CN108052980B - 基于图像的空气质量等级检测方法 - Google Patents
基于图像的空气质量等级检测方法 Download PDFInfo
- Publication number
- CN108052980B CN108052980B CN201711389016.6A CN201711389016A CN108052980B CN 108052980 B CN108052980 B CN 108052980B CN 201711389016 A CN201711389016 A CN 201711389016A CN 108052980 B CN108052980 B CN 108052980B
- Authority
- CN
- China
- Prior art keywords
- information entropy
- image
- local information
- local
- channel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 30
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000013441 quality evaluation Methods 0.000 description 9
- 239000003344 environmental pollutant Substances 0.000 description 7
- 231100000719 pollutant Toxicity 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
- G01N2021/8578—Gaseous flow
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像的空气质量等级检测方法，属于图像处理技术领域。该方法首先对收集的数据集做彩色空间转换，得到图像的灰度信息和彩色信息。然后提取图像多个尺度的灰度通道和彩色通道局部信息熵，并利用局部信息熵的均值和斜率作为特征。接着利用SVM分类器对图像按照空气质量等级分类，进而得到空气质量等级检测模型。最后完成空气质量等级检测。本发明中所给出方法的空气质量等级估计效果优于现有技术，对日常生活中空气质量监测具有重要意义。
Description
技术领域
本发明涉及一种通过图像检测图像空气质量等级的方法，特别是一种基于图像的空气质量等级检测方法。
背景技术
空气质量等级是衡量空气质量的一个重要指标，主要分为6个等级：优、良、轻度污染、中度污染、重度污染、严重污染，等级越高对人体健康危害越大。目前，空气质量等级是根据6种主要污染物浓度确定的，首先通过精密的仪器测量污染物浓度，然后对6种主要污染物分别计算得出空气质量分等级，最后从各种污染物的空气质量分等级中选择最大确定为空气质量等级，当空气质量等级大于于优时将空气质量分等级最大的污染物确定为首要污染物。主要污染物浓度的检测都需要依赖精密仪器，这些仪器成本较高且需要定期维护。经过观察发现，不同空气质量等级情况下拍摄到的图像，质量上存在明显差异。因此想设计出一种图像检测空气质量等级的方法。目前还没有通过图像检测空气质量等级的方法，该方法可以认为是无参考图像质量评价的一种延伸应用，所以尝试将无参考图像质量评价相关技术应用到该方法中。近些年经典的无参考图像质量评价方法主要分为以下两类：
(1)基于传统的机器学习方法。人工提取特征通过传统的机器学习训练得到无参考图像质量评价模型。这类方法一般使用的机器学习方法有SVM、随机森林等，能够区分图像质量差异的图像特征有很多，如：利用广义高斯分布拟合了图像的统计特性，并将得到的参数作为特征；提取图像的局部信息熵作为特征；提取了DCT系数Kurtosis值、各向异性熵最大值特征；利用图像梯度等信息作为特征；提取了图像的彩色度、锐利度和对比度特征；采用NSS特征的非高斯性、局部依赖性和指数衰减特性；提取局部NSS特征，由稀疏表示学习算法得到的质量感知滤波器进行特征编码；
(2)基于深度学习方法。这类方法分为两种类型，一种是将提取好的特征输入神经网络中，如：将边缘幅值、边缘长度、背景活跃度和背景亮度等视觉特征输入到单层前馈神经网络中；将相位一致性图像均值、熵和图像梯度等特征输入到广义回归神经网络中。另一种是直接将图像输入到神经网络框架中，由框架进行特征学习得到无参考图像质量评价模型。
目前，国内通过在各个城市设立若干监测站来检测整个城市的空气质量情况，各个监测站工作人员每天使用各种仪器检测空气中六种污染物的浓度并折算成相应的空气质量等级公布在官网上。仪器的购买和定期维护使得空气质量监测成本较高，且通过设立监测站的方式检测整个城市的空气质量是粗粒度的，不能很好的反映城市每个角落的空气质量。
发明内容
本发明的目的在于提供一种基于图像检测空气质量等级的新方法。
实现本发明的目的的技术解决方案为：一种基于图像检测空气质量等级的新方法，包括以下步骤：
步骤1、将收集的原始图像集从RGB空间转换到Lab空间；
