基于SVM支持向量机的水质图像分析

合集下载

基于支持向量机和距离度量的管道内表面图像分类方法研究

ＡｂｓｒｃＡｌｓｉｉａｉｙｔｍｏｎｎｒｗａｌａｉｏｒｏｓｖｍａｅｉｐｅｉｎｒｄｕｅｔａｔｃａｓｆｃｔｏｎｓｓｅｆｒｉｅｌｎｔｃｒｉｅｉｇｎｐｉｓｉｔｏｃｄ．Ｔｈｅｓｔｍｏｂｉｓｓｐｐｔｖｃｏｒｍａｈｉｅ（ＶＭ）ａｓａｅｃａｓｆｃｔｏｎｉｔｗｏｌｅｅｉｙｓｅｃｍｎｅｕｏｒｅｔｃｎＳｎｄｄｉｔｎｃｌｓｉｉａｉｎｏｔ —ａｙｒｓｒ— ａｌｓｉｉｒＳＶＭｉｅｓａｎｅｔｃｎｉｕｅｆｒｐａｔｒｅｏｉｉｎｗｉｈｇｏｎｒｌｚｔｏｎｌｃａｓｆｅ．ｓｕｓｄａｗｅｈｑｏｔｅｎｒｃｇｎｔｏｔｏｄｇｅｅａｉａｉｐｒｏｒａｅ．Ｈｏｗｅｅｅｆｍｎｃｖｒ，ｂｃｕｅｏｆｕｅｏｆｑｄｒｔｃｐｏａｅａｓｓｕａａｉｒｇｒｍｍｉｇｏｐｉｉａｉｅｈｑｕｓ，ｔｎｔｍｚｔｏｎｔｃｎｉｅｈｅｔａｎｉｇｏｆＳＶＭｓｔｍｅｃｎｓｍｉｇ，ｅｐｃａｌｒｉｎｉｉ — ｏｕｎｓｅｉｌｙｗｈｅｈｒｉｉａａｓｔｉｒａｇ．ＳｏｗｅｎｔｅｔａｎｎｇｄｔｅｓｖｅｙｌｒｅｈａＷＯｃａｓｆｅｓｃｖｅｔｌｓｉｉｒｏｍｂｎｅｉｄ．Ｔｈｅｄｉｔｎｅｃａｓｆｅａｌｓｉｙｔｍａｓａｄｇｉｅｔｉａｌｓａｃｌｓｉｉｒｃｎｃａｓｆｈｅｉｇｅｎｖｈｅｆｎ

基于SVM的室外场景图像的景物识别

ｐｅｏａｎｎｎｌｓｉｃｔｎＥｐｒｍｅｔｌｒｓｌｈｗｔａｈｔｏａｖｒｏｈｎｉｓｆｒｔｉｉｇａｄｃａｓａｉ．ｘｅｉｎａｅｕｔｓｏｈｔｔｅｍｅｈｄｃｎｏｅｃｍｅｔｅｏｅ—ｓｄｄｅｓｏｒｉｆｏｓｉｅｎｓｆｓｎ／ｅｔｒｎｉｇｎｌｓｓｅｔｃｈｔｃｕｅａｄｓｅｔｌｈｒｃｅｓｉｓｏｅｉｇａｄａｈｅｅｂｔｒｅｉｇｅｆａｕｅｉｍａｅａａｙｉ，ｘｒｔｅｓｕｔｒｎｐｃｒａａｔｒｔｆｔａｔｒａｃｉｃｈｍａｅ，ｎｃｉｖｅｔ－ｅｒ
结构，只用纹理特征不能识别这些目标。单纯的只用一种特
１引言
图像的视觉特征有颜色、形状、纹理、空间关系等。颜色是物体表面的属性，因此对于图像分割和目标识别等的研究
征来表征图像的信息并不能全面的描述图像所包含的内容。
ｔｅｉｇ，ｔｅｐｐｒｐｔｒｒｅｍｅｈｄｗｉｈｃｍｂｎｓｔｅａｖｎａｅｆｈｏｏａｕｅｎｘｕｅｌａｈｍａｅｈａｅｕｓｆｗａｄａｎｗｔｏｈｃｏｉｅｄａｔｇｓｏｅｃｌｒｅｔｒｓａｄｔｔｒ－ｏｈｔｆｅｅ
ｔｒｓｈｏｏｉｔｇａｂｓｄｏｈＢｃｌｒｓａｅｉｅｔａｔｄａｏｏａｕｅ；ｈｘｕｅｆａｕｅｉｅｔｃｅｕｅ．ＴｅｃｌｒｈｓｏｒｍａｅｎｔｅＲＧｏｏｐｃｓｘｒｃｅｓｃｌｒｅｔｒｔｅｔｔｒｅｔｒｘｒｔｄｆｅｓａ

