CN111091601B - 一种实时白天室外手机图像的pm2.5指数估计方法 - Google Patents

Abstract

本发明公开了一种基于室外手机图像的实时PM2.5估计方法，利用暗原始色先验算法和颜色衰减先验算法分别计算出对应的绝对透射率图和绝对深度图；之后，利用小波分解对图像提取置信图层，通过计算得到的置信图层进行计算获取相对透射率和相对深度图；利用以上获取的相对透射率和相对深度图进行消光系数的计算；使用以上获取的消光系数，建立室外消光系数与PM2.5实测值的关系模型。通过以上步骤，实现了通过单一的室外手机照片对其场景的PM2.5估计。

Description

一种实时白天室外手机图像的PM2.5指数估计方法

技术领域

本发明涉及空气质量监测领域，具体为一种实时白天室外手机图像的PM2.5指数估计方法。

背景技术

随着我国社会经济迅速发展和人口经济的高密度分布，城市空气质量日益下降。雾霾天气的频繁发生对民众的健康造成一系列潜在影响。虽然目前大规模爆发的雾霾天气情况得以有效的控制，然而长时间、中等空气污染情况对民众的影响更加严重。雾霾主要由PM2.5和PM10等悬浮颗粒物组成，其中以PM2.5对民众身体健康影响最为严重。因此，PM2.5的实时浓度检测已变成了一项十分重要的工作。

传统的PM2.5浓度的监测方法往往依赖于城市中政府相关部门设立的空气质量监测子站。虽然已有的空气质量检测站点提供准确且每小时更新的PM2.5数据，但其非实时性、站点固定等特征使得随时随地获取小空间尺度、细时间粒度的PM2.5浓度无法实现。其现有的传统PM2.5浓度检测方法也具有无法携带、操作复杂等特点使得该种监测方法并没有在民众中广泛使用。近年来，基于图像处理方法进行PM2.5浓度估计获得了人们的广泛关注，但是众多便于实现的PM2.5浓度估计方法均存在着一些图像变形，从而导致这些基于图像处理的PM2.5浓度估计方法作图像处理时改变原本图像特征、估计不准确等缺陷，因而需要一种更为精确简易的从手机图像获取PM2.5浓度污染指数的方法。

专利《一种基于雾天图像的PM2.5估计方法》申请号(201611270437.2)提出了一种利用深度学习的方法来检测PM2.5污染浓度，该方法利用卷积神经网络进行透射率和图像深度的提取，并且得到了良好的估计结果。然而，该专利涉及红外相机作为辅助硬件用来估计PM2.5浓度，对于民众日常使用存在着问题，不适合大范围推广；专利《一种基于暗原色先验的空气质量指数估计方法》申请号(201510181885.4)提出了一种利用暗原色先验算法的空气质量指数估计，该方法通过提取样本图像的特征参数，利用数据挖掘的方法构建PM2.5浓度和特征参数拟合模型，以此来估计PM2.5浓度。然而该方法存着不足，该方法计算得出的特征参数是统计意义上的参数特征，但是在实际物理模型中，并没有参数可以进行对应，因此该方法有可能存在因为样本数据采集不足、数据类型不全面等原因导致计算错误。

发明内容

为实现上述目的，本发明提供如下技术方案：一种实时白天室外手机图像的PM2.5指数估计方法，包括以下步骤：

步骤1，采集样本图像以及与样本图像匹配的实测PM2.5浓度；

步骤2，计算样本图像特征参数即消光系数；

步骤3，消光系数计算；

步骤4，相对深度—相对透射率关系确立；

步骤5，消光系数—PM2.5浓度回归关系线性拟合；

步骤6，重复执行步骤1至步骤5，直至函数拟合的r²大于0.7为止，同时在统计学上达到5％显著水平，获得最终的消光系数—PM2.5浓度关系模型建立；

步骤7，实时估计室外空气质量指数。

本发明提供了一种实时白天室外手机图像的PM2.5估计方法，具备以下有益效果：该方法首先对图像进行两种样本图像特征提取，得到估计的粗略深度图和粗略透射率；之后使用小波分解获取置信图层，进行矫正并得到相对深度图和透射率图。之后，通过物理模型进行消光系数计算，然后建立相对深度-相对透射率关系。最后，通过构建消光系数—PM2.5浓度回归关系线性拟合，计算得到回归关系数学模型的各项参数，得到各项参数。该方法可以实时的根据手机图像确定室外PM2.5浓度，更具有实时性和可施行性。

