CN103218622A - 一种基于计算机视觉的雾霾监测方法 - Google Patents

Abstract

一种基于计算机视觉的雾霾监测方法，采集场景中预设的颜色黑暗的远近目标区域，基于目标物视觉特征的计算及与不同雾霾情况下样本图像的对比，给出针对雾霾的监测结果。表达图像的视觉特征包括：包含像素色彩饱和度均值与蓝色分量均值在内的颜色特征，包含特征点个数与边缘像素点个数在内的形状特征，包含灰度共生矩阵特征与小波变换子带系数在内的纹理特征，以及表示远近目标物之间差别的特征向量。本发明提出了在原理上与人工观测雾霾最接近的借助视觉特征的直接测量方式，易于实现针对整个区域的雾霾情况的全面监测，而且在样本数据足够多时能够保证高精度的监测结果。

Description

一种基于计算机视觉的雾霾监测方法

技术领域

本发明涉及计算机数字图像处理与模式识别领域，尤其涉及一种基于计算机视觉的雾霾监测方法。

背景技术

雾是由大量悬浮在近地面空气中的微小水滴或冰晶组成的气溶胶系统，是近地面层空气中水汽凝结的产物。雾的存在会降低空气透明度，使能见度恶化。雾滴的直径比较大，肉眼可以看到空中飘浮的雾滴。由于液态水或冰晶组成的雾散射的光与波长关系不大，因而雾看起来呈乳白色或青白色。雾与晴空区域之间有明显的边界，雾浓度分布不均匀，因而在雾中能见度有比较大的起伏。霾是由空气中的灰尘、硫酸、硝酸、有机碳氢化合物等非水成物粒子组成的气溶胶系统，能使大气浑浊，视野模糊并导致能见度恶化。霾粒子尺度比较小，肉眼看不到在空中飘浮的颗粒物。霾散射波长较长的光比较多，因此整体看起来呈黄色或橙灰色，而其中的黑暗物体微带蓝色。霾与晴空区域之间没有明显的边界，霾的粒子分布比较平均，因而霾中能见度相对均匀。当水汽凝结加剧、空气湿度增大时，空气中原本存在的较小颗粒的污染物遭遇水汽后变成人们肉眼可见的大颗粒物，两者结合就形成了雾霾。作为复杂的气溶胶系统，雾霾颜色以白色、灰色为主，与晴空之间有浅淡掺和的边界，并因颗粒物对光的吸收和散射作用而造成能见度下降。

雾霾的主要组成成分包括二氧化硫、氮氧化物和可吸入颗粒物等，而雾霾的形成与污染物的排放密切相关，例如，监测数据显示，机动车尾气是空气中PM2.5颗粒的重要来源。近年来，我国由于工业化、城市化、交通运输现代化的迅速发展，化石燃料（煤、石油、天然气）的消耗量迅猛增加，汽车尾气、燃油、燃煤、废弃物燃烧直接排放的气溶胶粒子和气态污染物日增，使得雾霾现象日趋严重。2013年1月，全国约143万平方公里的面积陷入雾霾天气，其中北京市雾霾多达25天，是有史以来最为严重的空气污染。雾霾天气下，人们容易出现压抑、焦虑、悲观等情绪，发生憋气、咳嗽、头晕、乏力、犯困、反胃、恶心、易怒等不良反应。而且雾霾颗粒能直接进入并黏附在人体上、下呼吸道和肺叶，分别沉积于呼吸道和肺泡中，引起鼻炎、上呼吸道感染、支气管炎、气喘、肺炎、肺气肿等疾病，长期处于这种环境还会诱发肺癌。因此，尽快制定雾霾判别与预警方法，进行雾霾的监测与预报，已经成为关系国计民生的大事。

传统的雾霾判别通过人工观测，并结合相对湿度等气象要素进行分析。目前已有基于气象站的空气污染监测系统，站内配备水分测试仪、烟尘浊度仪、黑碳监测仪、气溶胶监测仪、能见度监测仪、有机碳监测仪、元素碳监测仪、挥发性有机化合物监测仪、紫外辐射计、大气稳定度监测仪等仪器，可较好地实现针对PM2.5、PM10、黑碳、臭氧、二氧化硫、氮氧化物、一氧化碳、硫酸盐、硝酸盐、铵盐、挥发性有机化合物、颗粒物粒径分布、颗粒物化学成分、浑浊度、能见度、气溶胶厚度、大气稳定度及其它气象参数等的指标监测，并根据造成空气污染的主要物质成分进行雾霾分析。上述设备大多通过物理、化学方法实现监测，如PM2.5监测仪，或通过摩擦静电技术测量颗粒携带的电荷变化从而记录粉尘的存在；或通过光散射技术利用气流中的颗粒反射出来的闪光频率及持续时间来测量颗粒的含量；或通过光吸收技术测量入射光强与出射光强，并基于朗伯比尔定律计算得到粉尘浓度；或通过采样器以恒速抽取定量体积空气，使空气中的PM2.5颗粒被截留在已知质量的滤膜上，再根据采样前后滤膜的质量差和采样体积，计算出PM2.5的浓度。

