CN104517126A - 一种基于图像分析的空气质量评估方法 - Google Patents

Abstract

本发明公开了一种基于图像分析的空气质量评估方法，包括如下步骤：获取外界环境数据图像，再分别获取图像的暗通道特征、功率谱斜率、对比度、饱和度；将暗通道特征、功率谱斜率、对比度、饱和度组成多维向量，构造决策树，构造支持向量机分类器；获取待评估的一副图像的暗通道特征、功率谱斜率、对比度、饱和度，组成多维向量，将多维向量送入分类器。相对于现有技术，本发明通过分析各种空气质量的图像，判断实时天气的情况，该方法简单、速度快、准确性高，能够快速、便捷、精确地判断出空气质量的优、良、轻度污染、中度污染、重度污染、严重污染六个等级。

Description

一种基于图像分析的空气质量评估方法

技术领域

本发明涉及图像处理、分析领域，特别为一种基于图像分析的空气质量评估方法。

背景技术

高速发展的工业化虽然在很大程度上提高了人们的生活水平，但也带来了严重的环境污染，特别是空气污染，如一些大中型城市出现的雾霾天气。面对复杂多变的空气环境，为了提前做好合理的应对措施，及时、准确地获得空气质量变得越来越重要。

目前，获取空气质量的方法有许多。政府在一些大城市修建了空气质量监测站，例如，北京市有约四十几个空气质量监测站，但是北京市的面积是16410.54平方公里，而且空气质量的变化是非线性的，因此，相对于如此大的面积，目前数量的监测站很难做到准确、及时地获取空气质量，而修建更多的空气质量监测站是得不偿失的；还有通过卫星遥感技术的方法反应大气的空气质量，但大气的空气质量并非是近地地区的空气质量，即使获得的数据是准确无误的，其对近地地区也没有多大的意义；另外，有人想通过已有的空气质量监测站点数据，结合气象、交通流、路网和兴趣点等多种传感数据来实时分析空气质量，还有人通过移动设备实时收集空气质量数据，并通过无线传输，在谷歌地图上显示出来，但是，这些方法都需要大量的感知数据和复杂的算法支持，实现的方式非常复杂，需要考虑的情况也很多，很难得到广泛的推广，而且，对于上述的某些数据，一般人往往是无法得到的。

鉴于现有技术很难准确、及时获取空气质量或者其使用的方法非常复杂。因此，获得一种简单、及时、准确的空气质量推断方法成为了本领域技术人员一直追求的目标。

发明内容

为解决现有技术存在的问题，本发明的一种基于图像分析的空气质量评估方法，该方法包括如下步骤：

S1：在6类不同的空气质量情况下，分别获取外界环境数据图像X_i；

S2：针对每类空气质量情况，分别获取图像X_i的暗通道特征、功率谱斜率、对比度、饱和度；

S3：将暗通道特征、功率谱斜率、对比度、饱和度组成多维向量；

S4：利用步骤S3中的多维向量构造决策树，决策树叶子节点的个数为6，构造5个支持向量机分类器；

S5：将待评估空气质量的数据图像Y的暗通道特征、功率谱斜率、对比度、饱和度构造待评估的多维向量y，将该待评估的多维向量y送入支持向量机分类器进行分析对比，确定空气质量。

本发明通过设计支持向量机分类器评估空气质量，支持向量机分类器设计完成后，仅需要将待评估空气质量的图像数据输入到计算机中，获取相应特征的多维向量，即可通过支持向量机分类器判断出图像中环境的空气质量。该方法数据获取容易、判断速度快、准确率高，摆脱了对现有空气质量检测仪的依赖。