步骤2、提取图像L通道的空间域局部信息熵；
步骤3、对转换成Lab空间的图像做分块DCT变换；
步骤4、对步骤3得到的分块DCT变换后图像进行频域局部信息熵提取；
步骤5、对步骤2和步骤4中得到的局部信息熵进行均值计算和斜率拟合处理，得到对应的均值和斜率；
步骤6、对收集的原始图像集进行2倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率；
步骤7、对收集的原始图像集进行4倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率；
步骤8、将步骤5、步骤6和步骤7中提取的均值和斜率特征及其对应的空气质量等级标签同时输入到SVM分类器建模得到空气质量检测模型；
步骤9、用步骤8得到的模型对空气质量等级进行检测。
本发明与现有技术相比，其显著优点为：1)本发明可以很方便快速的检测空气质量等级，人们只需利用手机等设备上传一幅图像即可得到周边的空气质量等级；2)本发明弥补了现有技术的缺点，本发明实现的空气质量等级检测方法具有细粒度、低成本的特性；3)本发明得到的空气质量等级检测模型估计精度较高，可以很好的帮助人们检测周边的空气质量；4)本发明能够很好的帮助人们合理规划行程避免空气污染对身体的伤害；5)本发明引入了经典的无参考图像质量评价技术并对其进行改进后应用到空气质量等级检测中，实现了通过图像来检测空气质量等级。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明基于图像的空气质量等级检测方法的流程图。
图2是网络爬虫爬取到的训练集和对应标签的示意图，其中，图(a)是空气质量为优时拍摄到的图像；图(b)是空气质量为良时拍摄到的图像；图(c)是空气质量为轻度污染时拍摄到的图像；图(d)是空气质量为中度污染时拍摄到的图像；图(e)是空气质量为重度污染时拍摄到的图像；图(f)是空气质量为严重污染时拍摄到的图像；
图3是一幅图像彩色空间转换示意图，其中，图(a)是RGB空间的图像；图(b)是Lab空间的图像L通道；图(c)是Lab空间的图像a通道；图(d)是Lab空间的图像b通道。
图4是六种不同空气质量等级图像L通道空间域局部信息熵集合归一化直方图。
图5是一幅图像L、a、b三个通道分块DCT变换后的示意图，其中图(a)(b)是图像L通道分块DCT变换前后图；图(c)(d)是图像a通道分块DCT变换前后图；图(e)(f)是图像b通道分块DCT变换前后图。
图6是直方图，(a)(b)(c)分别代表了六种不同空气质量等级图像L、a、b通道频域局部信息熵归一化直方图。
图7是六种不同空气质量等级图像在原尺度下局部信息熵均值和斜率分布，其中，图(a)是L通道空间域局部信息熵均值和斜率分布；图(b)是L通道频域局部信息熵均值和斜率分布；图(c)是a通道频域局部信息熵均值和斜率分布；图(d)是b通道频域局部信息熵均值和斜率分布。
下面结合附图对本发明做进一步详细的描述。
具体实施方式
结合图1，本发明的一种基于图像检测空气质量等级方法，包括以下步骤：
步骤1、将收集的原始图像集从RGB空间转换到Lab空间；具体为：
步骤1-1、将图像从RGB空间转换到XYZ空间，转换公式为：
其中，R、G、B分别代表图像的R通道、G通道、B通道，X、Y、Z分别表示图像的X通道、Y通道、Z通道；
步骤1-2、将图像从XYZ空间转换到Lab空间，转换公式为：
L＝116f(Y/100)-16
a＝500[f(X/95.047)-f(Y/100)]
b＝200[f(Y/100)-f(Z/108.883)]
其中，t表示X、Y、Z通道，f(t)是从XYZ空间到Lab空间的转换函数，L、a、b分别表示图像的L通道、a通道、b通道。
步骤2、提取图像L通道的空间域局部信息熵；具体为：
步骤2-1：对图像L通道做分块处理，局部块大小为8*8；
步骤2-2：计算L通道局部块的信息熵，信息熵的计算公式为：
E＝-∑xp(x)log2p(x)
其中，x指的是L通道局部块内像素的值，p(x)指的是L通道局部块内像素值为x的概率，E指的是局部块信息熵值；
步骤2-3：将L通道所有空间域局部信息熵按照信息熵大小进行排序，表示为：
其中，n是空间域L通道局部块个数，
指的L通道n个局部块的空间域信息熵且
Ssl代表排序后的空间域L通道局部信息熵集合。
步骤3、对转换成Lab空间的图像做分块DCT变换；具体为：
对图像L、a、b通道分别做局部块DCT变换，DCT变换的计算公式为：
其中，f(i,j)是空间域L、a、b通道局部块内坐标为(i,j)的像素值，局部块大小是N*N，取8*8，(u,v)是L、a、b通道局部块DCT变换后像素点的坐标，F(u,v)指的是L、a、b通道局部块DCT变换后得到的DCT系数。
步骤4、对步骤3得到的分块DCT变换后图像进行频域局部信息熵提取；具体为：
步骤4-1、对分块DCT变换后的图像L、a、b通道做分块处理，局部块大小为8*8；
步骤4-2、计算分块DCT变换后的图像L、a、b通道局部块的信息熵，信息熵的计算公式为：
E＝-∑xp(x)log2p(x)
