[发明专利]一种基于机器学习的能见度测量方法

说明书

本发明公开了一种基于机器学习的能见度测量方法，属于图像处理技术领域，包括提取ROI图像、预处理图像、建立基于二叉树的多分类支持向量机模型，并对样品图像进行处理，解决了传统的采用提取图像的ROI的方法对空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率低的技术问题，利用基于图像频域获取的显著图像，在提取中根据显著区域提取出的兴趣窗格在图片中具有代表性，能充分反映图像的特征，使在兴趣窗格中提取的特征值具有较高的区分性；对于能见度较低的图像需增强边缘信息特征来提高匹配准确率，本发明采用对比度线性展宽增强边缘信息特征，本发明安装简便、价格低廉、灵敏度高、操作简便。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于机器学习的能见度测量方法。

背景技术

大气能见度对于人们生活中的安全出行影响很大，由于雾霾、沙尘等恶劣天气而导致的道路能见度等级过低从而引起的交通事故时有发生，高速公路上团雾的存在也大大增加了人们出行安全的不确定性。因此，及时检测道路能见度等级对于交通安全有着重要的意义，国内外的许多学者也对此进行着深入的研究。器测法和目测法是目前测量能见度等级常用的两种方法，其中利用光学原理中的透射法或散射法的能见度等级仪器测量法应用较为广泛，但这些光学监测器械存在着安装复杂、设备昂贵、灵敏度要求高、操作复杂等不足之处。目测法则存在主观性强、规范性差的问题，其严重限制了气象观测的全面自动化发展。

许茜等通过提取图像的ROI(region of interest)，应用SVR的监督学习方法进行能见度等级检测。Su,Rez S,NchezA等根据城市Avilés的SO2、NO、NO2、CO、PM10、O3的数据构建了基于支持向量机的回归模型，该模型能够很好的预测出城市中主要污染物的依赖性，并且该模型适用于其他城市。

上述方法中存在着较为依赖ROI提取的准确性、受到采集模板图的限制、当大气能见度较差时难以区分天空与道路导致鲁棒性较差等问题。

发明内容

本发明的目的是提供一种基于机器学习的能见度测量方法，解决了传统的采用提取图像的ROI的方法对空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率低的技术问题。

为实现上述目的，本发明采用以下技术方案：

一种基于机器学习的能见度测量方法，包括如下步骤：

步骤1：通过图像拍摄设备采集样本图像，图像拍摄设备将样本图像发送给中心服务器进行处理；

步骤2：中心服务器通过基于显著区域的ROI提取方式对样本图像的ROI图像进行提取；

步骤3：中心服务器对样本图像进行预处理，在样本图像中设定一个目标区域作为检测区域，填充样本图像的小凹陷部分，消除目标区域的小颗粒噪声和增强对比度线性展宽增强边缘信息特征；

步骤4：中心服务器对预处理后的样本图像进行特征值提取，特征值包括图像边缘特征、局部对比度特征和全图透射率，图像边缘特征和局部对比度特征是在ROI图像中进行提取，全图透射率是在样本图像的全局图像中进行提取；

步骤5：中心服务器建立基于二叉树的多分类支持向量机模型，具体包括如下步骤：

步骤S1：选取数个样本图像，提取这些样本图像的特征后，通过支持向量机训练建立能见度检测模型；

步骤S2：将能见度等级分为4类，将选取的样本图像按照能见度等级分为4组图集，每一组图集保存75幅图像；

步骤S3：从每一组图集中随机选取50幅图像，即，一共200幅图像，作为训练样本；将每一组图集中剩余的25幅图像，即，一共100幅图像，作为测试样本；

步骤S4：通过步骤2到步骤4的方法提取所有训练样本和所有测试样本的特征值；