基于光學成像的空氣質量定性判定方法

王杉 朱亞濤 胡建輝

摘? 要： 針對我國目前氣象觀測站點分散不均勻導致實時得到的空氣質量信息不準確的問題，文中提出一種基于光學成像的空氣質量定期性制定方法。該文結合通過數字圖像去霧領域中基于光學成像原理去霧得到的大氣透射率和通過氣象觀測領域中得到的空氣質量與散射系數間的相關性，并考量同一景深下大氣透射率和散射系數之間的指數關系，利用BP神經網絡模型學習空氣質量和圖片透射率間的隱性聯系，做到通過圖片來定性判定其空氣質量。實驗結果顯示，所提空氣質量判定方法的整體識別率為83.72%，優類和良類識別率達到了90%以上。

關鍵詞： 空氣質量判定; 定性判定; 光學成像; 圖像去霧; 實驗設計; 實驗結果分析

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）08?0113?04

A methodof air quality qualitative judgement? based on optical imaging

WANG Shan， ZHU Yatao， HU Jianhui

（College of Information Engineering， East China Jiaotong University， Nanchang 330022， China）

Abstract： As the real?time information of air quality is inaccurate due to the uneven distribution of meteorological observation stations in China， a method of air quality qualitative judgement method based on optical imaging is proposed. The atmospheric transmittance obtained by defogging based on optical imaging principle in the digital image defogging domain， and the correlation between air quality and scattering coefficient obtained by meteorological observation are combined in this paper. And also， the exponential relationship between the atmospheric transmittance and the scattering coefficient at the same depth of field is considered， and the implicit relation between air quality and image transmittance is studied by means of BP neural network model. On the bsasis of the above method， the air quality is judged qualitatively by pictures. The experimental results show that the overall recognition rate of the proposed air quality judgement method is 83.72%， in which the recognition rate of superior and good classes is over 90%.

Keywords： air quality judgement; qualitative judgement; optical imaging; image defogging; experiment design; experiment result analysis

0? 引? 言

霧霾是當今一個越來越嚴重的環境問題。學者們不僅研究它的成因并解決其造成的問題，如影響各識別系統等，而且還研究自行觀測的數據分析不同空氣質量情況下各因素的變化情況[1?2]，大眾則關心外面的霧霾污染程度是否適宜外出活動。

霧或霧霾對數字圖像的影響是一樣的，而圖像去霧的研究已經有幾十年的發展。文獻[3]里系統介紹了圖像去霧的研究進展。數字圖像去霧，整體來講主要有兩個方面：一是基于圖像增強去霧[4];二是基于大氣散射模型去霧[5]。第二種目前已經成為主流的去霧方法，其思路是研究光學成像[6]的原理，將大氣粒子對光線的散射應用到霧天成像中，故此方法是專門針對圖像中的霧提出的解決方案，尤其是He等基于此模型提出的暗原色先驗理論，使得圖像去霧的研究達到了一個新高度[7]。

日常生活生產中，人們關注空氣污染情況以減少不必要的外出。我國目前根據空氣污染指數將空氣質量大體分為4個類別：優、良、輕度污染和重度污染，其數字圖像如圖1所示。雖然現在通過網絡或移動客戶端可以知道當前城市的空氣質量，而這些數據都是基于國家的監測站發布的，根據中國環境監測總站2017年發布的數據：全國338個地級以上城市設置監測點位僅1 436個，每個城市平均下的站點很少很分散，這時再根據這些數據來決定是否出行就缺乏說服力。

針對這一切實問題，本文結合氣象學者和圖像去霧學者的結論，提出一種方法：通過大量有標注其空氣質量類別的霧霾圖像，提取圖像的大氣透射率，然后選取透射率圖像的特征值并用BP神經網絡進行訓練和判定，最終可以做到實時直接從數字圖像中得到其空氣質量。從實驗結果來看，實驗方案已基本達到判定要求。

1? 實驗設計相關理論

本節主要介紹本文實驗設計時所涉及的相關理論。前兩小節驗證實驗的可行性，后一小節介紹對于不同的透射率圖片分類所用的模型。

1.1? 大氣散射系數與空氣質量

現實中可以通過肉眼觀察環境或圖片大概分辨出空氣質量的好壞，原因在于不同空氣質量情況下所看到的景深不同。而大氣散射系數是影響能見度的主要原因，氣象方面的學者對此進行了相關研究。

2009年在青海瓦里關同步觀測了PM2.5中主要化學成分和大氣散射系數，并分析得到大氣散射系數與PM2.5質量濃度變化趨勢一致，兩者相關系數達到0.9以上，尤其春季和秋季顯著相關[1]。

利用廣州南沙區大氣成分站，自動和人工觀測得到的2012年散射系數和氣象數據，經統計分析有以下結論：全年的散射系數均值情況為霧霾日[>]霾日[>]霧日[>]一般日[2]。

