CN104596929B - 确定空气质量的方法及设备 - Google Patents
确定空气质量的方法及设备 Download PDFInfo
- Publication number
- CN104596929B CN104596929B CN201310530879.6A CN201310530879A CN104596929B CN 104596929 B CN104596929 B CN 104596929B CN 201310530879 A CN201310530879 A CN 201310530879A CN 104596929 B CN104596929 B CN 104596929B
- Authority
- CN
- China
- Prior art keywords
- detail
- picture rich
- benchmark picture
- testing image
- benchmark
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims description 66
- 230000000875 corresponding effect Effects 0.000 claims description 35
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000036548 skin texture Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种确定空气质量的方法和设备。所述方法包括：确定至少一个关键区域；在所述关键区域的至少一个位置处，获取基准清晰图像、在较差空气质量下的训练图像及对应的实际空气质量指数；根据从所述基准清晰图像以及所述训练图像中提取的特征以及所述实际空气质量指数训练该关键区域的空气质量模型。利用本发明实施例的方法和设备，可以根据图像确定空气质量。
Description
技术领域
本发明是涉及空气质量测量，更具体而言，涉及一种基于图像的确定空气质量的方法和设备。
背景技术
户外空气污染是威胁人类生命的环境隐患中最重要的一项，目前雾霾以及环境污染也变得越来越严重，给人的健康以及环境都带来了严重的危害。
影响空气质量的一个主要因素就是细颗粒物，例如，人们普遍关注的PM2.5值，是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物，也称细颗粒物。此外，还有PM10值，是指指空气动力学当量直径在10微米以下的颗粒物。这些值越高，就代表空气污染越严重。
目前主要通过设置在各个位置的传感器实时测量空气质量，需要了解的是，专用的传感器装置虽然测量的精准，但价格昂贵，基于成本的考虑，也无法在所有位置均设置这样的传感器。然而，空气质量的分布并不均匀，而且随着时间的变化也会产生变化，因此，为了能够及时应对恶劣的空气质量，就需要用户能够随时随地的了解到所处位置处的空气质量，以决定是否要进行户外活动，或者进行必要的防护措施。
由上可见，需要改进现有的空气质量测量方案，提供一种方便快捷的空气质量测量方案
发明内容
根据本发明的一个第方面，提供了一种确定空气质量模型的方法，该方法包括：确定至少一个关键区域；在所述关键区域的至少一个位置处，获取基准清晰图像、在较差空气质量下的训练图像及对应的实际空气质量指数；根据从所述基准清晰图像以及所述训练图像中提取的特征以及所述实际空气质量指数训练该关键区域的空气质量模型。
根据本发明的二个第方面，提供了一种利用前述训练的空气质量模型确定空气质量指数的方法，该方法包括：确定与所述待测图像关联的关键区域的空气质量模型；获取与所述待测图像相对应的基准清晰图像；根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定实际待测空气质量指数。
根据本发明的三个第方面，提供了一种确定空气质量模型的设备示意图，该设备包括：关键区域确定模块，配置为确定至少一个关键区域；训练数据确定模块，配置为在所述关键区域的至少一个位置处，获取基准清晰图像、在较差空气质量下的训练图像及对应的实际空气质量指数；模型确定模块，配置为根据从所述基准清晰图像以及所述训练图像中提取的特征以及所述实际空气质量指数训练该关键区域的空气质量模型。
根据本发明的第四个方面，还提供了一种根据前述训练出空气质量模型确定空气质量的设备示意图，该设备包括：模型确定模块，配置为确定与所述待测图像关联的关键区域的空气质量模型；基准清晰图像确定模块，配置为获取与所述待测图像相对应的基准清晰图像；空气质量确定模块，配置为根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定实际待测空气质量指数。
采用本发明的方法和装置，能够基于图像方便快捷的确定空气质量指数。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图；
图2示出根据本发明一个实施例的确定空气质量模型的方法流程图；
图3示出了根据本发明一个实施例的用于根据前述训练出空气质量模型确定空气质量的方法流程图；
图4示出了根据本发明一个实施例的确定空气质量模型的设备示意图；
图5示出根据本发明一个实施例的根据前述训练出空气质量模型确定空气质量的设备示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件（包括固件、驻留软件、微代码等），还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
