一种基于计算机视觉的雾霾监测方法

摘要

一种基于计算机视觉的雾霾监测方法，采集场景中预设的颜色黑暗的远近目标区域，基于目标物视觉特征的计算及与不同雾霾情况下样本图像的对比，给出针对雾霾的监测结果。表达图像的视觉特征包括：包含像素色彩饱和度均值与蓝色分量均值在内的颜色特征，包含特征点个数与边缘像素点个数在内的形状特征，包含灰度共生矩阵特征与小波变换子带系数在内的纹理特征，以及表示远近目标物之间差别的特征向量。本发明提出了在原理上与人工观测雾霾最接近的借助视觉特征的直接测量方式，易于实现针对整个区域的雾霾情况的全面监测，而且在样本数据足够多时能够保证高精度的监测结果。

主权项

一种基于计算机视觉的雾霾监测方法，其特征在于：根据对同一场景拍摄所得样本图像对待测量图像进行分析获得雾霾监测结果，所述场景中包含预设的近目标与远目标，近目标与远目标是场景中不同距离的两个颜色黑暗的目标区域；所述分析包括以下步骤，步骤1，建立包含不同雾霾情况的样本数据库，包括以下子步骤，步骤1.1，采集场景处空气中存在不同程度雾霾时的样本图像，记录各样本图像的相应空气污染参数；在步骤1.1中，雾霾情况划分为5种不同程度，包括无雾霾、轻度雾霾、中度雾霾、重度雾霾、严重雾霾，各种程度雾霾对应的空气质量指数范围分别为[0，100]、[101，200]、[201，300]、[301，500]、[501，+∞]；步骤1.2，针对各样本图像，分别进行以下处理，计算近目标与远目标的颜色特征，得到目标物间的颜色特征差别；所述近目标与远目标的颜色特征，包括目标区域中所有像素的色彩饱和度均值与蓝色分量均值；计算近目标与远目标的形状特征，得到目标物间的形状特征差别；所述近目标与远目标的形状特征，包括目标区域中的特征点个数与边缘像素点个数；计算近目标与远目标的纹理特征，得到目标物间的纹理特征差别；所述近目标与远目标的纹理特征，包括目标区域的灰度共生矩阵特征与小波变换子带系数；步骤1.3，针对各样本图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到各样本图像的视觉特征向量；步骤1.4，构造样本数据库，所述样本数据库包含采集的所有样本图像，各样本图像的视觉特征向量以及相应空气污染参数；步骤2，基于步骤1所得样本数据库，对待测量图像进行对比判断，包括以下子步骤，步骤2.1，拍摄观测场景，得到待测量图像；步骤2.2，针对待测量图像，进行以下处理，计算近目标与远目标的颜色特征，得到目标物间的颜色特征差别；所述近目标与远目标的颜色特征，包括目标区域中所有像素的色彩饱和度均值与蓝色分量均值；计算近目标与远目标的形状特征，得到目标物间的形状特征差别；所述近目标与远目标的形状特征，包括目标区域中的特征点个数与边缘像素点个数；计算近目标与远目标的纹理特征，得到目标物间的纹理特征差别；所述近目标与远目标的纹理特征，包括目标区域的灰度共生矩阵特征与小波变换子带系数，步骤2.3，针对待测量图像，综合目标物间的颜色特征差别、形状特征差别和纹理特征差别，得到待测量图像的视觉特征向量；步骤2.4，基于视觉特征向量间的距离，将待测量图像与各样本图像进行逐一对比，找到距离最近的样本图像，并以对应的雾霾情况作为待测量图像的雾霾监测结果；在步骤1.2与步骤2.2中，设远目标的目标区域记为远目标区域RF，设近目标的目标区域记为近目标区域RN，基于雾霾的存在会降低目标物的色彩饱和度的视觉特点，计算远近目标区域中所有像素的色彩饱和度均值及其差别，包括以下子步骤，步骤a1.1，对于远目标区域RF中的所有像素，计算其色彩饱和度的均值RF_{C‑saturation}，并对于近目标区域RN中的所有像素，计算其色彩饱和度的均值RN_{C‑saturation}；步骤a1.2，远近目标物之间的色彩饱和度差别，定义为远目标色彩饱和度均值与近目标色彩饱和度均值的比值DFN_{C‑saturation}＝RF_{C‑saturation}/RN_{C‑saturation}其中DFN_{C‑saturation}值越小，表示远目标色彩饱和度的降低比近目标更多，雾霾浓度越大；基于雾霾中的黑暗物体看起来偏蓝色的视觉特点，计算远近目标区域中所有像素的蓝色分量均值及其差别，包括以下子步骤，步骤a2.1，对于远目标区域RF中的所有像素，计算其蓝色分量的均值RF_C‑blue，并对于近目标区域RN中的所有像素，计算其蓝色分量的均值RN_C‑blue；步骤a2.2，远近目标物之间的蓝色分量差别，定义为近目标蓝色分量均值与远目标蓝色分量均值的比值DFN_C‑blue＝RN_C‑blue/RF_C‑blue其中DFN_C‑blue值越小，表示远目标偏蓝色的程度比近目标更深，即雾霾浓度越大；基于雾霾会造成能见度下降而导致目标物特征点识别困