基于光学成像的空气质量定性判定方法

王杉 朱亚涛 胡建辉

摘  要： 针对我国目前气象观测站点分散不均匀导致实时得到的空气质量信息不准确的问题，文中提出一种基于光学成像的空气质量定期性制定方法。该文结合通过数字图像去雾领域中基于光学成像原理去雾得到的大气透射率和通过气象观测领域中得到的空气质量与散射系数间的相关性，并考量同一景深下大气透射率和散射系数之间的指数关系，利用BP神经网络模型学习空气质量和图片透射率间的隐性联系，做到通过图片来定性判定其空气质量。实验结果显示，所提空气质量判定方法的整体识别率為83.72%，优类和良类识别率达到了90%以上。

关键词： 空气质量判定; 定性判定; 光学成像; 图像去雾; 实验设计; 实验结果分析

中图分类号： TN911.73?34; TP391                文献标识码： A                     文章编号： 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

雾霾是当今一个越来越严重的环境问题。学者们不仅研究它的成因并解决其造成的问题，如影响各识别系统等，而且还研究自行观测的数据分析不同空气质量情况下各因素的变化情况[1?2]，大众则关心外面的雾霾污染程度是否适宜外出活动。

雾或雾霾对数字图像的影响是一样的，而图像去雾的研究已经有几十年的发展。文献[3]里系统介绍了图像去雾的研究进展。数字图像去雾，整体来讲主要有两个方面：一是基于图像增强去雾[4];二是基于大气散射模型去雾[5]。第二种目前已经成为主流的去雾方法，其思路是研究光学成像[6]的原理，将大气粒子对光线的散射应用到雾天成像中，故此方法是专门针对图像中的雾提出的解决方案，尤其是He等基于此模型提出的暗原色先验理论，使得图像去雾的研究达到了一个新高度[7]。

日常生活生产中，人们关注空气污染情况以减少不必要的外出。我国目前根据空气污染指数将空气质量大体分为4个类别：优、良、轻度污染和重度污染，其数字图像如图1所示。虽然现在通过网络或移动客户端可以知道当前城市的空气质量，而这些数据都是基于国家的监测站发布的，根据中国环境监测总站2017年发布的数据：全国338个地级以上城市设置监测点位仅1 436个，每个城市平均下的站点很少很分散，这时再根据这些数据来决定是否出行就缺乏说服力。

针对这一切实问题，本文结合气象学者和图像去雾学者的结论，提出一种方法：通过大量有标注其空气质量类别的雾霾图像，提取图像的大气透射率，然后选取透射率图像的特征值并用BP神经网络进行训练和判定，最终可以做到实时直接从数字图像中得到其空气质量。从实验结果来看，实验方案已基本达到判定要求。

1  实验设计相关理论

本节主要介绍本文实验设计时所涉及的相关理论。前两小节验证实验的可行性，后一小节介绍对于不同的透射率图片分类所用的模型。

1.1  大氣散射系数与空气质量

现实中可以通过肉眼观察环境或图片大概分辨出空气质量的好坏，原因在于不同空气质量情况下所看到的景深不同。而大气散射系数是影响能见度的主要原因，气象方面的学者对此进行了相关研究。

2009年在青海瓦里关同步观测了PM2.5中主要化学成分和大气散射系数，并分析得到大气散射系数与PM2.5质量浓度变化趋势一致，两者相关系数达到0.9以上，尤其春季和秋季显著相关[1]。

利用广州南沙区大气成分站，自动和人工观测得到的2012年散射系数和气象数据，经统计分析有以下结论：全年的散射系数均值情况为雾霾日[>]霾日[>]雾日[>]一般日[2]。

由以上学者及其他气象学者的结论可以总结出，大气散射系数与空气质量相关性很强，可以通过散射系数的不同对空气质量做定性的判别。

1.2  大气散射模型与暗原色先验

经过Nayer和Narasimhan详细描述和推导的大气散射模型[5]已经广泛地运用到图像去雾领域，并被用于描述图像降质的机理：

式中：[Ix]是有雾图像;[L∞]是景深为无穷远的大气光强度;[ρ（x）]表征物体的反光能力;[d]是景深;[β]是大气散射系数。大气散射系数和景深的联合关系为：

