CN111738064A - 一种雾霾图像的雾浓度识别方法 - Google Patents

一种雾霾图像的雾浓度识别方法 Download PDF

Info

Publication number
CN111738064A
CN111738064A CN202010391477.2A CN202010391477A CN111738064A CN 111738064 A CN111738064 A CN 111738064A CN 202010391477 A CN202010391477 A CN 202010391477A CN 111738064 A CN111738064 A CN 111738064A
Authority
CN
China
Prior art keywords
image
haze
fog
classification
feature
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.)
Granted
Application number
CN202010391477.2A
Other languages
English (en)
Other versions
CN111738064B (zh
Inventor
张登银
董江伟
周诗琪
曹雪杰
赵莎莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010391477.2A priority Critical patent/CN111738064B/zh
Publication of CN111738064A publication Critical patent/CN111738064A/zh
Priority to PCT/CN2021/093047 priority patent/WO2021228088A1/zh
Priority to US17/525,947 priority patent/US11775875B2/en
Application granted granted Critical
Publication of CN111738064B publication Critical patent/CN111738064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了图像处理和模式识别技术领域的一种雾霾图像的雾浓度识别方法，旨在解决现有技术中由于不能自动识别雾霾图像的雾浓度，因而导致无法实现智能化去雾、影响去雾效果的技术问题。所述方法包括如下步骤：将目标雾霾图像输入预先训练好的有向无环图支持向量机，获取目标雾霾图像的雾浓度；所述雾浓度基于预构建的多特征模型进行表征，所述多特征模型中的特征向量包括颜色特征、暗通道特征、信息量特征、对比度特征中的至少任一项。