支持向量机在水质评价及预测中的应用研究的开题报告

支持向量机在水质评价及预测中的应用研究的开题报告一、选题背景随着环境污染的日益加剧，水质成为人们关注的热点之一。

而水质评价及预测是水环境管理、水资源保护和修复的基础，因此，研究水质评价及预测具有重要的理论价值和现实意义。

支持向量机作为一种重要的机器学习算法，在分类、回归、预测等方面具有广泛应用。

然而，支持向量机在水质评价及预测方面的应用研究相对较少。

二、选题意义针对当前水质评价及预测方法存在的问题，开展支持向量机在水质评价及预测中的应用研究，具有如下意义：1.丰富水质评价及预测方法。

支持向量机具有高准确率、强泛化能力、适应性强等特点，在水质评价及预测中能够很好地解决多维、非线性、样本数据较少或噪声干扰较多等问题，丰富了水质评价及预测方法。

2.提高水质管理的效率。

支持向量机模型预测水质污染的趋势及未来出现的可能性，便于对污染源进行防控和干预治理，提高水质管理的效率。

3.促进水环境保护和修复。

支持向量机可对水质污染源进行有效的空间、时间和源头控制，提高水环境保护和修复水平，使水资源得到合理利用。

三、研究内容和方法本研究拟开展支持向量机在水质评价及预测中的应用研究，通过以下研究内容：1.收集并处理相关数据。

收集水质监测数据，包括水中化学氧需求、总磷、总氮、溶解氧等指标。

对数据进行预处理，包括缺失值处理、特征选择等操作。

2.建立支持向量机模型。

在建立支持向量机模型时，需要进行训练集和测试集划分、特征标准化、参数设置等步骤。

考虑到常规支持向量机模型对数据量的要求和计算复杂度较高的问题，本研究将借鉴降维算法等技术对支持向量机进行改进和优化。

3.模型评价和应用。

通过模型评价，包括准确率、召回率、F1值等指标来评价模型性能。

最终应用模型预测未来的水质状况，并对预测结果进行分析和解释。

四、研究计划本研究将在半年内完成以上研究内容，具体计划如下：第一阶段（1个月）：收集及整理水质监测数据，进行预处理。

第二阶段（2个月）：建立支持向量机模型。

机器学习算法在水质监测中的应用

机器学习算法在水质监测中的应用随着科技的不断进步和应用范围的扩大，机器学习算法被广泛应用于各个领域，其中包括了水质监测。

水质监测是指对水体中的物理、化学、生物和微生物特征的监测和评价，以保护和改善水质。

利用机器学习算法进行水质监测可以有效提高监测的准确度和效率，本文将对其应用进行探讨。

一、机器学习算法在水质监测中的意义传统的水质监测通常是由专业检测人员采用传统的实验室检测设备进行监测，在现场采集水样后，再进行化验分析，以得出水体的指标数据，这种方式存在着一些问题，如：1.有些指标在现场检测时难以准确检测，如细菌、毒素等，只能通过收集样本回实验室进行检测。

