局部最小值点。
[0071] 至此，完成局部最小值点的优化。
[0072] 步骤S004，利用分水岭算法获取硅胶俯视图的分割结果，计算硅胶污染指数实时地监测硅胶污水处理情况。
[0073] 基于优化后的局部最小值，利用分水岭算法完成硅胶污水俯视图的分割，分水岭算法为公知技术，不做多余赘述。对分割结果进行分析，基于粘稠度指标的构建过程，在此对每个分割区域采用相同的方式构建粘稠度指标，将粘稠度指标大于预设第二阈值的分割区域标记为污水区域，预设第二阈值的经验取值为0.1。
[0074] 统计硅胶污水俯视图中的污水区域的总面积，记为 ,同时统计硅胶污水俯视图的总面积，记为 ,计算硅胶污水指数：
[0075]
[0076] 式中， 为硅胶污水指数， 为硅胶污水俯视图中的污水区域的总面积，为硅胶污水俯视图的总面积。
[0077] 当监测水域图像的硅胶污水指数 大于预设第三阈值 时，认为此水域内硅胶污水超标，预设第三阈值的经验取值为5%。由此，对硅胶污水的硅胶污水指数进行监测，实时地监测硅胶 污水处理情况，避免出现较大程度的硅胶污染现象。
[0078] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