Description

一种雾霾图像的雾浓度识别方法
技术领域
本发明涉及一种雾霾图像的雾浓度识别方法，属于图像处理和模式识别技术领域。
背景技术
在手机拍照、目标识别、安全监控、智能交通等诸多技术领域，图像应用基于所输入图像具备较好的可视性这一前提。但在雾霾等恶劣天气下，由于环境中多种不同悬浮物对光的吸收和散射作用，导致图像色彩失真、对比度下降、纹理不清晰，物体特征难以辨认，不仅使视觉效果变差，还影响图像后期的处理，在很大程度上降低了图像的应用价值。针对上述情况，通过图像去雾技术对雾图进行去雾，恢复其原有的颜色和细节，使计算机视觉系统能在雾霾天气环境中正常工作有着重要的现实意义。
目前，诸如安全监控、目标识别等很多计算机视觉系统都要求算法自动地对不同雾天情况的图像进行处理而不需要人工调整。然而现有的图像去雾算法无法适用于所有的雾天情况，对于不同雾气浓度的图像，往往需要人工调整算法参数或手动选择适合该情况的最佳算法，才能达到较好的去雾效果，无法满足户外图像去雾系统的智能化需求。
影响图像去雾系统智能化的因素，主要体现为以下两方面：其一，所输入图像应有一定程度的雾，对几乎无雾的图像进行去雾操作，往往会由于图像对比度的过度改善而导致其视觉质量下降。其二，图像的雾浓度是影响去雾效果的一个关键因素，不同雾浓度图像需要最佳算法参数或适合该情况的最佳算法，才能达到较好的去雾效果。因此，识别图像中是否有雾以及雾浓度，对图像去雾实现智能化有着重要的启发作用。目前，对雾进行识别分类的技术以检测是否有雾为主，而对图像中雾气浓度进行识别与分类的技术较少且效果不佳。
发明内容
针对现有技术的不足，本发明的目的在于提供一种雾霾图像的雾浓度识别方法，以解决现有技术中由于不能自动识别雾霾图像的雾浓度，因而导致无法实现智能化去雾、影响去雾效果的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种雾霾图像的雾浓度识别方法，包括如下步骤：
将目标雾霾图像输入预先训练好的有向无环图支持向量机，获取目标雾霾图像的雾浓度；
所述雾浓度基于预构建的多特征模型进行表征，所述多特征模型中的特征向量包括颜色特征、暗通道特征、信息量特征、对比度特征中的至少任一项。
进一步地，所述颜色特征，其表达式如下：
A(x)＝Iv(x)-α·Is(x)，其中，
Figure BDA0002485952330000021
Figure BDA0002485952330000022
式中，A(x)为图像I(x)的颜色特征矩阵，Iv(x)为图像I(x)的亮度，Is(x)为图像I(x)的饱和度，α为权重系数，IC(x)为图像I(x)的某一个R,G,B颜色通道。
进一步地，所述暗通道特征，其表达式如下：
Figure BDA0002485952330000023
式中，Jdark(x)为图像J(x)的暗通道特征矩阵，Nr(x)代表以像素点x为中心、以r为半径的邻域，J(y)为像素点x的邻域Nr(x)中的某个像素点y的像素值，JC(y)为J(y)的某一个R,G,B颜色通道像素值。
进一步地，所述信息量特征包括全局熵或/和局部熵；
所述全局熵，其表达式如下：
Figure BDA0002485952330000024
式中，Hg为图像的全局熵，pi表示整幅图像中灰度值为i的像素所占的比例；
所述局部熵，其表达式如下：
Figure BDA0002485952330000031
式中，H(x)为图像的局部熵矩阵，pi(x)表示在以像素点x为中心、窗口边长为2r+1的正方形局部区域中灰度值为i的像素占局部区域像素总数的比例。
进一步地，所述对比度特征包括全局对比度或/和局部对比度；
所述全局对比度，其表达式如下：
Figure BDA0002485952330000032
式中，GC为图像的全局对比度，h为二维图像矩阵的行数，w为二维图像矩阵的列数，
Figure BDA0002485952330000033
是输入图像f(x,y)的均值，ε为止零参数；
所述局部对比度，其表达式如下：
Figure BDA0002485952330000034
式中，LC(x)为图像的局部对比度矩阵，Ωr(x)是以像素点x为中心、半径为r的局部区域，|Ωr(x)|是局部区域内的像素个数，I(y)为像素点x的局部区域Ωr(x)中的某个像素点y的像素值，I(x)为像素点x的像素值。
进一步地，所获取的目标雾霾图像的雾浓度，包括无雾、轻雾、中雾、浓雾中的任一项。
进一步地，所述有向无环图支持向量机的训练方法，包括：
