本發(fā)明涉及一種基于霧天圖像的PM2.5估計(jì)方法，屬于空氣質(zhì)量監(jiān)測(cè)領(lǐng)域。

背景技術(shù)：

隨著我國(guó)經(jīng)濟(jì)社會(huì)的快速發(fā)展，以煤炭為主的能源消耗大幅攀升，機(jī)動(dòng)車(chē)保有量急劇增加，我國(guó)大部分地區(qū)PM2.5污染形勢(shì)不容樂(lè)觀(guān)。據(jù)世界衛(wèi)生組織(WHO)最近發(fā)布的全球污染地圖，高達(dá)92％的全球人口生活在空氣質(zhì)量不達(dá)標(biāo)的地區(qū)，而中國(guó)僅有青藏高原空氣質(zhì)量達(dá)標(biāo)。同時(shí)，PM2.5還會(huì)對(duì)人體健康造成危害：氣象專(zhuān)家和醫(yī)學(xué)專(zhuān)家認(rèn)為，由細(xì)顆粒物造成的灰霾天氣對(duì)人體健康的危害甚至要比沙塵暴更大。粒徑大于2.5微米以下的細(xì)顆粒物會(huì)被人體自身的免疫系統(tǒng)阻擋在身體之外，而粒徑在2.5微米以下的細(xì)顆粒物被人體吸入后會(huì)直接進(jìn)入支氣管，對(duì)呼吸系統(tǒng)和心血管系統(tǒng)造成傷害，包括呼吸道受刺激、咳嗽、呼吸困難、降低肺功能、加重哮喘、導(dǎo)致慢性支氣管炎、心律失常、非致命性的心臟病、心肺病患者的過(guò)早死。

我國(guó)目前測(cè)量PM2.5的方式主要依賴(lài)于數(shù)量有限的精密設(shè)備：即在每個(gè)城市設(shè)定固定的監(jiān)測(cè)點(diǎn)，在固定的時(shí)間段采用物理檢測(cè)的方法更新PM2.5數(shù)據(jù)，這樣的檢測(cè)方法不僅成本高，實(shí)時(shí)性較差，同時(shí)也會(huì)耗費(fèi)更多的人力。而且由于設(shè)備價(jià)格昂貴，一個(gè)城市只能布設(shè)少數(shù)的監(jiān)測(cè)點(diǎn)，無(wú)法實(shí)現(xiàn)城市全區(qū)域的PM2.5檢測(cè)。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域的成功運(yùn)用，使得圖像對(duì)PM2.5污染物的測(cè)量得以實(shí)現(xiàn)。其中，專(zhuān)利《基于無(wú)參考圖像清晰度評(píng)價(jià)的PM2.5濃度檢測(cè)儀》(申請(qǐng)?zhí)枺?01410200873.7)提出了利用紅外相機(jī)的檢測(cè)方法，利用紅外相機(jī)拍攝多張不同距離的照片，然后利用紅外線(xiàn)測(cè)量技術(shù)以及相對(duì)距離分析得到圖像深度，最終利用邊緣模糊程度來(lái)估測(cè)PM2.5。該方法涉及紅外相機(jī)，成本較高，不適合大規(guī)模的城市PM2.5監(jiān)測(cè)；專(zhuān)利《一種基于深度學(xué)習(xí)的PM2.5污染物測(cè)量方法》(申請(qǐng)?zhí)枺?01410645121.1)通過(guò)對(duì)霧天圖像的分析獲取PM2.5濃度值，其本質(zhì)是利用一個(gè)神經(jīng)網(wǎng)絡(luò)直接發(fā)掘霧天圖像與PM2.5之間的關(guān)系。該方法的可實(shí)施性較差，原因如下：首先，一張圖片至少有接近萬(wàn)級(jí)的像素點(diǎn)，直接將一張圖像作為輸入，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)，不僅容易發(fā)生維度災(zāi)難，其計(jì)算量也是無(wú)法想象的，在訓(xùn)練網(wǎng)絡(luò)時(shí)對(duì)GPU的處理能力要求高，而且訓(xùn)練時(shí)間較長(zhǎng)；其次，一張圖像包含了大量的信息，因此尋找一張圖像與PM2.5的相關(guān)性難度較大，需要設(shè)計(jì)開(kāi)發(fā)具有較強(qiáng)抗干擾能力的特征提取算法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明技術(shù)解決問(wèn)題：克服現(xiàn)有技術(shù)的不足，提出一種基于霧天圖像的PM2.5估計(jì)方法，該方法首先對(duì)圖片先進(jìn)行特征提取，有效地將多余信息去除，并通過(guò)算法求取出與PM2.5直接相關(guān)的量，更有針對(duì)性，有更高的可施行性。

