一种基于图像质量的PM2.5浓度测量方法与流程

技术领域：
：本发明涉及图像质量评价应用领域，尤其涉及一种基于图像质量的pm2.5浓度测量方法。
背景技术：
：：近几十年来，高速工业化为人们带来便利的同时，也造成很多消极的影响，比如环境污染，资源短缺，生态破坏。在这些影响中，由人或自然造成的环境污染，超越环境的自净化能力，使得极其危险的物质进入我们的生活环境。土壤、水和大气污染是三个典型的污染问题。相比前两者，大气污染是最危险，而且容易导致整个社会进入恐慌，因为大气无处不在，受污染的空气恶化了人类的健康。空气污染的主要原因，主要包括车辆排放的有害气体和颗粒物，一些人类的活动，如炼钢、炼油及药品的制造，以及石油、煤炭和天然气等的燃烧排放。六种常见的空气污染物包括no2、so2、o3、co、pm2.5(细颗粒物质)和pm10(可吸入pm)。前四种气体污染物当浓度超过一定程度时，容易导致呼吸道炎症和神经系统失调。相比之下，剩下的两种颗粒物是指气动直径较小的颗粒，小于或等于2.5和10μm。很明显，pm2.5是pm10的组成部分，其指数小于pm10。细颗粒物很容易侵入人体的肺部，很难清洗干净。如果长期暴露在高浓度pm2.5环境中，公众的发病率和死亡率将会急剧增加。目前，针对细颗粒物pm2.5监测的方法主要包括重量法、微量振荡天平法及β射线法等物理方法，因此只适用于某些特定的场合，在现实中是很难被广泛使用的。因此，监测pm2.5的浓度以及研发相关的检测方法越来越受到重视。技术实现要素：：为了解决上述问题，本发明提供了一种基于图像质量的pm2.5浓度测量方法，在没有任何天气信息的情况下，基于自然场景统计特性提取pm2.5图像的颜色，对比度及结构方面的特性，利用随机森林进行质量评价，即得出pm2.5浓度的值，并且该pm2.5图像的预测值与实际的pm2.5值一致性很高，能够准确地对pm2.5浓度进行检测。为实现上述目的，本发明提出一种基于图像质量的pm2.5浓度测量方法，包括如下步骤：a、利用自然场景统计特征提取待测图像的色调、饱和度及暗通道特性这三方面的特征来衡量图像在颜色方面的失真；b、提取待测图像中三个颜色通道的对比度能量来衡量图像在对比度方面的失真；c、利用自由能和结构退化模型之间的线性关系及自由能，提取待测图像局部结构统计特征；d、利用广义高斯分布函数提取待测图像的全局结构统计特征，结合步骤c中局部结构统计特征来衡量图像在结构方面的失真；e、根据步骤a～d中提取的相关特征参数，利用随机森林机器学习工具进行回归训练，根据训练模型得到待测图像的pm2.5浓度值。优选的，所述步骤a中色调特征的提取方法包括：将待测图像由rgb空间转换到对抗颜色空间，其中红绿通道rg转换的公式为：黄蓝通道的转换公式为：因此，颜色信号主波长的色调为：其中r，g，b为三个颜色通道的颜色值；基于每幅图像中的内容和颜色都存在差别，用空间域的相对色调描述图像色调的统计特性，通过相邻像素色调的角度差得出，其公式为：其中，为角度差操作符，取值范围为[-π，π]，(i，j)表示图像中的位置；使用柯西分布模型对图像相对色调δhue进行拟合，得到相对色调的概率强度为：其中，γh表示一个随机变量，μh表示位置参数，由柯西分布模型拟合得到，ξh表示尺度参数，由柯西分布模型拟合得到；同时计算输入角度的环形峰值kh，其公式为：其中，θh为一个角度随机变量，η定义为：利用μh，ξh及kh这三个特征结合水平和垂直两个方向共得到六个基于色调的特征分别标记为f1，f2，f3，f4，f5，f6。优选的，所述步骤a中饱和度特征的提取方法为：将待测图像由rgb空间转换到hsv颜色空间，得到饱和度计算公式为：其中x(m，n)是r(m，n)，g(m，n)，b(m，n)三个通道的最大值，y(m，n)是r(m，n)，g(m，n)，b(m，n)三个通道的最小值，m，n分别代表水平和垂直像素数；基于饱和度s计算其均值m(s)＝mean(s)，和信息熵其中：mean是均值函数，p(i，j)为饱和度概率分布；将提取的饱和度均值m(s)和饱和度信息熵e(s)标记为特征{f7，f8}。