获取不同雾浓度的雾霾图像构建训练集，所述雾霾图像的雾浓度基于预构建的多特征模型进行表征；
将训练集输入有向无环图支持向量机，采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习。
进一步地，采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习的方法，包括：
首先定义训练集中任意两类样本间的可分度，设训练集中任意两类样本集为{x1,x2,…,xn}和{y1,y2,…,ym}，定义两类样本集在映射后的特征空间Q中的类间距离
Figure BDA0002485952330000035
类内散度
Figure BDA0002485952330000036
综合类间距离和类内散度定义类别i和类别j之间的可分度
Figure BDA0002485952330000041
式中，β为权重系数；
将训练集输入有向无环图支持向量机，将训练集中的各类样本两两组合训练二分类SVM，对于一个k类问题，将有k(k-1)/2个二分类SVM，所述类对应不同的雾浓度；
根据类别i和类别j之间的可分度计算每两类之间的可分度，获取可分度集合S＝{sij},i≠j,i,j∈D，且sij＝sji，D为训练集中的类别集合，对应不同的雾浓度的集合；
从可分度集合中提取最大可分度max{sij}，将其所对应的二分类SVM作为DAG图的根结点；
设当前结点的二分类SVM为cij，根据该分类器的分类结果决定下一层使用哪个二分类SVM。
进一步地，设当前结点的二分类SVM为cij，根据该分类器的分类结果决定下一层使用哪个二分类SVM，包括：
如果分类结果为不属于类别i，令S＝S-{suv|u＝i or v＝i}，将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器；
如果分类结果为不属于类别j，令S＝S-{suv|u＝j or v＝j}，将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器。
进一步地，在将训练集输入有向无环图支持向量机之前，还包括：对从训练集图像中提取的特征向量进行归一化处理和权重设置。
与现有技术相比，本发明所达到的有益效果：基于预构建的多特征模型对雾霾图像的雾浓度进行表征，该多特征模型创造性地提出了颜色特征、暗通道特征、信息量特征、对比度特征等特征向量，高效利用了雾霾图像中关于雾浓度的数据信息；利用表征有不同雾浓度的雾霾图像对有向无环图支持向量机进行训练时，采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习，该算法以可分度为依据，对DAG图进行优化，最大限度地降低了高层分类错误率，从而提高了最终分类结果的准确率，具备较好的推广能力和适应能力。具体来说，本发明方法具有以下优点：
(1)实现了对图像中雾浓度的自动识别与分类，对于不同雾浓度图像，不再需要人工调整算法参数或手动选择适合该情况的最佳算法或最佳算法参数，该工作可由计算机完成，推动图像去雾系统智能化。
(2)提出的多特征模型可高效地表征雾浓度，采用颜色、暗通道、信息量、对比度这4种高区分性的特征对图像雾气浓度进行多方面综合地表征，采用直方图分布来表示特征，高效地利用了图像中关于雾浓度的数据信息。
(3)使用有向无环图的支持向量机，可以解决传统支持向量机只支持二分类的问题，从而很好的适应图像雾浓度类别多的情况。
(4)提出的S-DAGSVM分类算法，以可分度为依据，对DAG图进行优化，最大限度地降低高层分类错误率，从而提高了最终分类结果的准确率，提高了模型的推广能力。
(5)S-DAGSVM分类算法继承了传统DAGSVM算法的预测速度快等优点，有助于实现实时性强的计算机视觉系统。
(6)图像实际应用中有关手机用户拍摄、目标识别、安全监控、智能交通等领域的很多方法都是基于输入的图像具备较好的可视性这一前提，通过本发明先对雾图进行分类，再选择适合该情况的最佳去雾算法或最佳算法参数，能够得到更加清晰自然地复原雾图，这对计算机视觉系统能在雾霾天气环境中正常工作有着重要的现实意义。
附图说明
图1是本发明方法实施例中有向无环图支持向量机的分类示意图；
图2是本发明方法实施例基于可分度的S-DAGSVM算法流程图；
图3是本发明方法实施例的总体流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的实施步骤：
1、获取训练数据集