由以上學者及其他氣象學者的結論可以總結出，大氣散射系數與空氣質量相關性很強，可以通過散射系數的不同對空氣質量做定性的判別。

1.2? 大氣散射模型與暗原色先驗

經過Nayer和Narasimhan詳細描述和推導的大氣散射模型[5]已經廣泛地運用到圖像去霧領域，并被用于描述圖像降質的機理：

式中：[Ix]是有霧圖像;[L∞]是景深為無窮遠的大氣光強度;[ρ（x）]表征物體的反光能力;[d]是景深;[β]是大氣散射系數。大氣散射系數和景深的聯合關系為：

式（2）所示關系稱為大氣透射率。故結合式（1）圖像的退化模型可表示為：

式中：[Jx]為無霧圖像;A為大氣光。基于大氣散射模型去霧的過程就是根據式（3），由已知的[Ix]結合其他知識估計出的其他未知量求得無霧圖像[Jx]，此為基于光學成像去霧的基本思路。

暗原色先驗理論指出在無霧圖片非天空的局部區域里，某一些像素總會有至少一個顏色通道具有很低的值，幾乎接近于0，這是由于物體有陰影，顏色較暗或某種顏色很鮮艷等造成的。無霧圖片的暗原色用數學定義為：

式中：[Jc]表示RGB三個通道;[Ω（x）]表示以像素X為中心的濾波模版;[c∈r，g，b]為顏色通道指數;[Jdark]為其暗原色圖。

將式（3）稍作處理，變形為：

兩邊取暗原色：

根據式（4）可以推導出透射率的公式如下：

式中，[ω（0<ω≤1）]是調節因子，是為了保證圖片真實性。然后對得到的透射率用導向濾波的方法進行細化，結合從暗原色圖片得到的A可最終復原出無霧圖片。此過程中也得到了實驗所需的霧霾圖片的透射率分布情況，圖1中各圖片提取的透射率如圖2所示。

結合1.1節的結論：大氣散射系數與空氣質量相關性很強，由于式（2）大氣透射率與散射系數隨著景深呈指數遞減關系，故可以得到大氣透射率[tx]與空氣質量之間也具有較強的相關性，這為實驗的進行提供了圖片中的數據來源。

1.3? BP神經網絡

人工神經網絡算法是用計算機模擬人類學習的過程，建立輸入和輸出數據之間關系的算法，其中應用最廣泛的是BP神經網絡 [8]。其模型的拓撲結構由輸入層、隱含層和輸出層三層構成，如圖（3）所示，[a1～am]為輸入值，[b1～bn]為輸出值，[wij]為輸入層與隱含層間的權值，[wjk]為隱含層與輸出層權值。

該算法整體實現過程[9]為：依次計算隱含層和輸出層的輸出，當這些值跟期望輸出值之間不相符時，則將誤差反向向前傳遞，按誤差梯度下降的方法重新設定模型的權值和閾值，反復訓練至達到設定的迭代次數或訓練誤差達到期望值內，結束并完成訓練，而后可用此訓練好的模型對新的輸入值進行預測或分類。BP神經網絡具有很強的非線性映射能力，Robert Hecht?Nielson證明用三層的神經網絡可以逼近任意非線性函數，故本文采用這種網絡結構來完成實驗。

2? 實驗設計流程

圖片來源自微博“河南綠色中原”搜集到的鄭州2017年全年某一地點的圖片，每張圖片標注有其空氣質量類別，除去質量很差的圖片共有338張，其中優51張，良162張，輕度污染92張，重度污染33張，而用于訓練和測試的圖片每類大概按3∶1的比例分配。

首先對所有的圖片以暗原色理論都求得其透射率，并按類別分別保存，效果如圖3所示。然后提取這些圖片的特征值用于BP神經網絡的訓練和測試，這里選用的圖片特征值從圖形紋理方面的灰度共生矩陣中獲得。

灰度共生矩陣算法是基于圖像中某一灰度級結構重復出現的概率情況來描述紋理信息[10?11]，是分析圖像的局部模式和排列規則的基礎。根據灰度共生矩陣可計算提取出多個紋理特征值，這里選用其中3個常用的來作為透射率圖片的特征值：

1） 能量，也就是二階矩。它集中體現了圖像紋理的粗細度與均勻度。

2） 熵。若灰度共生矩陣的所有元素都具有較大的隨機性，那么熵較大。

3） 相關性。相關性可以描述共生矩陣中行元素或者列元素的相似度。

由每張透射率圖片分別得到0°，45°，90°，135°方向上的灰度共生矩陣，得到每個方向上的能量、熵和相關性數值后分別取均值作為這張透射率圖片的紋理特征值。部分值如表1所示。

本文選用三層BP神經網絡，由于每個輸入值都是有3個特征值，故輸入端口神經元個數為3，輸出端口為4個類別的空氣質量，即輸出神經元個數為4，隱含層節點數為5，傳遞函數選對數S型轉移函數，設置最大迭代次數、訓練的目標均方誤差和學習率分別為500，0.000 1和0.01。