本發(fā)明技術(shù)解決方案：一種基于霧天圖像的PM2.5的估計(jì)方法，包括步驟如下：

步驟一：利用卷積神經(jīng)網(wǎng)絡(luò)，將霧天圖像中的透射率提取出來(lái)；

步驟二：利用多尺度深度網(wǎng)絡(luò)估計(jì)霧天圖像的深度信息；

步驟三：根據(jù)現(xiàn)已知的霧天圖像大氣散射模型，利用步驟一與步驟二中得到的透射率與深度信息，求得與PM2.5及空氣質(zhì)量直接相關(guān)的大氣散射系數(shù)β；最后利用數(shù)據(jù)挖掘方法確定β與PM2.5之間的關(guān)系。

所述步驟一中，卷積神經(jīng)網(wǎng)絡(luò)中的各層結(jié)構(gòu)以及具體操作如下：

(1)合成樣本數(shù)據(jù)以及預(yù)處理操作：樣本數(shù)據(jù)為人工合成的霧天圖像，即利用公式I(x)＝J(x)t(x)+α(1-t(x))，在清晰圖像的基礎(chǔ)上合成霧圖，并做去噪、圖像分割、像素歸一化處理。公式中J(x)為清晰圖像、t(x)即為透射率、α為全球大氣光成分、I(x)即為人工合成的霧天圖像；

(2)特征提?。壕矸e神經(jīng)網(wǎng)絡(luò)的第一層操作是特征提取，即利用最大輸出單元作為非線(xiàn)性映射，通過(guò)自學(xué)習(xí)的方式提取圖像中暗通道、最大對(duì)比度、色衰減度、色調(diào)差距等特征，達(dá)到降維的目的。具體操作為其中i,j為所要處理的像素點(diǎn)的位置，k為特征映射數(shù)，即為卷積濾波器、為偏差、I為霧天圖像、為網(wǎng)絡(luò)第一層的輸出；

(3)多尺度映射：卷積神經(jīng)網(wǎng)絡(luò)的第二層操作實(shí)現(xiàn)了圖像的多尺度映射，即使用平行卷積操作，保證在尺度不變的前提下實(shí)現(xiàn)多尺度的特征提取；在此，分別設(shè)定卷積濾波器的大小為3×3、5×5、7×7，具體操作為：其中F₁為第二步的輸出，B₂為輸入偏差，W₂為卷積濾波器，為第i個(gè)特征的第二層輸出；

(4)局部極值化：卷積神經(jīng)網(wǎng)絡(luò)的第三層操作是局部極值化，其操作為其中Ω(x)為x像素點(diǎn)的鄰域，y為鄰域Ω(x)內(nèi)的像素點(diǎn)，為第三層操作的輸出，局部取極值的操作可以克服像素點(diǎn)的局部敏感性，并且可以在保證空間不變性的前提下，降低了在傳輸估計(jì)過(guò)程中的噪聲；

(5)非線(xiàn)性回歸：非線(xiàn)性回歸是神經(jīng)網(wǎng)絡(luò)的第四層也是最后一層操作，其操作為即運(yùn)用BReLU非線(xiàn)性激活函數(shù)對(duì)第三層輸出進(jìn)行修正處理，激活函數(shù)的斜率為其中W₄、B₄分別為第四層操作的濾波器與輸入偏差，t_min與t_max限定了回歸的區(qū)間，F(xiàn)₃為第三層操作的輸出，為第四層操作的輸出，即所求取的透射率t(x)。