2.数据量大、检测周期长，不能及时反映实际状况，不能满足需要实时监控的要求。

3.人为因素较大，不同检测人员或不同实验室间的判别标准和误差存在差异，对于结果的判断和评价存在不确定性。

4.工作量大，不利于提高效率。

而机器学习算法能克服以上问题，具有以下优势：1.能够实现监测数据的实时采集，处理和存储，有效提高了监测数据的采样周期。

2.采用数据挖掘技术能够从庞大数据中发掘隐含的规律和规律性，精准预测水质状况和变化趋势。

3.减少了人为因素的干扰，相对传统的方法，机器学习算法更为客观和可靠。

4.可以自主学习，不断提高智能水平，逐步达到自动化和智能化的目标。

二、1.神经网络算法神经网络是一种模拟人类大脑神经细胞之间相互作用、相互影响的信息处理系统。

神经网络属于非线性的系统，因此能够处理非线性问题。

在水质监测中应用神经网络可以识别复杂的水质特征和模式，预测未来的水质变化趋势。

这种算法可应用于预测化学物质浓度、pH值、溶解氧、悬浮物浓度等指标。

2.支持向量机（SVM）算法SVM是一种新兴的分类算法，它基于统计学习理论和结构风险最小化原则等，通过建构最优超平面来进行分类和预测。

在水质监测中应用SVM算法可以识别水质监测数据中的异常数据，并进行预警。

除此之外，SVM能够处理非线性问题，还能够支持多元分类任务和高维数据点，所以在复杂场景下应用也非常合适。

基于SVM的JPEG图像隐密分析研究

中分类Ｐ９圈号ｌ３Ｔ０
Hale Waihona Puke 基于ＳＭ的ＪＥ图像隐密分析研究ＶＰＧ
宋华Ｌ，尤新刖．藏一奇。
（．清华大学计算机系，北京１０４２１０８；．北京电子技术应用研究所，北京１０９）０００１
摘
要：分析了ＪＥ图像的信息隐藏方法及各种攻击算法，提出ｒＰＧ一种新的基干支持向量机（ＶＳＭ）的检测算法通过分析研究与信
维普资讯
０第３卷第ｌ期２
Ｖ１２ｏ．３
・
计
算
机
工
程
２０年５月０６
Ｍａ０６ｙ２０
旭
ＪＤ
ＣｏｐｔｒＥｎｉｅｒｎｍｕｅｇｎｅｉｇ
博士论文・
￣Ｊｌ０３８０）－Ｉ６０ｌｌ０＿４（０ｌ一砌＿３文－识Ｉｑ，ｏ＿２２６ｏ ‘ ＿Ｉ码ｔ标Ａ
［ｙｗｒｓｎｏｍａｉｎｈｄｎ；ｔｇｎｌｓ；ｉｄｄｔｔｎＳＭＫｅｏｄ！ＩｆｒｔｉｉｇＳｅａａｙｉＢｌｅｅｉ；Ｖｏｓｎｃｏ
１ＰＧ图像信息隐藏方法ＥＪ
图像信息隐藏方法虽然有很多种，但根据密文在图像中的位置主要可以分为两大类：１（）利用载体图像的文件格式进
息隐藏相关的多个图像统计特征量，设计了图像ＤＴ系数的直方图、边界不连续性、相关差值、相关直方闰等值组成特征向量，然后采Ｃ
用ＳＭ方法进行分类，实现了一种新的图像隐密分析方法。实验结果表明，这是一种有效的、高精度的盲检测方法，能够准确识别出图Ｖ像是否隐藏有秘密信息。关健词：信息隐藏；隐密分析；盲检测；ＳＭＶ

