基于图像的雾霾PM2.5值估计方法与流程

技术特征：

1.一种基于图像的雾霾PM2.5值估计方法，其特征是，包括以下步骤：

1)利用手持相机和霾表对天空或者半天空采集雾霾图像及记录其对应的PM2.5值，PM2.5为细颗粒物又称细粒、细颗粒；

2)利用VGG-NET的fc7层对采集到的图像进行特征提取，得到特征矩阵A，VGG-NET为含有19层的深度卷积神经网络，fc7层为VGG-NET的倒数第二个全连接层，特征矩阵A是由VGG-NET多次的卷积、池化得到的；

3)将特征矩阵A及其对应的PM2.5值数据作为训练集U；

4)利用交叉验证算法将步骤2)得到的特征矩阵A以及其对应的PM2.5值寻找最佳参数c和g，c是惩罚系数，g是核函数的半径；

5)由步骤4)得到的最佳c、g和步骤3)得到的训练集U，通过支持向量回归SVR(Support Vector Regression)进行训练，得到训练模型；

6)用户通过手机等摄影设备对着全天空或者半天空采集一张测试图片，上传至服务器端；

7)在服务器端，系统通过VGG-NET的fc7层对由步骤6)用户采集到的图片进行特征提取，得到特征向量T；

8)通过步骤5)得到的训练模型以及结合步骤7)得到的特征向量T，进行PM2.5值的预测；

9)将由步骤8)得到的PM2.5的预测值返回给用户客户端。

2.如权利要求1所述的基于图像的雾霾PM2.5值估计方法，其特征是，其中，步骤2)具体步骤细化为：

2-1)将训练集图像和训练集图像的尺寸设置为224×224；

2-2)将步骤2-1)设置好的图片送入VGG-NET中进行特征提取，第一到十六层均为3x3的卷积层，其中第一二层的过滤器为64个，三四层的过滤器为128个，五到八层的过滤器为256个，九到十六层过滤器为512个，得到特征图feature maps；

$x_j^l={\Σ}_{i\∈M_j}{x}_i^{l-1}*k_{ij}^l+b_j^l---\left(1\right)$

其中，M_j表示选择的输入特征图的集合，l是层数，i表示为x方向的序列号，j表示y方向的序列号，即(i,j)指的是卷积核的位置，表示为第l层(i，j)位置上卷集核的参数，b为偏置项，为特征图feature maps；

2-3)在第二三层中间，四五层中间，八九层中间，十六十七层中间，均有下采样操作maxpool，即对邻域内特征点取最大，

$x_j^l={\mathrm{\β}}_j^{l}down\left(x_i^{l-1}\right)+b_j^l---\left(2\right)$

其中，down(.)为下采样函数，l是层数，i表示为x方向的序列号，j表示y方向的序列号，即(i,j)指的是卷积核的位置，为特征图feature maps，每个输出特征图都对应一个属于自己的乘性偏置β和一个加性偏置b。