技术领域
[0001] 一种基于图像的空气质量等级评估方法，涉及
机器学习相关技术，尤其涉及
图像处理技术。
背景技术
[0002] 近些年来，随着我国工业化
进程的不断推进，国家经济飞速发展的同时，环境污染也在不断加剧，绝大多数城市都出现了不同层次的污染。空气污染不仅会对日常生活中的交通起居等造成影响，同时还会危害我们的身体健康，因此，空气污染的日常监测和治理是十分重要的。目前我国获取空气质量的方法主要是在城市所设立监测站中通过各种精密的仪器来检测并计算污染物浓度，再将它换算成空气质量等级或指数，最后发布至气象局供人们查询。但是这种方法的所需仪器的成本较高,且它的检测方式粗粒度的,不能够
覆盖城市的每个
角落。最近几年，有很多学者提出了将图像处理技术与机器学习方法相结合来检测空气质量的方法。但是受到所选取的特征及机器学习方法的限制，目前所提出的方法都存在着如适用性不佳或
图像采集地点受限等缺点。
发明内容
[0003] 本发明的目的是为解决传统与现有的空气质量检测方法的不足，让空气质量检测变得低成本、细粒度，便于人们随时随地的监督周边的空气污染情况而提供的一种基于图像的空气质量等级评估方法。
[0004] 该基于图像的空气质量等级评估方法包括以下步骤：
[0005] 步骤一、从网络上收集具有空气质量等级标签及相关污染物信息的图像，将这些图像做为模型构建所用的空气质量图像库；
[0006] 步骤二、将图像从RGB空间转移到HSI空间下，再对空气质量图像库中不同空气质量等级的图像进行探究与分析；
[0007] 步骤三、由步骤二可知，在HSI空间下，空气污染会对图像的
饱和度通道和
亮度度通道产生较大影响，而对
色度通道所产生的影响并不明显，最终选择将边缘梯度、亮度、饱和度以及频域的
能量信息作为依据来评估图像的空气质量等级；
[0008] 步骤四、运用图像处理技术对
选定的图像特征进行提取，具体包括：
[0009] 步骤四一、在HSI空间下的I通道中利用Canny算子来对图像进行
边缘检测，计算边缘点数量与图像总
像素数量的比值；
[0010] 步骤四二、图像在HSI空间中的I通道代表了图像的亮度通道，对图像中亮度像素值大于A的像素点进行统计，计算它与图像总像素数量的比值；
[0011] 步骤四三、图像在HSI空间中的S通道代表了图像的饱和度通道，对图像中饱和度像素值小于B的像素点进行统计，计算它与图像总像素数量的比值；
[0012] 步骤四四、使用DCT变换将上述图像中的H、S、I分量分别转换到频域空间，并计算S和I通道的频域图像中的低频信息数量与图像总像素点数量的比值；
[0013] 步骤五、将步骤四中所提取的高亮度像素比、低饱和度像素比、I通道的边缘像素比、S和I通道的低
频率像素比共五维特征输入到SVM(
支撑向量机)中进行分类，构建出基于图像的空气质量等级评估模型。
[0014] 进一步地，所述方法还包括：
[0015] 步骤六、对模型进行参数优化并进行性能与适用性测试。
[0016] 进一步地，步骤四二中的A＝128。
[0017] 进一步地，步骤四三中的B＝20。
[0018] 上述方法首先将图像转换到HSI空间下，再提取图像的边缘像素比、高亮度像素比、低饱和度像素比及低频率像素比作为特征，然后结合SVM分类器构建了空气质量等级评估模型。通过相关的性能及适用性实验进行测试，实验结果表明，本方法所构建的空气质量等级评估模型可以较准确的估计图像采集地的空气质量状况。该方法有效的解决了现有的空气质量检测成本昂贵且不能覆盖城市中每一个角落的问题，将空气质量检测变得低成本、细粒度。但该方法也存在一定的局限性，更适用于对空气湿度适中、图像内容丰富且天空区域占比小于二分之一的图像进行评估。