下面将参照本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品（manufacture）。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图1显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图3未显示，通常称为“硬盘驱动器”）。尽管图1中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM,DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
现在参看图2，其示出根据本发明一个实施例的用于确定空气质量模型的方法流程图。如图2所示，该方法至少包括以下步骤：
在步骤210中，确定至少一个关键区域。
关键区域的选择可有多种标准，可以是生活聚集地，可以是大众普遍关注的区域，还可按行政区域进行划分。关键区域的具体选择与设定，并不影响后续步骤的实施，故本领域技术人员可根据实际情形对其进行设定。
在步骤220中，在所述关键区域的至少一个位置处，获取基准清晰图像、、在较差空气质量下的训练图像以及对应的实际空气质量指数。
基准清晰图像是在空气质量好的时候所采集的图像，本领域技术人员了解，此处的“清晰”以及“空气质量好”并是绝对的概念，一般大众都能够轻易的根据感官确定出某个时刻的“空气质量好”从而能够拍摄出“清晰”的图像。本领域技术人员能够理解，此处的“较差”空气质量是相对于获取基准清晰图像的空气质量而言的，其主要目的就是获取比基准清晰图像模糊的训练图像。
在一个替代的实施例中，可任选一张所需位置的图像，对其执行去雾处理后作为基准清晰图像。现有技术中有多种可用的图像去雾方法（image haze removal），例如暗通道优先去雾算法（Dark Channel Prior），基于对比度的去雾方法，该些方法是现有技术中普遍应用的去雾方法，在此不对其细节进行赘述。
为了获得丰富的训练图像，可在不同时间采集不同空气质量下的训练图像，然后对于每一张训练图像，都用传感器该训练图像拍摄之时所处位置的实际空气质量指数，在一个替代性的实施方式中，还可根据官方公布的数据获取实际空气质量指数。空气质量指数也可以具有多种类型，例如PM2.5数值，PM10数值，能见度等等，这与所需要训练的模型种类相关联。
还可按照不同的方向获取图像，例如，沿着正北获取基准清晰图像，相应的，也要按照该方向获取不同空气质量时的训练图像。
在步骤230中，根据从所述标准基准清晰图像以及所述训练图像中提取的空气质量相关特征以及所述实际空气质量指数训练该关键区域的空气质量模型。
按照本申请的一个实施例，对于每一位置，提取基准清晰图像中的各种空气质量相关特征，并提取训练图像中的各种对应的空气质量相关特征，计算出特征之间的差分作为训练模型时的训练数据。进而，使用机器学习算法求得特征的差分和空气质量指数之间的对应函数或者模型作为所训练的模型。机器学习算法可以用很多现有的学习算法，比如支持向量机（SVM），随机森林，AdaBoost等算法，在此不做赘述。
所提取的空气质量相关特征包括以下中的至少一种：亮度（Luminance），色度（Chrominance），纹理（Texture）以及梯度密度（gradient density）。接下来示范性的说明部分特征的提取方法：
关于亮度特征，在一个实施例中可体现为亮度分布图的直方图特征，具体的提取步骤可包括：将像素的RGB颜色值用公式lum=red*0.299+green*0.587+blue*0.114转换成亮度值；每个像素的亮度值在[0,255]之间，可以计算整个图像累计直方分布图，作为亮度特征。可以按最小粒度形成256维的直方图，也可以降低分辨率，比如16维直方图，这样0-7的亮度值都归为一类。
关于梯度特征，梯度特征可以用Prewitt与Sobel算子来检测。在一个实施例中，可体现为HOG特征（Histogram of Oriented Gradient,HOG），具体的提取步骤包括：将图像转成灰度图像；将图像分块，比如分成4*4对每个区块内计算其梯度直方图分布，梯度即相邻两个像素点灰度颜色的差分，可以形成一个直方图特征向量；将各个区块的直方图合并成一个大的向量，作为图像总的梯度HOG特征。
关于纹理特征，在一个实施例中，可采用SIFT特征(SIFT)提取方法，具体包括：使用SIFT检测器挑选出图像中的纹理丰富的重要特征点；在每个特征点附近的图像区域内提取SIFT特征，该特征维度是128维；从多个图像组成的图像数据库中提取大量图像的这种特征，并聚类形成多个聚类中心,进而得到一个特征的字典，字典中的元素即聚类中心；给定一个图像，在提取图像中多个特征点的128维特征后，将每个特征归到某个聚类，并计算该图像关于这些聚类中心的累计直方图。比如有聚类A，B，C，图像中提取了三个特征点，两个属于A,一个属于B，则提取的累计直方图特征是(2,1,0)，进一步归一化后得到（2/3,1/3,0）。对于纹理检测，还可用Gabor算子扫描图像，得出纹理特征。还可用LBP算子，灰度共生矩阵来确定纹理特征。
在本申请中主要用到了这四种特征，该四种特征是本申请的发明人通过多次试验所确定出的具有较好效果的组合。然而，基于本申请公开内容的启示，在该步骤中，本领域技术人员还可以选择更多或更少的图像质量相关特征，以及不同特征的组合。
根据在前述步骤中的实际空气质量指标的类型，在该步骤中就能够训练出特定的空气质量模型，例如PM2.5模型，或者PM10模型，还可是能见度模型。
现在参看图3，其示出根据本发明一个实施例的用于根据前述训练出空气质量模型确定待测空气质量的方法流程图。如图3所示，该方法至少包括以下步骤：