附图说明

图1为本发明提出的方法的结构流程图；

图2为本发明中计算估计深度图和估计透射率散点图；

图3为本发明中消光系统—PM2.5回归关系线性拟合图；

图4为本发明提出的方法的估计值和测量值的差值图；

具体实施方式

参照图1至图4，本发明提供一种技术方案：一种实时白天室外手机图像的PM2.5指数估计方法，包括以下步骤：

步骤1，采集样本图像以及与样本图像匹配的实测PM2.5浓度，方法如下：在不同的空气质量指数条件下，不限采样地点与采样时间，采集室外场景样本图像，样本图像采集直接来源于手机拍摄功能，同时记录每幅图像所对应的空气质量指数仪器测量值，样本图像采集直接来源于手机拍摄功能。

步骤2，计算样本图像特征参数即消光系数，包括以下步骤：

步骤2.1，获得样本图像的暗通道图像，该步骤由下式获得：

式中，I^c(i,j)表示样本图像中坐标为(i,j)的像素点对应的亮度值，

表示在R,G,B颜色通道中的最小像素值,/>

表示一种以Ω(x)为窗口大小的最小滤波操作，同时默认窗口半径即x为5，J^dark(i,j)表示计算得到的暗通道图像，基于此，针对每一幅输入的手机室外图像，计算得到一幅暗通道图像；

步骤2.2，获得样本图像的绝对透射率图像，该步骤由下式获得：

式中，

为绝对透射率图像，/>

为输入样本图像的暗通道图像，由步骤2.1获得，其中A_C为大气光成分,A_C可由下式获得：

通过对输入样本图像的暗通道图像取极限操作，极限趋于1，计算得到透射率图像；

步骤2.3，获得样本图像的绝对深度图，根据颜色衰减先验算法，该步骤由下式获得：

d(i,j)＝0.121779+0.959710*v(i,j)-0.780245*s(i，j)+0.041337

式中，v(i,j)为样本图像在HSV颜色空间中的明度，s(i,j)为样本图像在HSV颜色空间中的饱和度，通过该回归模型，计算得到粗略绝对深度图d(i,j)；

步骤2.4，获得置信图层；使用小波分解方法从深度图计算得到置信图层，利用小波分解，深度图分解成为一个低频层和三个高频层，其中低频层包含输入粗略绝对深度图的少量噪声信息，高频层包含输入粗略绝对深度图的边框轮廓；选择高频层相互叠加与低频层去噪获得结果，计算获得粗略绝对深度图的置信图层；

步骤2.5，粗略绝对深度图的置信图层直方图修正；将粗略绝对深度图的置信图层进行直方图修正，去除无效数据，同时不做其余图像处理；

步骤2.6，获得相对深度图；将步骤2.3获得的绝对深度图与步骤2.5获得的修正后的置信图层进行图像特征匹配；对绝对深度图，根据图像中特征的相对位置计算得到相对深度图；

步骤2.7，获取相对透射率图；将步骤2.2计算获得的估计绝对透射率图进行归一化处理，该归一化处理为设置绝对透射率图像中最远的区域为1，反向计算获取相对透射率图。

步骤3，消光系统计算，方法如下：根据计算得到的相对深度图和相对透射率图，使用大气散射模型，计算消光系数，消光系数由下式获得：

式中，d(x)为输入图像的相对深度图，A为输入图像的大气光成分，I代表输入样本图像，β为计算得到的消光系数。

步骤4，相对深度—相对透射率关系确立，方法如下：通过建立深度和透射率关系，初步得到深度图与透射率图像存在着非线性关系。

步骤5，消光系数—PM2.5浓度回归关系线性拟合，方法如下：根据已有论文，使用指数模型对消光系数与PM2.5浓度进行回归分析，得到拟合数学模型的各项参数，拟合模型如下所示：