进一步地，决策树的构造步骤如下：

S40：分别计算每类空气质量情况下多维向量的中心：

$c_i=\frac{1}{\left|X_i\right|}\underset{x\∈X_i}{\mathrm{\Σ}}x$

其中，i＝1,2,3,4,5,6；|X_i|代表X_i中数据的数量；x代表多维向量；

S41：计算6个多维向量的中心的归一化距离：

$\stackrel{\‾}{c}=\frac{1}{N}\underset{i=1}{\stackrel{N}{\mathrm{\Σ}}}{c}_i$

其中，N＝6；

S42：计算不同类空气质量情况下多维向量的中心之间的距离：

$d_{i,j}=d_{j,i}=\left|\right|\frac{c_i-c_j}{\stackrel{\‾}{c}}\left|\right|$

S43：对于每个多维向量的中心c_i，c_j与其距离最小，i≠j，求出c_i、c_j两者之间的距离：

$l_i=\underset{j=\mathrm{1,2},...,N,j\≠i}{\min }{d}_{i,j}$

S44：求出使得l_i最大的多维向量的中心c_i得到某类空气质量情况：

$k=\arg \underset{i=\mathrm{1,2},...,N}{\max }{l}_i$

将该类空气质量情况从其他类空气质量情况中分离出来；

S45：重复上述步骤，直到把所有的空气质量情况都分开；

S46：分开的6类空气质量情况自上而下依次作为决策树叶子节点。

通过上述方式构造决策树，能简单、快速、准确地将6类空气质量分开，能依次排出6类空气质量的顺序，且该种方式更容易通过计算机实现。

进一步地，获取图像暗通道特征，通过图像金字塔的方式进行三次划分，依次将图像分成2*2块、4*4块、8*8块，计算上述共84块区域的暗通道值，构造一个84维向量。

通过图像金字塔的方式采样，其获得的结果更合理、更准确。

进一步地，功率谱斜率函数为：

$\mathrm{\α}\≈\ln B-\frac{\ln \left(S\left(f\right)\right)}{\ln \left(f\right)}$

其中，S为功率谱图像函数，f为功率谱图像半径，B是一个常数。

通过近似的方式计算功率谱斜率，简化了计算步骤，提高了计算机的执行效率。

进一步地，将原始RGB图像输入到计算机中，将图像大小调整为512*512，获取图像的暗通道特征、功率谱斜率、对比度、饱和度。

将图像大小统一，便于后续对图像的处理。

进一步地，6类不同的空气质量情况分别为优、良、轻度污染、中度污染、重度污染、严重污染。

本发明的有益效果为：相对于现有技术，本发明通过分析各种空气质量的图像，判断实时天气的情况，该方法仅需要通过计算机进行相应的处理和分析，具有简单、速度快、准确性高等特点，能够快速、便捷、精确地判断出空气质量的六个等级，优、良、轻度污染、中度污染、重度污染、严重污染，摆脱了对现有空气质量检测仪的依赖。

附图说明

图1为基于图像分析的空气质量评估方法的流程图。

图2为空气质量等级的决策树的示意图。

具体实施方式

下面结合附图对本发明的实施方式进行详细解释说明。

如图1所示，本发明通过如下步骤实现：

S1：在6类不同的空气质量情况下获取外界环境数据图像X_i；

本实施例中，在某个特定的位置，使用高清数码相机拍摄在6种空气质量情况下的外界环境图像X_i。在优、良、轻度污染、中度污染、重度污染、严重污染这六种空气质量的情况下分别拍摄相同数量的图像X_i。

再将原始RGB图像输入到计算机中，并将原始RGB图像的大小调整为512*512，将图像大小统一，便于后续对图像的处理。

S2：分别获取每类空气质量情况下图像X_i的暗通道特征、功率谱斜率、对比度、饱和度；针对在不同空气质量下的图像，按组分别获取每类空气质量情况下图像的暗通道特征、功率谱斜率、对比度、饱和度，一共6组。

S20：获取图像的暗通道特征：1)将RGB图像中每个像素点红绿蓝颜色通道中的亮度最小值，作为暗通道图像中相应像素点的亮度值；2)获取图像暗通道特征，通过图像金字塔的方式，依次将图像划分成共2*2、4*4、8*8，共84个非重叠区域；3)分别计算这些区域的暗通道值，组成一个84维的向量作为该图像的暗通道特征，该84维向量为1行*84列的数组，也就是说，暗通道值是一个具体的数值。

S21：获取图像的功率谱斜率：1)计算图像的像素点数量；2)对图像进行傅里叶变换；3)计算图像的功率谱斜率，功率谱斜率为一维向量，也是一个具体的数值；功率谱函数为：

