一种基于图像质量的PM2.5浓度测量方法技术

本发明专利技术提供了一种基于图像质量的PM2.5浓度测量方法，利用图像的自然场景统计特性，从PM2.5图像的颜色，对比度及结构三个方面来衡量图像的失真程度。首先，提取图像的色调，饱和度，以及暗通道特性来衡量图像颜色方面的失真，其次，对比度对PM2.5图像的影响也很明显，最后，从局部结构的自然场景统计特性和全局结构的自然场景统计特性两方面来提取图像结构方面的特性，提取相关特征后，利用随机森林机器学习工具来训练模型，根据输入PM2.5的图像，得出对应的PM2.5浓度值。本发明专利技术实施起来简单，高效，可广泛地应用于不用场合的PM2.5浓度检测。

A PM2.5 concentration measurement method based on image quality

【技术实现步骤摘要】
一种基于图像质量的PM2.5浓度测量方法
：本专利技术涉及图像质量评价应用领域，尤其涉及一种基于图像质量的PM2.5浓度测量方法。
技术介绍
：近几十年来，高速工业化为人们带来便利的同时，也造成很多消极的影响，比如环境污染，资源短缺，生态破坏。在这些影响中，由人或自然造成的环境污染，超越环境的自净化能力，使得极其危险的物质进入我们的生活环境。土壤、水和大气污染是三个典型的污染问题。相比前两者，大气污染是最危险，而且容易导致整个社会进入恐慌，因为大气无处不在，受污染的空气恶化了人类的健康。空气污染的主要原因，主要包括车辆排放的有害气体和颗粒物，一些人类的活动，如炼钢、炼油及药品的制造，以及石油、煤炭和天然气等的燃烧排放。六种常见的空气污染物包括NO2、SO2、O3、CO、PM2.5(细颗粒物质)和PM10(可吸入PM)。前四种气体污染物当浓度超过一定程度时，容易导致呼吸道炎症和神经系统失调。相比之下，剩下的两种颗粒物是指气动直径较小的颗粒，小于或等于2.5和10μm。很明显，PM2.5是PM10的组成部分，其指数小于PM10。细颗粒物很容易侵入人体的肺部，很难清洗干净。如果长期暴露在高浓度PM2.5环境中，公众的发病率和死亡率将会急剧增加。目前，针对细颗粒物PM2.5监测的方法主要包括重量法、微量振荡天平法及β射线法等物理方法，因此只适用于某些特定的场合，在现实中是很难被广泛使用的。因此，监测PM2.5的浓度以及研发相关的检测方法越来越受到重视。
技术实现思路
：为了解决上述问题，本专利技术提供了一种基于图像质量的PM2.5浓度测量方法，在没有任何天气信息的情况下，基于自然场景统计特性提取PM2.5图像的颜色，对比度及结构方面的特性，利用随机森林进行质量评价，即得出PM2.5浓度的值，并且该PM2.5图像的预测值与实际的PM2.5值一致性很高，能够准确地对PM2.5浓度进行检测。为实现上述目的，本专利技术提出一种基于图像质量的PM2.5浓度测量方法，包括如下步骤：A、利用自然场景统计特征提取待测图像的色调、饱和度及暗通道特性这三方面的特征来衡量图像在颜色方面的失真；B、提取待测图像中三个颜色通道的对比度能量来衡量图像在对比度方面的失真；C、利用自由能和结构退化模型之间的线性关系及自由能，提取待测图像局部结构统计特征；D、利用广义高斯分布函数提取待测图像的全局结构统计特征，结合步骤c中局部结构统计特征来衡量图像在结构方面的失真；E、根据步骤A～D中提取的相关特征参数，利用随机森林机器学习工具进行回归训练，根据训练模型得到待测图像的PM2.5浓度值。