在步骤310中，确定与所述待测图像关联的关键区域的空气质量模型
该步骤中的待测图像是所接收到的来自用户设备的至少一张实时图像。用户可通过具有摄像装置的移动终端拍摄其所在位置处的实时图像，既可是一张照片，也可以是实时录像中的一帧图像。
由于按照前述方法所训练出的空气质量模型是特定于某个关键区域，因此，在该步骤中需要确定与待测图像关联的关键区域以及相应的空气质量模型，具体的，可以根据待测图像的位置信息选择最临近的关键区域作为关联的关键。
在步骤320中，获取与所述待测图像相对应的基准清晰图像。
在第一个实施例中，是根据所述待测图像的位置确定第一基准清晰图像，所述第一基准清晰图像是在所述关联的关键区域中与所述待测图像的距离最近的基准清晰图像。例如，选取与用户所拍摄的待测图像的位置最接近的训练图像数据，然后直接将对应的基准清晰图像作为该第一基准清晰图像。
在第二个实施例中，根据所述待测照片的至少一种特征进行场景匹配以确定第二基准清晰图像，所述第二基准清晰图像是所述关联的关键区域中与所述待测图像最匹配的基准清晰图像。既可以在移动终端侧进行匹配，也可以在服务器侧进行匹配。具体可采用现有技术中的常用的场景匹配方法，例如词袋模型(bag of words)、HMAX模型等等。
在第三个实施例中，是对所述待测照片进行去雾处理以获取第三基准清晰图像作为所述相对应的基准清晰图像。去雾算法在前面已经进行相应的介绍，在此不做赘述。
作为改进，还可获取所述待测图像的附加信息，所述附加信息包括以下中的一种或多种：待测图像的拍摄参数信息，所述待测图像的地理位置信息；进而，基于所述附加信息获取与所述待测图像相对应的基准清晰图像，例如，根据附加信息的相同或相近程度确定与待测图像相对应的基准清晰图像。待测图像的拍摄参数可包括像素信息、镜头信息、拍摄角度等等。
在步骤330中，根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定待测空气质量指数。
如果在步骤320中根据位置确定出了第一基准清晰图像，则根据在待测图像以及对应的第一基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定第一空气质量指数。进而，至少根据所述第一空气质量指数确定所述待测图像对应的待测位置的空气质量指数，在一个实施例中，可直接将第一空气质量指数作为待测位置处的空气质量指数。
如果在步骤320中根据场景匹配确定出了第二基准清晰图像，则根据在待测图像以及对应的第二基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定第二空气质量指数。进而，至少根据所述第二空气质量指数确定所述待测位置的空气质量指数，在一个实施例中，可直接将第二空气质量指数作为待测位置处的空气质量指数，在另一个实施例中，还可分别赋予第一、第二空气质量指数不同的权重，综合两者来确定待测位置处的空气质量指数。
如果在步骤320中根据去雾处理确定出了第三基准清晰图像，则根据在待测图像以及对应的第三基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定第三空气质量指数。进而，至少根据所述第三空气质量指数确定所述待测位置的空气质量指数，在一个实施例中，可直接将第三空气质量指数作为待测位置处的空气质量指数，在另一个实施例中，还可分别赋予第一、第二、第三空气质量指数不同的权重，然后综合其中的至少两者来确定待测位置处的空气质量指数，从而能够进一步的提高计算的准确度。
图4示出根据本发明一个实施例的确定空气质量模型的设备示意图，该设备包括：关键区域确定模块410，被配置为确定至少一个关键区域；训练数据确定模块420，配置为在所述关键区域的至少一个位置处，获取基准清晰图像、在较差空气质量下的训练图像及对应的实际空气质量指数；模型确定模块430，配置为根据从所述基准清晰图像以及所述训练图像中提取的空气质量相关特征以及所述实际空气质量指数训练该关键区域的空气质量模型。其中，所述特征包括以下中的至少一种：亮度，色度，纹理以及密度梯度。
图5示出根据本发明一个实施例的根据前述训练出空气质量模型确定待测空气质量的设备示意图，该设备包括：模型确定模块510，配置确定与所述待测图像关联的关键区域的空气质量模型；基准清晰图像确定模块520，配置为获取与所述待测图像相对应的基准清晰图像；空气质量确定模块530，配置为根据在所述待测图像以及对应的基准清晰图像中所提取的空气质量相关特征以及所确定的关键区域的空气质量模型确定待测空气质量指数。
在一个实施例中，所述基准清晰图像确定模块520包括：配置为根据所述待测图像的位置确定第一基准清晰图像的模块，所述第一基准清晰图像是在所述关联的关键区域中与所述待测图像的距离最近的基准清晰图像；所述空气质量确定模块530包括：配置为至少根据所述第一基准清晰图像确定待测空气质量指数的模块。
在一个实施例中，所述基准清晰图像确定模块520包括：配置为根据所述待测照片的至少一种特征进行场景匹配以确定第二基准清晰图像的模块，所述第二基准清晰图像是所述关联的关键区域中与所述待测图像最匹配的基准清晰图像；所述空气质量确定模块530包括：配置为至少根据所述第二基准清晰图像确定待测空气质量指数的模块。
在另一个实施例中，所述基准清晰图像确定模块520包括：配置为对所述待测照片进行去雾处理以获取第三基准清晰图像的模块；所述空气质量确定模块530包括：配置为至少根据所述第三基准清晰图像确定待测空气质量指数的模块。
