[发明专利]一种基于暗原色先验的空气质量指数估计方法

摘要

一种基于暗原色先验的空气质量指数估计方法，该方法根据暗原色先验理论计算出同一场景下图像序列的特征参数，并建立特征参数与空气质量指数间关系的数学模型，从而实现对空气质量指数的估计；具体流程包括，采集样本图像；计算样本图像特征参数，下采样并分别计算N幅下采样图像RGB三个颜色通道的像素平均值；计算暗原色图像的像素平均值；计算N幅样本图像的特征参数；作出特征参数-空气质量指数散点图。非线性拟合，异常样本排除与再拟合；空气质量指数估算。对不同场景的适应性较强，系统结构简单，测量成本较低。整个系统的硬件设备仅包含一台数字摄像机和一台个人计算机，无需任何复杂的外围硬件设备支持，移植性好，简单易实现。

主权项

一种基于暗原色先验的空气质量指数估计方法，其特征在于：该方法具体包括以下步骤：步骤1，采集样本图像；在不同空气质量指数条件下，于每天固定时间段内采集同一户外场景的样本图像，并记录每幅图像对应的空气质量指数仪器测定值；总共采集N个样本(N>100)，采集时间间隔应大于1小时；样本图像直接来源于户外的固定监控摄像机；步骤2，计算样本图像特征参数；步骤2.1，下采样；对全部的N幅样本图像进行下采样处理，得到尺寸统一为160×90的N幅下采样图像；步骤2.2，分别计算N幅下采样图像RGB三个颜色通道的像素平均值；该步骤由下式实现：$\mathrm{mean}=\frac{1}{3}[\underset{i=1}{\overset{160}{\mathrm{\Σ}}}\underset{j=1}{\overset{90}{\mathrm{\Σ}}}{I}_R(i,j)+\underset{i=1}{\overset{160}{\mathrm{\Σ}}}\underset{j=1}{\overset{90}{\mathrm{\Σ}}}{I}_G(i,j)+\underset{i=1}{\overset{160}{\mathrm{\Σ}}}\underset{j=1}{\overset{90}{\mathrm{\Σ}}}{I}_B(i,j)]---\left(1\right)$式中，i表示某个像素的横坐标、j表示某个像素的纵坐标，I_R(i,j)表示下采样图像中某个像素的R通道像素值，I_G(i,j)表示下采样图像中某个像素的G通道像素值，I_B(i,j)表示下采样图像中某个像素的B通道像素值，mean表示所求的RGB三个颜色通道的像素平均值；计算完毕后，得到N个像素平均值mean；步骤2.3，分别求出N幅下采样图像的暗原色图像；该步骤由下式实现：$J^{\mathrm{dark}}(i,j)=\underset{c\∈\{R,G,B\}}{\min }\left[\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\right[I^c(i,j)\left]\right]---\left(2\right)$式中，I^c(i,j)表示下采样图像中的某个像素点，c表示RGB三个颜色通道，表示取RGB三个颜色通道的最小像素值，表示以Ω(x)为窗口的最小值滤波，本方法中Ω(x)的尺寸为5×5，J^dark(i,j)表示求得的暗原色图像；暗原色图像J^dark(i,j)是一幅灰度图像；该步骤进行完毕后，可以得到N幅暗原色图像；步骤2.4，计算暗原色图像的像素平均值；该步骤由下式实现：${\mathrm{maen}}^{\mathrm{dark}}=\underset{i=1}{\overset{160}{\mathrm{\Σ}}}\underset{j=1}{\overset{90}{\mathrm{\Σ}}}{J}^{\mathrm{dark}}(i,j)---\left(3\right)$式中，J^dark(i,j)表示暗原色图像，mean^dark表示暗原色图像的像素平均值；计算完毕后，得到N个暗原色图像像素平均值mean^dark；步骤2.5，计算N幅样本图像的特征参数；该步骤由下式实现：$\mathrm{\γ}=\frac{{\mathrm{mean}}^{\mathrm{dark}}}{\mathrm{mean}}---\left(4\right)$式中，mean^dark表示暗原色图像的像素平均值，mean表示下采样图像的RGB三个颜色通道的像素平均值，γ表示样本图像的特征参数；由此可得N个样本图像的特征参数；步骤3，作出特征参数‑空气质量指数散点图；将所有样本图像的特征参数γ与其对应的空气质量指数(AQI)构成N组数对，在平面直角坐标系中作出特征参数与空气质量指数的关系散点图；步骤4，非线性拟合；根据最小均方误差准则，用单变量幂函数对散点图进行非线性拟合，得到非线性拟合数学模型的各项参数；拟合模型如下式所示：$A\widehat{\mathrm{QI}}=a+{\mathrm{b\γ}}^c---\left(5\right)$式中，γ表示样本图像的特征参数，a表示模型中的常数项，b表示模型中的高次幂项系数，c表示模型的拟合幂次，表示空气质量指数的估值；步骤4执行完毕后，分别得到a、b、c的值；步骤5，异常样本排除与再拟合；步骤5.1，利用拟合模型计算样本图像的空气质量指数估计值；将样本图像的特征参数代入得到的数学模型式(5)中，从而计算出各特征参数对应的空气质量指数估值步骤5.2，计算各样本的估计绝对误差；该步骤由下式实现：$e=|\widehat{\mathrm{AQ}}I-\mathrm{AQI}|---\left(6\right)$式中，为拟合模型计算出的空气质量指数估值，AQI为空气质量指数的仪器测量值，e为估值与测量值之间的绝对误差；步骤5.3，异常样本排除与再拟合；将绝对误差大于50的样本点从总样本集中排除，然后执行步骤4，得到新的拟合模型；步骤5.4，重复执行步骤5.1至5.3，直至所有样本点的绝对误差均小于50为止，此时得到最终的特征参数‑空气质量指数关系模型；步骤6，空气质量指数估算；采集该场景图像，计算其特征参数，并将特征参数代入特征参数‑空气质量指数关系模型，即可得到空气质量指数的估值；在同一场景下需要再次对空气质量指数进行估计时，只需重复步骤6即可。