与人工观测雾霾相比，现有仪器采用了非视觉的间接测量方式。同时，因为仪器本身价格较高，只能通过分布较稀疏的气象站对整个区域进行点状的有限监测。相比之下，基于计算机视觉的雾霾监测则是一种借助颜色、形状、纹理等视觉特征的直接测量方式，在原理上与人工观测最接近。数字摄像机的低廉价格使得视觉监测系统的搭建非常方便，甚至可以直接利用大量已有的且分布广泛的监控摄像头，从而使得针对整个区域的网状的全面监测成为可能。基于计算机视觉的雾霾监测方法从一个全新角度实现对雾霾的测量，到目前为止，本领域尚未有该方面的研究出现。

发明内容

针对上述存在的技术问题，本发明目的是提供一种基于计算机视觉的雾霾监测方法，以实现在较低成本条件下，通过视觉方式进行雾霾的直接测量。

为达到上述目的，本发明采用如下的技术方案：

一种基于计算机视觉的雾霾监测方法，根据对同一场景拍摄所得样本图像对待测量图像进行分析获得雾霾监测结果，所述场景中包含预设的近目标与远目标，近目标与远目标是场景中不同距离的两个颜色黑暗的目标区域；所述分析包括以下步骤，

步骤1，建立包含不同雾霾情况的样本数据库，包括以下子步骤，

步骤1.1，采集场景处空气中存在不同程度雾霾时的样本图像，记录各样本图像的相应空气污染参数；

步骤1.2，针对各样本图像，分别进行以下处理，

计算近目标与远目标的颜色特征，得到目标物间的颜色特征差别；所述近目标与远目标的颜色特征，包括目标区域中所有像素的蓝色分量均值；

计算近目标与远目标的形状特征，得到目标物间的形状特征差别；

计算近目标与远目标的纹理特征，得到目标物间的纹理特征差别；

步骤1.3，针对各样本图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到各样本图像的视觉特征向量；

步骤1.4，构造样本数据库，所述样本数据库包含采集的所有样本图像，各样本图像的视觉特征向量以及相应空气污染参数；

步骤2，基于步骤1所得样本数据库，对待测量图像进行对比判断，包括以下子步骤，

步骤2.1，拍摄观测场景，得到待测量图像；

步骤2.2，针对待测量图像，进行以下处理，

计算近目标与远目标的颜色特征，得到目标物间的颜色特征差别；所述近目标与远目标的颜色特征，包括目标区域中所有像素的蓝色分量均值；

计算近目标与远目标的形状特征，得到目标物间的形状特征差别；

计算近目标与远目标的纹理特征，得到目标物间的纹理特征差别；

步骤2.3，针对待测量图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到待测量图像的视觉特征向量；

步骤2.4，基于视觉特征向量间的距离，将待测量图像与各样本图像进行逐一对比，找到距离最近的样本图像，并以对应的雾霾情况作为待测量图像的雾霾监测结果。

而且，所述近目标与远目标的颜色特征，包括目标区域中所有像素的色彩饱和度均值与蓝色分量均值。

而且，所述近目标与远目标的形状特征，包括目标区域中的特征点个数与边缘像素点个数。

而且，所述近目标与远目标的纹理特征，包括目标区域的灰度共生矩阵特征与小波变换子带系数。

而且，设远目标的目标区域记为远目标区域RF，设近目标的目标区域记为近目标区域RN，计算远目标区域和近目标区域的灰度共生矩阵特征及差别包括以下子步骤，

（1）计算远目标区域RF由灰度共生矩阵特征组成的向量和近目标区域RN由灰度共生矩阵特征组成的向量，

计算远目标区域RF由灰度共生矩阵特征组成的向量实现如下，

统计得到远目标区域RF的灰度共生矩阵，计算矩阵的能量

${\mathrm{asm}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(G(i,j)\right)}^2$

其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，k表示灰度值的级数；基于远目标区域RF的灰度共生矩阵，计算矩阵的熵

${\mathrm{ent}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)\log G(i,j)$

基于远目标区域RF的灰度共生矩阵，计算矩阵的对比度

${\mathrm{con}}_{\mathrm{RF}}=\underset{d=0}{\overset{k-1}{\mathrm{\Σ}}}{d}^2\left({\mathrm{\Σ}}_{|i-j|=d}G(i,j)\right)$

基于远目标区域RF的灰度共生矩阵，计算矩阵的逆差距

${\mathrm{idm}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)/(1+{(i-j)}^2)$

得到远目标区域RF的由灰度共生矩阵特征组成的向量

${\mathrm{RF}}_{T-\mathrm{glcm}}=({\mathrm{asm}}_{\mathrm{RF}},{\mathrm{ent}}_{\mathrm{RF}},{\mathrm{con}}_{\mathrm{RF}},{\mathrm{idm}}_{\mathrm{RF}})$

计算近目标区域RN由灰度共生矩阵特征组成的向量实现如下，统计得到近目标区域RN的灰度共生矩阵，计算矩阵的能量

${\mathrm{asm}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(G(i,j)\right)}^2$

其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，k表示灰度值的级数；基于近目标区域RN的灰度共生矩阵，计算矩阵的熵

${\mathrm{ent}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)\log G(i,j)$

基于近目标区域RN的灰度共生矩阵，计算矩阵的对比度

${\mathrm{con}}_{\mathrm{RN}}=\underset{d=0}{\overset{k-1}{\mathrm{\Σ}}}{d}^2\left({\mathrm{\Σ}}_{|i-j|=d}G(i,j)\right)$

