本發(fā)明屬于圖像處理及氣象學(xué)交叉領(lǐng)域，具體涉及一種基于圖像特征的pm2.5污染指數(shù)的識別方法。
背景技術(shù)：
：空氣中漂浮著的顆粒物大小不同，pm2.5是其中較細小的那部分。測定pm2.5的濃度一般分為兩步：(1)把pm2.5與較大的顆粒物分離，幾乎所有的測定方法都需要這一步；(2)測定分離出來的pm2.5的重量。目前，各國環(huán)保部門廣泛采用的pm2.5測定方法有三種：重量法、β射線吸收法和微量振蕩天平法。pm2.5手動監(jiān)測方法又稱標(biāo)準(zhǔn)稱重法(濾膜稱重法)屬于手工監(jiān)測方法，主要用于研究，或?qū)ψ詣臃治龇椒ǖ男?zhǔn)。這種方法較簡便，只需要一個pm2.5切割頭、一臺泵和膜架及其濾膜，采集24小時樣品后，取下濾膜稱重即可，必要時可以平行采集3個樣品，經(jīng)恒溫恒濕后再稱重。濾膜稱重法的優(yōu)點是經(jīng)濟成本低，容易實施。缺點：(1)氣流長時間不斷通過采樣濾膜，濾膜上采集到的物質(zhì)隨著氣流和溫度的變化也會造成揮發(fā)性和半揮發(fā)性物質(zhì)的損失；(2)一些極細小的顆粒穿過濾膜，造成結(jié)果偏低；(3)氣態(tài)物質(zhì)可能被濾膜吸附，造成結(jié)果偏高。自動監(jiān)測方法的測站點無人值守，數(shù)據(jù)通過網(wǎng)絡(luò)直接獲得，包括β射線吸收法和微量振蕩天平法。β射線吸收法的基本原理是利用堆積在石英濾膜上的顆粒物對c14釋放的β射線衰減量的變化檢測大氣顆粒物質(zhì)量的變化。環(huán)境空氣由采樣泵經(jīng)切割器吸入采樣管，經(jīng)過濾膜后排出。顆粒物沉淀在條狀石英濾膜上，當(dāng)β射線通過沉積著顆粒物的濾膜時，β射線強度發(fā)生衰減，通過對衰減量的測定計算出顆粒物的濃度。微量振蕩天平(teom)法又稱微量石英振蕩天平法，該方法是在質(zhì)量傳感器內(nèi)使用一個石英空心錐形管，在空心錐形管振蕩端上安放可更換的濾膜，振蕩頻率取決于石英錐形管特性和它的質(zhì)量。當(dāng)采樣氣流通過濾膜，其中的顆粒物沉積在濾膜上，濾膜質(zhì)量變化導(dǎo)致振蕩頻率變化，通過測量振蕩頻率的變化計算出沉積在濾膜上顆粒物的質(zhì)量，再根據(jù)采樣流量、采樣現(xiàn)場環(huán)境溫度和氣壓計算出該時段的顆粒物標(biāo)態(tài)質(zhì)量濃度。振蕩天平法的優(yōu)點是定量關(guān)系明確。但其存在下面兩個缺點：(1)樣品加熱后揮發(fā)性和半揮發(fā)性物質(zhì)的損失，導(dǎo)致測定結(jié)果偏低；(2)需要加裝膜動態(tài)測量系統(tǒng)(filterdynamicmeasurementsystem，)對偏低的結(jié)果進行校準(zhǔn)。β射線法是基于兩個假設(shè)：儀器的石英采樣濾膜條帶均一；采集下來的pm2.5粒子物理特性均一，對β射線強度衰減率相同。但是現(xiàn)實條件下，以上兩個假設(shè)通常很難成立，因此測定數(shù)據(jù)一般被認(rèn)為也存在偏差。這種方法的缺點是在相對干凈和干燥的地區(qū)故障率低，而在潮濕高溫區(qū)域故障率很高。技術(shù)實現(xiàn)要素：本發(fā)明的目的是解決現(xiàn)有pm2.5的測定方法存在操作復(fù)雜和測定結(jié)果不精確的技術(shù)問題，提供一種基于圖像特征的pm2.5污染指數(shù)的識別方法。為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種基于圖像特征的pm2.5污染指數(shù)的識別方法，包括以下步驟：步驟1.搜集標(biāo)注了pm2.5實測值的歷史圖像，將搜集的歷史圖像全部統(tǒng)一縮放為xs×ys像素大?。蝗绻麍D像是彩色的，那么就將其轉(zhuǎn)換為灰度圖；步驟2.