其中，x指的是分块DCT变换后图像L、a、b通道局部块内像素的值，p(x)指的是单通道局部块内像素值为x的概率，E指的是局部块信息熵；
步骤4-3：对L、a、b通道所有频域局部信息熵按照信息熵大小排序后可以分别表示为：
其中，n是频域L、a、b通道局部块个数；
指的L通道n个局部块的频域信息熵且
Sfl代表排序后的频域L通道局部信息熵集合；
指的是a通道n个局部块的频域信息熵且
Sfa代表排序后的频域a通道局部信息熵集合；
指的是b通道n个局部块的频域信息熵且
Sfb代表排序后的频域b通道局部信息熵集合。
步骤5、对步骤2和步骤4中得到的局部信息熵进行均值计算和斜率拟合处理，得到对应的均值和斜率；具体为：
步骤5-1、分别取Ssl、Sfl、Sfa、Sfb四个局部信息熵集合中间60％的局部信息熵，取值方式为：
步骤5-2、分别对Ssl_60％、Sfl_60％、Sfa_60％、Sfb_60％四个局部信息熵集合进行均值计算和斜率拟合，局部信息熵集合的均值和斜率计算公式为：
其中，S代表Ssl_60％、Sfl_60％、Sfa_60％、Sfb_60％，m是局部信息熵集合S的大小，meanS是局部信息熵集合S的均值，skewS代表局部信息熵集合S的斜率；
步骤5-3、四个局部信息熵集合对应的均值和斜率表示为：
f1＝[meansl_60％，skewsl_60％，meanfl_60％，skewfl_60％，meanfa_60％，skewfa_60％，meanfb_60％，skewfb_60％]。
步骤6、对收集的原始图像集进行2倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率为：
步骤7、对收集的原始图像集进行4倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率为：
步骤8、将步骤5、步骤6和步骤7中提取的均值和斜率特征及其对应的空气质量等级标签同时输入到SVM分类器建模得到空气质量检测模型；所述SVM分类器是通过LibSVM工具包实现的。
步骤9、用步骤8得到的模型对空气质量等级进行检测。
本发明引入了经典的无参考图像质量评价技术并对其进行改进后应用到空气质量等级检测中，实现了通过图像来检测空气质量等级。
下面结合实施例对本发明做进一步详细的说明。
实施例
本系统发明以户外采集的自然图像作为输入，采用图像处理手段由输入图像检测图像拍摄当地当时的空气质量等级。为了检测本系统发明的性能，首先利用网络爬虫从博客上爬取100幅图像作为数据集，将100幅图像按照8:2的比例随机分成训练集和测试集。然后，用本发明在训练集上构建空气质量等级估计模型，最后利用本发明提取测试集的特征输入到估计模型中即可估计测试集图像拍摄当地当时的空气质量等级，统计估计空气质量等级和真实空气质量等级的相关性，计算本系统发明构建的空气质量等级估计模型精度。
本实施例的流程如图1所示，通过网络爬虫从博客上爬取到的自然彩色图像大小为640×416，图像共100幅，爬取图像和其对应的空气质量等级标签如图2所示，从图2可以看出随着空气污染加重，图像由清晰变模糊，颜色由蓝色变成灰色。
对100幅图像做彩色空间转换，从RGB空间转换到Lab空间并提取L通道三个尺度空间域局部信息熵和L、a、b三个通道的三个尺度频域局部信息熵。具体步骤为：
第一步：利用matlab函数对100幅图像从RGB空间转换到Lab空间，如图3所示是一幅图像彩色空间转换示意图，其中，图(a)是RGB空间的彩色图像，图像中的每个景物都有其特有的颜色，如天空是蓝色的，建筑物是白色的。
第二步：利用公式E＝-∑xp(x)log2p(x)提取L通道空间域局部信息熵，局部块大小为8*8，将L通道空间域局部信息熵集合按照局部信息熵值的大小排序后得到
如图4所示是六种不同空气质量等级对应的图像L通道空间域局部信息熵集合归一化直方图。
第三步：利用matlab函数对图像的L、a、b三个通道进行分块DCT变换，局部块大小为8*8，如图5所示是一幅图像L、a、b三个通道分块DCT变换前后的示意图。
第四步：对分块DCT变换后的L、a、b三个通道利用E＝-∑xp(x)log2p(x)提取频域局部信息熵，局部块大小为8*8，将L、a、b三个通道频域局部信息熵集合按照局部信息熵值的大小排序后得到：
如图6(a)-(c)所示是六种不同空气质量等级对应的图像L、a、b通道频域局部信息熵归一化直方图分布。
第五步：将100幅图像2倍下采样重复步骤1至步骤4得到四个局部信息熵集合。
第六步：将100幅图像4倍下采样重复步骤1至步骤4得到四个局部信息熵集合。
对100幅图像三个尺度下提取到的四个局部信息熵集合进行均值计算和斜率拟合，如图7所示是六种不同空气质量等级图像在原尺度下对应的局部信息熵均值和斜率分布。具体步骤为：
第一步：在每个尺度下取图像的局部信息熵集合中间60％的局部信息熵，记为：
第二步：对Ssl_60％、Sfl_60％、Sfa_60％、Sfb_60％四个局部信息熵集合分别进行均值计算和斜率拟合，公式分别为：
第三步：对每幅图像三个尺度的四个局部信息熵集合进行均值计算和斜率拟合后得到三个8维特征，记为：