支持向量机算法的特点分析

支持向量机算法的特点分析支持向量机算法（SVM）是一种基于统计学习理论的分类算法，被广泛应用于机器学习、数据挖掘等领域。

相较于传统的分类算法和神经网络算法，SVM具有许多独特的特点和优势。

本文将从几个方面对SVM的特点进行分析。

一、高准确性支持向量机算法具有很高的准确性，这是因为SVM是基于结构风险最小化理论发展起来的，它可以有效的避免过拟合和欠拟合问题。

SVM将数据分割成两个不同的类别，然后寻找一条超平面来最大化两类数据之间的间隔，使得该超平面能够最好的对数据进行分类。

而满足这个条件的超平面是唯一的，因此SVM具有很高的准确性。

二、可扩展性强SVM算法具有高可扩展性，可以处理高维度的数据，也可以支持非线性分类和回归问题。

SVM算法在处理大量数据时表现出良好的性能，因为它只需要关注限制数据（即支持向量）和边界信息，而不是整个数据集。

三、对数据的依赖性少相比一些算法，如决策树和人工神经网络，SVM算法的性能更加稳定，对数据的依赖性较少。

SVM方法不需要完全了解数据集的分布，因此可以应用于多种领域，如图像识别、天气预测、金融预测等。

四、可解释性强SVM算法是一种透明的算法，其决策边界是由少数训练数据（即支持向量）确定的。

这使得理解模型的结构和决策过程变得容易。

此外，SVM算法还可以通过引入核函数来解决非线性分类和回归问题，而这些核函数可以很容易地理解和解释。

虽然SVM算法具有许多独特的特点和优势，但它也有一些限制。

例如，在处理大规模的回归问题时，SVM算法可能需要大量的计算时间和内存空间。

此外，SVM算法需要确定合适的参数值（如核函数的类型和参数），这可能需要一些先验知识和调整。

总之，支持向量机算法是一种高效、准确、可扩展和可解释的分类算法，可用于处理多种领域的问题。

了解SVM算法的特点和限制对于正确应用该算法至关重要。

一种新的基于SVM的相关反馈图像检索算法_许月华

本文提出了一种新的基于的相关反馈算法。

我们SVM 认为检索过程中的样本集合是一个动态增长的集合。

对于用户每次反馈的图像，可以分为感兴趣的样本正例和不感兴()趣的样本反例两类，用来更新原有的样本集合。

通过不断()的积累，样本集合会逐渐达到学习的要求，从而解决SVM 上述算法中样本不足的困难。

本文算法的第个改进之处在2于考虑了检索过程中历史信息的利用。

每一次新的反馈之后，旧的权值经过衰减和新的权值共同决定图像库中所有图像的排序。

实验结果证明了文中算法的有效性和系统检索能力的提高。

支持向量机1 (SVM)给定线性可分样本(x i ,y i …),i=1,,N, y i ∈，，{-11}x i ∈R d 。

0b w x+=⋅假定某个超平面可以将正例与反例分开称之为(()g x b w x =+⋅分类超平面，对应分类函数为。

最优分类) 面是令正例和反例之间的距离最大化的分类超平面。

将g(x )w 归一化之后，求解最优分类面的问题等价于最小化，目标函数为：2min ()12w w Φ= (1)()10i i y w x b ⋅+−≥公式的约束条件为：(1)i=1, 2, … , N i α定义个算子N Lagrange ，i=1,…。

求解该二次优化, N ∑==N i i i i x w y 1αx i 问题，可以得到最优分类面，其中，是位于分类间隔面上的样本，称为支持向量。

分类函数为：()()b y sign f x x x i i i i +•=∑α (2)在数据不是线性可分的情况下，一方面，引入惩SVM 罚系数和松弛系数C ξi ，…，修改目标函数为：i=1, , N()()()11,2Ni C w w w φξ•=+∑⋅(3)另外，注意到公式中仅仅出现了点积的形式(2)xx ji •。

假设先将数据映射到某个欧氏空间，映射ψ：H ψ : R d →H ()()i j x x Ψ•Ψ则公式中的点积转化为中的点积。

基于SVM分类器的道路湿滑图像分类方法研究

第４期
刘新宇，：于Ｓ等基ＶＭ分类器的道路湿滑图ＮＥＯ利用车载摄像机采集路况信息，以路面图像极化特征等为参数建立路面湿滑状况评价模型．．ｅｅｉＩＢｃｈ等通过摄像机拍摄路面水流状
况，综合图像分析结果和降雨密度值判断路面水膜深度，以此预测路况演变规律．Ｌｒ并ａｓ
论和人工神经网络方法对不利天气下的交通运行状况等级进行识别与预测．本文首先利用所设计的ＳＶＭ分类器结合三
种训练算法对道路湿滑图像进行分类学习训练，
并通过训练后的ＳＶＭ分类器对大量道路湿滑图
速控制和交通诱导策略，过采集道路湿滑图像，用设计的具体Ｓ通利ＶＭ分类器结合３训练算法种对道路湿滑图像进行分类学习训练，通过训练后的Ｓ并ＶＭ分类器对大量道路湿滑图像进行分类
分类器识别路面干、、冰等状况．湿结ＹＡＭＡＤＡ
像进行分类实验，最后分析了实验结果，讨论了并
ＳＶＭ分类器在道路湿滑图像分类上存在的优缺点，以期寻找利用有限样本设计高效、泛化性好的路况图像识别ＳＶＭ分类器．
Ｆｒｌｇｏｓ６采集３１５幅路面图像包含了干燥、３结冰、雪和潮湿四种状况，提取原始图像像素灰积并

