一种图像解析大气能见度方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及一种图像解析大气能见度方法。
【背景技术】
[0002] Steffens C[1]最早提出了一种利用照相法来测量能见度的思路，这种方法的独特 之处在于它借助照相机拍摄黑色物体，再对比照片中目标物与背景物的相对亮度，从而推 算得出能见度，由于这个过程中从拍照、冲洗照片、选定目标物与背景物的亮度对比，都是 手工完成，所以该方法不仅繁琐、耗费时间，准确度也难以得到保证。随着计算机技术、数字 摄影技术的迅速发展与广泛应用。Thomas Legal等人[2]于1994年，用数字化相机实时测量 能见度的简单实验结果，但未对所获结果的可靠性及测量过程中所采用计算公式的适用条 件做出严格说明，从能见度测量角的基本理论，阐明了数字摄影技术测量气象能见度的原 理，并用该方法与已有的可靠方法对比试验检验该方法的可行性，但是在研究从取图到目 标的定位和相对亮度计算全部自动化方面仍需努力。1999年，我国中国科学院院士周秀骥 等人[3]提出数字摄影法测量气象能见度的构想，其原理是通过数字摄影设备摄取既定目标 及背景图像，然后由计算机对获取的信息进行分析处理，但这种方法对目标物的要求较高， 在能见度较差的情况下计算误差较大。此后，陶善昌等人[4]在此基础上，利用双亮度方差算 法推算能见度。2009年，陈文兵等人[5]对图像边缘进行处理，利用图像边缘梯度、对比度、 亮度等图像内部特征定量判定地面预设目标的可见性，从而获得能见度。同年，陈启美等人 提出结合人眼模拟和曲线拟合的基于路况视频的能见度监测算法。该方法误差较小，具有 良好的鲁棒性，监测精度高[6]。之后陈启美等人又提出一种无需人工标记的视频对比道路 能见度检测算法，该方法通过比对分析车道分割线提取兴趣区域确保所选择的像素保持高 度一致，将像素与其四邻的对比度进行对比，当取得最大值大于给定阈值时，认定该数值为 人眼可分辨相熟，采用摄像机标定的方式来计算距离摄像设备最远的可视像素 m。2011年， 张潇等人M又对该方法进行改进，利用基于Nagao滤波的区域增长算法得到路面区域，提 取反应路面亮度变化的对比度曲线，并分析曲线特征点，通过消光系数计算图像中人眼可 分辨的最远像素，结合摄影设备标定来换算能见度。
[0003] 上述方法中对于兴趣区域的选择为人工选择，并未对兴趣区域的优化给出合适的 解决方案。在研究从取图到目标的定位和相对亮度计算全部自动化方面仍需努力。且存在 对设备要求高、解算方法复杂、需要人工操作等问题。
【发明内容】
[0004] 本发明的目的在于提供一种图像解析大气能见度方法，解决了现有的方法对于兴 趣区域的选择为人工选择，并对兴趣区域的优化给出合适解决方案的问题。
[0005] 本发明所采用的技术方案是：
[0006] 步骤1 :对同一时间段的原始视频转成图像，每五分钟截取一张图片，图像转成灰 度值图像，进而按像素分窗，每个窗格中有13*13个像素；
[0007] 步骤2:选择兴趣区域，计算每个窗格灰度值的笼平均值，σ均方差，
四个因子，其中最大平均值^与最大均方差σ_采用能见度最佳的图像对应该值，对每 个窗格时间序列上的因子分别与观测能见度值做相关分析，求出相关系数，选取相关系数 大于〇. 9的窗格做为兴趣区域，如果相关性均小于0. 9或大于0. 9的窗格较多则选取相关 系数前5个窗格做为兴趣窗格，分别用3窗、4窗、5窗这三种窗格数对应的四个因子分别与 能见度观测值建立多元线性模型计算出12个线性回归模型，再将四个因子分别代入12个 线性回归模型中计算出模拟能见度的结果；
[0008] 步骤3 :选择最优因子与最优兴趣区域；通过这12个线性回归模型计算能见度后， 与观测值进行比较验证，计算模拟值与观测值的平均误差，选取误差最小的窗格数时对应 窗格做为最优兴趣区域，选取误差最小的因子做为最优建模因子进行建模，通过模型得到 大气能见度结果。
[0009] 本发明的有益效果是通过监控探头或手机摄像头拍摄的视频或图像测算大气能 见度。通过固定监控设备以及移动摄影设备的视频与图像测算能见度。并实现对于兴趣区 域的选择自动化，简易化，精确化。
【附图说明】
[0010] 图1为本发明一种图像解析大气能见度方法流程示意图；
[0011] 图2是本发明解析效果示意图；
[0012] 图3是实验中1至IOkm能见度水平的模拟（2014-7-15:45--2014-7-110:00) 时间段示意图。
【具体实施方式】
[0013] 下面结合附图对本发明进行说明。
[0014] 本发明方法如图1所示，包括以下步骤：
[0015] 步骤1 :数据预处理；对同一时间段的原始视频转成图像，每五分钟截取一张图 片；图像转成灰度值图像，进而按像素分窗，每个窗格中有13*13个像素，通过MATLAB程序 实现；
[0016] 步骤2:选择兴趣区域，计算每个窗格灰度值的i (平均值），σ (均方差），
，即四个因子。其中最大平均值与最大均方差σ_采用能见度最佳的图 像对应该值。对每个窗格时间序列上的因子分别与观测能见度值做相关分析，求出相关系 数，选取相关系数大于〇. 9的窗格做为兴趣区域，如果相关性均小于0. 9或大于0. 9的窗格 较多则选取相关系数前5个窗格做为兴趣窗格。分别用3、4、5三种窗格数（3窗与4窗均 是采用相关系数较大的窗格）对应的四个因子分别与能见度观测值建立多元线性模型计 算出12个线性回归模型（利用SPSS建立线性回归模型），再将四个因子分别代入回归模型 中计算出模拟能见度的结果。见表1。
[0017] 表1.窗格数与因子组合建模
[0018]
[0019] 步骤3:选择最优因子与最优兴趣区域。依照步骤2,通过这12个线性回归模型 计算能见度后，与观测值进行比较验证，计算模拟值与观测值的平均误差，选取误差最小的 窗格数时对应窗格做为最优兴趣区域，选取误差最小的因子做为最优建模因子。则对应的 模型则作为自主开发的模型测算方法。得到大