基于近目标区域RN的灰度共生矩阵，计算矩阵的逆差距

${\mathrm{idm}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)/(1+{(i-j)}^2)$

得到近目标区域RN的由灰度共生矩阵特征组成的向量

${\mathrm{RN}}_{T-\mathrm{glcm}}=({\mathrm{asm}}_{\mathrm{RN}},{\mathrm{ent}}_{\mathrm{RN}},{\mathrm{con}}_{\mathrm{RN}},{\mathrm{idm}}_{\mathrm{RN}})$

（2）按下式计算远近目标物之间的灰度共生矩阵特征差别

${\mathrm{DFN}}_{T-\mathrm{glcm}}=1/|{\mathrm{RN}}_{T-\mathrm{glcm}}-{\mathrm{RF}}_{T-\mathrm{glcm}}|$

其中||表示向量的模。

而且，设远目标的目标区域记为远目标区域RF，设近目标的目标区域记为近目标区域RN，计算远目标区域和近目标区域的小波变换子带系数及差别包括以下子步骤，

（1）计算远目标区域小波变换子带系数向量和近目标区域小波变换子带系数向量，

计算远目标区域RF的小波变换子带系数向量实现如下，

对远目标区域RF进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，

$u_{\mathrm{tRF}}=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}f(x,y)/(m\×n)$

其中f(x,y)表示子带图像的像素，x与y表示像素坐标，m与n表示像素的行数与列数；

针对第t个子带图像，计算其标准差系数

${\mathrm{\σ}}_{\mathrm{tRF}}=\sqrt{\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(f(x,y)-u_{\mathrm{tRF}})}^2/(m\×n)}$

得到远目标区域RF的由小波变换子带系数组成的向量

${\mathrm{RF}}_{T-\mathrm{wavelet}}=(u_{1\mathrm{RF}},{\mathrm{\σ}}_{1\mathrm{RF}},u_{2\mathrm{RF}},{\mathrm{\σ}}_{2\mathrm{RF}},u_{3\mathrm{RF}},{\mathrm{\σ}}_{3\mathrm{RF}},...,u_{10\mathrm{RF}},{\mathrm{\σ}}_{10\mathrm{RF}})$

计算近目标区域RN的小波变换子带系数向量实现如下，

对近目标区域RN进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，

$u_{\mathrm{tRN}}=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}f(x,y)/(m\×n)$

其中f(x,y)表示子带图像的像素，x与y表示像素坐标，m与n表示像素的行数与列数；

针对第t个子带图像，计算其标准差系数

${\mathrm{\σ}}_{\mathrm{tRN}}=\sqrt{\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(f(x,y)-u_{\mathrm{tRN}})}^2/(m\×n)}$

得到近目标区域RN的由小波变换子带系数组成的向量

${\mathrm{RN}}_{T-\mathrm{wavelet}}=(u_{1\mathrm{RN}},{\mathrm{\σ}}_{1\mathrm{RN}},u_{2\mathrm{RN}},{\mathrm{\σ}}_{2\mathrm{RN}},u_{3\mathrm{RN}},{\mathrm{\σ}}_{3\mathrm{RN}},...,u_{10\mathrm{RN}},{\mathrm{\σ}}_{10\mathrm{RN}})$

（2）按下式计算远近目标物之间的小波变换子带系数差别

${\mathrm{DFN}}_{T-\mathrm{wavelet}}=1/|{\mathrm{RN}}_{T-\mathrm{wavelet}}-{\mathrm{RF}}_{T-\mathrm{wavelet}}|$

其中||表示向量的模。

与现有的人工观测或仪器测量的雾霾监测相比，本发明具有以下优点和积极效果：

（1）本发明提出的基于计算机视觉的雾霾监测方法，成本较低，方便实现，易于完成针对整个区域的雾霾情况的全面监测；

（2）本发明提出的基于计算机视觉的雾霾监测方法，在原理上与人工观测最接近，通过颜色、形状、纹理实现借助视觉特征的直接测量；

（3）本发明提出的基于计算机视觉的雾霾监测方法，采用与不同雾霾情况下样本图像比较的方式进行雾霾监测，在样本数据足够多时能够保证高精度的测量结果，而且所保存的数字图像与视频数据可供气象专业人员直观地检查与核对。

附图说明

图1是本发明实施例的工作原理示意图。

具体实施方式

下面以具体实施例结合附图对本发明作进一步说明。

如图1所示，本发明实施例利用数字摄像机对预先设定的目标物进行拍摄。建议人工预先选择场景中颜色较暗的不同距离的两个目标区域，分别作为近目标与远目标，以根据图像中目标物之间视觉特征的比较，监测雾霾的出现与浓度。数字摄像机可经数据传输单元，通过有线或无线网络，将拍摄的观测现场图像或视频传输至后台计算机。后台计算机，接收数字图像或视频数据，基于目标物视觉特征的计算以及与不同雾霾情况下样本数据的对比，给出针对雾霾的监测结果。数字摄像机、数据传输单元、后台计算机均可采用现有技术实现，具体实施时，可利用现有的视频监控系统。