f1＝[meansl_60％，skewsl_60％，meanfl_60％，skewfl_60％，meanfa_60％，skewfa_60％，meanfb_60％，skewfb_60％]
提取完100幅图像的特征，接着用SVM分类器建模得到空气质量等级检测模型。本实例图像集100幅，采用1000次交叉验证估计测试集图像拍摄当地当时的空气质量等级，即每次随机选择80％的图像作为训练集建模，剩余20％的图像作为测试集测试，共进行1000次。具体步骤为：
第一步：将80幅图像对应的三个8维特征和真实的空气质量等级标签输入到SVM分类器中(调用LibSVM工具包的接口)，得到空气质量等级估计模型。
第二步：将20幅图像对应的三个8维特征和第一步得到的空气质量等级估计模型输入到SVM分类器中(调用LibSVM工具包的接口)，得到20个对应的空气质量等级估计值。
表1是本发明方法和已有方法的无参考图像质量评价方法在本数据集上的实验对比，通过比较发现本发明更适合用于空气质量等级检测。
表1
| 算法 | LCC | SROCC | TIME(s) |
| SSEQ | 0.8453 | 0.8412 | 1345.290152 |
| IQALE-a | 0.8600 | 0.8344 | 1892.137452 |
| IQALE-b | 0.8620 | 0.8432 | 1912.642230 |
| IQALE-a，b | 0.8540 | 0.8319 | 2827.984681 |
| Our-a | 0.8641 | 0.8377 | 1743.231679 |
| Our-b | 0.8654 | 0.8458 | 1776.038448 |
| Our-a，b | 0.8807 | 0.8608 | 2397.254333 |
从表1可知：本发明得到的空气质量等级估计模型能够较准确地估计图像采集当时当地的空气质量等级，空气质量等级估计值和真实值之间的相关性LCC、SROCC都优于其他的无参考图像质量评价方法，且本方法在取得最高的估计精度的同时也减少了建模耗时。时间的缩短和估计精度的提高为日常生活空气质量等级监测提供了方便。
Claims (9)
1.一种基于图像的空气质量等级检测方法，其特征在于，包括以下步骤：
步骤1、将收集的原始图像集从RGB空间转换到Lab空间；
步骤2、提取图像L通道的空间域局部信息熵；
步骤3、对转换成Lab空间的图像做分块DCT变换；
步骤4、对步骤3得到的分块DCT变换后图像进行频域局部信息熵提取；
步骤5、分别对步骤2和步骤4中得到的局部信息熵进行均值计算和斜率拟合处理，得到对应的均值和斜率；
步骤6、对收集的原始图像集进行2倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率；
步骤7、对收集的原始图像集进行4倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率；
步骤8、将步骤5、步骤6和步骤7中提取的均值和斜率特征及其对应的空气质量等级标签同时输入到SVM分类器建模得到空气质量检测模型；
步骤9、用步骤8得到的模型对空气质量等级进行检测。
2.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤1中将收集的原始图像集从RGB空间转换到Lab空间，具体为：
步骤1-1、将图像从RGB空间转换到XYZ空间，转换公式为：
其中，R、G、B分别代表图像的R通道、G通道、B通道，X、Y、Z分别表示图像的X通道、Y通道、Z通道；
步骤1-2、将图像从XYZ空间转换到Lab空间，转换公式为：
L＝116f(Y/100)-16
a＝500[f(X/95.047)-f(Y/100)]
b＝200[f(Y/100)-f(Z/108.883)]
其中，t表示X、Y或Z通道，f(t)是从XYZ空间到Lab空间的转换函数，L、a、b分别表示图像的L通道、a通道、b通道。
3.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤2中提取图像L通道的空间域局部信息熵具体为：
步骤2-1：对图像L通道做分块处理，局部块大小为8*8；
步骤2-2：计算L通道局部块的信息熵，信息熵的计算公式为：
E＝-∑xp(x)log2p(x)
其中，x指的是L通道局部块内像素的值，p(x)指的是L通道局部块内像素值为x的概率，E指的是局部块信息熵值；
步骤2-3：将L通道所有空间域局部信息熵按照信息熵大小进行排序，表示为：
其中，n是空间域L通道局部块个数，
指的L通道n个局部块的空间域信息熵且
Ssl代表排序后的空间域L通道局部信息熵集合。
4.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤3对转换成Lab空间的图像做分块DCT变换具体为：
对图像L、a、b通道分别做局部块DCT变换，DCT变换的计算公式为：