基于图像处理的水质检测技术研究

基于图像处理的水质检测技术研究水是生命之源，然而，如今水污染的问题确实越来越严重，这对人类和生态系统都造成了巨大的影响。

因此，水质检测的重要性也日益凸显出来。

其中，基于图像处理的水质检测技术是一项颇具潜力的研究领域，下面就让我们一起探讨一下这方面的技术细节吧。

一、基础原理借助图像处理技术分析水质状态，主要是通过对各种水中微小粒子、气泡、颗粒、细菌等的形态和大小进行观测、分析、识别、量化等操作，从而得到水质信息。

因此，图像处理技术主要分为图像采集、预处理、特征提取、分类识别等四个步骤。

图像采集是将水体样本的影像数据录制下来，可以使用探头或相关设备以实现。

预处理是包括消噪、均衡、滤波等操作，以保证高质量的图像素材。

特征提取是指提取图像中的某些特征点、区域、纹理、形状、颜色、光谱等信息。

分类识别是指将提取到的特征进行分析，最终根据实际需要分类或识别水质状况。

二、技术应用基于图像处理技术，常用的水质检测技术有很多种，比如流场成像法、衍射成像法、断层扫描成像法、相位差成像法等。

下面谈一谈其中的两种流场成像法和衍射成像法。

流场成像法是一种通过水中微粒子流动状态及流速取得信息的检测方法。

它通过图像采集，获取水中微粒子的流动状态以及其运动轨迹，以此判断水质流速、液体浓度等指标。

其主要原理是在水中加入粒子或需要测量物，并在水中生成光线，通过相机在不同时间段内拍摄水中粒子的运动状态，然后通过图像处理进行分析和计算。

流场成像法的优势在于具有高准确性、快速检测以及复杂环境下表现良好的特点。

衍射成像法是一种通过水体衍射产生的光强度，从而检测微粒子的方法。

它通过光学成像设备，将水中光线反射成像到底片上，底片中反映了光的反射和衍射情况。

根据衍射规律，在不同的环境下水之光线也会发生不同的衍射，因此可以通过衍射式图像处理，观察水体中不同的光强度亮度和颜色等信息，进而得出水质的量化指标。

衍射成像法在检测水中颗粒物时，不受颗粒浓度的影响，具有良好的重复性和准确性。

svm实验报告

svm实验报告SVM 实验报告一、实验目的本次实验的主要目的是深入了解支持向量机（Support Vector Machine，SVM）算法的原理和应用，并通过实际实验来验证其性能和效果。

二、实验原理SVM 是一种基于统计学习理论的监督学习算法，其基本思想是在特征空间中寻找一个最优的超平面，将不同类别的样本尽可能地分开。

这个最优超平面是通过最大化两类样本之间的间隔来确定的。

对于线性可分的情况，SVM 通过求解一个凸二次规划问题来找到最优超平面。

对于线性不可分的情况，通过引入核函数将样本映射到高维特征空间，使其在高维空间中变得线性可分。

三、实验数据本次实验使用了两个数据集，分别是鸢尾花数据集（Iris Dataset）和手写数字数据集（MNIST Dataset）。

鸢尾花数据集包含了 150 个样本，每个样本具有四个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度，共分为三个类别：Setosa、Versicolor 和 Virginica。

手写数字数据集包含了 60000 个训练样本和 10000 个测试样本，每个样本是一个 28×28 的灰度图像，代表了 0 到 9 中的一个数字。

四、实验环境本次实验使用的编程语言是 Python，主要使用了 scikitlearn 库来实现 SVM 算法。

实验环境为 Jupyter Notebook。

五、实验步骤1、数据预处理对于鸢尾花数据集，直接使用其原始特征。

对于手写数字数据集，将 28×28 的图像展平为 784 维的向量，并进行标准化处理。

2、划分训练集和测试集对于鸢尾花数据集，随机将其分为80%的训练集和20%的测试集。

对于手写数字数据集，使用其自带的训练集和测试集划分。

3、选择核函数分别尝试了线性核函数（Linear Kernel）、多项式核函数（Polynomial Kernel）和高斯核函数（RBF Kernel）。

4、训练 SVM 模型使用训练集对 SVM 模型进行训练，调整相关参数，如正则化参数C 和核函数的参数。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于SVM支持向量机的水质图像分析
作者：李昂金晓军万权性
来源：《电脑知识与技术》2018年第08期
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形成的两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。