[发明专利]一种基于图像特征的PM2.5污染指数的识别方法

权利要求书

1.一种基于图像特征的PM2.5污染指数的识别方法，其特征在于：包括以下步骤：

步骤1.搜集标注了PM2.5实测值的历史图像，将搜集的历史图像全部统一缩放为X_S×Y_S像素大小；如果图像是彩色的，那么就将其转换为灰度图；

步骤2.计算每个缩放并转换为灰度图后图像的图像特征；

步骤3.将每个图像的特征作为输入，使用回归方法得到PM2.5的预测模型；

步骤4.采集目标图像，按照步骤1中同样的方法将目标图像缩放为X_S×Y_S像素大小，如果图像是彩色的，将其转换为灰度图；

步骤5.针对缩放后的目标图像，按照步骤2中的同样的方法，计算缩放并转换为灰度图后图像的图像特征；

步骤6.将目标图像的图像特征作为步骤3中已经训练好的预测模型的输入，计算得到目标图像的PM2.5值；

所述步骤2中在计算每个缩放并转换为灰度图后图像的图像特征之后,还需要对每个图像的图像特征以及PM2.5的值进行归一化；所述步骤5中针对缩放后的目标图像，在计算缩放并转换为灰度图后图像的图像特征之后，还需要对目标图像的图像特征按照步骤2中同样的归一化方法，进行归一化；

所述步骤1或步骤4中采用公式GRAY＝0.299×R+0.587×G+0.114×B将彩色图像转换为灰度图像，其中R、G、B分别表示彩色图像的红色、绿色和蓝色波段；

所述步骤2或步骤5中的图像特征为图像的平均像素值、局部极值点的个数N_Max、局部方差的均值μ_LVAR、图像水平方向和垂直方向二阶差分加权平均值、图像水平方向和垂直方向的二阶梯度和的加权平均值、Q_x、Q_y和Q_g折线差分的加权平均值以及图像中的斑点数,所述Q_x、Q_y、Q_g的定义如下述步骤a-b中所述；

所述图像的平均像素值为所有像元的像素值加起来之后除以X_S×Y_S；

所述图像的局部极值点的个数N_Max和局部方差的均值μ_LVAR的计算方法为：

(1)设定N_Max和μ_LVAR的初值为0；

(2)对于图像中的每一个非边界像元找出邻近的8个像元，记8个像元的构成集合为PIX_A；如果当前像元坐标为(i,j),i和j分别表示该像元和图像最左上角像元分别在垂直和水平方向同当前像元间隔的像元个数，那么其8个近邻的坐标分别为(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)；这里的非边界像元是指图像中所有能够找到上述8个近邻，并且任一近邻像元像素值不为空的像元；

(3)如果当前像元值大于周边的8个像元，那么N_Max值加1；并且

这里，p表示当前像元，I(p)表示像元p的灰度值，表示PIX_A中的8个像元和当前像元像素值的均值；

(4)当所有像元都处理完之后，μ_LVAR＝μ_LVAR/((X_S-2)×(Y_S-2))；

所述图像水平方向和垂直方向二阶差分加权平均值、图像水平方向和垂直方向二阶梯度和的加权平均值的计算方法为：

a.分别计算图像水平方向x和垂直方向y每个像元p的二阶差分,分别记作和并分别将两个方向的二阶差分按照从小到大的序列排序，排序过程中去掉重复值，并过滤掉小于水平方向给定阈值α_x或垂直方向给定阈值α_y的所有差分值，由此得到两个大小分别为n_x和n_y的水平方向队列Q_x和垂直方向队列Q_y，两个队列中第i的元素分别为和即为队列中排序为i的像元所对应的二阶差分值；

b.计算图像每个像元p的二阶梯度和并将二阶梯度和值按照从小到大的序列排序，排序过程中去掉重复值，并过滤掉小于给定阈值α_g的所有二阶梯度和值，由此得到大小为n_g的二阶梯度和队列Q_g，队列中第i的元素分别为Q_g(i)＝grad(p_i)，即为队列中排序为i的像元所对应的二阶梯度和值；

c.分别对三个队列Q_x、Q_y和Q_g计算对应折线总长度和以及总体加权变化度和

d.分别计算三个队列Q_x、Q_y和Q_g的加权平均值WVL_x＝V_x/L_x、WVL_y＝V_y/L_y和WVL_g＝V_g/L_g，这三个值就分别为水平方向二阶差分加权平均值、垂直方向二阶差分加权平均值以及二阶梯度和的加权平均值；

所述图像中的斑点数的计算方法为：

(1)给定的一系列有序尺度值σ₁,σ₂,…,σ_s,s≥3，并选定某个半径r，根据规范化拉普拉斯高斯算子生成对应各个尺度的卷积模板，其中每个卷积模板的中心坐标为(0，0)，所有和卷积模板中心水平或者垂直方向相差r个像元的所有网格都属于模板；模板中所有网格的坐标集合为{(t_x,t_y)|t_x＝-r,-r+1,…,r-1,r∧t_y＝-r,-r+1,…,r-1,r}，对应尺度σ∈{σ₁,σ₂,…,σ_s}的卷积模板中每个网格(t_x,t_y)上的值使用下面公式计算：

对每个尺度σ∈{σ₁,σ₂,…,σ_s}，使用对应的卷积模板对图像做卷积运算，得到一系列卷积图像I₁,I₂,…,I_s；

(2)对于每个卷积图像I_i,i＝2,…,s-1中的每个像元p，假设其在图像中的坐标为(i,j)，其8个最近邻的像元坐标分别为(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)；如果I_i(p)是所有近邻中最小的，并且I_i(p)也比I_i-1和I_i+1中所有坐标为(i,j)、(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)的像元的值都小，那么该像元对应的就是一个斑点；如果I_i(p)是所有近邻中最大的，并且I_i(p)也比I_i-1和I_i+1中所有坐标为(i,j)、(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)的像元的值都大，那么该像元对应的也是一个斑点；在所有卷积图像I_i,i＝2,…,s-1上找到的斑点总数即为图像中的斑点数。