其中，f(i,j)是空间域L、a、b通道局部块内坐标为(i,j)的像素值，局部块大小是N*N，取8*8，(u,v)是L、a、b通道局部块DCT变换后像素点的坐标，F(u，v)指的是L、a、b通道局部块DCT变换后得到的DCT系数。
5.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤4进行频域局部信息熵提取具体为：
步骤4-1、对分块DCT变换后的图像L、a、b通道做分块处理，局部块大小为8*8；
步骤4-2、计算分块DCT变换后的图像L、a、b通道局部块的信息熵，信息熵的计算公式为：
E＝-∑xp(x)log2p(x)
其中，x指的是分块DCT变换后图像L、a、b通道局部块内像素的值，p(x)指的是单通道局部块内像素值为x的概率，E指的是局部块信息熵；
步骤4-3：对L、a、b通道所有频域局部信息熵按照信息熵大小排序后可以分别表示为：
其中，n是频域L、a、b通道局部块个数；
指的L通道n个局部块的频域信息熵且
Sfl代表排序后的频域L通道局部信息熵集合；
指的是a通道n个局部块的频域信息熵且
Sfa代表排序后的频域a通道局部信息熵集合；
指的是b通道n个局部块的频域信息熵且
Sfb代表排序后的频域b通道局部信息熵集合。
6.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤5对局部信息熵进行均值计算和斜率拟合处理，得到对应的均值和斜率，具体为：
步骤5-1、分别取Ssl、Sfl、Sfa、Sfb四个局部信息熵集合中间60％的局部信息熵，取值方式为：
其中，n是空间域L通道局部块个数；
步骤5-2、分别对Ssl_60％、Sfl_60％、Sfa_60％、Sfb_60％四个局部信息熵集合进行均值计算和斜率拟合，局部信息熵集合的均值和斜率计算公式为：
其中，S代表Ssl_60％、Sfl_60％、Sfa_60％或Sfb_60％，m是局部信息熵集合S的大小，meanS是局部信息熵集合S的均值，skewS代表局部信息熵集合S的斜率；
步骤5-3、四个局部信息熵集合对应的均值和斜率表示为：
f1＝[meansl_60％，skewsl_60％，meanfl_60％，skewfl_60％，meanfa_60％，skewfa_60％，meanfb_60％，skewfb_60％]。
7.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤6得到相应的均值和斜率为：
其中，
表示原始图像2倍下采样后空间域L通道局部信息熵集合排序后中间60％的局部信息熵均值，
表示原始图像2倍下采样后空间域L通道局部信息熵集合排序后中间60％的局部信息熵斜率；
表示原始图像2倍下采样后频域L通道局部信息熵集合排序后中间60％的局部信息熵均值；
表示原始图像2倍下采样后频域L通道局部信息熵集合排序后中间60％的局部信息熵斜率；
表示原始图像2倍下采样后频域a通道局部信息熵集合排序后中间60％的局部信息熵均值；
表示原始图像2倍下采样后频域a通道局部信息熵集合排序后中间60％的局部信息熵斜率；
表示原始图像2倍下采样后频域b通道局部信息熵集合排序后中间60％的局部信息熵均值；
表示原始图像2倍下采样后频域b通道局部信息熵集合排序后中间60％的局部信息熵斜率。
8.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤7得到相应的均值和斜率为：
9.根据权利要求1所述的基于图像的空气质量等级检测方法，其特征在于，步骤8中SVM分类器是通过LibSVM工具包实现的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711389016.6A CN108052980B (zh) | 2017-12-21 | 2017-12-21 | 基于图像的空气质量等级检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711389016.6A CN108052980B (zh) | 2017-12-21 | 2017-12-21 | 基于图像的空气质量等级检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108052980A CN108052980A (zh) | 2018-05-18 |
| CN108052980B true CN108052980B (zh) | 2021-05-14 |
Family
ID=62130725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711389016.6A Active CN108052980B (zh) | 2017-12-21 | 2017-12-21 | 基于图像的空气质量等级检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108052980B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985353A (zh) * | 2018-06-27 | 2018-12-11 | 天津大学 | 基于图像端对端的空气污染程度分类方法 |