PM2.5＝a×β+ε

式中，PM2.5表示空气质量指数的测量值，a和β表示模型中系数，ε表示拟合模型误差。

步骤6，重复执行步骤1至步骤5，直至函数拟合的r²大于0.7为止，同时在统计学上达到5％显著水平，获得最终的消光系数—PM2.5浓度关系模型建立。

步骤7，实时估计室外空气质量指数，方法如下：选择任意手机，拍摄室外照片，进行拍摄，计算特征参数，并将特征参数带入步骤5中的消光数—PM2.5回归关系函数，计算实时空气质量指数，由下式获得：

PM2.5＝a×β+ε

式中，

表示空气质量指数的估计值；β为由步骤1到步骤4得到的消光系数；若再次进行空气质量指数估计时，重复步骤6即可。

具体实施例：

1.采集样本图像：首先，在不同的PM2.5浓度条件下，于白天不限时间不限地点的随机采集室外手机样本图像，并记录每幅图像所对应的空气质量指数测量值。按照上述要求，采集至少500个图像样本，这些样本尽可能覆盖整个空气质量指数范围(约为0--300)

2.计算样本图像特征参数：将手机拍照收集到的所有样本图像归一化为图像尺寸为(850,850)的图像。首先估计样本图像的大气光成分，之后基于暗通道先验算法得到样本图像的估计透射率图。同时，根据颜色衰减先验算法计算样本图像的估计深度图和估计透射率图。之后，使用小波分解的方法获取置信图层，利用直方图修正的方法获取精确的置信图层。利用置信图层中确定的物体之间的相关距离，置信点空间分布，将估计深度图和估计透射率图重新计算获得相对深度图和相对透射率。最后，根据大气散射模型，计算获得消光系数。置信图层的获取可以很好的解决深度图和透射率图中噪音的问题，同时避免了修正方法造成了图像变形从而造成的计算错误。

3.获得特征参数—空气质量指数线性模型：将步骤2中获得图像特征参数即消光系数与其对应的空气质量指数构成数对，作出图像特征参数与空气质量指数的关系散点图。根据最小均方差准则，使用单变量线性函数进行线性拟合，得到线性数学模型。获得线性数学模型之后，依次计算图像的特征参数并且将特征参数带入到特征参数—空气质量指数线性模型中进行拟合，并且计算空气质量指数的估计值与真实机器测量值的误差，设定认为当绝对误差大于30设定为异常值，不断重复该步骤，直至所有样本的绝对误差均小于30，此时得到最终的特征参数—空气质量指数线性模型。

4.实时估算室外白天空气质量指数：选择任意手机，在白天任意时间拍摄室外照片，计算特征参数，并将特征参数带入步骤3中的特征参数—空气质量指数线性模型，计算实时空气质量指数。

以上所述，仅为发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种实时白天室外手机图像的PM2.5指数估计方法，其特征在于包括以下步骤：

步骤1，采集样本图像以及与样本图像匹配的实测PM2.5浓度；

步骤2，计算样本图像特征参数；

步骤3，消光系数计算；

步骤4，相对深度—相对透射率关系确立；

步骤5，消光系数—PM2.5浓度回归关系线性拟合；

步骤6，重复执行步骤1至步骤5，直至函数拟合的r²大于0.7为止，同时在统计学上达到5％的显著性水平，获得最终的消光系数—PM2.5浓度关系模型建立；

步骤7，实时估计室外空气质量指数；

所述步骤2，计算样本图像特征参数，包括以下步骤：

步骤2.1，获得样本图像的暗通道图像，该步骤由下式获得：

式中，I^c(i,j)表示样本图像中坐标为(i,j)的像素点对应的亮度值，

表示在R,G,B颜色通道中的最小像素值,/>

表示一种以Ω(x)为窗口大小的最小滤波操作，同时默认窗口半径即x为5，J^dark(i,j)表示计算得到的暗通道图像，基于此，针对每一幅输入的手机室外图像，计算得到一幅暗通道图像；