构建综合有自然图像和人工合成图像的雾天图像数据集。在参考气象行业标准的基础上，根据能见度将图像分为无雾、轻雾、中雾、浓雾4类图像，不同雾级和其对应的能见度如表1所示。
表1：不同雾级及其能见度
Figure BDA0002485952330000061
为增强模型的鲁棒性，雾天图像数据集的构建分为两部分：一方面，考虑到雾的真实性，从网上收集了来自真实世界的不同雾浓度的自然图像，然后根据雾气浓度和能见度将自然图像分为无雾、轻雾、中雾、浓雾4类。另一方面，考虑到训练样本量的需求，为得到较多的有效样本，使用RESIDE数据集中的户外无雾图像及其景深图根据大气散射模型合成不同雾浓度的人工合成图像。
综合上述自然图像和人工合成图像，建立不同雾气浓度图像数据集。本实施例中，所建立的数据集共5424张图片，其中无雾图像、轻雾图像、中雾图像、浓雾图像各1356张。把数据集按照7∶3的比例划分为训练集和测试集，即：从雾天图像数据集中随机抽取无雾图像、轻雾图像、中雾图像、浓雾图像各949张作为训练集，其余1628张图像作为测试集。
2、构建多特征模型
本发明从多特征的角度构建具有高鉴别性的特征模型来对雾气浓度进行表征。通过对比多组不同雾浓度图像和分析雾的形成机理及其对图像的影响，观察到图像在颜色、暗通道、信息量、对比度这4个方面的特征表现出明显而又稳定的差异，本发明提出组合这4种特征的多特征模型对图像雾浓度进行多方面综合地表征。为进一步提高分类准确率，本实施例中，采用直方图分布来表示这4种特征，高效地利用了图像中关于雾浓度的数据信息。同时对信息量特征和对比度特征统计了它们的全局特性用以辅助雾浓度的表征。具体定义如下：
(1)颜色特征
HSV(Hue,Saturation,Value)颜色空间模型能够较好地与人的视觉感知相匹配，适于描述和解释图像。在HSV颜色空间模型中，颜色的参数分别是：色调(H)、饱和度(S)、亮度(V)。在雾的影响下，图像中混入了更多的白色成分，像素的饱和度降低，亮度值增大。亮度与饱和度之间的差值可用来描述雾的浓度，可将其定义为颜色特征，具体如下：
A(x)＝Iv(x)-α·Is(x)，
Figure BDA0002485952330000071
Figure BDA0002485952330000072
式中，A(x)为图像I(x)的颜色特征矩阵，Iv(x)为图像I(x)的亮度，Is(x)为图像I(x)的饱和度，α为权重系数，IC(x)为图像I(x)的某一个R,G,B颜色通道。
(2)暗通道特征
基于对大量无雾图像的统计观察发现，在无雾图像的非天空区域里，若把图像分为多个局部区域，则每个局部区域里的某些像素点至少有一个颜色通道的亮度值趋于0，由此可得暗通道先验模型。对于任意一幅输入图像J(x)，暗通道特征可表示为：
Figure BDA0002485952330000073
式中，Jdark(x)为图像J(x)的暗通道特征矩阵，Nr(x)代表以像素点x为中心、以r为半径的邻域，J(y)为像素点x的邻域Nr(x)中的某个像素点y的像素值，JC(y)为J(y)的某一个R,G,B颜色通道像素值。
(3)信息量特征
图像熵表示包含在一个图像中的信息量。较之雾图，无雾图像包含更多信息，且图像的雾浓度越大，从图像中能获得的信息就越少。本实施例中，将全局熵和局部熵作为图像的信息量特征，用于表征图像的雾浓度。
图像的全局熵定义为：
Figure BDA0002485952330000074
式中，Hg为图像的全局熵，pi表示整幅图像中灰度值为i的像素所占的比例；
图像的局部熵定义为：
Figure BDA0002485952330000081
式中，H(x)为图像的局部熵矩阵，pi(x)表示在以像素点x为中心、窗口边长为2r+1的正方形局部区域中灰度值为i的像素占局部区域像素总数的比例。
(4)对比度特征
随着雾浓度的增大，图像的对比度会产生不同程度的下降，本实施例中，定义全局对比度和局部对比度作为图像的对比度特征。
图像的全局对比度定义为：
Figure BDA0002485952330000082
式中，GC为图像的全局对比度，h为二维图像矩阵的行数，w为二维图像矩阵的列数，
Figure BDA0002485952330000083
是输入图像f(x,y)的均值，ε为止零参数，是一个比零稍大的数，目的在于防止分母为0，本实施例中，令ε＝0.1。
图像的局部对比度定义为：
Figure BDA0002485952330000084