在一个实施例中，图5所述的设备，还包括：配置为获取所述待测图像的附加信息的模块，所述附加信息包括以下中的一种或多种：所述待测图像的拍摄参数信息，所述待测图像的地理位置信息；所述基准清晰图像确定模块包括：配置为基于所述附加信息获取与所述待测图像相对应的基准清晰图像的模块。
采用本申请的技术方案，能够随时随地的基于图像确定空气质量，可以为用户带来极大的方便。而且，由于是采用机器学习的方式确定空气质量模型，能够尽可能的应用大数据的优势，使得确定的空气质量模型更加的准确，能够与传统的方案很好的区分开来。当将本申请的技术方案通过图1所示的通用的计算机系统实现时，图1所示的计算机系统就会成为确定空气质量模型的硬件设备或者是用于根据待测图像确定待测空气质量指数的专用设备。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种确定空气质量模型的方法，该方法包括：
确定至少一个关键区域；
在所述关键区域的至少一个位置处，获取基准清晰图像、在较差空气质量下的训练图像及对应的实际空气质量指数；
根据从所述基准清晰图像以及所述训练图像中提取的空气质量相关特征以及所述实际空气质量指数训练该关键区域的空气质量模型。
2.根据权利要求1所述的方法，其中，所述特征包括以下中的至少一种：亮度，色度，纹理以及密度梯度。
3.一种利用权利要求1中的空气质量模型根据待测图像确定待测空气质量指数的方法，该方法包括：
确定与所述待测图像关联的关键区域的空气质量模型；
获取与所述待测图像相对应的基准清晰图像；
根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定所述待测空气质量指数。
4.根据权利要求3所述的方法，其中，
所述获取与所述待测图像相对应的基准清晰图像包括：根据所述待测图像的位置确定第一基准清晰图像，所述第一基准清晰图像是在所述关联的关键区域中与所述待测图像的距离最近的基准清晰图像；
所述根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的空气质量模型确定所述待测空气质量指数包括：至少根据所述第一基准清晰图像确定所述待测空气质量指数。
5.根据权利要求3所述的方法，其中，
所述获取与所述待测图像相对应的基准清晰图像包括：根据所述待测照片的至少一种特征进行场景匹配以确定第二基准清晰图像，所述第二基准清晰图像是所述关联的关键区域中与所述待测图像最匹配的基准清晰图像；
所述根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定所述待测空气质量指数包括：至少根据所述第二基准清晰图像确定所述待测空气质量指数。
6.根据权利要求3所述的方法，其中，
所述获取与所述待测图像相对应的基准清晰图像包括：对所述待测照片进行去雾处理以获取第三基准清晰图像；
所述根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定所述待测空气质量指数包括：至少根据所述第三基准清晰图像确定所述待测空气质量指数。
7.根据权利要求3所述的方法，还包括：
获取所述待测图像的附加信息，所述附加信息包括以下中的至少一种：所述待测图像的拍摄参数信息，所述待测图像的地理位置信息；
所述获取与所述待测图像相对应的基准清晰图像包括：基于所述附加信息获取与所述待测图像相对应的基准清晰图像。
8.一种确定空气质量模型的设备，该设备包括：
关键区域确定模块，配置为确定至少一个关键区域；
训练数据确定模块，配置为在所述关键区域的至少一个位置处，获取基准清晰图像、在较差空气质量下的训练图像及对应的实际空气质量指数；
模型确定模块，配置为根据从所述基准清晰图像以及所述训练图像中提取的空气质量相关特征以及所述实际空气质量指数训练该关键区域的空气质量模型。
9.根据权利要求8所述的设备，其中，所述特征包括以下中的至少一种：亮度，色度，纹理以及密度梯度。
10.一种利用权利要求1中的空气质量模型根据待测图像确定待测空气质量指数的设备，该设备包括：
模型确定模块，配置为确定与所述待测图像关联的关键区域的空气质量模型；
基准清晰图像确定模块，配置为获取与所述待测图像相对应的基准清晰图像；
空气质量确定模块，配置为根据在所述待测图像以及对应的基准清晰图像中所提取的特征以及所确定的关键区域的空气质量模型确定所述待测空气质量指数。
11.根据权利要求10所述的设备，其中，
所述基准清晰图像确定模块包括：配置为根据所述待测图像的位置确定第一基准清晰图像的模块，所述第一基准清晰图像是在所述关联的关键区域中与所述待测图像的距离最近的基准清晰图像；
所述空气质量确定模块包括：配置为根据所述第一基准清晰图像确定所述待测空气质量指数的模块。
12.根据权利要求10所述的设备，其中，
所述基准清晰图像确定模块包括：配置为根据所述待测照片的至少一种特征进行场景匹配以确定第二基准清晰图像的模块，所述第二基准清晰图像是所述关联的关键区域中与所述待测图像最匹配的基准清晰图像；
所述空气质量确定模块包括：配置为根据所述第二基准清晰图像确定所述待测空气质量指数的模块。
13.根据权利要求10所述的设备，其中，
所述基准清晰图像确定模块包括：配置为对所述待测照片进行去雾处理以获取第三基准清晰图像的模块；
所述空气质量确定模块包括：配置为根据所述第三基准清晰图像确定所述待测空气质量指数的模块。
14.根据权利要求10所述的设备，还包括：
配置为获取所述待测图像的附加信息的模块，所述附加信息包括以下中的一种或多种：所述待测图像的拍摄参数信息，所述待测图像的地理位置信息；
所述基准清晰图像确定模块包括：配置为基于所述附加信息获取与所述待测图像相对应的基准清晰图像的模块。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310530879.6A CN104596929B (zh) | 2013-10-31 | 2013-10-31 | 确定空气质量的方法及设备 |