本发明实施例提供的一种基于计算机视觉的雾霾监测方法，根据采集的图像进行处理并给出给出针对雾霾的监测结果，可由后台计算机采用软件技术实现自动运行流程。实施例的监测过程包括下列步骤：

步骤1，建立包含不同雾霾情况的样本数据库，包括以下子步骤，

步骤1.1，针对不同程度的雾霾情况，采集相应的观测场景样本图像，每一程度的雾霾情况对应若干样本图像，记录每幅图像采集时通过人工观测或现有仪器测量得到的空气污染参数，空气污染参数可直接使用当地气象局测量并发布的空气质量指数；

步骤1.2，针对各样本图像，分别进行以下处理，

计算近目标与远目标的颜色特征，实施例中计算的颜色特征包括目标区域中所有像素的色彩饱和度均值与蓝色分量均值，得到目标物间的颜色特征差别；

计算近目标与远目标的形状特征，实施例中计算的形状特征包括目标区域中的特征点个数与边缘像素点个数，得到目标物间的形状特征差别；

计算近目标与远目标的纹理特征，实施例中计算的纹理特征包括目标区域的灰度共生矩阵特征与小波变换子带系数，得到目标物间的纹理特征差别；

步骤1.3，针对各样本图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到表达目标物间视觉特征差别的特征向量，即视觉特征向量；

步骤1.4，构造样本数据库，包含所采集的大量样本图像，各图像计算出的视觉特征向量，以及各图像对应的空气污染参数；

步骤2，基于步骤1所得样本数据库，对待测量图像进行检索，包括以下子步骤，

步骤2.1，拍摄当前观测场景，采集待测量图像；

步骤2.2，针对待测量图像，进行与样本图像相应的处理如下，

计算近目标与远目标的颜色特征，实施例中计算的颜色特征包括目标区域中所有像素的色彩饱和度均值与蓝色分量均值，得到目标物间的颜色特征差别；

计算近目标与远目标的形状特征，实施例中计算的形状特征包括目标区域中的特征点个数与边缘像素点个数，得到目标物间的形状特征差别；

计算近目标与远目标的纹理特征，实施例中计算的纹理特征包括目标区域的灰度共生矩阵特征与小波变换子带系数，得到目标物间的纹理特征差别；

步骤2.3，针对待测量图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到表达目标物间视觉特征差别的特征向量，即视觉特征向量；

步骤2.4，基于视觉特征向量间的距离，将待测量图像与各样本图像进行逐一对比，找到距离最近的样本图像，并以其对应的雾霾情况作为待测量图像的雾霾监测结果。

具体实施时，在步骤1.1中，雾霾情况建议划分为5种不同程度，即无雾霾、轻度雾霾、中度雾霾、重度雾霾、严重雾霾，各种程度雾霾对应的空气质量指数范围分别为：[0，100]、[101，200]、[201，300]、[301，500]、[501，+∞]。

在步骤1.1与步骤2.1中，拍摄观测场景采集样本图像或待测量图像时，拍摄范围都是包含人工选择的远近目标物在内的同一场景，且每次拍摄均保持同样的位置、方向、焦距、光圈等相机参数，以保证在所有图像中各目标物的位置与大小均保持不变。

具体实施时，具体提取的特征种类和实现方式可由本领域技术人员根据需要进行设定。

实施例的提取过程说明如下：

在步骤1.2与步骤2.2中，实施例计算远近目标区域中所有像素的色彩饱和度均值与蓝色分量均值，并求取差别，具体实现方式如下，

基于雾霾的存在会降低目标物的色彩饱和度的视觉特点，计算远近目标区域中所有像素的色彩饱和度均值及其差别，包括以下子步骤，

步骤a1.1，对于远目标区域RF中的所有像素，计算其色彩饱和度（HSV颜色空间中的S分量）的均值RF_C-saturation，并对于近目标区域RN中的所有像素，计算其色彩饱和度（HSV颜色空间中的S分量）的均值RN_C-saturation；

步骤a1.2，远近目标物之间的色彩饱和度差别，定义为远目标色彩饱和度均值与近目标色彩饱和度均值的比值

${\mathrm{DFN}}_{C-\mathrm{saturation}}={\mathrm{RF}}_{C-\mathrm{saturation}}/{\mathrm{RN}}_{C-\mathrm{saturation}}---\left(1\right)$

其中DFN_C-saturation值越小，表示远目标色彩饱和度的降低比近目标更多，即雾霾浓度越大；

基于雾霾中的黑暗物体看起来偏蓝色的视觉特点，计算远近目标区域中所有像素的蓝色分量均值及其差别，包括以下子步骤，

步骤a2.1，对于远目标区域RF中的所有像素，计算其蓝色分量（RGB颜色空间中的B分量）的均值RF_C-blue，并对于近目标区域RN中的所有像素，计算其蓝色分量（RGB颜色空间中的B分量）的均值RN_C-blue；

步骤a2.2，远近目标物之间的蓝色分量差别，定义为近目标蓝色分量均值与远目标蓝色分量均值的比值

${\mathrm{DFN}}_{C-\mathrm{blue}}={\mathrm{RN}}_{C-\mathrm{blue}}/{\mathrm{RF}}_{C-\mathrm{blue}}---\left(2\right)$