式中，LC(x)为图像的局部对比度矩阵，Ωr(x)是以像素点x为中心、半径为r的局部区域，|Ωr(x)|是局部区域内的像素个数，I(y)为像素点x的局部区域Ωr(x)中的某个像素点y的像素值，I(x)为像素点x的像素值。
(5)特征参数
颜色特征、暗通道特征、局部熵特征、局部对比度特征均采用了直方图的形式进行表示，不同的直方图级数会对分类效果产生较大的影响。测试了直方图级数分别为8、16、32、64、128、256时的分类性能，可以得知当直方图的级数为64时，分类的效果较好，此时既不会因为直方图级数过小而导致一些关键的数据分布信息被掩盖，也不会因为直方图级数过高时，一些不重要的细节中夹杂的混淆信息对分类产生干扰。
经过反复测试，当颜色特征中的α＝0.62，暗通道、局部熵、局部对比度的局部区域半径分别为3，3，2时，能有较好的雾浓度分类效果，此时的算法计算量较小且分类准确率高。对每幅图像计算4个直方图分布特征和2个全局特征，得到一个258维的特征向量，合并所有特征向量并归一化后，得到了特征向量集。
3、基于可分度的有向无环图支持向量机多分类算法
有向无环图支持向量机(Directed Acyclic Graph Support Vector Machines，DAGSVM)算法，对于k分类问题，在训练阶段需训练k(k-1)/2个二分类支持向量机(SupportVector Machines，SVM)，该算法将所有二分类SVM构建成一个有向无环图(DirectedAcyclic Graph，DAG)的结构，构成的DAG图将包括k(k-1)/2个分支结点和k个叶子结点，分支结点与训练阶段构造的二分类SVM相对应，叶子结点与样本类别相对应。对一个未知样本进行分类时，首先从根结点开始，根据分类的结果进行判别是向左还是向右继续分类，直到叶子结点为止，该叶子结点所表示类别即为未知样本的类别。针对4分类问题的某种DAGSVM随机组合方案如图1所示。
DAGSVM算法在预测阶段只需使用(k-1)个二类分类器即可得出结果，提高了分类速度和分类精度。然而，传统DAGSVM方法存在层次结构所固有的自上而下的“误差累积”现象，即如果在某个结点上发生分类错误，则会把分类错误延续到该结点的后续结点上，并且分类错误在越靠近根的地方发生，分类性能就越差。而传统DAGSVM方法，在构造DAG图的过程中分支结点的选择是随机的，在预测阶段的决策走向也是随机的，这将显著增大分类错误发生的可能性。针对该问题，本发明方法依据不同类别样本间的可分度对传统DAGSVM多分类算法进行优化，具体如下：
3.1定义不同类别样本间的可分度
对传统DAGSVM分析可知，越靠近根结点的分支结点的分类性能对整个多分类支持向量机分类模型的推广性和分类准确率的影响越大。鉴于此，本发明提出了依据不同类别样本间的可分度(Separability)来优化无回路有向图(Directed Acyclic Graph，DAG)的多分类SVM算法(S-DAGSVM)，其基本思想是在生成DAG图的过程中让可分度越高的两类样本越先分离。
SVM的决策边界是对样本求解的最大化分类间隔的超平面，因此，类间距离是SVM进行分类时两类间可分性的重要指标，类间距离越大，两类越容易正确分开。本发明定义两类样本集{x1,x2,…,xn}和{y1,y2,…,ym}在映射后的特征空间Q中的类间距离为：
Figure BDA0002485952330000101
式中，
Figure BDA0002485952330000102
和
Figure BDA0002485952330000103
分别是两类样本集在特征空间Q中的类中心，xi和xj为样本集{x1,x2,…,xn}中的第i个和第j个样本，yi和yj为样本集{y1,y2,…,ym}中的第i个和第j个样本，n为第一类样本集中的样本数量，m为第二类样本集中的样本数量，φ是某种非线性映射，K是满足Mercer条件的某个核函数。
此外，类内散度也是可分性的重要指标，一方面，类内散度越小的样本越容易正确分开，另一方面，在样本达到一定数量的情况下，样本的类内散度越小，模型的泛化能力就越强，分类正确率越高。对于某类样本集{x1,x2,…,xn}，在映射后的特征空间Q中，任意样本x到其类中心的距离的平方定义为：
Figure BDA0002485952330000104
进而，本发明定义该类样本集在映射后的特征空间Q中的类内散度为：
Figure BDA0002485952330000105
最后，依据类间距离和类内散度，定义类别i和类别j之间的可分度为：
Figure BDA0002485952330000106
式中，β为权重系数。