| US14/527,132 US9317732B2 (en) | 2013-10-31 | 2014-10-29 | Method and apparatus of determining air quality |
| US15/018,005 US9740967B2 (en) | 2013-10-31 | 2016-02-08 | Method and apparatus of determining air quality |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310530879.6A CN104596929B (zh) | 2013-10-31 | 2013-10-31 | 确定空气质量的方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104596929A CN104596929A (zh) | 2015-05-06 |
| CN104596929B true CN104596929B (zh) | 2017-06-23 |
Family
ID=52995547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310530879.6A Active CN104596929B (zh) | 2013-10-31 | 2013-10-31 | 确定空气质量的方法及设备 |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US9317732B2 (zh) |
| CN (1) | CN104596929B (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015175304A1 (en) * | 2014-05-11 | 2015-11-19 | Breezometer Ltd. | A system and methods thereof for generation of an air quality score |
| CN105388155A (zh) * | 2015-05-22 | 2016-03-09 | 杨晓富 | 一种银亭雾霾监测与报警方法 |
| CN105388094A (zh) * | 2015-05-22 | 2016-03-09 | 杨晓富 | 一种基于银亭的雾霾检测与报警方法 |
| CN105388092A (zh) * | 2015-05-22 | 2016-03-09 | 杨晓富 | 一种银亭雾霾监测与环境调节方法 |
| CN105403934A (zh) * | 2015-05-22 | 2016-03-16 | 杨晓富 | 一种银亭雾霾监测与隔离方法 |
| CN105403490A (zh) * | 2015-05-22 | 2016-03-16 | 杨晓富 | 一种基于银亭的雾霾检测方法 |
| CN105388096A (zh) * | 2015-05-22 | 2016-03-09 | 杨晓富 | 一种银亭雾霾监测方法 |
| US20160370332A1 (en) * | 2015-06-22 | 2016-12-22 | International Business Machines Corporation | Generating fine resolution air pollution estimates |
| CN104990847A (zh) * | 2015-07-08 | 2015-10-21 | 苏州经贸职业技术学院 | 基于移动终端动态带有位置的pm2.5实时数据监控系统及方法 |
| CN105136660B (zh) * | 2015-08-12 | 2018-01-16 | 广东欧珀移动通信有限公司 | 空气质量检测方法及装置 |
| US10438125B2 (en) * | 2015-11-12 | 2019-10-08 | International Business Machines Corporation | Very short-term air pollution forecasting |
| CN105823812B (zh) * | 2016-05-10 | 2019-06-25 | 泛测（北京）环境科技有限公司 | 空气检测仪及其工作方法 |
| US10982869B2 (en) * | 2016-09-13 | 2021-04-20 | Board Of Trustees Of Michigan State University | Intelligent sensing system for indoor air quality analytics |
| US10302613B2 (en) | 2016-10-11 | 2019-05-28 | International Business Machines Corporation | Estimation of concentration of particulate matter in atmosphere |
| US10627380B2 (en) * | 2017-02-08 | 2020-04-21 | International Business Machines Corporation | Multi-source data assimilation for three-dimensional environmental monitoring |