附图说明
[0019] 图1为本发明所述的基于图像的空气质量等级评估方法的
流程图；
[0020] 图2为步骤二中用于探究与分析的不同等级的空气质量图像，(a)、(b)、(c)、(d)分别为空气质量为优、轻度污染、重度污染和严重污染的图像。
[0021] 图3为步骤四一中对不同空气质量等级图像的I通道进行边缘检测的图像示例，(a)、(b)、(c)、(d)分别为空气质量为优、轻度污染、重度污染和严重污染的图像。
[0022] 图4为步骤四二中的不同空气质量等级图像的亮度分布直方图示例，(a)、(b)、(c)、(d)分别为空气质量为优、轻度污染、重度污染和严重污染的图像。
[0023] 图5为步骤四三中的不同空气质量等级图像的饱和度分布直方图示例，(a)、(b)、(c)、(d)分别为空气质量为优、轻度污染、重度污染和严重污染的图像。
[0024] 图6为步骤六适用性测试中误差过大的部分图像示例，(a)的真实空气质量等级为良，但评估空气质量等级为严重污染，原因是图像中没有天空区域；(b)的真实空气质量等级为优，但评估空气质量等级为严重污染，原因是图像中只有天空区域；(c)的真实空气质量等级为良，但评估空气质量等级为重度污染，原因是空气湿度为80％；(d)的真实空气质量等级为良，但评估空气质量等级为严重污染，原因是空气湿度为82％。
[0025] 具体实施方式：如图1所示，本实施方式所述的基于图像的空气质量等级评估方法包含以下步骤：
[0026] 步骤一、由于基于图像评估空气质量等级的研究没有公开的图像库，所以我们从网络上选取了100幅具有空气质量等级标签及相关污染物信息的图像，并将这些图像做为模型构建所用的空气质量图像库。
[0027] 步骤二、由于HSI空间更符合人眼的视觉特性，且它的分量相关性远小于RGB空间，所以我们先将空气质量图像库中的图像从RGB空间转移到HSI空间，转换公式如下：
[0028]
[0029]
[0030]
[0031]
[0032] 然后在HSI空间下对不同空气质量等级的图像进行探究与分析。
[0033] 步骤三、由步骤二可知，在HSI空间下，空气污染会对图像的饱和度通道和亮度度通道产生较大影响，而对色度通道所产生的影响并不明显，所以空气污染的确会对图像质量造成影响。同时由于空气污染物中的悬浮颗粒物的存在，使得从物体表面反射的光线遭受到了严重的散射，从而使一部分光线无法到达成像设备中，导致图像质量降低，会出现清晰度下降、边缘模糊、亮度变化不均和饱和度下降等现象，严重破坏了图像的视觉效果。从图像的频域角度来看，由于空气污染会造成图像的边界模糊、灰度分布集中和细节丢失等现象，这也使得图像的频域会出现高频和低频信息丢失较为严重而中频部分保留较多的现象。因此，我们选择将边缘梯度、亮度、饱和度以及频域的能量信息作为依据来评估图像的空气质量等级。
[0034] 步骤四、运用图像处理技术对选定的图像特征进行提取，具体包括：
[0035] 步骤四一、传统的边缘检测方法侧重于灰度图像的边缘检测，而通过灰度图像的检测方法只能检测到彩色图像90％的边缘信息，但仍然有剩下的10％的边缘信息需要利用
颜色信息才能得到。在彩色图像的HSI颜色空间中，彩色图像的边缘是由色度、饱和度和亮度的不连续性造成的，而亮度分量I几乎包含了彩色图像所有边缘信息。所以这里选择在HSI空间下的I(亮度)通道中利用Canny算子来对图像进行边缘检测。
[0036] Canny边缘检测的流程如下：首先使用高斯
滤波器来平滑图像，滤除噪声，其中高斯滤波器核的生成方程式如下：
[0037]