其中DFN_C-blue值越小，表示远目标偏蓝色的程度比近目标更深，即雾霾浓度越大。

在步骤1.2与步骤2.2中，实施例计算远近目标区域中的特征点个数与边缘像素点个数，并求取差别，具体实现方式如下，

基于雾霾会造成能见度下降而导致目标物特征点识别困难的视觉特点，计算远近目标区域中的特征点个数及其差别，包括以下子步骤，

步骤b1.1，提取远目标区域RF中所有SIFT特征点，计算SIFT特征点数目占RF中所有像素数目的比例RF_S-sift，并提取近目标区域RN中所有SIFT特征点，计算SIFT特征点数目占RN中所有像素数目的比例RN_S-sift；

步骤b1.2，远近目标物之间的特征点差别，定义为远目标特征点数目比例与近目标特征点数目比例的比值

${\mathrm{DFN}}_{S-\mathrm{sift}}={\mathrm{RF}}_{S-\mathrm{sift}}/{\mathrm{RN}}_{S-\mathrm{sift}}---\left(3\right)$

其中DFN_S-sift值越小，表示远目标特征点的识别难度比近目标更大，即雾霾浓度越大；

基于雾霾会造成能见度下降而导致目标物边缘轮廓识别困难的视觉特点，计算远近目标区域中的边缘像素点个数及其差别，包括以下子步骤，

步骤b2.1，使用Canny边缘检测算子提取远目标区域RF中所有边缘，计算属于边缘的像素点数目占RF中所有像素数目的比例RF_S-canny，并使用Canny边缘检测算子提取近目标区域RN中所有边缘，计算属于边缘的像素点数目占RN中所有像素数目的比例RN_S-canny；

步骤b2.2，远近目标物之间的边缘像素点差别，定义为远目标边缘像素点数目比例与近目标边缘像素点数目比例的比值

${\mathrm{DFN}}_{S-\mathrm{canny}}={\mathrm{RF}}_{S-\mathrm{canny}}/{\mathrm{RN}}_{S-\mathrm{canny}}---\left(4\right)$

其中DFN_S-canny值越小，表示远目标边缘轮廓的识别难度比近目标更大，即雾霾浓度越大。

在步骤1.2与步骤2.2中，实施例计算远近目标区域的灰度共生矩阵特征与小波变换子带系数，并求取差别，具体实现方式如下，

基于雾霾使大气变浑浊进而使目标物的纹理变模糊的视觉特点，计算远近目标区域的灰度共生矩阵特征及其差别，包括以下子步骤，

步骤c1.1，计算远目标区域RF由灰度共生矩阵特征组成的向量和近目标区域RN由灰度共生矩阵特征组成的向量，

计算远目标区域RF由灰度共生矩阵特征组成的向量实现如下，

统计得到远目标区域RF的灰度共生矩阵，计算矩阵的能量

${\mathrm{asm}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(G(i,j)\right)}^2---\left(5\right)$

其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，i的取值为1,2,…,k，j的取值为1,2,…,k，k表示灰度值的级数；

基于远目标区域RF的灰度共生矩阵，计算矩阵的熵

${\mathrm{ent}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)\log G(i,j)---\left(6\right)$

基于远目标区域RF的灰度共生矩阵，计算矩阵的对比度

${\mathrm{con}}_{\mathrm{RF}}=\underset{d=0}{\overset{k-1}{\mathrm{\Σ}}}{d}^2\left({\mathrm{\Σ}}_{|i-j|=d}G(i,j)\right)---\left(7\right)$

差值d的取值为0,1,…,k-1，

基于远目标区域RF的灰度共生矩阵，计算矩阵的逆差距

${\mathrm{idm}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)/(1+{(i-j)}^2)---\left(8\right)$

得到远目标区域RF的由灰度共生矩阵特征组成的向量

${\mathrm{RF}}_{T-\mathrm{glcm}}=({\mathrm{asm}}_{\mathrm{RF}},{\mathrm{ent}}_{\mathrm{RF}},{\mathrm{con}}_{\mathrm{RF}},{\mathrm{idm}}_{\mathrm{RF}})---\left(9\right)$

计算近目标区域RN由灰度共生矩阵特征组成的向量实现如下，

统计得到近目标区域RN的灰度共生矩阵，计算矩阵的能量

${\mathrm{asm}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(G(i,j)\right)}^2---\left(10\right)$

其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，i的取值为1,2,…,k，j的取值为1,2,…,k，k表示灰度值的级数；

基于近目标区域RN的灰度共生矩阵，计算矩阵的熵

${\mathrm{ent}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)\log G(i,j)---\left(11\right)$

基于近目标区域RN的灰度共生矩阵，计算矩阵的对比度

${\mathrm{con}}_{\mathrm{RN}}=\underset{d=0}{\overset{k-1}{\mathrm{\Σ}}}{d}^2\left({\mathrm{\Σ}}_{|i-j|=d}G(i,j)\right)---\left(12\right)$

差值d的取值为0,1,…,k-1，

基于近目标区域RN的灰度共生矩阵，计算矩阵的逆差距

${\mathrm{idm}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)/(1+{(i-j)}^2)---\left(13\right)$