优选的，所述步骤A中色调特征的提取方法包括：将待测图像由RGB空间转换到对抗颜色空间，其中红绿通道RG转换的公式为：黄蓝通道的转换公式为：因此，颜色信号主波长的色调为：其中R，G，B为三个颜色通道的颜色值；基于每幅图像中的内容和颜色都存在差别，用空间域的相对色调描述图像色调的统计特性，通过相邻像素色调的角度差得出，其公式为：其中，为角度差操作符，取值范围为[-π，π]，(i，j)表示图像中的位置；使用柯西分布模型对图像相对色调ΔHue进行拟合，得到相对色调的概率强度为：其中，γh表示一个随机变量，μh表示位置参数，由柯西分布模型拟合得到，ξh表示尺度参数，由柯西分布模型拟合得到；同时计算输入角度的环形峰值kh，其公式为：其中，θh为一个角度随机变量，η定义为：利用μh，ξh及kh这三个特征结合水平和垂直两个方向共得到六个基于色调的特征分别标记为f1，f2，f3，f4，f5，f6。优选的，所述步骤A中饱和度特征的提取方法为：将待测图像由RGB空间转换到HSV颜色空间，得到饱和度计算公式为：其中X(m，n)是R(m，n)，G(m，n)，B(m，n)三个通道的最大值，Y(m，n)是R(m，n)，G(m，n)，B(m，n)三个通道的最小值，m，n分别代表水平和垂直像素数；基于饱和度S计算其均值M(S)＝mean(S)，和信息熵其中：mean是均值函数，P(i，j)为饱和度概率分布；将提取的饱和度均值M(S)和饱和度信息熵E(S)标记为特征{f7，f8}。优选的，所述步骤A中暗通道特性为饱和度暗通道，其公式为：其中min()函数是最小值操作符；将饱和度暗通道Idark(S)标记为特征f9。优选的，所述步骤B中三个颜色通道的对比度能量计算公式为：其中a为Y(If)的最大值，b控制对比度增益，φf为控制对比度噪声的阈值，Y(If)＝((Ik×fh)2+(Ik×fv)2)1/2，I表示图像信号，Ik表示滤波器在第k个方向过滤得到的图像信号，fh和fv分别表示高斯函数的水平和垂直二阶导数，f＝GR，YB，RG是图像I的三个通道，且GR＝0.299R+0.587G+0.114B，YB＝0.5*(R+G)-B，RG＝R-G；因此得到对比度能量的三个特征CGR，CYB，CRG分别标记为f10，f11，f12。优选的，所述步骤C中局部结构特征提取包括自由能提取及退化模型特征提取；所述自由能的定义公式为：其中V表示视觉信号，s是参数向量，q(s|V)表示后验概率分布；对于待测图像而言，自由能代表能量的最小值，故而其定义为基于退化模型描述失真图像在空间频率域的变化，以捕获失真图像与原始图像之间的相似性，基于退化模型与自由能之间的线性关系，通过二维循环对称高斯权函数计算结构相似性，计算公式为W＝(w(k，l)|k＝-K，...，K，l＝-L，...，L)，其中(K，L)分布取值(1，1)，(3，3)和(5，5)，基于这三个取值计算获得三个特征值，同时结合自由能E(V)形成四个局部结构特征，分别标记为f13，f14，f15，f16。优选的，所述步骤D中全局结构特征的提取包括：利用广义高斯分布函数捕获图像失真偏差，其中广义高斯函数为：其中，μ表示均值，α表示形状参数，控制高斯函数的分布，β表示尺度参数，为Γ函数，σ为方差；零均值的广义高斯分布函数为：对于待测图像，广义高斯函数拟合归一化亮度系数的一对值(α，σ2)表示全局结构特性，标记为f17，f18。优选的，步骤E中，基于随机森林工具箱作为回归训练工具，对提取的18个特征集向量f＝{f1，f2，f3，f4.··f18}进行训练，训练过程中第i个节点的第t棵决定树的客观函数定义为：其中Ti为控制训练第i个节点的随机数量，Gi定义为Pi是训练节点i的训练样本数量，PiL和PiR分别代表左和右分集，ηs是概率线性拟合的条件协方差矩阵；预测的PM2.5浓度值通过将T棵回归树的输出进行求平均得出：本专利技术的有益效果在于：本专利技术与当前主流的质量评价算法相比，针对PM2.5图像的特性，基于自然场景统计特性提取颜色、对比度及结构方面的特征，符合真实的PM2.5浓度对图像质量的影响，比以往的质量评价算法更有效，而且与传统的PM2.本文档来自技高网...