优选的，所述步骤a中暗通道特性为饱和度暗通道，其公式为：其中min()函数是最小值操作符；将饱和度暗通道idark(s)标记为特征f9。优选的，所述步骤b中三个颜色通道的对比度能量计算公式为：其中a为y(if)的最大值，b控制对比度增益，φf为控制对比度噪声的阈值，y(if)＝((ik×fh)2+(ik×fv)2)1/2，i表示图像信号，ik表示滤波器在第k个方向过滤得到的图像信号，fh和fv分别表示高斯函数的水平和垂直二阶导数，f＝gr，yb，rg是图像i的三个通道，且gr＝0.299r+0.587g+0.114b，yb＝0.5*(r+g)-b，rg＝r-g；因此得到对比度能量的三个特征cgr，cyb，crg分别标记为f10，f11，f12。优选的，所述步骤c中局部结构特征提取包括自由能提取及退化模型特征提取；所述自由能的定义公式为：其中v表示视觉信号，s是参数向量，q(s|v)表示后验概率分布；对于待测图像而言，自由能代表能量的最小值，故而其定义为基于退化模型描述失真图像在空间频率域的变化，以捕获失真图像与原始图像之间的相似性，基于退化模型与自由能之间的线性关系，通过二维循环对称高斯权函数计算结构相似性，计算公式为w＝(w(k，l)|k＝-k，...，k，l＝-l，...，l)，其中(k，l)分布取值(1，1)，(3，3)和(5，5)，基于这三个取值计算获得三个特征值，同时结合自由能e(v)形成四个局部结构特征，分别标记为f13，f14，f15，f16。优选的，所述步骤d中全局结构特征的提取包括：利用广义高斯分布函数捕获图像失真偏差，其中广义高斯函数为：其中，μ表示均值，α表示形状参数，控制高斯函数的分布，β表示尺度参数，为γ函数，σ为方差；零均值的广义高斯分布函数为：对于待测图像，广义高斯函数拟合归一化亮度系数的一对值(α，σ2)表示全局结构特性，标记为f17，f18。优选的，步骤e中，基于随机森林工具箱作为回归训练工具，对提取的18个特征集向量f＝{f1，f2，f3，f4.··f18}进行训练，训练过程中第i个节点的第t棵决定树的客观函数定义为：其中ti为控制训练第i个节点的随机数量，gi定义为pi是训练节点i的训练样本数量，pil和pir分别代表左和右分集，ηs是概率线性拟合的条件协方差矩阵；预测的pm2.5浓度值通过将t棵回归树的输出进行求平均得出：本发明的有益效果在于：本发明与当前主流的质量评价算法相比，针对pm2.5图像的特性，基于自然场景统计特性提取颜色、对比度及结构方面的特征，符合真实的pm2.5浓度对图像质量的影响，比以往的质量评价算法更有效，而且与传统的pm2.5浓度物理检测方法相比，此方法简单，高效，可广泛地应用于不同场合的pm2.5浓度检测。附图说明：图1为本发明实施例中pm2.5浓度测量方法的原理框架图；图2为本发明实施例中pm2.5浓度测量方法的流程图；图3为本发明实施例中pm2.5浓度图像的饱和度概率分布图；图4为本发明实施例中随机森林工具箱的训练示意图。具体实施方式：下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1～2所示，一种基于图像质量的pm2.5浓度测量方法，包括如下步骤：a、利用自然场景统计特征提取待测图像的色调、饱和度及暗通道特性这三方面的特性来衡量图像在颜色方面的失真；b、提取待测图像中三个颜色通道的对比度能量来衡量图像在对比度方面的失真；c、利用自由能和结构退化模型之间的线性关系及自由能，提取待测图像局部结构统计特征，描述图像局部结构统计性的失真；d、利用广义高斯分布函数提取待测图像的全局结构统计特征，描述图像全局自然结构方面的失真；e、根据步骤a～d中提取的相关特征参数，利用随机森林工具箱进行回归训练，根据训练模型得到待测图像的预测pm2.5浓度值。