| WO2020014863A1 (zh) * | 2018-07-17 | 2020-01-23 | 深圳大学 | 基于图像质量评价的空气质量评价方法、系统、设备及存储介质 |
| CN109242821A (zh) * | 2018-07-17 | 2019-01-18 | 深圳大学 | 基于图像质量评价的空气质量评价方法、系统、设备及存储介质 |
| CN110849879A (zh) * | 2019-11-29 | 2020-02-28 | 华润电力技术研究院有限公司 | 含碳量的检测方法、检测系统及计算机存储介质 |
| US11499953B2 (en) | 2019-12-09 | 2022-11-15 | International Business Machines Corporation | Feature tuning—application dependent feature type selection for improved classification accuracy |
| US11619618B2 (en) | 2019-12-09 | 2023-04-04 | International Business Machines Corporation | Sensor tuning—sensor specific selection for IoT—electronic nose application using gradient boosting decision trees |
| CN111177229A (zh) * | 2019-12-11 | 2020-05-19 | 浙江工业大学 | 一种基于图像的室内环境3d动态监测方法 |
| CN111079848B (zh) * | 2019-12-23 | 2021-02-12 | 哈尔滨理工大学 | 一种基于图像的空气质量等级评估方法 |
| CN111126493B (zh) * | 2019-12-25 | 2023-08-01 | 东软睿驰汽车技术（沈阳）有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
| 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 |
| CN112297768B (zh) * | 2020-10-31 | 2022-03-25 | 的卢技术有限公司 | 一种基于视觉识别的车辆空调控制方法及系统 |
| TWI777458B (zh) | 2021-03-18 | 2022-09-11 | 國立中正大學 | 基於頻譜影像之空氣汙染檢測方法 |
| CN117078778B (zh) * | 2023-10-16 | 2024-01-26 | 四川邕合科技有限公司 | 基于大数据的智慧园区空气质量检测方法及检测终端 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048427A (zh) * | 2012-12-25 | 2013-04-17 | 安科智慧城市技术（中国）有限公司 | 室内空气质量评估方法、装置和系统 |
| 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 |
| CN103475898A (zh) * | 2013-09-16 | 2013-12-25 | 北京理工大学 | 一种基于信息熵特征的无参考图像质量评价方法 |
| WO2014174415A1 (en) * | 2013-04-26 | 2014-10-30 | Elica S.P.A. | Ventilation system for a room |
| CN104517126A (zh) * | 2014-12-26 | 2015-04-15 | 北京邮电大学 | 一种基于图像分析的空气质量评估方法 |
| CN105493109A (zh) * | 2013-06-05 | 2016-04-13 | 微软技术许可有限责任公司 | 使用多个数据源的空气质量推断 |
| CN106485281A (zh) * | 2016-10-19 | 2017-03-08 | 葛嘉豪 | 一种空气雾霾污染等级的检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9406336B2 (en) * | 2010-08-26 | 2016-08-02 | Blast Motion Inc. | Multi-sensor event detection system |
-
2017
- 2017-12-21 CN CN201711389016.6A patent/CN108052980B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048427A (zh) * | 2012-12-25 | 2013-04-17 | 安科智慧城市技术（中国）有限公司 | 室内空气质量评估方法、装置和系统 |
