[发明专利]一种基于机器学习的能见度测量方法

摘要

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。

主权项

1.一种基于机器学习的能见度测量方法，其特征在于：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，并对样品图像进行处理，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；步骤S5：中心服务器构建出基于最优二叉树的支持向量机模型，将并将训练样本和测试样本带入所述基于最优二叉树的支持向量机模型，对空气质量良好、轻度污染、中度污染、重度污染进行分类测试，在所述基于最优二叉树的支持向量机模型中，每个最优二叉树分类器的内积核函数均采用径向基核函数，内积核函数的宽度和误差惩罚参数C将通过对每个结点处样本集的交叉验证来调节。