图像的颜色包括色调，饱和度及暗通道三个部分，其中色调在图像质量评价中起到非常重要的作用，因为色调的失真将对视觉质量产生强烈的视觉影响。通过观察相邻像素的联合概率分布图，可以发现高保真自然图像的联合密度主要集中在对角线轴，表示两个相邻像素的色调值是高度相关的。当图像遇到失真时，这种联合分布将被改变的，因此可以用色调来衡量图像质量的变化。为了计算色调，对抗颜色空间用来解除rgb颜色空间各颜色通道的相关性。将图像从rgb空间转换到对抗颜色空间，其中红绿通道rg转换的公式为：黄蓝通道的转换公式为：因此，颜色信号主波长的色调为：其中r，g，b为三个颜色通道的颜色值；因为每一幅图像中的内容和颜色都存在差别，用空间域的相对色调描述图像色调的统计特性，通过相邻像素色调的角度差得出，其公式为：其中，(i，j)表示图像中的位置，为角度差操作符，取值范围为[-π，π]；基于实验发现，自然图像的相对色调是呈单份循环分布，故而使用柯西分布模型对待测图像的相对色调δhue进行拟合，得到相对色调的概率强度为：其中，γh表示一个随机变量，属于一个已知参数，μh表示位置参数，由柯西分布模型拟合得到，ξh表示尺度参数，由柯西分布模型拟合得到；同时计算输入角度的环形峰值kh，其公式为：其中，θh为一个角度随机变量，η定义为：利用μh，ξh及kh这三个特征去衡量图像颜色的失真情况，同时利用水平和垂直两个方向共得到六个基于色调的特征μh1，ξh1，kh1，μh2，ξh2，kh2分别标记为f1，f2，f3，f4，f5，f6。对于饱和度特征的提取，根据实验发现hsv颜色空间比rgb颜色空间能更有效地反应pm2.5图像的饱和度随pm2.5浓度值的变化(如图3所示)，将待测图像由rgb空间转换到hsv颜色空间，得到饱和度计算公式为：其中x(m，n)是r(m，n)，g(m，n)，b(m，n)三个通道的最大值，y(m，n)是r(m，n)，g(m，n)，b(m，n)三个通道的最小值，m，n分别代表水平和垂直像素数；然后计算饱和度的均值和信息熵，其中：饱和度s的均值m(s)＝mean(s)；饱和度s的信息熵其中：meam是均值函数，p(i，j)为饱和度概率分布；将提取的饱和度均值m(s)和饱和度信息熵e(s)标记为特征{f7，f8}。在图像处理中，高质量的图像呈现暗通道特性，受pm2.5浓度的影响，图像的暗通道属性也会受到影响，因此定义饱和度的暗通道为：其中min()函数是最小值操作符，将饱和度的暗通道idark(s)标记为特征f9。在对比度特性中，在人眼对pm2.5图像的感知中，对比度起着非常重要的作用，本发明通过提取对比度能量来描述pm2.5图像。使用高斯二阶导数过滤器对图像进行分离，对整个滤波器的响应进行了整流和调整，分裂归一化是用来建立视觉皮层的非线性对比增益的控制。三个颜色通道的对比度能量计算公式为：其中a为y(if)的最大值，b控制对比度增益，φf为控制对比度噪声的阈值，y(if)＝((ik×fh)2+(ik×fv)2)1/2，i表示图像信号，ik表示滤波器在第k个方向过滤得到的图像信号，fh和fv分别表示高斯函数的水平和垂直二阶导数，f＝gr，yb，rg是图像i的三个通道，且gr＝0.299r+0.587g+0.114b，yb＝0.5*(r+g)-b，rg＝r-g；因此得到对比度能量的三个特征cgr，cyb，crg分别标记为f10，f11，f12。图像的结构特性包括局部结构特性和全局结构特性，其中局部结构特征的提取是基于自由能与退化模型之间存在的线性关系进行提取；首先使用有参的内部生成模型，通过调参推测输入的信号，联合分布函数定义为：-logp(v)＝-log∫p(v，s)ds，其中v是给定的视觉信号，s是参数向量，为了简化计算，在公式右边的分子和分母同时添加辅助项，联合概率分布函数重写为：其中q(s|v)表示后验概率分布；对该公式利用詹森不等式得到如下公式：将该公式的右边定义为自由能，即：对于待测图像而言，自由能代表能量的最小值，故而其定义为基于退化模型描述失真图像在空间频率域的变化，以捕获失真图像与原始图像之间的相似性，基于退化模型与自由能之间的线性关系，通过二维循环对称高斯权函数计算结构相似性，计算公式为w＝(w(k，l)|k＝-k，...，k，l＝-l，...，l)，其中(k，l)分布取值(1，1)，(3，3)和(5，5)，基于这三个取值计算获得三个特征值，同时结合自由能e(v)形成四个局部结构特征，分别标记为f13，f14，f15，f16。而对于全局结构特性，基于自然图像的自然场景统一特性，高质量图像的归一化亮度系数mscn呈现出高斯分布，而这种统计特性被图像失真所破坏，广义高斯分布函数能够捕获这种偏差。利用广义高斯分布函数捕获图像失真偏差，其中广义高斯函数为：其中，μ表示均值，α表示形状参数，控制高斯函数的分布，β表示尺度参数，为γ函数，σ为方差；零均值的广义高斯分布函数为：对于待测图像，广义高斯函数拟合归一化亮度系数的一对值(α，σ2)表示全局结构特性，标记为f17，f18。如图4所述，在获取上述18个图像特征后，基于随机森林工具箱作为回归训练工具，对提取的18个特征集向量f＝{f1，f2，f3，f4···f18}进行训练，训练过程中第i个节点的第t棵决定树的客观函数定义为：其中ti为控制训练第i个节点的随机数量，gi定义为pi是训练节点i的训练样本数量，pil和pir分别代表左和右分集，ηs是概率线性拟合的条件协方差矩阵；预测的pm2.5浓度值通过将t棵回归树的输出进行求平均得出：为了更好地验证本发明检测pm2.5浓度值的有效性，将本发明方法与与其他通用型图像质量评价算法、对比度质量评价算法和通用型清晰度图像质量评价算法在pm2.5图像数据库上进行测试。评价方法的性能指标，包括：1)皮尔森线性相关系数(plcc)，用于定量衡量评价算法的准确性；2)均方误差根(rmse)为非线性回归后的标准差，用于定量度量衡量评价算法一致性程度；3)spearman相关系数(srcc)，用于衡量衡量评价算法的单调性。4)kendal1相关系数(krcc)，也用于衡量评价算法的单调性。其中rmse的值越小代表算法的性能越好，plcc，srcc，krcc的值越大，代表算法的性能越好。实验采用aqid图像数据库，该图像库包含750幅含有不同pm2.5浓度的图像，图像的pm2.5的浓度值来自位于北京的美国大使馆的检测数据，整个数据库浓度值从1到423μg/m3，浓度值越高代表空气质量越差。下面为具体的对比内容利用自然高质量图像在空间域的自然场景统计性评价图像质量，该方法记为niqe；利用自由能和人类视觉系统提取23个视觉特征来评价图像质量，该方法记为nferm；利用自然场景统计和局部清晰度来评价图像质量，该方法记为bqic；下面就把本发明方法与这三种通用型图像质量评价方法在aqid图像数据库做实验进行对比，结果如表1所示：表1本发明方法与通用图像质量评价算法在aqid图像数据库的实验结果评价指标niqe方法nferm方法bqic方法本发明方法plcc0.07730.20200.52480.8082srcc0.03820.17260.50370.8177krcc0.02510.11470.34740.6115rmse87.593086.836474.209651.5973利用离散切比雪夫矩来评价图像的清晰度，该方法记为bible；利用离散小波变换，计算小波子带的能量，并加权子带能量得出图像的质量评价分数，该方法记为fish；通过计算局部自回归系数的能量和对比度差异进行图像清晰度的评价，该方法记为asirm；下面就把本发明方法与这三种通用型清晰度图像质量评价方法在aqid图像数据库做实验进行对比，结果如表2所示：表2本发明方法与清晰度质量评价算法在aqid图像数据库的实验结果评价指标bible方法fish方法arism方法本发明方法plcc0.12500.46870.29900.8082srcc0.08020.41060.21920.8177krcc0.05370.27840.14720.6115rmse87.167177.607783.836451.5973该利用均值，方差，信息熵，峰值，偏斜度等特征评价图像的对比度，方法记为cdiqa；利用清晰度，亮度，颜色和自然性等特征评价图像的质量，该方法记为biqme；基于信息量最大化评价图像的对比度，该方法记为niqmc；下面就把本发明方法与这三种主流的对比度图像质量评价方法在aqid图像数据库做实验进行对比，结果如表3所示：表3本发明方法与图像对比度质量评价算法在aqid图像数据库的实验结果由表1，表2和表3可以看出，本发明不论与主流清晰度、对比度图像质量评价方法还是和通用型图像质量评价方法相比，在aqid图像数据库中的效果都是最好的，而且本发明的rmse值均低于相比较的算法，plcc、srcc和krcc值均明显高于其他比较的方法，说明了本发明在评价图像质量上具有很高的准确性和稳定性。通过提取图像的梯度相似性和饱和度映射图的分布形状来检测pm2.5的浓度值，该方法记为yue；通过分析pm2.5图像的非显著性区域的饱和度的概率分布来检测pm2.5的值，该方法记为ipps；下面就把本发明方法与这两种主流的pm2.5浓度检测的评价方法在aqid图像数据库做实验进行对比，结果如表4所示：。表4本发明方法与pm2.5质量评价算法在aqid图像数据库的实验结果评价指标yue方法ipps方法本发明方法plcc-0.80110.8082srcc0.7823-0.8177krcc0.58090.61020.6115rmse57.690052.20051.5973由表4可以看出，本发明方法和专门针对pm2.5预测的算法相比，在算法的准确性和一致性方面均优于它们。根据国际视频图像质量专家组的意见，客观评价分数与主观分数呈现非线性关系，所以本发明采用五参数非线性回归方程对预测与真实的pm2.5值进行非线性回归，其中，s代表预测的pm2.5浓度值，选择最优的和使得f(s)与实际pm2.5浓度值的误差最小。为了验证本发明算法中所用的三方面的特征信息，分别测试了每个方面的特征信启、在aqid图像数据库的性能和本发明的三个方面的特征组合在aqid能指标，具体参见表5：表5组成本发明方法的三种特征在aqid图像数据库的实验结果评价指标颜色信息对比度信息结构信启、本发明的方法plcc0.79220.61000.47500.8082srcc0.79570.58430.44200.8177krcc0.59120.40850.30410.6115rmse52.994769.238676.703951.5973由表5可以看出，本发明方法选取三个方面特征信息组合的必要性。下面就把本发明采用的机器学习方法训练与其他的机器学习方法训练(支持向量回归和随机子空间)进行对比，结果如表6所示：表6利用不同机器学习方法训练在aqid图像数据库的实验结果评价指标支持向量回归随机子空间随机森林plcc0.78730.77620.8033srcc0.78700.79830.8134krcc0.58760.58520.6085rmse53.456374.354152.3189由表6可以看出，不同的机器训练工具在aqid上的结果差异，也说明本发明方法选取随机森林的原因，能够取得更高的准确性和一致性。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。当前第1页12