所述步驟二中，多尺度深度網(wǎng)絡(luò)的結(jié)構(gòu)如下：

本步驟的主要思想為首先利用粗尺度網(wǎng)絡(luò)在全局水平下估測(cè)場(chǎng)景的深度；再利用精細(xì)尺度網(wǎng)絡(luò)在局部區(qū)域進(jìn)行修正，其中，這兩個(gè)步驟皆是以原始圖像作為輸入。除此之外，粗尺度網(wǎng)絡(luò)的輸出將作為精細(xì)尺度網(wǎng)絡(luò)的第一層圖像特征，其具體內(nèi)容為：

(1)首先利用粗尺度神經(jīng)網(wǎng)絡(luò)在全局水平下估測(cè)場(chǎng)景深度，這樣操作的目的保證了圖像的連續(xù)性和完整性，保留了圖像的全局信息。全局粗尺度網(wǎng)絡(luò)的結(jié)構(gòu)共包含五個(gè)特征提取層和兩個(gè)完全連接層，其中特征提取層包括卷積層和最大池化。粗尺度網(wǎng)絡(luò)的輸出圖像的分辨率是輸入圖像的1/4，同時(shí)，輸出圖像將成為第二步的輸入；

(2)利用細(xì)尺度網(wǎng)絡(luò)在局部區(qū)域進(jìn)行修正，在局部精細(xì)尺度網(wǎng)絡(luò)中，輸入圖像仍為原始圖像，第一層的邊緣特征提取采用卷積與池化操作；第二層操作的輸入包括第一層的輸出與第一步的粗尺度網(wǎng)絡(luò)的輸出的聚合，這也說(shuō)明粗尺度網(wǎng)絡(luò)輸出應(yīng)與池化操作后的輸出尺寸相同；隨后，使用零填充卷積保持輸出尺寸不變，再進(jìn)行兩個(gè)卷積操作，即可得到圖像的深度信息；

(3)多尺度深度網(wǎng)絡(luò)訓(xùn)練的優(yōu)化目標(biāo)，即損失函數(shù)其中y為圖像深度預(yù)測(cè)值，y^*為圖像深度真實(shí)值，n為像素點(diǎn)個(gè)數(shù)；λ∈[0,1]，在此，折中選取λ＝0.5。

所述步驟三中，數(shù)據(jù)挖掘方法具體操作如下：

本步驟中，使用帶有PM2.5標(biāo)記的m個(gè)圖像作為訓(xùn)練集。輸入數(shù)據(jù)為大氣散射系數(shù)向量B＝[β⁽¹⁾,β⁽²⁾,...,β^(m-1),β^(m)]^T，其中β⁽ⁱ⁾表示第i個(gè)樣本的大氣散射系數(shù)值；以對(duì)應(yīng)的PM2.5值Y＝[y⁽¹⁾,y⁽²⁾,...,y^(m-1),y^(m)]^T作為輸出，y⁽ⁱ⁾表示第i個(gè)樣本對(duì)應(yīng)的真實(shí)的PM2.5值；

設(shè)定其回歸關(guān)系函數(shù)為H(Θ)，其中向量Θ＝[θ⁽¹⁾,θ⁽²⁾,...,θ^(n-1),θ⁽ⁿ⁾]，θ⁽ⁱ⁾表示函數(shù)的第i個(gè)參數(shù)值；通過(guò)優(yōu)化其代價(jià)函數(shù)來(lái)確定H(Θ)的各個(gè)參數(shù)，其中h_θ(β⁽ⁱ⁾)是通過(guò)回歸關(guān)系函數(shù)將第i個(gè)樣本的大氣散射系數(shù)映射成估計(jì)的PM2.5值的操作。在此，為使代價(jià)函數(shù)達(dá)到最小，將采用梯度下降法求得代價(jià)函數(shù)的最小值以及使得代價(jià)函數(shù)最小的各個(gè)參數(shù)值。

