CN110503634A - 基于图像自动识别的能见度测量方法 - Google Patents

Abstract

本发明公开基于图像自动识别的能见度测量方法，采集含有目标的原始图像和测试图像；分别采用最大类方差法对原始图像、测试图像进行阈值分割；使用菱形探针对阈值分割后的测试图像进行连续膨胀，得到膨胀图像；对膨胀图像进行反着色，利用质心原理，查找连续膨胀后的多连通区域的“伪”质心标定；将“伪”质心作为拟选用多目标区域的中心，标记待选的多目标区域；在分割后的原始图像的暗通道效果图中，找到对应的标记待选的多目标区域中“伪”质心光强最大的中心点，该中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，进行能见度的计算。能够对摄像设备拍摄的不同场景的图像，选取最合适的去雾系数，测算能见度。

Description

基于图像自动识别的能见度测量方法

技术领域

本发明属于图像处理技术领域，具体涉及基于图像自动识别的能见度测量方法。

背景技术

随着改革开放进程的不断推进，经济飞速发展及城市人口增多，随之而来的是能源的消耗迅猛增加，导致大气污染加剧，能见度水平下降，给人们的日常生活等方面带来了严重的影响，尤其是在航空航天、交通运输等方面危害极大。虽全国范围内通过各项举措进行管控，但难度较大，近年来仍可以看到，各地雾霾天气频发。

常用的能见度检测方法有三种：人工目测法、器测法和数字摄像法。目测法误差大，受观测者个人情况影响较大；器测法价格昂贵，场地要求高，不能广泛使用；数字摄像法实用性强、成本低、可克服不良天气的影响，因此被国内外专家学者广泛研究。

发明内容

本发明的目的是提供基于图像自动识别的能见度测量方法，能够对摄像设备拍摄的不同场景的图像，选取最合适的去雾系数，测算能见度。

本发明采用的技术方案是，基于图像自动识别的能见度测量方法，具体按照以下步骤实施：

步骤1、采集含有目标的原始图像，不同日期，相同地点，同一拍摄角度采集不同天气情况的目标图像作为测试图像；

步骤2、分别采用最大类方差法对原始图像、测试图像进行阈值分割；

步骤3、使用菱形探针对阈值分割后的测试图像进行连续膨胀，得到膨胀图像；

步骤4、对膨胀图像进行反着色，利用质心原理，查找连续膨胀后的多连通区域的“伪”质心标定；

步骤5、将“伪”质心作为拟选用多目标区域的中心，标记待选的多目标区域；

步骤6、在分割后的原始图像的暗通道效果图中，找到对应的标记待选的多目标区域中“伪”质心光强I_c(y)最大的中心点，该中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，进行能见度的计算。

本发明的特点还在于：

步骤2具体过程为：利用最大类方差法进行原始图像、测试图像的阈值分割；

设原始图像或测试图像的像素为f(x,y)，阈值分割后为g(x,y)，则：

设原始图像或测试图像的大小为M×N，分割阈值记作T。

分割阈值的计算过程为：目标图像素点在整幅图像的比例为图像平均灰度为μ₀；背景像素点在整幅图像的比例为图像平均灰度为μ₁；图像中像素的灰度值小于阈值T的像素个数记作N₀，灰度大于阈值T的像素个数记作N₁；图像的总平均灰度记为μ，类间方差记为g；则可得到下式：

采用遍历法得到使类间方差g最大的阈值，即为求得的阈值T。

步骤3具体过程为：

使用结构元素做“探针”搜集目标图像信息；先对结构元素S进行关于原点的条件反射得到S^V，然后对分割后测试图像上将S^V平移x，那些平移后与测试图像X至少有一个非零元素相交时，对应的原点位置集合即为膨胀运算结果；

则膨胀结果写成式(3)：

结构元素S即为菱形探针；

结构元素S连续膨胀多次，得到膨胀图像。

步骤4具体过程为：

步骤4.1、对连续膨胀后的图像的像素进行逐个查找，将像素为0的部分所有点赋值为1，像素为1的所有点赋值为0，得到反着色图像；

步骤4.2、对反着色图像利用bwlabel函数，找到反着色图像上分离的所有连通域，再利用质心查找的原理查找“伪”质心，质心查找原理如式(5)：

其中，M₁₀是物体上所有点x坐标的总和，M₀₁是物体上所有点y坐标的总和，M₀₀是物体的面积；

表示“伪”质心的位置。

步骤5具体过程为：将“伪”质心作为拟选用多目标区域的中心，利用Rectangle矩形函数标记待选多目标区域，设置区域大小为6×6的矩形区域；

‘Position’[^x,y,w,h] (6)