得到近目标区域RN的由灰度共生矩阵特征组成的向量

${\mathrm{RN}}_{T-\mathrm{glcm}}=({\mathrm{asm}}_{\mathrm{RN}},{\mathrm{ent}}_{\mathrm{RN}},{\mathrm{con}}_{\mathrm{RN}},{\mathrm{idm}}_{\mathrm{RN}})---\left(14\right)$

步骤c1.2，远近目标物之间的灰度共生矩阵特征差别，定义为远近目标区域灰度共生矩阵特征向量之差的模的倒数

${\mathrm{DFN}}_{T-\mathrm{glcm}}=1/|{\mathrm{RN}}_{T-\mathrm{glcm}}-{\mathrm{RF}}_{T-\mathrm{glcm}}|---\left(15\right)$

其中||表示向量的模，而|RN_T-glcm-RF_T-glcm|表示向量RF_T-glcm与RN_T-glcm之间的相似程度，模越小则越相似，因此，DFN_T-glcm值越小，表示远目标纹理变模糊的程度比近目标更深，即雾霾浓度越大；

基于雾霾使大气变浑浊进而使目标物不同分辨率的纹理变模糊的视觉特点，计算远近目标区域的小波变换子带系数及其差别，包括以下子步骤，

步骤c2.1，计算远目标区域小波变换子带系数向量和近目标区域小波变换子带系数向量，

考虑到级数太低对多分辨率的描述不够，级数太高则要求区域面积大到一定程度而图像中目标区域不一定足够大，建议小波变换时采用3级分解。

计算远目标区域RF的小波变换子带系数向量实现如下，

对远目标区域RF进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，

$u_{\mathrm{tRF}}=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}f(x,y)/(m\×n)---\left(16\right)$

其中f(x,y)表示子带图像的像素，x与y表示像素坐标，x的取值为0,1,…,m-1，y的取值为0,1,…,n-1，m与n表示像素的行数与列数；

针对第t个子带图像，计算其标准差系数

${\mathrm{\σ}}_{\mathrm{tRF}}=\sqrt{\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(f(x,y)-u_{\mathrm{tRF}})}^2/(m\×n)}---\left(17\right)$

得到远目标区域RF的由小波变换子带系数组成的向量

${\mathrm{RF}}_{T-\mathrm{wavelet}}=(u_{1\mathrm{RF}},{\mathrm{\σ}}_{1\mathrm{RF}},u_{2\mathrm{RF}},{\mathrm{\σ}}_{2\mathrm{RF}},u_{3\mathrm{RF}},{\mathrm{\σ}}_{3\mathrm{RF}},...,u_{10\mathrm{RF}},{\mathrm{\σ}}_{10\mathrm{RF}})---\left(18\right)$

计算近目标区域RN的小波变换子带系数向量实现如下，

对近目标区域RN进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，

$u_{\mathrm{tRN}}=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}f(x,y)/(m\×n)---\left(19\right)$

其中f(x,y)表示子带图像的像素，x与y表示像素坐标，x的取值为0,1,…,m-1，y的取值为0,1,…,n-1，m与n表示像素的行数与列数；

针对第t个子带图像，计算其标准差系数

${\mathrm{\σ}}_{\mathrm{tRN}}=\sqrt{\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(f(x,y)-u_{\mathrm{tRN}})}^2/(m\×n)}---\left(20\right)$

得到近目标区域RN的由小波变换子带系数组成的向量

${\mathrm{RN}}_{T-\mathrm{wavelet}}=(u_{1\mathrm{RN}},{\mathrm{\σ}}_{1\mathrm{RN}},u_{2\mathrm{RN}},{\mathrm{\σ}}_{2\mathrm{RN}},u_{3\mathrm{RN}},{\mathrm{\σ}}_{3\mathrm{RN}},...,u_{10\mathrm{RN}},{\mathrm{\σ}}_{10\mathrm{RN}})---\left(21\right)$

步骤c2.2，远近目标物之间的小波变换子带系数差别，定义为远近目标区域小波变换子带系数向量之差的模的倒数

${\mathrm{DFN}}_{T-\mathrm{wavelet}}=1/|{\mathrm{RN}}_{T-\mathrm{wavelet}}-{\mathrm{RF}}_{T-\mathrm{wavelet}}|---\left(22\right)$

其中||表示向量的模，而|RN_T-wavelet-RF_T-wavelet|表示向量RF_T-wavelet与RN_T-wavelet之间的相似程度，模越小则越相似，因此，DFN_T-wavelet值越小，表示远目标不同分辨率的纹理变模糊的程度比近目标更深，即雾霾浓度越大。

实施例在步骤1.3与步骤2.3中，获取表示远近目标物之间颜色、形状、纹理差别的特征向量，具体实现方式包括以下步骤，

步骤d1，综合近目标与远目标的颜色、形状、纹理特征，得到表达目标物间视觉特征差别的特征组合向量

$\mathrm{FN}=({\mathrm{DFN}}_{C-\mathrm{saturation}},{\mathrm{DFN}}_{C-\mathrm{blue}},{\mathrm{DFN}}_{S-\mathrm{sift}},{\mathrm{DFN}}_{S-\mathrm{canny}},{\mathrm{DFN}}_{T-\mathrm{glcm}},{\mathrm{DFN}}_{T-\mathrm{wavelet}})---\left(23\right)$