难的视觉特点，计算远近目标区域中的特征点个数及其差别，包括以下子步骤，步骤b1.1，提取远目标区域RF中所有SIFT特征点，计算SIFT特征点数目占RF中所有像素数目的比例RF_S‑sift，并提取近目标区域RN中所有SIFT特征点，计算SIFT特征点数目占RN中所有像素数目的比例RN_S‑sift；步骤b1.2，远近目标物之间的特征点差别，定义为远目标特征点数目比例与近目标特征点数目比例的比值DFN_S‑sift＝RF_S‑xift/RN_S‑sift其中DFN_S‑sift值越小，表示远目标特征点的识别难度比近目标更大，雾霾浓度越大；基于雾霾会造成能见度下降而导致目标物边缘轮廓识别困难的视觉特点，计算远近目标区域中的边缘像素点个数及其差别，包括以下子步骤，步骤b2.1，使用Canny边缘检测算子提取远目标区域RF中所有边缘，计算属于边缘的像素点数目占RF中所有像素数目的比例RF_S‑canny，并使用Canny边缘检测算子提取近目标区域RN中所有边缘，计算属于边缘的像素点数目占RN中所有像素数目的比例RN_S‑canny；步骤b2.2，远近目标物之间的边缘像素点差别，定义为远目标边缘像素点数目比例与近目标边缘像素点数目比例的比值DFN_S‑canny＝RF_S‑canny/RN_S‑canny其中DFN_S‑canny值越小，表示远目标边缘轮廓的识别难度比近目标更大，雾霾浓度越大；基于雾霾使大气变浑浊进而使目标物的纹理变模糊的视觉特点，计算远目标区域和近目标区域的灰度共生矩阵特征及差别，包括以下子步骤，步骤c1.1，计算远目标区域RF由灰度共生矩阵特征组成的向量和近目标区域RN由灰度共生矩阵特征组成的向量，计算远目标区域RF由灰度共生矩阵特征组成的向量实现如下，统计得到远目标区域RF的灰度共生矩阵，计算矩阵的能量${\mathrm{asm}}_{RF}=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{\left(G\right(i,j\left)\right)}^2$其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，k表示灰度值的级数；基于远目标区域RF的灰度共生矩阵，计算矩阵的熵${\mathrm{ent}}_{RF}=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}G(i,j)\log G(i,j)$基于远目标区域RF的灰度共生矩阵，计算矩阵的对比度${\mathrm{con}}_{RF}=\underset{d=0}{\overset{k-1}{\Sigma }}{d}^2\left({\Sigma }_{\left|i-j\right|=d}G\right(i,j\left)\right)$基于远目标区域RF的灰度共生矩阵，计算矩阵的逆差距${\mathrm{idm}}_{RF}=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}G(i,j)/(1+{\left(i-j\right)}^2)$得到远目标区域RF的由灰度共生矩阵特征组成的向量RF_T‑glcm＝(asm_RF,ent_RF,con_RF,idm_RF)计算近目标区域RN由灰度共生矩阵特征组成的向量实现如下，统计得到近目标区域RN的灰度共生矩阵，计算矩阵的能量${\mathrm{asm}}_{RN}=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{\left(G\right(i,j\left)\right)}^2$其中G(i,j)表示灰度共生矩阵的元素，i与j表示元素坐标，k表示灰度值的级数；基于近目标区域RN的灰度共生矩阵，计算矩阵的熵${\mathrm{ent}}_{RN}=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}G(i,j)\log G(i,j)$基于近目标区域RN的灰度共生矩阵，计算矩阵的对比度${\mathrm{con}}_{RN}=\underset{d=0}{\overset{k-1}{\Sigma }}{d}^2\left({\Sigma }_{\left|i-j\right|=d}G\right(i,j\left)\right)$基于近目标区域RN的灰度共生矩阵，计算矩阵的逆差距${\mathrm{idm}}_{RN}=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}G(i,j)/(1+{\left(i-j\right)}^2)$得到近目标区域RN的由灰度共生矩阵特征组成的向量RN_T‑glcm＝(asm_RN,ent_RN,con_RN,idm_RN)步骤c1.2，按下式计算远近目标物之间的灰度共生矩阵特征差别DFN_T‑glcm＝1/|RN_T‑glcm‑RF_T‑glcm|其中| |表示向量的模；基于雾霾使大气变浑浊进而使目标物不同分辨率的纹理变模糊的视觉特点，计算远目标区域和近目标区域的小波变换子带系数及差别，包括以下子步骤，步骤c2.1，计算远目标区域小波变换子带系数向量和近目标区域小波变换子带系数向量，计算远目标区域RF的小波变换子带系数向量实现如下，对远目标区域RF进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，$u_{tRF}=\underset{x=0}{\overset{m-1}{\Sigma }}\underset{y=0}{\overset{n-1}{\Sigma }}f(x,y)/(m\times n)$其中f(x,y)表示子带图像的像素，x与y表示像素坐标，m与n表示像素的行数与列数；针对第t个子带图像，计算其标准差系数${\sigma }_{tRF}=\sqrt{\underset{x=0}{\overset{m-1}{\Sigma }}\underset{y=0}{\overset{n-1}{\Sigma }}{\left(f\right(x,y)-u_{tRF})}^2/(m\times n)}$得到远目标区域RF的由小波变换子带系数组成的向量RF_T‑wavelet＝(u_1RF,σ_1RF,u_2RF,σ_2RF,u_3RF,σ_3RF,…,u_10RF,σ_10RF)计算近目标区域RN的小波变换子带系数向量实现如下，对近目标区域RN进行小波变换的3级分解，得到10个子带图像，计算第t个子带图像的均值系数，t的取值为1,2…10，$u_{tRF}=\underset{x=0}{\overset{m-1}{\Sigma }}\underset{y=0}{\overset{n-1}{\Sigma }}f(x,y)/(m\times n)$其中f(x,y)表示子带图像的像素，x与y表示像素坐标，m与n表示像素的行数与列数；针对第t个子带图像，计算其标准差系数${\sigma }_{tRN}=\sqrt{\underset{x=0}{\overset{m-1}{\Sigma }}\underset{y=0}{\overset{n-1}{\Sigma }}{\left(f\right(x,y)-u_{tRN})}^2/(m\times n)}$得到近目标区域RN的由小波变换子带系数组成的向量RN_T‑wavelet＝(u_1RN,σ_1RN,u_2RN,σ_2RN,u_3RN,σ_3RN,…,u_10RN,σ_10RN)步骤c2.2，按下式计算远近目标物之间的小波变换子带系数差别DFN_T‑wavelet＝1/|RN_T‑wavelet‑RF_T‑wavelet|其中| |表示向量的模；在步骤1.3与步骤2.3中，获取表示远近目标物之间颜色、形状、纹理差别的特征向量，包括以下步骤，步骤d1，综合近目标与远目标的颜色、形状、纹理特征，得到表达目标物间视觉特征差别的特征组合向量FN＝(DFN_{C‑saturation},DFN_C‑blue,DFN_S‑sift,DFN_S‑canny,DFN_T‑glcm,DFN_T‑wavelet)步骤d2，远近目标物之间的视觉特征差别，定义为特征组合FN的归一化特征向量DFN＝FN/|FN|视觉特征DFN_{C‑saturation}、DFN_C‑blue、DFN_S‑sift、DFN_S‑canny、DFN_T‑glcm、DFN_T‑wavelet均定义为值越小表示雾霾浓度越大，特征向量DFN的模越小，则表示雾霾浓度越大；在步骤2.4中，基于图像特征向量间的距离，实现待测量图像与样本图像的逐一对比，包括以下步骤，步骤e1，对于待测量图像的特征向量DFN_Image，计算其与样本数据库S个样本图像中每个图像特征向量DFN_Sample‑s之间的距离D_IS‑s＝|DFN_Image‑DFN_Sample‑s|其中| |表示向量的模，D_IS‑s值越小，表示特征向量DFN_Image与DFN_Sample‑s之间的距离越近，两者越相似，s的取值为1,2，…，S；步骤e2，寻找距离D_IS‑s的最小值，记为最近距离D_IS‑MinD_IS‑Min＝Min(D_IS‑1,D_IS‑2,D_IS‑3,…,D_IS‑S)步骤e3，以最近距离D_IS‑Min所对应的数据库中样本图像的雾霾情况，作为待测量图像的雾霾监测结果，表示根据最近距离样本图像的空气质量指数，给出待测量图像的5种雾霾程度之一的测量结果。