式(6)中，x，y为左下角坐标，w，h分别代表宽和高。

步骤6具体过程为：柯西米德白天能见度测量原理，如式(7)：

其中V_met表示大气能见度，β表示消光系数，ε表示比感阈值，选择0.05；

则式(7)改写为式(8)：

通过暗通道原理获得分割后原始图像的暗通道效果图，其中，暗通道先验原理，如式(9)：

其中表示透射率，I^c(y)表示雾霾图像光强度，A^c表示全球大气光强度，ω表示去雾系数，取值为0＜ω＜1；

透射部分光与入射光强之间符合朗伯-比尔定律；

大气消光系数与透射率之间满足如式(10)的关系：

t(x)＝e^-βd(x) (10)

其中，β为消光系数，d为目标物与接收点的距离，可通过在地图上标记测算；

根据式(9)，选取I_c(y)最大的中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，去雾系数和能见度之存在选取规律，结合式(8)、(9)、(10)，可反演出大气能见度。

去雾系数和能见度之存在选取规律如表1所示：

表1

本发明的有益效果是：

本发明基于图像自动识别的能见度测量方法，能够对摄像设备拍摄的不同场景的图像，选取最合适的去雾系数，进行目标区域的自动选取及能见度测算；本发明的测量方法还具有实用性强、成本低、受天气变化影响小的特点。

附图说明

图1为拍摄原始图像的灰度图；

图2为不同阈值分割方法的效果图；

其中，(a)为局部阈值分割法；(b)为迭代全局阈值分割法；(c)为最大类方差法全局阈值分割法；

图3为膨胀过程原理图；

其中，(a)图像；(b)结构元素；(c)条件反射；(d)膨胀结果；

图4为膨胀过程图；

其中，(a)为1次膨胀效果图；(b)为2次膨胀效果图；(c)为3次膨胀效果图；(d)为4次膨胀效果图；(e)为5次膨胀效果图；(f)为6次膨胀效果图；(g)为7次膨胀效果图；(h)为8次膨胀效果图；

图5为多次膨胀后取反效果图；

其中，(a)为多次膨胀图，(b)为反着色图；

图6为多连通区域“伪”质心标定效果图；

图7为利用矩形函数标记6×6大小的拟选定目标区域示意图；

图8为原始拍摄图像目标区域标记效果图；

图9为原始图像的暗通道效果图；

图10为几百天能见度对比图；

图11为几百天能见度测算记过与激光散射仪(CJY-1G)真实值整体线性回归分析图；

图12为测算能见度V＜2000m的线性回归分析图；

图13为测算能见度2000≤V≤10000m的线性回归分析图；

图14为测算能见度V＞10000m的线性回归分析图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于图像自动识别的能见度测量方法，具体按照以下步骤实施：

步骤1、采集含有目标的原始图像，不同日期，相同地点，同一拍摄角度采集不同天气情况的目标图像作为测试图像；

步骤2、分别采用最大类方差法对原始图像、测试图像进行阈值分割；

具体过程为：利用最大类方差法进行原始图像、测试图像的阈值分割；

设原始图像或测试图像的像素为f(x,y)，阈值分割后为g(x,y)，则：

设原始图像或测试图像的大小为M×N，分割阈值记作T。

分割阈值的计算过程为：目标图像素点在整幅图像的比例为图像平均灰度为μ₀；背景像素点在整幅图像的比例为图像平均灰度为μ₁；图像中像素的灰度值小于阈值T的像素个数记作N₀，灰度大于阈值T的像素个数记作N₁；图像的总平均灰度记为μ，类间方差记为g；则可得到下式：

采用遍历法得到使类间方差g最大的阈值，即为求得的阈值T。

我们对拍摄的原始图像进行灰度处理得到结果如图1，再利用三种不同的阈值方法处理，得到不同的处理效果如图2。最终因大津法对直方图有明显双峰的图像背景和目标分离效果较好，错分率最低，因此选用OTSU大津法。

步骤3、使用菱形探针对阈值分割后的测试图像进行连续膨胀，得到膨胀图像；

具体过程为：

使用结构元素做“探针”搜集目标图像信息；先对结构元素S进行关于原点的条件反射得到S^V，然后对分割后测试图像上将S^V平移x，那些平移后与测试图像X至少有一个非零元素相交时，对应的原点位置集合即为膨胀运算结果；如图3中(a)的黑色标记代表目标图像X，(b)代表结构元素S，它的反射见图(c)，膨胀结果为图(d)。