步骤d2，远近目标物之间的视觉特征差别，定义为特征组合FN的归一化特征向量

$\mathrm{DFN}=\mathrm{FN}/\left|\mathrm{FN}\right|---\left(24\right)$

视觉特征DFN_C-saturation、DFN_C-blue、DFN_S-sift、DFN_S-canny、DFN_T-glcm、DFN_T-wavelet均定义为值越小表示雾霾浓度越大，因此特征向量DFN的模越小，则表示雾霾浓度越大。

实施例在步骤2.4中，基于图像特征向量间的距离，实现待测量图像与样本图像的逐一对比，具体实现方式包括以下步骤，

步骤e1，对于待测量图像的特征向量DFN_Image，计算其与样本数据库S个样本图像中每个图像特征向量DFN_Sample-s之间的距离

$D_{\mathrm{IS}-s}=|{\mathrm{DFN}}_{\mathrm{Image}}-{\mathrm{DFN}}_{\mathrm{Sample}-s}|---\left(25\right)$

其中||表示向量的模，D_IS-s值越小，表示特征向量DFN_Image与DFN_Sample-s之间的距离越近，即两者越相似，s的取值为1,2，…，S；

步骤e2，寻找距离D_IS-s的最小值，记为最近距离D_IS-Min

$D_{\mathrm{IS}-\mathrm{Min}}=\mathrm{Min}(D_{\mathrm{IS}-1},D_{\mathrm{IS}-2},D_{\mathrm{IS}-3},...,D_{\mathrm{IS}-S})---\left(26\right)$

步骤e3，以最近距离D_IS-Min所对应的数据库中样本图像的雾霾情况，作为待测量图像的雾霾监测结果，即根据最近距离样本图像的空气质量指数，给出待测量图像的5种雾霾程度之一的测量结果。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于计算机视觉的雾霾监测方法，其特征在于：根据对同一场景拍摄所得样本图像对待测量图像进行分析获得雾霾监测结果，所述场景中包含预设的近目标与远目标，近目标与远目标是场景中不同距离的两个颜色黑暗的目标区域；所述分析包括以下步骤，

步骤1，建立包含不同雾霾情况的样本数据库，包括以下子步骤，

步骤1.1，采集场景处空气中存在不同程度雾霾时的样本图像，记录各样本图像的相应空气污染参数；

步骤1.2，针对各样本图像，分别进行以下处理，

计算近目标与远目标的颜色特征，得到目标物间的颜色特征差别；所述近目标与远目标的颜色特征，包括目标区域中所有像素的蓝色分量均值；

计算近目标与远目标的形状特征，得到目标物间的形状特征差别；

计算近目标与远目标的纹理特征，得到目标物间的纹理特征差别；

步骤1.3，针对各样本图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到各样本图像的视觉特征向量；

步骤1.4，构造样本数据库，所述样本数据库包含采集的所有样本图像，各样本图像的视觉特征向量以及相应空气污染参数；

步骤2，基于步骤1所得样本数据库，对待测量图像进行对比判断，包括以下子步骤，

步骤2.1，拍摄观测场景，得到待测量图像；

步骤2.2，针对待测量图像，进行以下处理，

计算近目标与远目标的颜色特征，得到目标物间的颜色特征差别；所述近目标与远目标的颜色特征，包括目标区域中所有像素的蓝色分量均值；

计算近目标与远目标的形状特征，得到目标物间的形状特征差别；

计算近目标与远目标的纹理特征，得到目标物间的纹理特征差别；

步骤2.3，针对待测量图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到待测量图像的视觉特征向量；

步骤2.4，基于视觉特征向量间的距离，将待测量图像与各样本图像进行逐一对比，找到距离最近的样本图像，并以对应的雾霾情况作为待测量图像的雾霾监测结果。

2.根据权利要求1所述基于计算机视觉的雾霾监测方法，其特征在于：所述近目标与远目标的颜色特征，包括目标区域中所有像素的色彩饱和度均值与蓝色分量均值。

3.根据权利要求1所述基于计算机视觉的雾霾监测方法，其特征在于：所述近目标与远目标的形状特征，包括目标区域中的特征点个数与边缘像素点个数。

4.根据权利要求1所述基于计算机视觉的雾霾监测方法，其特征在于：所述近目标与远目标的纹理特征，包括目标区域的灰度共生矩阵特征与小波变换子带系数。

5.根据权利要求4所述基于计算机视觉的雾霾监测方法，其特征在于：设远目标的目标区域记为远目标区域RF，设近目标的目标区域记为近目标区域RN，计算远目标区域和近目标区域的灰度共生矩阵特征及差别包括以下子步骤，

（1）计算远目标区域RF由灰度共生矩阵特征组成的向量和近目标区域RN由灰度共生矩阵特征组成的向量，

计算远目标区域RF由灰度共生矩阵特征组成的向量实现如下，

统计得到远目标区域RF的灰度共生矩阵，计算矩阵的能量

${\mathrm{asm}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(G(i,j)\right)}^2$