3.2基于可分度的S-DAGSVM多分类算法
依据3.1中定义不同类别样本间的可分度，基于可分度优化DAG图的S-DAGSVM算法如图2所示，是本发明方法实施例基于可分度的S-DAGSVM算法流程图，包括如下步骤：
Step1：将原始训练样本集中各类样本两两组合训练二分类SVM，对于一个k分类问题，将有k(k-1)/2个二分类SVM。
Step2：根据本发明定义的可分度计算每2类之间的可分度，得到可分度集合S＝{sij},i≠j,i,j∈D，且sij＝sji，D是样本的类别集合。
Step3：将最大可分度max{sij}对应的二分类SVM作为DAG图的根结点。
Step4：设当前结点的二分类SVM为cij，根据该分类器的分类结果决定下一层使用哪个二分类SVM：若分类结果为不属于类别i，则S＝S-{suv|u＝i or v＝i}，将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器；若分类结果为不属于类别j，则S＝S-{suv|u＝j or v＝}j，将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器。
Step5：以Step4的方式完成DAG图每一层的分支结点的选择，直到完成所有分支结点的选择，生成基于可分度优化的DAG图，得到最终的S-DAGSVM分类模型。
Step6：算法结束。
4、图像雾浓度分类识别
基于上述的多特征模型和S-DAGSVM多分类算法，图像雾气浓度分类方法的实现如图3所示，是本发明方法实施例的总体流程示意图。整个过程可以分为训练阶段和分类阶段两大部分。在训练阶段，提取训练集图像的特征向量形成特征向量集，对特征向量集进行归一化处理和权重设置，在本实施例中，对颜色、暗通道、信息量、对比度这4种特征的权值分配为[1.6 2.1 2.4 1]，然后使用预处理后的特征向量集及其类别标签对S-DAGSVM多分类模型进行训练，得到图像雾气浓度分类模型。在分类阶段，则对要分类的图像提取其特征向量，以同样的方式进行归一化处理和权重设置，将预处理后的特征向量输入训练好的图像雾气浓度分类模型，最后得到图像雾气浓度的分类结果。如此，便可对任意的输入图像中的雾浓度进行分类识别。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种雾霾图像的雾浓度识别方法，其特征是，包括如下步骤：
将目标雾霾图像输入预先训练好的有向无环图支持向量机，获取目标雾霾图像的雾浓度；
所述雾浓度基于预构建的多特征模型进行表征，所述多特征模型中的特征向量包括颜色特征、暗通道特征、信息量特征、对比度特征中的至少任一项。
2.根据权利要求1所述的雾霾图像的雾浓度识别方法，其特征是，所述颜色特征，其表达式如下：
A(x)＝Iv(x)-α·Is(x)，其中，
Figure FDA0002485952320000011
Figure FDA0002485952320000012
式中，A(x)为图像I(x)的颜色特征矩阵，Iv(x)为图像I(x)的亮度，Is(x)为图像I(x)的饱和度，α为权重系数，IC(x)为图像I(x)的某一个R,G,B颜色通道。
3.根据权利要求1所述的雾霾图像的雾浓度识别方法，其特征是，所述暗通道特征，其表达式如下：
Figure FDA0002485952320000013
式中，Jdark(x)为图像J(x)的暗通道特征矩阵，Nr(x)代表以像素点x为中心、以r为半径的邻域，J(y)为像素点x的邻域Nr(x)中的某个像素点y的像素值，JC(y)为J(y)的某一个R,G,B颜色通道像素值。
4.根据权利要求1所述的雾霾图像的雾浓度识别方法，其特征是，所述信息量特征包括全局熵或/和局部熵；
所述全局熵，其表达式如下：
Figure FDA0002485952320000014
式中，Hg为图像的全局熵，pi表示整幅图像中灰度值为i的像素所占的比例；
所述局部熵，其表达式如下：
Figure FDA0002485952320000021
式中，H(x)为图像的局部熵矩阵，pi(x)表示在以像素点x为中心、窗口边长为2r+1的正方形局部区域中灰度值为i的像素占局部区域像素总数的比例。
5.根据权利要求1所述的雾霾图像的雾浓度识别方法，其特征是，所述对比度特征包括全局对比度或/和局部对比度；
所述全局对比度，其表达式如下：
Figure FDA0002485952320000022
式中，GC为图像的全局对比度，h为二维图像矩阵的行数，w为二维图像矩阵的列数，