| 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 |
| WO2014174415A1 (en) * | 2013-04-26 | 2014-10-30 | Elica S.P.A. | Ventilation system for a room |
| CN105493109A (zh) * | 2013-06-05 | 2016-04-13 | 微软技术许可有限责任公司 | 使用多个数据源的空气质量推断 |
| CN103475898A (zh) * | 2013-09-16 | 2013-12-25 | 北京理工大学 | 一种基于信息熵特征的无参考图像质量评价方法 |
| CN104517126A (zh) * | 2014-12-26 | 2015-04-15 | 北京邮电大学 | 一种基于图像分析的空气质量评估方法 |
| CN106485281A (zh) * | 2016-10-19 | 2017-03-08 | 葛嘉豪 | 一种空气雾霾污染等级的检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| PM2.5 Concentration Estimation Based on Image Quality Assessment;Benqian Yang.et;《2017 4th IAPR Asian Conference on Pattern Recognition (ACPR)》;20171129;第676-681页 * |
| 融合空域与频域特征的能见度监督学习;许茜等;《计算机应用》;20140310;第34卷(第3期);第892-897页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108052980A (zh) | 2018-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
| CN103996192B (zh) | 基于高质量自然图像统计量模型的无参考图像质量评价方法 | |
| CN105208374B (zh) | 一种基于深度学习的无参考图像质量客观评价方法 | |
| CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
| CN102413328B (zh) | Jpeg图像双重压缩检测方法及系统 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
| CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
| CN103456013B (zh) | 一种表示超像素以及度量超像素之间相似性的方法 | |
| CN109657600B (zh) | 一种视频区域移除篡改检测方法和装置 | |
| CN113205051B (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
| CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
| CN108510496B (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
| CN104680541A (zh) | 基于相位一致性的遥感图像质量评价方法 | |
| CN106780446A (zh) | 一种无参考混合失真图像质量评价方法 | |
| CN104036493A (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
| CN106204551A (zh) | 一种图像显著性检测方法及装置 | |
| CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
| CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
| CN102735340B (zh) | 一种基于压缩传感的水果颜色分级方法 | |
| CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
| CN102750547B (zh) | 一种基于压缩传感的水果大小分级方法 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| CN102609891B (zh) | 一种基于纹理特征的数字图像被动盲取证方法 | |
| CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |