[发明专利]基于图像的空气质量等级检测方法

说明书

本发明公开了一种基于图像的空气质量等级检测方法，属于图像处理技术领域。该方法首先对收集的数据集做彩色空间转换，得到图像的灰度信息和彩色信息。然后提取图像多个尺度的灰度通道和彩色通道局部信息熵，并利用局部信息熵的均值和斜率作为特征。接着利用SVM分类器对图像按照空气质量等级分类，进而得到空气质量等级检测模型。最后完成空气质量等级检测。本发明中所给出方法的空气质量等级估计效果优于现有技术，对日常生活中空气质量监测具有重要意义。

技术领域

本发明涉及一种通过图像检测图像空气质量等级的方法，特别是一种基于图像的空气质量等级检测方法。

背景技术

空气质量等级是衡量空气质量的一个重要指标，主要分为6个等级：优、良、轻度污染、中度污染、重度污染、严重污染，等级越高对人体健康危害越大。目前，空气质量等级是根据6种主要污染物浓度确定的，首先通过精密的仪器测量污染物浓度，然后对6种主要污染物分别计算得出空气质量分等级，最后从各种污染物的空气质量分等级中选择最大确定为空气质量等级，当空气质量等级大于于优时将空气质量分等级最大的污染物确定为首要污染物。主要污染物浓度的检测都需要依赖精密仪器，这些仪器成本较高且需要定期维护。经过观察发现，不同空气质量等级情况下拍摄到的图像，质量上存在明显差异。因此想设计出一种图像检测空气质量等级的方法。目前还没有通过图像检测空气质量等级的方法，该方法可以认为是无参考图像质量评价的一种延伸应用，所以尝试将无参考图像质量评价相关技术应用到该方法中。近些年经典的无参考图像质量评价方法主要分为以下两类：

(1)基于传统的机器学习方法。人工提取特征通过传统的机器学习训练得到无参考图像质量评价模型。这类方法一般使用的机器学习方法有SVM、随机森林等，能够区分图像质量差异的图像特征有很多，如：利用广义高斯分布拟合了图像的统计特性，并将得到的参数作为特征；提取图像的局部信息熵作为特征；提取了DCT系数Kurtosis值、各向异性熵最大值特征；利用图像梯度等信息作为特征；提取了图像的彩色度、锐利度和对比度特征；采用NSS特征的非高斯性、局部依赖性和指数衰减特性；提取局部NSS特征，由稀疏表示学习算法得到的质量感知滤波器进行特征编码；

(2)基于深度学习方法。这类方法分为两种类型，一种是将提取好的特征输入神经网络中，如：将边缘幅值、边缘长度、背景活跃度和背景亮度等视觉特征输入到单层前馈神经网络中；将相位一致性图像均值、熵和图像梯度等特征输入到广义回归神经网络中。另一种是直接将图像输入到神经网络框架中，由框架进行特征学习得到无参考图像质量评价模型。

目前，国内通过在各个城市设立若干监测站来检测整个城市的空气质量情况，各个监测站工作人员每天使用各种仪器检测空气中六种污染物的浓度并折算成相应的空气质量等级公布在官网上。仪器的购买和定期维护使得空气质量监测成本较高，且通过设立监测站的方式检测整个城市的空气质量是粗粒度的，不能很好的反映城市每个角落的空气质量。

发明内容

本发明的目的在于提供一种基于图像检测空气质量等级的新方法。

实现本发明的目的的技术解决方案为：一种基于图像检测空气质量等级的新方法，包括以下步骤：

步骤1、将收集的原始图像集从RGB空间转换到Lab空间；

步骤2、提取图像L通道的空间域局部信息熵；

步骤3、对转换成Lab空间的图像做分块DCT变换；

步骤4、对步骤3得到的分块DCT变换后图像进行频域局部信息熵提取；

步骤5、对步骤2和步骤4中得到的局部信息熵进行均值计算和斜率拟合处理，得到对应的均值和斜率；

步骤6、对收集的原始图像集进行2倍下采样操作，并将下采样后的图像集从RGB空间转换到Lab空间，之后重复步骤2至步骤5的操作，得到相应的均值和斜率；