$S(u,v)=\frac{1}{N_I}{\left|I(u,v)\right|}^2$

其中，I是一幅图像，N_I为I的像素点数量，I(u,v)为经过傅里叶变换后的图像。我们将其转化为极坐标来表示，令u＝f cosθ，v＝f sinθ，f为功率谱图像的半径，θ为极坐标角度；4)将上述步骤三中的功率谱转化为关于功率谱图像半径的功率谱，随着空气质量的下降,捕获的图像分辨率会变低甚至模糊，由于模糊图像的低通特性会导致一些高频分量的丢失，所以模糊图像的功率谱斜率往往比清晰图像的功率谱斜率陡峭；5)将步骤4)中的功率谱斜率函数近似于关于功率谱半径的指数函数，由此可计算功率谱斜率；S(f)为近似于关于f的指数函数，因此功率谱斜率α可通过下式求得：

$\mathrm{\α}\≈\ln B-\frac{\ln \left(S\left(f\right)\right)}{\ln \left(f\right)}$

其中B是一个常数。

S22：获取图像的对比度：采用计算图像亮度标准差的方法求出对比度；

$C={\left(\frac{N_I\mathrm{\Σ}{L}_{(x,y)}^2-{\left(\mathrm{\Σ}{L}_{(x,y)}\right)}^2}{{N_I}^2}\right)}^{\frac{1}{2}}$

其中，L_(x，y)代表像素点(x,y)的亮度，N_I为图像I的像素点数量。大气中存在各种各样的颗粒物，光在传输过程中会衰减，因此相同的场景在不同的污染状况下对比度也不同，对比度为一维向量，也是一个具体的数值。

S23：获取图像的饱和度：由于饱和度不受光照的影响反应不同污染状况下的图像，将原始图像从RGB色彩模型转换成HSI色彩模型；计算图像的饱和度，饱和度为10维向量，该10维向量为1行*10列的数组。

$S_{(x,y)}=\frac{S_{x,y}-\min \left(S_I\right)}{\max \left(S_I\right)-\min \left(S_I\right)}$

其中，max(SI)和min(SI)分别为图像I的最大和最小饱和度值。

S3：将暗通道特征、功率谱斜率、对比度、饱和度组成多维向量，构造决策树，决策树叶子节点的个数为6，每个叶子节点代表一种空气质量情况；

本实施例暗通道特征为84维向量，功率谱斜率、对比度分别为一维向量，饱和度为10维向量，四个图像特征拼接成一个96维向量x，也就是一个1行*96列的数组。

S4：根据步骤S3提取的96维向量x，构造空气质量等级决策树，如图2所示，该决策树共有6个叶子节点，对应了6类空气质量等级；

决策树的构造步骤如下：

S40：分别计算每类空气质量情况下多维向量的中心：

$c_i=\frac{1}{\left|X_i\right|}\underset{x\∈X_i}{\mathrm{\Σ}}x$

其中，i＝1,2,3,4,5,6；|X_i|代表X_i中数据的数量；x代表多维向量；

S41：计算6个多维向量的中心的归一化距离：

$\stackrel{\‾}{c}=\frac{1}{N}\underset{i=1}{\stackrel{N}{\mathrm{\Σ}}}{c}_i$

其中，N＝6；

S42：计算不同类空气质量情况下多维向量的中心之间的距离：

$d_{i,j}=d_{j,i}=\left|\right|\frac{c_i-c_j}{\stackrel{\‾}{c}}\left|\right|$

S43：对于每个多维向量的中心c_i，c_j与其距离最小，i≠j，求出c_i、c_j两者之间的距离：

$l_i=\underset{j=\mathrm{1,2},...,N,j\≠i}{\min }{d}_{i,j}$

S44：求出使得l_i最大的多维向量的中心c_i得到某类空气质量情况：

$k=\arg \underset{i=\mathrm{1,2},...,N}{\max }{l}_i$

将该类空气质量情况从其他类空气质量情况中分离出来；

S45：重复上述步骤，直到把所有的空气质量情况都分开；

S46：分开的6类空气质量情况自上而下依次作为决策树叶子节点。

通过上述方式构造决策树，能简单、快速、准确地将6类空气质量分开，能依次排出6类空气质量的顺序，且该种方式更容易通过计算机实现。

构造五个支持向量机分类器，如图2所示，本发明采用基于加权距离的相似性匹配：

$d(c_i,c_j)=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(c_i-c_j)}^{2}W}$