| US10359280B2 (en) | 2017-04-28 | 2019-07-23 | International Business Machines Corporation | 3-D air pollution transmission path identification |
| US11796524B1 (en) * | 2018-02-01 | 2023-10-24 | Massachusetts Mutual Life Insurance Company | Systems and methods for processing air particulate datasets |
| US11144779B2 (en) * | 2018-10-16 | 2021-10-12 | International Business Machines Corporation | Real-time micro air-quality indexing |
| CN111126101B (zh) * | 2018-10-30 | 2023-06-06 | 北京猎户星空科技有限公司 | 关键点位置的确定方法、装置、电子设备和存储介质 |
| CN112115285A (zh) * | 2019-06-21 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 图片清洗方法及装置 |
| US11872870B2 (en) | 2019-10-31 | 2024-01-16 | Pony Ai Inc. | Treating air inside a vehicle |
| CN111504912A (zh) * | 2020-05-11 | 2020-08-07 | 兰州大学 | 一种基于图像识别的空气污染观测系统及方法 |
| CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
| CN112308093B (zh) * | 2020-11-24 | 2023-05-30 | 腾讯科技（深圳）有限公司 | 基于图像识别的空气质量感知方法、模型训练方法及系统 |
| CN112541302B (zh) * | 2020-12-23 | 2024-02-06 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
| CN112966606B (zh) * | 2021-03-05 | 2023-07-21 | 北京百度网讯科技有限公司 | 图像识别方法、相关装置及计算机程序产品 |
| JP2023061680A (ja) * | 2021-10-20 | 2023-05-02 | 国立研究開発法人情報通信研究機構 | エアロゾル濃度の推測方法及びシステム |
| CN114624397A (zh) * | 2022-03-15 | 2022-06-14 | 杭州翔毅科技有限公司 | 空气质量的监测方法、装置及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0632268A1 (en) * | 1993-07-01 | 1995-01-04 | Johnson Service Company | Apparatus and method for determining the indoor air quality within an enclosed space |
| CN102254330A (zh) * | 2010-07-29 | 2011-11-23 | 山东大学 | 基于图像处理的空气污染数据可视化方法 |
| CA2834217A1 (en) * | 2011-04-26 | 2012-11-01 | The Procter & Gamble Company | Sensing and adjusting features of an environment |
| CN103218622A (zh) * | 2013-04-22 | 2013-07-24 | 武汉大学 | 一种基于计算机视觉的雾霾监测方法 |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7016045B2 (en) | 1999-03-12 | 2006-03-21 | Regents Of The University Of Minnesota | Video camera-based visibility measurement system |
| US6526268B1 (en) * | 1999-09-07 | 2003-02-25 | Delphi Technologies, Inc. | Mobile weather band radio and method |
| US6795710B1 (en) * | 2001-01-05 | 2004-09-21 | Palmone, Inc. | Identifying client patterns using online location-based derivative analysis |
| US7272251B2 (en) * | 2002-09-30 | 2007-09-18 | The Board Of Trustees Of The Leland Stanford Junior University | Method for detecting and classifying a structure of interest in medical images |