Figure FDA0002485952320000023
是输入图像f(x,y)的均值，ε为止零参数；
所述局部对比度，其表达式如下：
Figure FDA0002485952320000024
式中，LC(x)为图像的局部对比度矩阵，Ωr(x)是以像素点x为中心、半径为r的局部区域，|Ωr(x)|是局部区域内的像素个数，I(y)为像素点x的局部区域Ωr(x)中的某个像素点y的像素值，I(x)为像素点x的像素值。
6.根据权利要求1所述的雾霾图像的雾浓度识别方法，其特征是，所获取的目标雾霾图像的雾浓度，包括无雾、轻雾、中雾、浓雾中的任一项。
7.根据权利要求1所述的雾霾图像的雾浓度识别方法，其特征是，所述有向无环图支持向量机的训练方法，包括：
获取不同雾浓度的雾霾图像构建训练集，所述雾霾图像的雾浓度基于预构建的多特征模型进行表征；
将训练集输入有向无环图支持向量机，采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习。
8.根据权利要求7所述的雾霾图像的雾浓度识别方法，其特征是，采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习的方法，包括：
首先定义训练集中任意两类样本间的可分度，设训练集中任意两类样本集为{x1,x2,…,xn}和{y1,y2,…,ym}，定义两类样本集在映射后的特征空间Q中的类间距离
Figure FDA0002485952320000031
类内散度
Figure FDA0002485952320000032
和
Figure FDA0002485952320000033
分别是两类样本集在特征空间Q中的类中心，综合类间距离和类内散度定义类别i和类别j之间的可分度
Figure FDA0002485952320000034
式中，β为权重系数；
将训练集输入有向无环图支持向量机，将训练集中的各类样本两两组合训练二分类SVM，对于一个k类问题，将有k(k-1)/2个二分类SVM，所述类对应不同的雾浓度；
根据类别i和类别j之间的可分度计算每两类之间的可分度，获取可分度集合S＝{sij},i≠j,i,j∈D，且sij＝sji，D为训练集中的类别集合，对应不同的雾浓度的集合；
从可分度集合中提取最大可分度max{sij}，将其所对应的二分类SVM作为DAG图的根结点；
设当前结点的二分类SVM为cij，根据该分类器的分类结果决定下一层使用哪个二分类SVM。
9.根据权利要求8所述的雾霾图像的雾浓度识别方法，其特征是，设当前结点的二分类SVM为cij，根据该分类器的分类结果决定下一层使用哪个二分类SVM，包括：
如果分类结果为不属于类别i，令S＝S-{suv|u＝i or v＝i}，将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器；
如果分类结果为不属于类别j，令S＝S-{suv|u＝j or v＝j}，将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器。
10.根据权利要求7所述的雾霾图像的雾浓度识别方法，其特征是，在将训练集输入有向无环图支持向量机之前，还包括：对从训练集图像中提取的特征向量进行归一化处理和权重设置。
CN202010391477.2A 2020-05-11 2020-05-11 一种雾霾图像的雾浓度识别方法 Active CN111738064B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010391477.2A CN111738064B (zh) 2020-05-11 2020-05-11 一种雾霾图像的雾浓度识别方法
PCT/CN2021/093047 WO2021228088A1 (zh) 2020-05-11 2021-05-11 一种雾霾图像的雾浓度识别方法
US17/525,947 US11775875B2 (en) 2020-05-11 2021-11-14 Method for recognizing fog concentration of hazy image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010391477.2A CN111738064B (zh) 2020-05-11 2020-05-11 一种雾霾图像的雾浓度识别方法

Publications (2)

Publication Number Publication Date
CN111738064A true CN111738064A (zh) 2020-10-02
CN111738064B CN111738064B (zh) 2022-08-05

Family

ID=72647038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010391477.2A Active CN111738064B (zh) 2020-05-11 2020-05-11 一种雾霾图像的雾浓度识别方法

Country Status (3)

Country Link
US (1) US11775875B2 (zh)
CN (1) CN111738064B (zh)
WO (1) WO2021228088A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686105A (zh) * 2020-12-18 2021-04-20 云南省交通规划设计研究院有限公司 一种基于视频图像多特征融合的雾浓度等级识别方法
CN113076997A (zh) * 2021-03-31 2021-07-06 南昌欧菲光电技术有限公司 镜头带雾识别方法、摄像模组及终端设备
CN113139922A (zh) * 2021-05-31 2021-07-20 中国科学院长春光学精密机械与物理研究所 图像去雾方法及去雾装置
CN113643323A (zh) * 2021-08-20 2021-11-12 中国矿业大学 城市地下综合管廊尘雾环境下目标检测系统
WO2021228088A1 (zh) * 2020-05-11 2021-11-18 南京邮电大学 一种雾霾图像的雾浓度识别方法
CN116523767A (zh) * 2023-03-15 2023-08-01 山东财经大学 一种结合雾浓度分类的图像去雾方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7111088B2 (ja) * 2019-01-24 2022-08-02 カシオ計算機株式会社 画像検索装置、学習方法及びプログラム
CN115471429B (zh) * 2022-10-31 2023-04-07 航天宏图信息技术股份有限公司 一种基于全局颜色迁移的遥感影像去雾方法和装置
CN117271959B (zh) * 2023-11-21 2024-02-20 中南大学 一种pm2.5浓度预测结果的不确定性评估方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103591A (zh) * 2017-03-27 2017-08-29 湖南大学 一种基于图像雾霾浓度估计的单幅图像去雾方法
CN110705619A (zh) * 2019-09-25 2020-01-17 南方电网科学研究院有限责任公司 雾浓度等级判别方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9305339B2 (en) * 2014-07-01 2016-04-05 Adobe Systems Incorporated Multi-feature image haze removal
CN104951805A (zh) * 2015-06-29 2015-09-30 电子科技大学 基于类间可分性的完全二叉树svm多分类方法
US20170176956A1 (en) * 2015-12-17 2017-06-22 Microsoft Technology Licensing, Llc Control system using input-aware stacker
CN106446957B (zh) * 2016-10-08 2019-02-22 常熟理工学院 一种基于随机森林的雾霾图像分类方法
CN107093173A (zh) * 2017-03-27 2017-08-25 湖南大学 一种图像雾霾浓度的估计方法
CN109961070A (zh) * 2019-03-22 2019-07-02 国网河北省电力有限公司电力科学研究院 一种输电线路智能化图像监测中区分雾体浓度的方法
CN110321855A (zh) * 2019-07-07 2019-10-11 徐梓恒 一种雾天检测预警装置
CN111738064B (zh) * 2020-05-11 2022-08-05 南京邮电大学 一种雾霾图像的雾浓度识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103591A (zh) * 2017-03-27 2017-08-29 湖南大学 一种基于图像雾霾浓度估计的单幅图像去雾方法
CN110705619A (zh) * 2019-09-25 2020-01-17 南方电网科学研究院有限责任公司 雾浓度等级判别方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021228088A1 (zh) * 2020-05-11 2021-11-18 南京邮电大学 一种雾霾图像的雾浓度识别方法
CN112686105A (zh) * 2020-12-18 2021-04-20 云南省交通规划设计研究院有限公司 一种基于视频图像多特征融合的雾浓度等级识别方法
CN113076997A (zh) * 2021-03-31 2021-07-06 南昌欧菲光电技术有限公司 镜头带雾识别方法、摄像模组及终端设备
CN113076997B (zh) * 2021-03-31 2023-01-03 南昌欧菲光电技术有限公司 镜头带雾识别方法、摄像模组及终端设备
CN113139922A (zh) * 2021-05-31 2021-07-20 中国科学院长春光学精密机械与物理研究所 图像去雾方法及去雾装置
CN113139922B (zh) * 2021-05-31 2022-08-02 中国科学院长春光学精密机械与物理研究所 图像去雾方法及去雾装置
CN113643323A (zh) * 2021-08-20 2021-11-12 中国矿业大学 城市地下综合管廊尘雾环境下目标检测系统
CN113643323B (zh) * 2021-08-20 2023-10-03 中国矿业大学 城市地下综合管廊尘雾环境下目标检测系统
CN116523767A (zh) * 2023-03-15 2023-08-01 山东财经大学 一种结合雾浓度分类的图像去雾方法及系统
CN116523767B (zh) * 2023-03-15 2023-10-17 山东财经大学 一种结合雾浓度分类的图像去雾方法及系统

Also Published As

Publication number Publication date
US20220076168A1 (en) 2022-03-10
WO2021228088A1 (zh) 2021-11-18
CN111738064B (zh) 2022-08-05
US11775875B2 (en) 2023-10-03

Similar Documents

Publication Publication Date Title
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN110334706B (zh) 一种图像目标识别方法及装置
US10088600B2 (en) Weather recognition method and device based on image information detection
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
US7400761B2 (en) Contrast-based image attention analysis framework
CN107392968B (zh) 融合颜色对比图和颜色空间分布图的图像显著性检测方法
CN110991389B (zh) 判断目标行人在非重叠相机视角中出现的匹配方法
US8135216B2 (en) Systems and methods for unsupervised local boundary or region refinement of figure masks using over and under segmentation of regions
CN104408429A (zh) 一种视频代表帧提取方法及装置
CN109063619A (zh) 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN110598560A (zh) 基于神经网络增强的夜间监控识别方法和系统
CN109948566A (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CN109523514A (zh) 对逆合成孔径雷达isar的批量成像质量评估方法
CN111046838A (zh) 一种湿地遥感信息的识别方法及装置
CN111274964A (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN110188693B (zh) 改进的复杂环境车辆特征提取和停车判别方法
CN116245855B (zh) 作物品种鉴定方法、装置、设备及存储介质
CN111626186A (zh) 一种司机分心检测方法
CN203970354U (zh) 一种基于移动终端的中医舌象分析系统
CN113034454B (zh) 一种基于人类视觉感官的水下图像质量评价方法
CN112364844B (zh) 一种基于计算机视觉技术的数据采集方法及系统
CN110858304A (zh) 一种身份证图像识别的方法及其设备
Jensch et al. A comparative evaluation of three skin color detection approaches
CN113139936B (zh) 一种图像分割处理方法及装置
CN114638596B (zh) 一种自然资源业务流程审查方法、系统、设备和介质

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