計算每個縮放并轉(zhuǎn)換為灰度圖后圖像的圖像特征；步驟3.將每個圖像的特征作為輸入，使用回歸方法得到pm2.5的預(yù)測模型；步驟4.采集目標(biāo)圖像，按照步驟1中同樣的方法將目標(biāo)圖像縮放為xs×ys像素大小，如果圖像是彩色的，將其轉(zhuǎn)換為灰度圖；步驟5.針對縮放后的目標(biāo)圖像，按照步驟2中的同樣的方法，計算縮放并轉(zhuǎn)換為灰度圖后圖像的圖像特征；步驟6.將目標(biāo)圖像的圖像特征作為步驟3中已經(jīng)訓(xùn)練好的預(yù)測模型的輸入，計算得到目標(biāo)圖像的pm2.5值。所述步驟2中在計算每個縮放并轉(zhuǎn)換為灰度圖后圖像的圖像特征之后,還需要對每個圖像的圖像特征以及pm2.5的值進行歸一化；所述步驟5中針對縮放后的目標(biāo)圖像，在計算縮放并轉(zhuǎn)換為灰度圖后圖像的圖像特征之后，還需要對目標(biāo)圖像的圖像特征按照步驟2中同樣的歸一化方法，進行歸一化。在機器學(xué)習(xí)中，使用同訓(xùn)練時一樣的方法對數(shù)據(jù)進行預(yù)處理，即使用同訓(xùn)練時一樣的方法將圖像轉(zhuǎn)換為灰度值，計算圖像特征并進行歸一化，在使用先前訓(xùn)練好的預(yù)測模型進行預(yù)測時才能得到最佳的預(yù)測結(jié)果。所述步驟1或步驟4中采用公式gray＝0.299×r+0.587×g+0.114×b將彩色圖像轉(zhuǎn)換為灰度圖像，其中r、g、b分別表示彩色圖像的紅色、綠色和藍色波段；所述步驟2或步驟5中的圖像特征為圖像的平均像素值、局部極值點的個數(shù)nmax、局部方差的均值μlvar、圖像水平方向和垂直方向二階差分加權(quán)平均值、圖像水平方向和垂直方向的二階梯度和的加權(quán)平均值、qx、qy和qg折線差分的加權(quán)平均值以及圖像中的斑點數(shù)；之所以選擇這些特征，是因為在實驗過程中發(fā)現(xiàn)這些特征能夠很好的反映實際拍攝圖像中pm2.5高低。所述圖像的平均像素值為所有像元的像素值加起來之后除以xs×ys；所述圖像局部極值點的個數(shù)nmax和局部方差的均值μlvar的計算方法為：(1)設(shè)定nmax和μlvar的初值為0；(2)對于圖像中的每一個非邊界像元找出鄰近的8個像元，記8個像元的構(gòu)成集合為pixa；如果當(dāng)前像元坐標(biāo)為(i,j),i和j分別表示該像元和圖像最左上角像元分別在垂直和水平方向同當(dāng)前像元間隔的像元個數(shù)，那么其8個近鄰的坐標(biāo)分別為(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)；這里的非邊界像元是指圖像中所有能夠找到上述8個近鄰，并且任一近鄰像元像素值不為空的像元；(3)如果當(dāng)前像元值大于周邊的8個像元，那么nmax值加1；并且這里，p表示當(dāng)前像元，i(p)表示像元p的灰度值，表示pixa中的8個像元和當(dāng)前像元像素值的均值；(4)當(dāng)所有像元都處理完之后，μlvar＝μlvar/((xs-2)×(ys-2))；所述圖像水平方向和垂直方向二階差分加權(quán)平均值、圖像水平方向和垂直方向二階梯度和的加權(quán)平均值的計算方法為：(1)分別計算圖像水平方向x和垂直方向y每個像元p的二階差分,分別記作和并分別將兩個方向的二階差分按照從小到大的序列排序，排序過程中去掉重復(fù)值，并過濾掉小于水平方向給定閾值αx或垂直方向給定閾值αy的所有差分值，由此得到兩個大小分別為nx和ny的水平方向隊列qx和垂直方向隊列qy，兩個隊列中第i的元素分別為和即為隊列中排序為i的像元所對應(yīng)的二階差分值；(2)計算圖像每個像元p的二階梯度和并將二階梯度和值按照從小到大的序列排序，排序過程中去掉重復(