| US7013203B2 (en) * | 2003-10-22 | 2006-03-14 | General Electric Company | Wind turbine system control |
| US7602937B2 (en) | 2004-06-08 | 2009-10-13 | International Electronic Machines Corporation | Image-based visibility measurement |
| DE102004047786A1 (de) * | 2004-10-01 | 2006-04-06 | Robert Bosch Gmbh | Verfahren zur Pulsationskorrektur innerhalb eines einen Medienmassenstrom messenden Messgeräts |
| US7787003B2 (en) * | 2005-04-21 | 2010-08-31 | Seiko Epson Corporation | Image forming apparatus |
| WO2007014292A2 (en) * | 2005-07-25 | 2007-02-01 | U-Systems, Inc. | Compressive surfaces for ultrasonic tissue scanning |
| US7378954B2 (en) * | 2005-10-21 | 2008-05-27 | Barry Myron Wendt | Safety indicator and method |
| DE102006027422B4 (de) * | 2006-06-13 | 2014-02-06 | Continental Automotive Gmbh | Verfahren und Vorrichtung zum Überwachen eines Abgasturboladers |
| US7616305B2 (en) * | 2006-11-30 | 2009-11-10 | Rutgers, The State University | Analytical methods and apparatus |
| US8157730B2 (en) * | 2006-12-19 | 2012-04-17 | Valencell, Inc. | Physiological and environmental monitoring systems and methods |
| WO2008099407A2 (en) * | 2007-02-15 | 2008-08-21 | Green Vision Systems Ltd. | Hyper-spectral imaging and analysis of a sample of matter, and preparing a test solution or suspension therefrom |
| US8140076B2 (en) * | 2007-12-17 | 2012-03-20 | Motorola Mobility, Inc. | Method for facilitating a mobile station to perform a fast handoff |
| US8442424B2 (en) * | 2008-09-26 | 2013-05-14 | Deep Rock Drive Partners Inc. | Interactive live political events |
| JP5247371B2 (ja) * | 2008-11-19 | 2013-07-24 | キヤノン株式会社 | 走査光学装置及びこれを備える画像形成装置 |
| EP2391881B1 (en) * | 2009-02-02 | 2023-07-05 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
| WO2011002272A1 (en) | 2009-07-01 | 2011-01-06 | Universiti Sains Malaysia | Air pollution measuring and warning system |
| WO2011050841A1 (en) * | 2009-10-28 | 2011-05-05 | Opsis Ab | Device for radiation absorption measurements and method for calibration thereof |
| US8331620B2 (en) * | 2009-11-11 | 2012-12-11 | Liberty Standard, Llc | Apparatus, system, and method for automatic airborne contaminant analysis |
| CN102162788A (zh) | 2010-10-19 | 2011-08-24 | 北方工业大学 | 基于高清视频的能见度检测方法 |
| US9618431B2 (en) * | 2010-11-30 | 2017-04-11 | Inspirotec, Inc. | Electrokinetic device for capturing assayable agents in a dielectric fluid |