所述梯度下降法的具體實(shí)現(xiàn)為：第j個(gè)參數(shù)θ_j迭代求取的操作為a表示迭代步長(zhǎng)。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：

(1)本發(fā)明基于霧天圖像來(lái)估計(jì)PM2.5濃度，相比于傳統(tǒng)的PM2.5測(cè)量?jī)x器，本方法雖然在精確度上有所下降，但是該方法不依賴(lài)于昂貴的監(jiān)測(cè)設(shè)備，而霧天圖像的獲取是相對(duì)簡(jiǎn)單的(比如社交網(wǎng)絡(luò)平臺(tái)可以提供大量的霧天圖像)，使得本方法可實(shí)施性更高，方式也更加簡(jiǎn)單。同時(shí)能夠?qū)崿F(xiàn)城市全區(qū)域的PM2.5實(shí)時(shí)監(jiān)測(cè)。

(2)本發(fā)明與專(zhuān)利《基于無(wú)參考圖像清晰度評(píng)價(jià)的PM2.5濃度檢測(cè)儀》(申請(qǐng)?zhí)枺?01410200873.7)相比，利用了神經(jīng)網(wǎng)絡(luò)估計(jì)圖像深度，而并非依賴(lài)紅外線(xiàn)測(cè)距等方式測(cè)量圖像深度，使得本方法可處理更多沒(méi)有深度信息標(biāo)簽的圖像。并且，由于不依賴(lài)于專(zhuān)門(mén)的紅外相機(jī)，其成本也大大降低。

(3)本發(fā)明與專(zhuān)利《一種基于深度學(xué)習(xí)的PM2.5污染物測(cè)量方法》(申請(qǐng)?zhí)枺?01410645121.1)相比，首先對(duì)霧天圖像進(jìn)行了特征提取，有效地將多余信息去除，并通過(guò)算法求取與PM2.5直接相關(guān)的量，可以將霧天圖像中與PM2.5有關(guān)的信息初步提取出來(lái)，可以降低霧天圖像中其他內(nèi)容的干擾。而對(duì)比文件的做法是直接用一個(gè)神經(jīng)網(wǎng)絡(luò)尋找圖像與PM2.5的關(guān)系，不但計(jì)算量巨大，而且可實(shí)施性較低。因此本發(fā)明提出的方法具有更高的可施行性。

附圖說(shuō)明

圖1為本發(fā)明總流程圖；

圖2為BReLU非線(xiàn)性回歸函數(shù)；

圖3為獲取深度圖操作圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

如圖1所示，本發(fā)明方法具體如下：

一、利用卷積神經(jīng)網(wǎng)絡(luò)，將圖像中的透射率t(x)提取出來(lái)

(1)合成樣本數(shù)據(jù)以及預(yù)處理操作：在訓(xùn)練網(wǎng)絡(luò)過(guò)程中，由于缺少霧天圖像與同樣的清晰圖，所以選擇利用公式I(x)＝J(x)t(x)+α(1-t(x))，在清晰圖像的基礎(chǔ)上合成霧天圖像，并做去噪、像素歸一化等處理，并且將輸入圖像分割成16×16的塊進(jìn)行處理。公式中J(x)為清晰圖像、t(x)即為透射率、α為全球大氣光成分、I(x)即為人工合成的霧天圖像；

(2)特征提?。壕矸e神經(jīng)網(wǎng)絡(luò)的第一層操作是特征提取，即利用最大輸出單元作為非線(xiàn)性映射，通過(guò)自學(xué)習(xí)的方式提取圖像中暗通道、最大對(duì)比度、色衰減度、色調(diào)差距等特征，以達(dá)到降維的目的。特征提取的本質(zhì)是對(duì)原始圖像的卷積操作，其濾波器為最大輸出單元，在各個(gè)特征的顏色通道里取得極值，將圖像的維度降低了k倍，k指的是特征映射數(shù)。具體操作為其中i,j為所要處理的像素點(diǎn)的位置，為卷積濾波器、為偏差、I為霧天圖像、為網(wǎng)絡(luò)第一層的輸出；

