[发明专利]一种基于雾天图像的PM2.5估计方法

权利要求书

1.一种基于雾天图像的PM2.5估计方法，其特征在于包括步骤如下：

步骤一：利用卷积神经网络，将雾天图像中的透射率提取出来；

步骤二：利用多尺度深度网络估计雾天图像的深度信息；

步骤三：根据已有的雾天图像大气散射模型，利用步骤一与步骤二中得到的透射率与深度信息，求得与PM2.5及空气质量直接相关的大气散射系数β；最后利用数据挖掘方法确定β与PM2.5之间的关系；

所述步骤一中，卷积神经网络中的各层结构以及具体操作如下：

(1)合成样本数据以及预处理操作：样本数据为人工合成的雾天图像，即利用公式I(x)＝J(x)t(x)+α(1-t(x))，在清晰图像的基础上合成雾图，并做去噪、图像分割、像素归一化处理，其中J(x)为清晰图像、t(x)即为透射率、α为全球大气光成分、I(x)即为人工合成的雾天图像；

(2)特征提取：卷积神经网络的第一层操作是特征提取，即利用最大输出单元作为非线性映射，通过自学习的方式提取图像中暗通道、最大对比度、色衰减度、色调差距特征，达到降维的目的；具体操作为其中i,j为所要处理的像素点的位置，k为特征映射数，即为卷积滤波器、为偏差、I为雾天图像、为网络第一层的输出；

(3)多尺度映射：卷积神经网络的第二层操作实现了图像的多尺度映射，即使用平行卷积操作，保证在尺度不变的前提下实现多尺度的特征提取；在此，分别设定卷积滤波器的大小为3×3、5×5、7×7，具体操作为：其中F1为第二步的输出，B2为输入偏差，W2为卷积滤波器，为第i个特征的第二层输出；

(4)局部极值化：卷积神经网络的第三层操作是局部极值化，其操作为其中Ω(x)为x像素点的邻域，y为邻域Ω(x)内的像素点，为第三层操作的输出；

(5)非线性回归：非线性回归是神经网络的第四层也是最后一层操作，其操作为即运用BReLU非线性激活函数对第三层输出进行修正处理，激活函数的斜率为其中W4、B4分别为第四层操作的滤波器与输入偏差，tmin与tmax限定了回归的区间，F3为第三层操作的输出，为第四层操作的输出，即所求取的透射率t(x)。