其中，ci和cj可通过步骤3-1)求出，W＝{w1,w2,w3,…,wn}为归一化权重。

S5：获取待评估的一幅图像Y的暗通道特征、功率谱斜率、对比度、饱和度，构造待评估的多维向量y，将待评估的多维向量y送入支持向量机分类器进行分析对比，确定空气质量。待评估的图像是在某种空气质量下拍摄的，但无法通过肉眼直接看出该种空气质量具体属于哪种，因此将其送入支持向量机分类器中判断。

如图2所示，将上述获得的待评估的图像的暗通道特征、功率谱斜率、对比度、饱和度组成的多维向量先送入到支持向量机分类器1中，如果符合，则图像中的空气质量为优，如果不符合，将其送入到分类器2中，再进行相应判断，依次类推，直至判断出图像中空气质量为准。

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，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于图像分析的空气质量评估方法，其特征在于：该方法包括如下步骤：

S1：在6类不同的空气质量情况下，分别获取外界环境数据图像X_i；

S2：针对每类空气质量情况，分别获取图像X_i的暗通道特征、功率谱斜率、对比度、饱和度；

S3：将暗通道特征、功率谱斜率、对比度、饱和度组成多维向量；

S4：利用步骤S3中的多维向量构造决策树，决策树叶子节点的个数为6，构造5个支持向量机分类器；

S5：将待评估空气质量的数据图像Y的暗通道特征、功率谱斜率、对比度、饱和度构造待评估的多维向量y，将该待评估的多维向量y送入支持向量机分类器进行分析对比，确定空气质量。

2.根据权利要求1所述的基于图像分析的空气质量评估方法，其特征在于：决策树的构造步骤如下：

S40：分别计算每类空气质量情况下多维向量的中心：

$c_i=\frac{1}{\left|X_i\right|}\underset{x\∈X_i}{\mathrm{\Σ}}x$

其中，i＝1,2,3,4,5,6；|X_i|代表X_i中数据的数量；x代表多维向量；

S41：计算6个多维向量的中心的归一化距离：

$\stackrel{\‾}{c}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_i$

其中，N＝6；

S42：计算不同类空气质量情况下多维向量的中心之间的距离：

$d_{i,j}=d_{j,i}=\left|\right|\frac{c_i-c_j}{\stackrel{\‾}{c}}\left|\right|$

S43：对于每个多维向量的中心c_i，c_j与其距离最小，其中i≠j，求出c_i、c_j两者之间的距离：

$l_i=\underset{j=\mathrm{1,2},...,N,j\≠i}{\min }{d}_{i,j}$

S44：求出使得l_i最大的多维向量的中心c_i,得到某类空气质量情况：

$k=\arg \underset{i=\mathrm{1,2},...,N}{\max }{l}_i$

将该类空气质量情况从其他类空气质量情况中分离出来；

S45：重复上述步骤，直到把所有的空气质量情况都分开；

S46：分开的6类空气质量情况自上而下依次作为决策树叶子节点。

3.根据权利要求1或2所述的基于图像分析的空气质量评估方法，其特征在于：获取图像暗通道特征，通过图像金字塔的方式进行三次划分，依次将图像分成2*2块、4*4块、8*8块，计算上述共84块区域的暗通道值，构造一个84维向量。

4.根据权利要求1或2所述的基于图像分析的空气质量评估方法，其特征在于：功率谱斜率函数为：

$\mathrm{\α}\≈\ln B-\frac{\ln \left(S\left(f\right)\right)}{\ln \left(f\right)}$

其中，S为功率谱图像函数，f为功率谱图像半径，B是一个常数。

5.根据权利要求1或2所述的基于图像分析的空气质量评估方法，其特征在于：将原始RGB图像输入到计算机中，将图像大小调整为512*512，获取图像的暗通道特征、功率谱斜率、对比度、饱和度。

6.根据权利要求1所述的基于图像分析的空气质量评估方法，其特征在于：6类不同的空气质量情况分别为优、良、轻度污染、中度污染、重度污染、严重污染。