(3)多尺度映射：卷積神經(jīng)網(wǎng)絡(luò)的第二層操作實(shí)現(xiàn)了圖像的多尺度映射，即使用平行卷積操作，保證在尺度不變的前提下實(shí)現(xiàn)多尺度的特征提??；在此，分別設(shè)定卷積濾波器的大小為3×3、5×5、7×7，每種濾波器的數(shù)量相同。具體操作為：其中F₁為第二步的輸出，B₂為輸入偏差，W₂為卷積濾波器，為第i個(gè)特征的第二層輸出；

(4)局部極值化：卷積神經(jīng)網(wǎng)絡(luò)的第三層操作是局部極值化，其操作為其中Ω(x)為x像素點(diǎn)的鄰域，y為鄰域Ω(x)內(nèi)的像素點(diǎn)，為第三層操作的輸出。局部取極值操作是為了使每個(gè)像素克服局部敏感性，同時(shí)在保證空間不變性的前提下，降低在傳輸估計(jì)過(guò)程中的噪聲。相比于卷積神經(jīng)網(wǎng)絡(luò)的池操作，局部取極值操作可以應(yīng)用在每個(gè)特征映射中，擁有更好的適用性；

(5)非線(xiàn)性回歸：非線(xiàn)性回歸是神經(jīng)網(wǎng)絡(luò)的第四層也是最后一層操作，其操作為即運(yùn)用BReLU非線(xiàn)性激活函數(shù)對(duì)第三層輸出進(jìn)行修正處理。BReLU非線(xiàn)性激活函數(shù)結(jié)構(gòu)如圖2所示，其中激活函數(shù)的斜率為W₄、B₄分別為第四層操作的濾波器與輸入偏差，t_min與t_max限定了回歸的區(qū)間，F(xiàn)₃為第三層操作的輸出，為第四層操作的輸出，即所求取的透射率t(x)。BReLU函數(shù)的結(jié)構(gòu)通過(guò)限定回歸區(qū)間，有效地防止在Sigmoid和ReLU回歸函數(shù)下出現(xiàn)的神經(jīng)網(wǎng)絡(luò)梯度消失以及響應(yīng)溢出等情況。

(6)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，本發(fā)明選擇使用隨機(jī)梯度下降法來(lái)訓(xùn)練網(wǎng)絡(luò)中每一層濾波器以及偏差的各個(gè)參數(shù)，使得訓(xùn)練函數(shù)最小，其中Δ為所要訓(xùn)練的每層的濾波器和偏差的參數(shù)的集合、為RBG顏色通道與透射率t(x)的映射操作、為第i個(gè)輸入分割塊(共有N個(gè)分割塊)、t_i為第i個(gè)塊的實(shí)際透射率。

二、利用多尺度深度網(wǎng)絡(luò)估計(jì)得到圖像深度

本步驟的主要思想為首先利用粗尺度網(wǎng)絡(luò)在全局水平下估測(cè)場(chǎng)景的深度；再利用精細(xì)尺度網(wǎng)絡(luò)在局部區(qū)域進(jìn)行修正。

多尺度深度網(wǎng)絡(luò)的具體操作可參考圖3，其中上層網(wǎng)絡(luò)為粗尺度神經(jīng)網(wǎng)絡(luò)，下層網(wǎng)絡(luò)為精細(xì)尺度網(wǎng)絡(luò)。其中，這兩個(gè)網(wǎng)絡(luò)皆是以原始圖像作為輸入。除此之外，粗尺度網(wǎng)絡(luò)的輸出將作為精細(xì)尺度網(wǎng)絡(luò)的第一層圖像特征。圖中方框圖表示輸出圖像，方框圖大小大致表示圖像大小。