fù)值，并過濾掉小于給定閾值αg的所有二階梯度和值，由此得到大小為ng的二階梯度和隊列qg，隊列中第i的元素分別為qg(i)＝grad(pi)，即為隊列中排序為i的像元所對應(yīng)的二階梯度和值；(3)分別對三個隊列qx、qy和qg計算對應(yīng)折線總長度和以及總體加權(quán)變化度和(4)分別計算三個隊列qx、qy和qg的加權(quán)平均值wvlx＝vx/lx、wvly＝vy/ly和wvlg＝vg/lg，這三個值就分別為水平方向二階差分加權(quán)平均值、垂直方向二階差分加權(quán)平均值以及二階梯度和的加權(quán)平均值；所述圖像中的斑點數(shù)的計算方法為：(1)給定的一系列有序尺度值σ1,σ2,…,σs,s≥3，并選定某個半徑r，根據(jù)規(guī)范化拉普拉斯高斯算子生成對應(yīng)各個尺度的卷積模板，其中每個卷積模板的中心坐標(biāo)為(0，0)，所有和卷積模板中心水平或者垂直方向相差r個像元的所有網(wǎng)格都屬于模板；模板中所有網(wǎng)格的坐標(biāo)集合為{(tx,ty)|tx＝-r,-r+1,…,r-1,r∧ty＝-r,-r+1,…,r-1,r}，對應(yīng)尺度σ∈{σ1,σ2,…,σs}的卷積模板中每個網(wǎng)格(tx,ty)上的值使用下面公式計算：對每個尺度σ∈{σ1,σ2,…,σs}，使用對應(yīng)的卷積模板對圖像做卷積運算，得到一系列卷積圖像i1,i2,…,is；(2)對于每個卷積圖像ii,i＝2,…,s-1中的每個像元p，假設(shè)其在圖像中的坐標(biāo)為(i,j)，其8個最近鄰的像元坐標(biāo)分別為(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)；如果ii(p)是所有近鄰中最小的，并且ii(p)也比ii-1和ii+1中所有坐標(biāo)為(i,j)、(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)的像元的值都小，那么該像元對應(yīng)的就是一個斑點；如果ii(p)是所有近鄰中最大的，并且ii(p)也比ii-1和ii+1中所有坐標(biāo)為(i,j)、(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)的像元的值都大，那么該像元對應(yīng)的也是一個斑點；在所有卷積圖像ii,i＝2,…,s-1上找到的斑點總數(shù)即為圖像中的斑點數(shù)。所述qx、qy和qg折線差分的加權(quán)平均值的計算方法為：(1)首先針對qx、qy和qg的折線分別計算相鄰兩個元素之間的差值，并且將這一差值按照從小到大排序，分別形成一個隊列，分別記為qqx、qqy和qqg，其第i個元素分別為qqx(i)、qqy(i)和qqg(i)。(2)分別對三個隊列qqx、qqy和qqg計算對應(yīng)折線總長度和以及總體加權(quán)變化度和(3)分別計算三個隊列qqx、qqy和qqg的加權(quán)平均值wvlqx＝vqx/lqx、wvlqy＝vqy/lqy和wvlqg＝vqg/lqg，這三個值就分別為qx、qy和qg折線差分的加權(quán)平均值。所述步驟2和步驟5中按照如下公式對圖像的特征和pm2.5的值進行歸一化：其中f表示某個特征，f(i)表示縮放并轉(zhuǎn)換為灰度圖后的歷史圖像或者目標(biāo)圖像i在特征f上的取值，minf表示特征f在所有縮放并轉(zhuǎn)換為灰度圖后的歷史圖像上的最小值，maxf表示特征f在所有縮放并轉(zhuǎn)換為灰度圖后的歷史圖像上的最大值,fnorm(i)表示i在特征f上歸一化后的值，并且在對轉(zhuǎn)換為灰度圖后的目標(biāo)圖像進行歸一化時若fnorm(i)＞1時將fnorm(i)置為1，若fnorm(i)＜0時將fnorm(i)置為0,inew為待歸一化的新值。