其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，k表示灰度值的级数；

基于远目标区域RF的灰度共生矩阵，计算矩阵的熵

${\mathrm{ent}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)\log G(i,j)$

基于远目标区域RF的灰度共生矩阵，计算矩阵的对比度

${\mathrm{con}}_{\mathrm{RF}}=\underset{d=0}{\overset{k-1}{\mathrm{\Σ}}}{d}^2\left({\mathrm{\Σ}}_{|i-j|=d}G(i,j)\right)$

基于远目标区域RF的灰度共生矩阵，计算矩阵的逆差距

${\mathrm{idm}}_{\mathrm{RF}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)/(1+{(i-j)}^2)$

得到远目标区域RF的由灰度共生矩阵特征组成的向量

${\mathrm{RF}}_{T-\mathrm{glcm}}=({\mathrm{asm}}_{\mathrm{RF}},{\mathrm{ent}}_{\mathrm{RF}},{\mathrm{con}}_{\mathrm{RF}},{\mathrm{idm}}_{\mathrm{RF}})$

计算近目标区域RN由灰度共生矩阵特征组成的向量实现如下，

统计得到近目标区域RN的灰度共生矩阵，计算矩阵的能量

${\mathrm{asm}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(G(i,j)\right)}^2$

其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，k表示灰度值的级数；

基于近目标区域RN的灰度共生矩阵，计算矩阵的熵

${\mathrm{ent}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)\log G(i,j)$

基于近目标区域RN的灰度共生矩阵，计算矩阵的对比度

${\mathrm{con}}_{\mathrm{RN}}=\underset{d=0}{\overset{k-1}{\mathrm{\Σ}}}{d}^2\left({\mathrm{\Σ}}_{|i-j|=d}G(i,j)\right)$

基于近目标区域RN的灰度共生矩阵，计算矩阵的逆差距

${\mathrm{idm}}_{\mathrm{RN}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}G(i,j)/(1+{(i-j)}^2)$

得到近目标区域RN的由灰度共生矩阵特征组成的向量

${\mathrm{RN}}_{T-\mathrm{glcm}}=({\mathrm{asm}}_{\mathrm{RN}},{\mathrm{ent}}_{\mathrm{RN}},{\mathrm{con}}_{\mathrm{RN}},{\mathrm{idm}}_{\mathrm{RN}})$

（2）按下式计算远近目标物之间的灰度共生矩阵特征差别

${\mathrm{DFN}}_{T-\mathrm{glcm}}=1/|{\mathrm{RN}}_{T-\mathrm{glcm}}-{\mathrm{RF}}_{T-\mathrm{glcm}}|$

其中||表示向量的模。

6.根据权利要求4所述基于计算机视觉的雾霾监测方法，其特征在于：设远目标的目标区域记为远目标区域RF，设近目标的目标区域记为近目标区域RN，计算远目标区域和近目标区域的小波变换子带系数及差别包括以下子步骤，

（1）计算远目标区域小波变换子带系数向量和近目标区域小波变换子带系数向量，

计算远目标区域RF的小波变换子带系数向量实现如下，

对远目标区域RF进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，

$u_{\mathrm{tRF}}=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}f(x,y)/(m\×n)$

其中f(x,y)表示子带图像的像素，x与y表示像素坐标，m与n表示像素的行数与列数；

针对第t个子带图像，计算其标准差系数

${\mathrm{\σ}}_{\mathrm{tRF}}=\sqrt{\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(f(x,y)-u_{\mathrm{tRF}})}^2/(m\×n)}$

得到远目标区域RF的由小波变换子带系数组成的向量

${\mathrm{RF}}_{T-\mathrm{wavelet}}=(u_{1\mathrm{RF}},{\mathrm{\σ}}_{1\mathrm{RF}},u_{2\mathrm{RF}},{\mathrm{\σ}}_{2\mathrm{RF}},u_{3\mathrm{RF}},{\mathrm{\σ}}_{3\mathrm{RF}},...,u_{10\mathrm{RF}},{\mathrm{\σ}}_{10\mathrm{RF}})$

计算近目标区域RN的小波变换子带系数向量实现如下，

对近目标区域RN进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，

$u_{\mathrm{tRN}}=\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}f(x,y)/(m\×n)$

其中f(x,y)表示子带图像的像素，x与y表示像素坐标，m与n表示像素的行数与列数；针对第t个子带图像，计算其标准差系数

${\mathrm{\σ}}_{\mathrm{tRN}}=\sqrt{\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{(f(x,y)-u_{\mathrm{tRN}})}^2/(m\×n)}$

得到近目标区域RN的由小波变换子带系数组成的向量

${\mathrm{RN}}_{T-\mathrm{wavelet}}=(u_{1\mathrm{RN}},{\mathrm{\σ}}_{1\mathrm{RN}},u_{2\mathrm{RN}},{\mathrm{\σ}}_{2\mathrm{RN}},u_{3\mathrm{RN}},{\mathrm{\σ}}_{3\mathrm{RN}},...,u_{10\mathrm{RN}},{\mathrm{\σ}}_{10\mathrm{RN}})$

（2）按下式计算远近目标物之间的小波变换子带系数差别

${\mathrm{DFN}}_{T-\mathrm{wavelet}}=1/|{\mathrm{RN}}_{T-\mathrm{wavelet}}-{\mathrm{RF}}_{T-\mathrm{wavelet}}|$

其中||表示向量的模。

Images