基于SVM支持向量机的水质图像分析

李昂 金晓军 万权性

摘要：针对运用水色图像来判别水质状况的问题，设计了一种基于计算机视觉与机器学习的水质图像评价方法。利用颜色矩阵对水质图像进行特征提取，采用SVM支持向量机算法对水质图像的RGB三通道特征进行数据分析，使用Python语言进行编程，得到一个水质评价模型。实验表明，该方法能有效通过水体的颜色对不同水质进行识别，具有一定的实际应用价值。

关键词：计算机视觉；机器学习；Pvthon；水质图像

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）08-0157-03

随着工业技术的日益提升，人类的生活变得越来越便利。但与此同时环境污染问题日趋严重，大气、土壤、水质污染是各个工业国家不得不面对的问题。污染需要治理，因此对于污染物的评价与监测十分重要。水产养殖业是我国国民经济的一个重要组成部分，在水产养殖过程中，选择没有污染的水域进行养殖十分重要。有经验的渔业生产从业者能够通过水体的颜色来判断水质的好坏，从而确定水体是否适合鱼类生长。在生产环境下，通常是以传统的肉眼观测法，以经验来观察判断，这种方式虽然有效，但观察结果不够稳定，主观性较强，容易引起观察性偏差。因此寻求一种定量分析有便于推广的方法十分必要。随着计算机视觉技术的快速发展，利用机器视觉代替人工视觉已经用于工业生产的诸多领域，同时也为水产养殖业提供了更好的技术支持。通过合理将计算机视觉技术与专家经验相结合，可以通过水体的颜色，对水质的优劣程度进行分级，对水质情况进行自动快速的识别。本文针对水质污染的评价方法进行研究，通过计算机科学技术对水质图像进行特征提取与数据分析，得到一个有效的水质自动评价模型。

1数据预处理

颜色直方图产生的特征维数一般大于颜色矩的特征维数，为了避免过多变量影响后续的分类效果，在本案例中选择采用颜色矩来提取水样图像的特征，即建立水样图像与反映该图像特征的数据信息关系，同时由有经验的专家对水样图像根据经验进行分类，建立水样数据信息与水质类别的专家样本库，进而构建分类模型，得到水样图像与水质类别的映射关系，并经过不断调整系数优化模型，最后利用训练好的分类模型，用户就能方便地通过水样图像判别出该水样的水质类别。水色分类如表1所示。

图1为基于图像处理的水质评价流程，主要包括以下步骤。

1）采集水质样本图像，选择性抽取一部分形成建模数据集，将实时抽取的图片作为增量数据集。

2）数据预处理，对步骤1形成的兩个数据集进行图像切割和颜色矩特征提取。

3）由专家对步骤2形成的建模数据进行观测，根据经验对水样图像进行分类，形成专家样本。

4）利用专家样本构建分类模型。

5）利用上一步的构建好的分类模型进行实时水质评价。

在采集水样图像时，会将盛水的玻璃容器一起拍成照片。由于感兴趣区域为水样区域，因此要排除玻璃容器与背景噪声的干扰。这里采用图像切割的方法，截取水样的中心区域附近的图像作为研究对象。具体方法为，提取水样图像中央80×80像素的图像。设原图像的大小是MXN，则截取宽从第fix（M/2）-40个像素点到第fix（M/2）+40个像素点，长从第fix（M/2）-40个像素点到第fix（M/2）+40个像素点的子图像。即可把图2中左边的原始水样图像切割并保存到右边的切割后的水样图像。

2特征提取

图像中任何的颜色分布都可以用它的矩来表示。根据概率论的思想，随机变量的概率分布可以由其各阶矩唯一的表示和描述。一幅图像的色彩分布可以认为是一种概率分布，那么图像可以由其各阶颜色矩来描述[6-8]。这里通过提取颜色矩阵来提取水样图像的特征，各阶颜色矩的计算方式为：

3水质评价模型构建

3.1模型输入

对特征提取后的样本进行抽样，抽取80%作为训练样本，剩下的20%作为测试样本，用于水质评价检验。

这里采用SVM支持向量机作为水质评价分类模型，该模型的输入包括两部分，一部分是训练样本的输入，另一部分是建模参数的输入。由于特征的取值范围在0～1之间，如果直接输入SVM模型，彼此之间区分度会比较小。为了解决这一问题，将所有特征都统一乘以一个适当的常数k，从而提高区分度和准确率。常数k的取值要适当，如果过小将导致区分度过低，使得模型精确度差。如果过大则会导致模型在训练样本中过拟合。所以k值的选取需要通过大量测试来确定一个最优值。经过实验，本次建模中k的最优值为30，因此将输入的特征统一乘以30，然后建立支持向量机模型。

3.2实验与分析

模型建立完成之后，使用训练样本对分析对象进行回判，得到的混淆矩阵如表3所示，分类准确率为96.9%，分类效果良好，可应用该模型进行水质评价。

4实验结果

本文实验使用python语言编程实现。水样数据采集于多个水产养殖池塘与湖泊，使用数码相机进行图像拍摄。为实现批量处理，将水质图片进行统一命名，命名规则为“类别一编号.jpg”。将所有测试样本作为输入样本，输入已经构建好的支持向量机模型，输出的结果即为预测的水质类型。水质评价的混淆矩阵如表4所示，分类准确率为97.56%。实验结果表明，该水质评价模型对于新增的水色图像的分类效果较好，可将模型应用于水质自动评价系统，实现水质评价。

5结束语

本文设计基于计算机视觉的水质图像分析方法，结合实际的水质样本，使用图像处理算法提取水样的颜色矩，使用SVM支持向量机算法对特征值进行数据分类，最终将训练出的模型对水质进行评价。本文图像处理算法与数据处理均使用py-thon语言进行编程实现。实验结果证明，本方法能有效对不同水质进行分类，实现水质评价。具有一定的实用意义。