這一方法實現(xiàn)起來比較簡單高效，因此選擇這一方法進行歸一化。所述步驟3中使用回歸方法得到pm2.5的預(yù)測模型的方法為前饋神經(jīng)網(wǎng)絡(luò)、高斯過程或常用的最小二乘等方法。所述采用前饋神經(jīng)網(wǎng)絡(luò)方法得到pm2.5的預(yù)測模型的具體操作步驟為：(1)在前饋神經(jīng)網(wǎng)絡(luò)中設(shè)定好激活函數(shù)，這一步可以使用邏輯斯特函數(shù)或者雙曲正切函數(shù)；(2)設(shè)定神經(jīng)網(wǎng)絡(luò)的層次和每層的神經(jīng)元數(shù)量；(3)使用反向傳播算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)；(4)將學(xué)習(xí)到的網(wǎng)絡(luò)保存下來，需要保存的內(nèi)容有使用了何種激活函數(shù)，神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元數(shù)量以及每個神經(jīng)元的權(quán)重；所述步驟6中采用前饋神經(jīng)網(wǎng)絡(luò)方法得到pm2.5的預(yù)測模型時，需要讀入保存的基于前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測模型參數(shù)，包括激活函數(shù)，神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元數(shù)量以及每個神經(jīng)元的權(quán)重，然后按照前饋神經(jīng)網(wǎng)絡(luò)的前饋傳播方法將歸一化后的圖像特征作為輸入計算出inew所對應(yīng)的歸一化后的pm2.5值pm2.5norm(inew)，最后將其按照下面公式反歸一化后作為新拍攝圖像的pm2.5值pm2.5(inew)：pm2.5(inew)＝pm2.5norm(inew)×(maxf-minf)+minf。本發(fā)明充分利用歷史pm2.5的測量值和對應(yīng)的實景照片，綜合使用圖像處理技術(shù)和數(shù)據(jù)挖掘技術(shù)，只需要使用目標(biāo)區(qū)域景物照片就能夠快速估計其pm2.5指數(shù)，克服了傳統(tǒng)方法通常只能定點測量的缺點，提供了一種能夠快速估計大范圍區(qū)域pm2.5的技術(shù)方法。本發(fā)明采用以上技術(shù)方案，與現(xiàn)有技術(shù)相比的優(yōu)點在于：(1)不需要制作或者使用特別的儀器以及化學(xué)試劑，僅使用目標(biāo)區(qū)域的照片就能夠識別pm2.5指數(shù)；(2)當(dāng)只有目標(biāo)區(qū)域照片時，無法重建或者重復(fù)觀察目標(biāo)區(qū)域的環(huán)境因素，本方法仍然可以識別其pm2.5指數(shù)；(3)能夠直接識別大面積區(qū)域的平均pm2.5值，而不是定點觀測。附圖說明圖1為本發(fā)明的實現(xiàn)流程圖；圖2-5為本發(fā)明實例中的四個輸入圖像。具體實施方式本實施例中的一種基于圖像特征的pm2.5污染指數(shù)的識別方法，包括以下步驟：步驟1.選擇一個區(qū)域，使用攝像頭拍攝不同時間的彩色照片并記錄這一時間的pm2.5值以搜集標(biāo)注了pm2.5實測值的歷史圖像，根據(jù)季節(jié)和時間將所有的照片區(qū)分為白天和晚上兩大類，下面計算都以白天為例；將搜集的歷史圖像全部統(tǒng)一縮放為xs×ys像素大小，這里使用imagemagick軟件的convert命令：“convert–resize640x320”將搜集的歷史圖像全部統(tǒng)一縮放為640×320像素大?。