[0038] 其中，x和y分别为模板中心
位置点的横、纵坐标，而标准差σ的大小决定了高斯函数的宽度；然后计算每个像素点的梯度强度与方向，而像素点的梯度强度G与梯度方向θ的表达式如下：
[0039]
[0040]
[0041] 其中Gx和Gy分别代表横向与纵向边缘检测的图像灰度值；再利用非极大值抑制来消除边缘检测所带来的杂散响应，它的主要流程为：将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度大于另外两个像素的梯度强度，则该像素点保留为边缘点，否则该像素点将被抑制；最后利用双
阈值检测来确定真实与潜在的边缘点并将它们连接起来。
[0042] 通过边缘检测可知，随着空气质量等级的下降，所计算出的边缘点的数量越来越少。最后，计算边缘点数量与图像总像素数量的比值，将其作为特征；
[0043] 步骤四二、图像在HSI空间中的I通道代表了图像的亮度通道，当空气质量较好时图像的亮度分布更均匀，而随着空气质量等级的下降，整体亮度越来越向高亮度区域集中。对图像中亮度像素值大于A的像素点进行统计。再计算它与图像总像素数量的比值作为特征。随着空气质量等级的下降它的数值越来越大。为了取得更好的分类效果，A的优选值为
128；
[0044] 步骤四三、图像在HSI空间中的S通道代表了图像的饱和度通道，当空气质量较好时图像整体的饱和度较高，而随着空气质量等级的下降，整体饱和度越来越低。对图像中饱和度像素值小于B的像素点进行统计。再计算它与图像总像素数量的比值作为特征。随着空气质量等级的下降它的数值越来越大。为了取得更好的分类效果，B的优选值为20；
[0045] 步骤四四、使用DCT变换将上述图像中的H、S、I分量分别转换到频域空间，DCT变换的公式如下：
[0046]
[0047]
[0048] 其中，f(i,j)为原始图像中某一点的数值，而原始图像的大小为N*N(一般取N＝8)，这里若原始图像的长与宽不相等时，需要将其补齐后再进行变换；
[0049] 经过DCT变换后，会使图像中能量和系数较大的像素点集中在左上角，而能量和系数较小的像素点集中在右下角，即代表目标图像中的轮廓及灰度分布特征的信息集中体现在左上角，而目标图像的细节特征集中体现在右下角。与图像在空间域的表现相似，经DCT变换后的频域图像同样在饱和度(S)通道和亮度(I)通道受到空气污染的影响较大，而在色度(S)通道的影响并不明显，且由于图像的高频信息的系数较小，提取存在困难。所以只计算S和I通道的频域图像中的低频信息数量与图像总像素点数量的比值作为特征。随着空气质量等级的降低，它的数值变得越来越小。
[0050] 步骤五、将步骤四中所提取的高亮度像素比、低饱和度像素比、I通道的边缘像素比、S和I通道的低频率像素比共五维特征输入到SVM(支撑向量机)中，支撑向量机进行分类的核心思想是将低维空间的线性不可分问题转换至高维空间使其线性可分，在高维特征空间内通过一个
超平面来区分不同的空气质量等级。在实际应用时，需要恰当地选择核函数，由于图像分类问题是线性不可分的，所以本方法选用的是RBF径向基
内核。整体流程为：首先将图像集按照步骤四中的特征提取流程进行特征提取，然后将特征与其所对应的空气质量等级标签一同输入到支撑向量机中进行分类，最后得到空气质量等级的评估模型。
[0051] 步骤六、在上述构建模型的过程中，还需要对模型进行参数优化，是利用图像集通过网格搜索与交叉验证相结合的方法来找到最优参数的。最后要进行性能与适用性的测试。测试结果表明，该方法更适用于对空气湿度适中、首要污染物为颗粒物、图像内容丰富且天空区域占比小于二分之一的图像进行评估。