则膨胀结果写成式(3)：

结构元素S即为菱形探针；

结构元素S连续膨胀多次，得到膨胀图像。效果如图4所示。

步骤4、对膨胀图像进行反着色，利用质心原理，查找连续膨胀后的多连通区域的“伪”质心标定；

具体过程为：

步骤4.1、对连续膨胀后的图像的像素进行逐个查找，将像素为0的部分所有点赋值为1，像素为1的所有点赋值为0，得到反着色图像，如图5所示。

步骤4.2、对反着色图像利用bwlabel函数，找到反着色图像上分离的所有连通域，再利用质心查找的原理查找“伪”质心，质心查找原理如式(5)：

其中，M₁₀是物体上所有点x坐标的总和，M₀₁是物体上所有点y坐标的总和，M₀₀是物体的面积；根据(6)式，找到所有连通域“伪”质心，用“*”标记，效果如图6。

表示“伪”质心的位置。

步骤5、将“伪”质心作为拟选用多目标区域的中心，标记待选的多目标区域；

具体过程为：将“伪”质心作为拟选用多目标区域的中心，利用Rectangle矩形函数标记待选多目标区域，设置区域大小为6×6的矩形区域；标记序号用可以选用易于区分的颜色常规字体表示，此处选用黑色，示意如图7。

‘Position’[^x,y,w,h] (6)

式(6)中，x，y为左下角坐标，w，h分别代表宽和高。最终标记结果反映在拍摄的原始图像上如图8。

步骤6、在分割后的原始图像的暗通道效果图中，找到对应的标记待选的多目标区域中“伪”质心光强I_c(y)最大的中心点，该中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，进行能见度的计算；

具体过程为：柯西米德白天能见度测量原理，如式(7)：

其中V_met表示大气能见度，β表示消光系数，ε表示比感阈值，选择0.05；

则式(7)改写为式(8)：

通过暗通道原理获得分割后原始图像的暗通道效果图如图9所示，其中，暗通道先验原理，如式(9)：

其中表示透射率，I^c(y)表示雾霾图像光强度，A^c表示全球大气光强度，ω表示去雾系数，取值为0＜ω＜1；

光在介质中传播时，一部分会被介质吸收转化为热能释放，另一部分被介质中存在的颗粒散射，偏离原来的传播方向，丢失信息，余下的部分才按原来的传播方向通过介质，进入摄像机。因此，透射部分光与入射光强之间符合朗伯-比尔定律。

大气消光系数与透射率之间满足如式(10)的关系：

t(x)＝e^-βd(x) (10)

其中，β为消光系数，d为目标物与接收点的距离，可通过在地图上标记测算；

根据式(9)，选取I_c(y)最大的中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，去雾系数和能见度之存在选取规律，结合式(8)、(9)、(10)，可反演出大气能见度。

去雾系数和能见度之存在选取规律如表1所示：

表1

实施例

测算拍摄的几百天图像，以某教学六楼为目标物，楼顶的CJY-1G前向能见度仪对比校验。得出对比图如图10。从图的整体趋势来看，测算出的能见度值与仪器值基本趋势一致，想吻合度较高。但在第45、54、55、56、57、84天，看到两支曲线有明显的区分。这6天因能见度仪故障，得到的数据为0，因此，这6天的数据无法校验，需剔除。最终，经过测算，有8天的数据误差超过允许的最大误差，故本文方法的准确率为92.30％。

将测算值和CJY-1G真实值进行整体和分段线性回归分析，建立能见度测量模型，X轴表示测算值，Y轴表示CJY-1G真实值。通过拟合得到如图11，得到一元线性回归方程为式(12)：

y＝1.11473x+431.48036 (12)

其拟合系数R²＝0.96296。测算对比后得到模型准确率为80.77％。

分析其原因，在于如图11中显示的散点图，在低能见度和较高能见度时的天数相对较少，因此这部分数据可能对于线性回归拟合的影响较大。因此，我们尝试将测算的几百天能见度分阶段进行回归分析。如图12、图13、图14为分阶段线性能见度线性回归。通过拟合得到回归模型为式(13)：

经测算对比，得到分段模型准确率为91.35％。

通过上述方式，本发明基于图像自动识别的能见度测量方法，能够对摄像设备拍摄的不同场景的图像，选取最合适的去雾系数，进行目标区域的自动选取及能见度测算；本发明的测量方法还具有实用性强、成本低、受天气变化影响小的特点；经试验验证，准确性较高。