【技术保护点】
1.一种基于图像质量的PM2.5浓度测量方法，其特征在于包括如下步骤：/nA、利用自然场景统计特征提取待测图像的色调、饱和度及暗通道特性这三方面的特征来衡量图像在颜色方面的失真；/nB、提取待测图像中三个颜色通道的对比度能量来衡量图像在对比度方面的失真；/nC、利用自由能和结构退化模型之间的线性关系及自由能，提取待测图像局部结构统计特征；/nD、利用广义高斯分布函数提取待测图像的全局结构统计特征，结合步骤c中局部结构统计特征来衡量图像在结构方面的失真；/nE、根据步骤A～D中提取的相关特征参数，利用随机森林机器学习工具进行回归训练，根据训练模型得到待测图像的PM2.5浓度值。/n

【技术特征摘要】
1.一种基于图像质量的PM2.5浓度测量方法，其特征在于包括如下步骤：
A、利用自然场景统计特征提取待测图像的色调、饱和度及暗通道特性这三方面的特征来衡量图像在颜色方面的失真；
B、提取待测图像中三个颜色通道的对比度能量来衡量图像在对比度方面的失真；
C、利用自由能和结构退化模型之间的线性关系及自由能，提取待测图像局部结构统计特征；
D、利用广义高斯分布函数提取待测图像的全局结构统计特征，结合步骤c中局部结构统计特征来衡量图像在结构方面的失真；
E、根据步骤A～D中提取的相关特征参数，利用随机森林机器学习工具进行回归训练，根据训练模型得到待测图像的PM2.5浓度值。


2.根据权利要求1所述的一种基于图像质量的PM2.5浓度测量方法，其特征在于：所述步骤A中色调特征的提取方法包括：
将待测图像由RGB空间转换到对抗颜色空间，其中红绿通道RG转换的公式为：黄蓝通道的转换公式为：因此，颜色信号主波长的色调为：其中R，G，B为三个颜色通道的颜色值；
基于每幅图像中的内容和颜色都存在差别，用空间域的相对色调描述图像色调的统计特性，通过相邻像素色调的角度差得出，其公式为：其中，为角度差操作符，取值范围为[-π，π]，(i，j)表示图像中的位置；
使用柯西分布模型对图像相对色调AHue进行拟合，得到相对色调的概率强度为：其中，γh表示一个随机变量，μh表示位置参数，由柯西分布模型拟合得到，ξh表示尺度参数，由柯西分布模型拟合得到；
同时计算输入角度的环形峰值kh，其公式为：其中，θh为一个角度随机变量，η定义为：
利用μh，ξh及kh这三个特征结合水平和垂直两个方向共得到六个基于色调的特征分别标记为f1，f2，f3，f4，f5，f6。


3.根据权利要求2所述的一种基于图像质量的PM2.5浓度测量方法，其特征在于：所述步骤A中饱和度特征的提取方法为：
将待测图像由RGB空间转换到HSV颜色空间，得到饱和度计算公式为：其中X(m，n)是R(m，n)，G(m，n)，B(m，n)三个通道的最大值，Y(m，n)是R(m，n)，G(m，n)，B(m，n)三个通道的最小值，m，n分别代表水平和垂直像素数；
基于饱和度S计算其均值M(S)＝mean(S)，和信息熵其中：mean是均值函数，P(i，j)为饱和度概率分布；
将提取的饱和度均值M(S)和饱和度信息熵E(S)标记为特征f7，f8。


4.根据权利要求3所述的一种基于图像质量的PM2.5浓度测量方法，其特征在于：所述步骤A中暗通道特性为饱和度暗通道，其公式为：其中min()函数是最小值操作符；
将饱和度暗通道Idark(...

【专利技术属性】
技术研发人员：汤丽娟，孙克争，黄帅凤，
申请(专利权)人：江苏商贸职业学院，
类型：发明
国别省市：江苏;32