1.一种基于计算机视觉的污染物类型识别方法，其特征在于，包括：对采集到的待处理污水图像进行语义分割，获取待处理污水图像对应的污水部分的原始图像；

利用污水部分原始图像中像素点的亮度值，获取污水部分原始图像中光照较小且光照分布均匀的子区域；

基于各子区域的图像分布函数、真实色相分布函数和光照分布函数之间的关系获得各子区域对应的特征向量；

利用光照较小且光照分布均匀的各子区域外的像素点与各子区域中心的距离，获取各子区域对应的扩展区域；

基于各扩展区域的图像分布函数、真实色相分布函数和光照分布函数之间的关系获得各扩展区域对应的特征向量；

基于各子区域及其对应的扩展区域的特征向量，构造污水部分原始图像的光照分布函数，获取污水部分原始图像中每个像素点对应的真实色相值；

根据污水部分原始图像中每个像素点对应的真实色相值识别污水中每个位置的污染物类型。

2.根据权利要求1所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述光照较小且光照分布均匀的子区域是按照如下方式获取：获取污水部分原始图像中每个像素点的亮度值，并对每个像素点的亮度值进行排序；

设置亮度值阈值，判断等于该亮度值阈值的像素点是否组成一个连通域，若是，则该像素点组成的连通域即为光照较小且光照分布均匀的子区域。

3.根据权利要求1所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述光照较小且光照分布均匀的各子区域对应的扩展区域是按照如下方式获取：获取光照较小且光照分布均匀的各子区域中心，计算各子区域中心与污水部分原始图像四个角的距离，将四个距离中的最小值作为半径r；

获取以各子区域中心为圆心，各子区域对应的r为半径的圆，该圆即为各子区域对应的初始扩展区域；

对于未包含于各初始扩展区域中的像素点，获取该像素点与所有初始扩展区域距离的最小值 及对应的初始扩展区域，将该初始扩展区域的半径由r扩展至 ，从而获得包含该像素点在内的扩展区域。

4.根据权利要求1所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述光照较小且光照分布均匀的子区域及其对应扩展区域的图像分布函数、真实色相分布函数、光照分布函数三者之间的关系具体为：式中： 为图像分布函数； 真实色相分布函数； 为光照分布函数。

5.根据权利要求1所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述污水部分原始图像中每个像素点对应的真实色相值是按照如下方式获取：基于光照较小且光照分布均匀的各子区域及其对应的各扩展区域的图像分布函数、真实色相分布函数、光照分布函数之间的关系，获取各子区域及其对应的各扩展区域的特征向量；

基于各子区域及其对应的各扩展区域的特征向量，获取每个区域对应的目标函数，进而得到最终的目标函数；

基于最终的目标函数，构建污水部分原始图像的光照分布函数；

根据光照较小且光照分布均匀的各子区域及其对应的各扩展区域的图像分布函数、真实色相分布函数、光照分布函数之间的关系，获取污水部分原始图像中每个像素点对应的真实色相值。

6.根据权利要求5所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述最终的目标函数的表达式如下：式中： 为污水部分原始图像中每个区域对应的目标函数； ；N为光照较小且光照分布均匀的子区域的个数； 是以 为自变量的目标函数。

7.根据权利要求1或5所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述污水部分原始图像的光照分布函数的表达式如下：式中： 表示高斯函数，A代表这个高斯函数的系数，u代表高斯函数正态分布中的数学期望，c代表方差， 表示污水部分原始图像的光照分布函数。

8.根据权利要求6所述的一种基于计算机视觉的污染物类型识别方法，其特征在于，所述污水部分原始图像中每个区域对应的目标函数 是按照如下方式获取：基于光照较小且光照分布均匀的各子区域的图像分布函数、真实色相分布函数和光照分布函数之间的关系：  ；获得各子区域对应的特征向量 ：式中： 是子区域 中的像素点个数，(x,y)是该子区域 中的像素点坐标， 是坐标为(x,y)的像素点的色相值， 表示该区域像素点色相的一阶矩， 表示该区域像素点色相的二阶矩；

基于各子区域对应的扩展区域 图像分布函数、真实色相分布函数和光照分布函数之间的关系： ， ；获得各扩展区域对应的特征向量 ：式中： 是扩展区域 中的像素点个数，(x,y)是该扩展区域 中的像素点坐标，是坐标为(x,y)的像素点的色相值， 表示该区域像素点色相的一阶矩， 表示该区域像素点色相的二阶矩；

基于特征向量 和特征向量 构造目标函数：

 。