Claims (8)

1.基于图像自动识别的能见度测量方法，其特征在于，具体按照以下步骤实施：

步骤1、采集含有目标的原始图像，不同日期，相同地点，同一拍摄角度采集不同天气情况的目标图像作为测试图像；

步骤2、分别采用最大类方差法对原始图像、测试图像进行阈值分割；

步骤3、使用菱形探针对阈值分割后的测试图像进行连续膨胀，得到膨胀图像；

步骤4、对膨胀图像进行反着色，利用质心原理，查找连续膨胀后的多连通区域的“伪”质心标定；

步骤5、将“伪”质心作为拟选用多目标区域的中心，标记待选的多目标区域；

步骤6、在分割后的原始图像的暗通道效果图中，找到对应的标记待选的多目标区域中“伪”质心光强I_c(y)最大的中心点，该中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，进行能见度的计算。

2.根据权利要求1所述基于图像自动识别的能见度测量方法，其特征在于，步骤2具体过程为：利用最大类方差法进行原始图像、测试图像的阈值分割；

设原始图像或测试图像的像素为f(x,y)，阈值分割后为g(x,y)，则：

设原始图像或测试图像的大小为M×N，分割阈值记作T。

3.根据权利要求2所述基于图像自动识别的能见度测量方法，其特征在于，所述分割阈值的计算过程为：目标图像素点在整幅图像的比例为图像平均灰度为μ₀；背景像素点在整幅图像的比例为图像平均灰度为μ₁；图像中像素的灰度值小于阈值T的像素个数记作N₀，灰度大于阈值T的像素个数记作N₁；图像的总平均灰度记为μ，类间方差记为g；则可得到下式：

采用遍历法得到使类间方差g最大的阈值，即为求得的阈值T。

4.根据权利要求1所述基于图像自动识别的能见度测量方法，其特征在于，步骤3具体过程为：

使用结构元素做“探针”搜集目标图像信息；先对结构元素S进行关于原点的条件反射得到S^V，然后对分割后测试图像上将S^V平移x，那些平移后与测试图像X至少有一个非零元素相交时，对应的原点位置集合即为膨胀运算结果；

则膨胀结果写成式(3)：

结构元素S即为菱形探针；

结构元素S连续膨胀多次，得到膨胀图像。

5.根据权利要求1所述基于图像自动识别的能见度测量方法，其特征在于，步骤4具体过程为：

步骤4.1、对连续膨胀后的图像的像素进行逐个查找，将像素为0的部分所有点赋值为1，像素为1的所有点赋值为0，得到反着色图像；

步骤4.2、对反着色图像利用bwlabel函数，找到反着色图像上分离的所有连通域，再利用质心查找的原理查找“伪”质心，质心查找原理如式(5)：

其中，M₁₀是物体上所有点x坐标的总和，M₀₁是物体上所有点y坐标的总和，M₀₀是物体的面积；

表示“伪”质心的位置。

6.根据权利要求1所述基于图像自动识别的能见度测量方法，其特征在于，步骤5具体过程为：将“伪”质心作为拟选用多目标区域的中心，利用Rectangle矩形函数标记待选多目标区域，设置区域大小为6×6的矩形区域；

‘Position’[x,y,w,h] (6)

式(6)中，x，y为左下角坐标，w，h分别代表宽和高。

7.根据权利要求1所述基于图像自动识别的能见度测量方法，其特征在于，步骤6具体过程为：柯西米德白天能见度测量原理，如式(7)：

其中V_met表示大气能见度，β表示消光系数，ε表示比感阈值，选择0.05；

则式(7)改写为式(8)：

通过暗通道原理获得分割后原始图像的暗通道效果图，其中，暗通道先验原理，如式(9)：

其中表示透射率，I^c(y)表示雾霾图像光强度，A^c表示全球大气光强度，ω表示去雾系数，取值为0＜ω＜1；

透射部分光与入射光强之间符合朗伯-比尔定律；

大气消光系数与透射率之间满足如式(10)的关系：

t(x)＝e^-βd(x) (10)

其中，β为消光系数，d为目标物与接收点的距离，可通过在地图上标记测算；

根据式(9)，选取I_c(y)最大的中心点所在的区域作为能见度测算的最终目标区域，选取合适的去雾系数ω，去雾系数和能见度之存在选取规律，结合式(8)、(9)、(10)，可反演出大气能见度。

8.根据权利要求1所述基于图像自动识别的能见度测量方法，其特征在于，所述去雾系数和能见度之存在选取规律如表1所示：

表1