| US8583597B2 (en) * | 2011-11-16 | 2013-11-12 | General Electric Company | System and method for on-site monitoring data archival |
-
2013
- 2013-10-31 CN CN201310530879.6A patent/CN104596929B/zh active Active
-
2014
- 2014-10-29 US US14/527,132 patent/US9317732B2/en not_active Expired - Fee Related
-
2016
- 2016-02-08 US US15/018,005 patent/US9740967B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0632268A1 (en) * | 1993-07-01 | 1995-01-04 | Johnson Service Company | Apparatus and method for determining the indoor air quality within an enclosed space |
| CN102254330A (zh) * | 2010-07-29 | 2011-11-23 | 山东大学 | 基于图像处理的空气污染数据可视化方法 |
| CA2834217A1 (en) * | 2011-04-26 | 2012-11-01 | The Procter & Gamble Company | Sensing and adjusting features of an environment |
| CN103218622A (zh) * | 2013-04-22 | 2013-07-24 | 武汉大学 | 一种基于计算机视觉的雾霾监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104596929A (zh) | 2015-05-06 |
| US9317732B2 (en) | 2016-04-19 |
| US20150117767A1 (en) | 2015-04-30 |
| US9740967B2 (en) | 2017-08-22 |
| US20160155027A1 (en) | 2016-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104596929B (zh) | 确定空气质量的方法及设备 | |
| WO2021000702A1 (zh) | 图像检测方法、设备以及系统 | |
| CN108009531B (zh) | 一种多策略防欺诈的人脸识别方法 | |
| WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
| CN104540445B (zh) | 图像处理装置、图像处理方法和图像处理系统 | |
| CN109871845B (zh) | 证件图像提取方法及终端设备 | |
| CN107862663A (zh) | 图像处理方法、装置、可读存储介质和计算机设备 | |
| CN107491771A (zh) | 人脸检测方法和装置 | |
| CN106446873A (zh) | 人脸检测方法及装置 | |
| CN109544497A (zh) | 用于输电线路检测的图像融合方法及电子设备 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN110490238A (zh) | 一种图像处理方法、装置及存储介质 | |
| CN111062891A (zh) | 图像处理方法、装置、终端及计算机可读存储介质 | |
| CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
| CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
| CN106297755A (zh) | 一种用于乐谱图像识别的电子设备及识别方法 | |
| CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
| CN109948450A (zh) | 一种基于图像的用户行为检测方法、装置和存储介质 | |
| JP2013140428A (ja) | エッジ検出装置、エッジ検出プログラム、およびエッジ検出方法 | |
| WO2020087434A1 (zh) | 一种人脸图像清晰度评价方法及装置 | |
| CN111127358A (zh) | 图像处理方法、装置及存储介质 | |
| KR101215666B1 (ko) | 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품 | |
| CN104243970A (zh) | 基于立体视觉注意力机制和结构相似度的3d绘制图像的客观质量评价方法 | |
| CN116580445B (zh) | 一种大语言模型人脸特征分析方法、系统及电子设备 | |
| CN113920556A (zh) | 一种人脸防伪方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |