基于图像质量的PM2.5浓度预测方法技术

本发明专利技术公开了一种基于图像质量的PM2.5浓度预测方法，属于图像处理技术领域。该方法首先对收集的数据集(筛选掉雨天拍摄图像)做图像配准，并抠取满足暗通道原理的图像块作为最终训练集。然后恢复训练集的透射率图，利用滑动窗口方法对透射率图像提取特征，并对图像特征标准化，消除相对湿度对其影响。接着利用稳健性回归分析方法分析训练集提取特征和真实PM2.5浓度之间的关系，进而得到PM2.5浓度预测模型。最后完成PM2.5浓度预测。实验结果表明，本发明专利技术中所给出算法预测PM2.5浓度优于现有算法，且能够克服相对湿度气象条件对大气成像的影响，对日常生活中PM2.5浓度监控具有重要意义。

PM2.5 concentration prediction method based on image quality

The invention discloses a method for predicting PM2.5 concentration based on image quality, which belongs to the technical field of image processing. The method firstly registers the collected data sets (filtered rain shots), and extracts the image blocks satisfying the dark channel principle as the final training set. Then, the transmittance map of the training set is restored. The sliding window method is used to extract the features of the transmittance image, and the image features are standardized to eliminate the influence of relative humidity. Then, a robust regression analysis method was used to analyze the training set to extract the relationship between the characteristics and the true PM2.5 concentration, and then the PM2.5 concentration prediction model was obtained. Finally, PM2.5 concentration prediction is completed. The experimental results show that the PM2.5 concentration forecast algorithm outperforms the existing algorithm given in the invention, and can overcome the influence of meteorological conditions on air relative humidity imaging, has important significance for PM2.5 concentration monitoring in daily life.

【技术实现步骤摘要】
基于图像质量的PM2.5浓度预测方法
本专利技术涉及一种PM2.5浓度预测方法，特别是一种基于图像质量的PM2.5浓度预测方法。
技术介绍
PM2.5是悬浮于空气中直径小于等于2.5μm的所有颗粒物总称，它是衡量空气质量的一个重要指标，且对人体健康有很大的影响。目前，检测空气中PM2.5浓度的都是一些大设备，这些设备成本较高且需要定期维护。经过观察发现，不同空气质量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质量与PM2.5浓度相关性模型构建方法。现有的基于图像处理的PM2.5浓度预测方法主要是提取一些能反映图像质量的特征。近几年主要出现了如下两种基于图像处理的PM2.5浓度预测方法：(1)基于图像视觉特征的方法。该类方法提取图像的梯度、色彩特征。用所拍图像的天空颜色差异估计PM2.5浓度，该方法受天气的影响，如：阴天灰沉沉的，增加了估计的误差。用图像的梯度特征没有考虑到相对湿度对图像质量的影响。(2)基于图像物理特征的方法。该方法利用了大气成像物理模型，并采用暗原色先验估计方法恢复图像的透射率图，用滑动窗口策略对透射率图提取特征矩阵，并利用稳健性回归分析方法建立特征矩阵和真实PM2.5浓度之间的关系模型。但该方法没有考虑相对湿度对大气成像的影响。相对湿度会影响空气中颗粒物PM2.5的消光能力，相对湿度越大，空气中PM2.5吸收的水份越多，对大气光的散射能力越强，成像越模糊。因此，现有的基于图像处理的PM2.5预测方法没有考虑相对湿度对大气成像的影响，导致PM2.5浓度估计准确度偏低。
技术实现思路
本专利技术的目的在于提供一种图像质量与PM2.5浓度相关性模型构建的新方法。实现本专利技术的目的的技术解决方案为：一种图像质量与PM2.5浓度相关性模型构建的新方法，包括以下步骤：步骤1、定点定时采集自然图像，并对图像做预处理；步骤2、采用基于暗通道先验理论去雾算法提取收集图像的透射率图；步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵；步骤4、对步骤3得到的特征矩阵进行标准化处理，消除相对湿度对其影响；步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型；步骤6、用步骤5得到的模型对PM2.5浓度进行预测。本专利技术与现有技术相比，其显著优点为：1)本专利技术考虑和克服了相对湿度对大气成像的影响，提高了PM2.5估计的预测精度。2)本方法只扣取了图像中符合暗通道原理的块来建立预测模型；简单有效的剔除了图像中无用块，大大的缩短了建模时间，同时也减少了建模所需内存空间。下面结合附图对本专利技术作进一步详细描述。附图说明图1是本专利技术基于图像处理估计PM2.5浓度新方法的流程图。图2是标准化相对湿度对图像透射率特征影响的流程图。图3是用智能手机收集到的自然图像。图4是从原始图像中抠取的有用图像块。图5是自然图像透射率图。图6是空气中颗粒物散射吸湿增长因子经验公式f(RH)示意图。图7是区域优先顺序图。图8是本专利技术方法得到的训练模型。图9是基于图像物理特征的方法得到的训练模型。图10是本专利技术方法PM2.5浓度估计值和真实值对比图。图11是基于图像物理特征的方法PM2.5浓度估计值和真实值对比图。具体实施方式结合图1，本专利技术的基于图像处理估计PM2.5浓度新方法，包括以下步骤：步骤1、定点定时采集自然图像，并对图像做预处理；具体为：步骤1-1、筛选掉数据集中雨天拍摄的图像；步骤1-2、对剩余数据集做图像配准，选择一幅图像作为基准图像对其余图像做配准，配准时用的是GeneralizedDualBootstrap-ICP算法，变换模型选择相似性Similarity；步骤1-3、抠取数据集中图像的某一块作为最终的训练集，去除图像无用信息，图像块包含满足暗通道原理的景物。步骤2、采用基于暗通道先验理论去雾算法提取收集图像的透射率图；具体为：步骤2-1：对训练集中图像R、G、B三个通道分别做最小值滤波，窗口大小p为：1).p＝m*m2).m＝floor(max([3,w*kenlRatio,h*kenlRatio]))其中m是窗口直径，w是图像的宽度，h是图像的高度，kenlRatio是一个比例，取值在0.01到0.05之间；对三个通道做完最小值滤波后，选取三个通道中像素最小亮度值作为暗通道图对应像素点亮度值，从而恢复出暗通道图；步骤2-2：求出每幅图像的大气光照强度A：首先，从暗通道中按照亮度的大小取前0.1％的像素；其次，在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值；步骤2-3：构建大气成像物理模型:I(x)＝J(x)t(x)+A(1-t(x))，其中x是像素点坐标，I是观测到的有雾图像，J是清晰的无雾图像，A是全局大气光照强度，t用来描述光线通过介质透射到成像设备过程中没有被散射的部分，透射率；步骤2-4：构建暗通道先验理论模型为：其中x是像素点坐标，c代表了任意通道，y是像素点x的领域像素点坐标，J是清晰地无雾图像，Jduck(x)是暗通道图，该模型表明，在绝大多数非天空的局部区域里，某一些像素总会具有很低的值，趋于0；步骤2-5：根据上述公式推导得到公式其中x是像素点坐标，c代表了任意通道，y是像素点x的领域像素点坐标，I是观测到的有雾图像，t(x)是待求的透射率图；通过该公式恢复粗透射率图，然后用指导性滤波器进行细化粗透射图，细化后的透射率图即为所求透射率图。透射率图像一般符合近大远小规律，因为空气中的颗粒物是均匀分布的，离得近的物体发出的光在空气中传播的距离短，进入相机的光多，对应透射率值就大。反之，远处的物体透射率值就小。步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵；具体为：步骤3-1、滑动窗口大小设置为h和w是图像的高度和宽度，ws是窗口大小，移动步长设置为step是窗口滑动的步长；步骤3-2、将滑动窗口沿着透射率图像的横纵方向逐步移动，并计算窗口亮度的平均值的对数作为窗口的特征值，进而得到特征矩阵，一幅图像对应一个特征矩阵。步骤4、对步骤3得到的特征矩阵进行标准化处理，消除相对湿度对其影响；具体为：步骤4-1、确定不同地区空气中颗粒物散射吸湿增长因子经验公式f(RH)＝1+a*(RH/100)b中两个参数a,b的取值，其中RH是相对湿度，参数a,b的取值如表1所示：表1空气中颗粒物类型ab城市型2.063.60海洋/城市混合型3.263.85海洋型4.925.04步骤4-2、用确定的f(RH)标准化特征矩阵，即用特征矩阵中的每个特征值除以f(RH)，消除相对湿度对特征值的影响。步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型；具体为：步骤5-1、用稳健性回归分析方法分析训练集每个窗口的特征值和真实PM2.5浓度之间的关系，并计算特征值和真实PM2.5浓度之间的相关性；步骤5-2、选择与真实PM2.5浓度相关性最高的窗口作为最优窗口，并将该窗口对应的关系模型作为最终的训练模型进行PM2.5浓度估计，模型总共包括四个部分，关系模型、最优窗口坐标、窗口大小ws、移动步长step。步骤6、用步骤5得到的模型对PM2.5浓度进行预测。该预测模型只能用来预测训练集采集当地当时拍摄到的图像所对应的PM2.5浓度，具体为：步骤6-1、按照上述步本文档来自技高网...

【技术保护点】
一种基于图像质量的PM2.5浓度预测方法，其特征在于，包括以下步骤：步骤1、定点定时采集自然图像，并对图像做预处理；步骤2、采用基于暗通道先验理论去雾算法恢复采集图像的透射率图；步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵；步骤4、对步骤3得到的特征矩阵进行标准化处理，消除相对湿度对其影响；步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型；步骤6、用步骤5得到的模型对PM2.5浓度进行预测。

【技术特征摘要】
1.一种基于图像质量的PM2.5浓度预测方法，其特征在于，包括以下步骤：步骤1、定点定时采集自然图像，并对图像做预处理；步骤2、采用基于暗通道先验理论去雾算法恢复采集图像的透射率图；步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵；步骤4、对步骤3得到的特征矩阵进行标准化处理，消除相对湿度对其影响；步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型；步骤6、用步骤5得到的模型对PM2.5浓度进行预测。2.根据权利要求1所述的基于图像质量的PM2.5浓度预测方法，其特征在于，步骤1中对图像做预处理具体为：步骤1-1、筛选掉数据集中雨天拍摄的图像；步骤1-2、对剩余数据集做图像配准，选择一幅图像作为基准图像对其余图像做配准，配准时用的是GeneralizedDualBootstrap-ICP算法，变换模型选择相似性Similarity；步骤1-3、抠取数据集中图像的某一块作为最终的训练集，去除图像无用信息，图像块包含满足暗通道原理的景物。3.根据权利要求1所述的基于图像质量的PM2.5浓度预测方法，其特征在于，步骤2中采用基于暗通道先验理论去雾算法恢复收集图像的透射率图，具体为：步骤2-1：对训练集中图像R、G、B三个通道分别做最小值滤波，窗口大小p为：1).p＝m*m2).m＝floor(max([3,w*kenlRatio,h*kenlRatio]))其中m是窗口直径，w是图像的宽度，h是图像的高度，kenlRatio是一个比例，取值在0.01到0.05之间；对三个通道做完最小值滤波后，选取三个通道中像素最小亮度值作为暗通道图对应像素点亮度值，从而恢复出暗通道图；步骤2-2：求出每幅图像的大气光照强度A：首先，从暗通道中按照亮度的大小取前0.1％的像素；其次，在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值；步骤2-3：构建大气成像物理模型:I(x)＝J(x)t(x)+A(1-t(x))，其中x是像素点坐标，I是观测到的有雾图像，J是清晰的无雾图像，A是全局大气光照强度，t用来描述光线通过介质透射到成像设备过程中没有被散射的部分，透射率；步骤2-4：构建暗通道先验理论模型为：其中x是像素点坐标，c代表了任意通道，y是像素点x的领域像素点坐标，J是清晰地无雾图像，Jdark(x)是暗通道图，该模型表明，在绝大多数非天空的局部区域里，某一些像素...

【专利技术属性】
技术研发人员：陈强，杨本芊，徐琳，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32