步骤2.2，获得样本图像的绝对透射率图像，该步骤由下式获得：

式中，

为绝对透射率图像，/>

为输入样本图像的暗通道图像，由步骤2.1获得，其中A_C为大气光成分,A_C可由下式获得：

通过对输入样本图像的暗通道图像取极限操作，极限趋于1，计算得到透射率图像；

步骤2.3，获得样本图像的绝对深度图，根据颜色衰减先验算法，该步骤由下式获得：

d(i,j)＝0.121779+0.959710*v(i,j)-0.780245*s(i，j)+0.041337

式中，v(i,j)为样本图像在HSV颜色空间中的明度，s(i,j)为样本图像在HSV颜色空间中的饱和度，通过该回归模型，计算得到粗略绝对深度图d(i,j)；

步骤2.4，获得置信图层；使用小波分解方法从深度图计算得到置信图层，利用小波分解，深度图分解成为一个低频层和三个高频层，其中低频层包含输入粗略绝对深度图的少量噪声信息，高频层包含输入粗略绝对深度图的边框轮廓；选择高频层相互叠加与低频层去噪获得结果，计算获得粗略绝对深度图的置信图层；

步骤2.5，粗略绝对深度图的置信图层直方图修正；将粗略绝对深度图的置信图层进行直方图修正，去除无效数据，同时不做其余图像处理；

步骤2.6，获得相对深度图；将步骤2.3获得的绝对深度图与步骤2.5获得的修正后的置信图层进行图像特征匹配；对绝对深度图，根据图像中特征的相对位置计算得到相对深度图；

步骤2.7，获取相对透射率图；将步骤2.2计算获得的绝对透射率图进行归一化处理，该归一化处理为设置绝对透射率图像中最远的区域为1，反向计算获取相对透射率图。

2.根据权利要求1所述的一种实时白天室外手机图像的PM2.5指数估计方法，其特征在于：所述步骤1，采集样本图像以及与样本图像匹配的实测PM2.5浓度，方法如下：在不同的空气质量指数条件下，不限采样地点与采样时间，采集室外场景样本图像，样本图像采集直接来源于手机拍摄功能，同时记录每幅图像所对应的空气质量指数仪器测量值。

3.根据权利要求1所述的一种实时白天室外手机图像的PM2.5指数估计方法，其特征在于：所述步骤4，相对深度—相对透射率关系确立，方法如下：通过建立深度和透射率关系，初步得到深度图与透射率图像存在着非线性关系。

4.根据权利要求1所述的一种实时白天室外手机图像的PM2.5指数估计方法，其特征在于：所述步骤5，消光系数—PM2.5浓度回归关系线性拟合，方法如下：使用指数模型对消光系数与PM2.5浓度进行回归分析，得到拟合数学模型的各项参数，拟合模型如下所示：

PM2.5＝a×β+ε

式中，PM2.5表示空气质量指数的测量值，a表示模型中系数，ε表示拟合模型误差，β为消光系数。

5.根据权利要求1所述的一种实时白天室外手机图像的PM2.5指数估计方法，其特征在于：所述步骤7，实时估计室外空气质量指数，方法如下：选择任意手机，拍摄室外照片，进行拍摄，计算特征参数，并将特征参数带入步骤5中的消光系数—PM2.5回归关系函数，计算实时空气质量指数，由下式获得：

PM2.5＝a×β+ε

式中，

表示空气质量指数的估计值；β为由步骤1到步骤4得到的消光系数；若再次进行空气质量指数估计时，重复步骤6即可。

Images