其具體內(nèi)容為：

(1)首先利用粗尺度神經(jīng)網(wǎng)絡(luò)在全局水平下估測(cè)場(chǎng)景深度，這樣操作的目的保證了圖像的連續(xù)性和完整性，保留了圖像的全局信息。全局粗尺度網(wǎng)絡(luò)的結(jié)構(gòu)共包含五個(gè)特征提取層和兩個(gè)完全連接層，其中特征提取層包括卷積層和最大池化。粗尺度網(wǎng)絡(luò)的輸出圖像的分辨率是輸入圖像的1/4，同時(shí)，輸出圖像將成為第二步的輸入。圖3中卷積操作后的每個(gè)方形大小近似表示輸出圖像的大小比例，僅供參考；

(2)利用細(xì)尺度網(wǎng)絡(luò)在局部區(qū)域進(jìn)行修正。在局部精細(xì)尺度網(wǎng)絡(luò)中，輸入圖像仍為原始圖像，第一層的邊緣特征提取采用卷積與池化操作；第二層操作的輸入包括第一層的輸出與第一步的粗尺度網(wǎng)絡(luò)的輸出的聚合，這也說(shuō)明粗尺度網(wǎng)絡(luò)輸出應(yīng)與池化操作后的輸出尺寸相同；隨后，使用零填充卷積保持輸出尺寸不變，再進(jìn)行兩個(gè)卷積操作，即可得到圖像的深度信息；

(3)多尺度深度網(wǎng)絡(luò)訓(xùn)練的優(yōu)化目標(biāo)，即訓(xùn)練過(guò)程中的損失函數(shù)其中y為圖像深度預(yù)測(cè)值，y^*為圖像深度真實(shí)值，n為像素點(diǎn)個(gè)數(shù)；λ∈[0,1]，在此，λ被用來(lái)調(diào)整權(quán)重，本發(fā)明實(shí)施例經(jīng)過(guò)大量試驗(yàn)折中選取λ＝0.5。

三、尋找圖像中大氣參數(shù)與污染指數(shù)的關(guān)系

本步驟中，使用帶有PM2.5標(biāo)記的m個(gè)圖像作為訓(xùn)練集。輸入數(shù)據(jù)為大氣散射系數(shù)向量B＝[β⁽¹⁾,β⁽²⁾,...,β^(m-1),β^(m)]^T，其中β⁽ⁱ⁾表示第i個(gè)樣本的大氣散射系數(shù)值；以對(duì)應(yīng)的PM2.5值Y＝[y⁽¹⁾,y⁽²⁾,...,y^(m-1),y^(m)]^T作為輸出，y⁽ⁱ⁾表示第i個(gè)樣本對(duì)應(yīng)的真實(shí)的PM2.5值；

設(shè)定其回歸關(guān)系函數(shù)為H(Θ)，其中向量Θ＝[θ⁽¹⁾,θ⁽²⁾,...,θ^(n-1),θ⁽ⁿ⁾]，θ⁽ⁱ⁾表示函數(shù)的第i個(gè)參數(shù)值；通過(guò)優(yōu)化其代價(jià)函數(shù)來(lái)確定H(Θ)的各個(gè)參數(shù)，其中h_θ(β⁽ⁱ⁾)是通過(guò)回歸關(guān)系函數(shù)將第i個(gè)樣本的大氣散射系數(shù)映射成估計(jì)的PM2.5值的操作。在此，為使代價(jià)函數(shù)達(dá)到最小，將采用梯度下降法求得代價(jià)函數(shù)的最小值以及使得代價(jià)函數(shù)最小的各個(gè)參數(shù)值。

所述梯度下降法的具體實(shí)現(xiàn)為：第j個(gè)參數(shù)θ_j迭代求取的操作為a表示迭代步長(zhǎng)。

提供以上實(shí)施例僅僅是為了描述本發(fā)明的目的，而并非要限制本發(fā)明的范圍。本發(fā)明的范圍由所附權(quán)利要求限定。不脫離本發(fā)明的精神和原理而做出的各種等同替換和修改，均應(yīng)涵蓋在本發(fā)明的范圍之內(nèi)。