式（2）所示关系称为大气透射率。故结合式（1）图像的退化模型可表示为：

式中：[Jx]为无雾图像;A为大气光。基于大气散射模型去雾的过程就是根据式（3），由已知的[Ix]结合其他知识估计出的其他未知量求得无雾图像[Jx]，此为基于光学成像去雾的基本思路。

暗原色先验理论指出在无雾图片非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，几乎接近于0，这是由于物体有阴影，颜色较暗或某种颜色很鲜艳等造成的。无雾图片的暗原色用数学定义为：

式中：[Jc]表示RGB三个通道;[Ω（x）]表示以像素X为中心的滤波模版;[c∈r，g，b]为颜色通道指数;[Jdark]为其暗原色图。

将式（3）稍作处理，变形为：

两边取暗原色：

根据式（4）可以推导出透射率的公式如下：

式中，[ω（0<ω≤1）]是调节因子，是为了保证图片真实性。然后对得到的透射率用导向滤波的方法进行细化，结合从暗原色图片得到的A可最终复原出无雾图片。此过程中也得到了实验所需的雾霾图片的透射率分布情况，图1中各图片提取的透射率如图2所示。

结合1.1节的结论：大气散射系数与空气质量相关性很强，由于式（2）大气透射率与散射系数随着景深呈指数递减关系，故可以得到大气透射率[tx]与空气质量之间也具有较强的相关性，这为实验的进行提供了图片中的数据来源。

1.3  BP神经网络

人工神经网络算法是用计算机模拟人类学习的过程，建立输入和输出数据之间关系的算法，其中应用最广泛的是BP神经网络 [8]。其模型的拓扑结构由输入层、隐含层和输出层三层构成，如图（3）所示，[a1～am]为输入值，[b1～bn]为输出值，[wij]为输入层与隐含层间的权值，[wjk]为隐含层与输出层权值。

该算法整体实现过程[9]为：依次计算隐含层和输出层的输出，当这些值跟期望输出值之间不相符时，则将误差反向向前传递，按误差梯度下降的方法重新设定模型的权值和阈值，反复训练至达到设定的迭代次数或训练误差达到期望值内，结束并完成训练，而后可用此训练好的模型对新的输入值进行预测或分类。BP神经网络具有很强的非线性映射能力，Robert Hecht?Nielson证明用三层的神经网络可以逼近任意非线性函数，故本文采用这种网络结构来完成实验。

2  实验设计流程

图片来源自微博“河南绿色中原”搜集到的郑州2017年全年某一地点的图片，每张图片标注有其空气质量类别，除去质量很差的图片共有338张，其中优51张，良162张，轻度污染92张，重度污染33张，而用于训练和测试的图片每类大概按3∶1的比例分配。

首先对所有的图片以暗原色理论都求得其透射率，并按类别分别保存，效果如图3所示。然后提取这些图片的特征值用于BP神经网络的训练和测试，这里选用的图片特征值从图形纹理方面的灰度共生矩阵中获得。

灰度共生矩阵算法是基于图像中某一灰度级结构重复出现的概率情况来描述纹理信息[10?11]，是分析图像的局部模式和排列规则的基础。根据灰度共生矩阵可计算提取出多个纹理特征值，这里选用其中3个常用的来作为透射率图片的特征值：

1） 能量，也就是二阶矩。它集中体现了图像纹理的粗细度与均匀度。

2） 熵。若灰度共生矩阵的所有元素都具有较大的随机性，那么熵较大。

3） 相关性。相关性可以描述共生矩阵中行元素或者列元素的相似度。

由每张透射率图片分别得到0°，45°，90°，135°方向上的灰度共生矩阵，得到每个方向上的能量、熵和相关性数值后分别取均值作为这张透射率图片的纹理特征值。部分值如表1所示。

本文选用三层BP神经网络，由于每个输入值都是有3个特征值，故输入端口神经元个数为3，输出端口为4个类别的空气质量，即输出神经元个数为4，隐含层节点数为5，传递函数选对数S型转移函数，设置最大迭代次数、训练的目标均方误差和学习率分别为500，0.000 1和0.01。