贿@里使用只使用彩色照片的紅色波段的方式將圖像轉(zhuǎn)換為灰度圖，也可以采用公式gray＝0.299×r+0.587×g+0.114×b將圖像轉(zhuǎn)換為灰度圖，其中r、g、b分別表示彩色圖像的紅色、綠色和藍色波段；步驟2.計算每個縮放并轉(zhuǎn)換為灰度圖后圖像的平均像素值、局部極值點的個數(shù)nmax、局部方差的均值μlvar、圖像水平方向和垂直方向二階差分加權(quán)平均值、圖像水平方向和垂直方向的二階梯度和的加權(quán)平均值、qx、qy和qg折線差分的加權(quán)平均值以及圖像中的斑點數(shù)；所述圖像的平均像素值為所有像元的像素值加起來之后除以xs×ys；所述圖像局部極值點的個數(shù)nmax和局部方差的均值μlvar的計算方法為：(1)設(shè)定nmax和μlvar的初值為0；(2)對于圖像中的每一個非邊界像元找出鄰近的8個像元，記8個像元的構(gòu)成集合為pixa；如果當(dāng)前像元坐標(biāo)為(i,j),i和j分別表示該像元和圖像最左上角像元分別在垂直和水平方向同當(dāng)前像元間隔的像元個數(shù)，那么其8個近鄰的坐標(biāo)分別為(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)；這里的非邊界像元是指圖像中所有能夠找到上述8個近鄰，并且任一近鄰像元像素值不為空的像元；(3)如果當(dāng)前像元值大于周邊的8個像元，那么nmax值加1；并且這里，p表示當(dāng)前像元，i(p)表示像元p的灰度值，表示pixa中的8個像元和當(dāng)前像元像素值的均值；(4)當(dāng)所有像元都處理完之后，μlvar＝μlvar/((xs-2)×(ys-2))；所述圖像水平方向和垂直方向二階差分加權(quán)平均值、圖像水平方向和垂直方向二階梯度和的加權(quán)平均值的計算方法為：(1)分別計算圖像水平方向x和垂直方向y每個像元p的二階差分,分別記作和并分別將兩個方向的二階差分按照從小到大的序列排序，排序過程中去掉重復(fù)值，并過濾掉小于水平方向給定閾值αx或垂直方向給定閾值αy的所有差分值，由此得到兩個大小分別為nx和ny的水平方向隊列qx和垂直方向隊列qy，兩個隊列中第i的元素分別為和即為隊列中排序為i的像元所對應(yīng)的二階差分值；(2)計算圖像每個像元p的二階梯度和并將二階梯度和值按照從小到大的序列排序，排序過程中去掉重復(fù)值，并過濾掉小于給定閾值αg的所有二階梯度和值，由此得到大小為ng的二階梯度和隊列qg，隊列中第i的元素分別為qg(i)＝grad(pi)，即為隊列中排序為i的像元所對應(yīng)的二階梯度和值；(3)分別對三個隊列qx、qy和qg計算對應(yīng)折線總長度和以及總體加權(quán)變化度和(4)分別計算三個隊列qx、qy和qg的加權(quán)平均值wvlx＝vx/lx、wvly＝vy/ly和wvlg＝vg/lg，這三個值就分別為水平方向二階差分加權(quán)平均值、垂直方向二階差分加權(quán)平均值以及二階梯度和的加權(quán)平均值；所述qx、qy和qg折線差分的加權(quán)平均值的計算方法為：(1)首先針對qx、qy和qg的折線分別計算相鄰兩個元素之間的差值，并且將這一差值按照從小到大排序，分別形成一個隊列，分別記為qqx、qqy和qqg，其第i個元素分別為qqx(i)、qqy(i)和qqg(i)。(2)分別對三個隊列qqx、qqy和qqg計算對應(yīng)折線總長度和以及總體加權(quán)變化度和(3)分別計算三個隊列qqx、qqy和qqg的加權(quán)平均值wvlqx＝vqx/lqx、wvlqy＝vqy/lqy和wvlqg＝vqg/lqg，這三個值就分別為qx、qy和qg折線差分的加權(quán)平均值。所述圖像中的斑點數(shù)的計算方法為：(1)給定的一系列有序尺度值σ1,σ2,…,σs,s≥3，并選定某個半徑r，根據(jù)規(guī)范化拉普拉斯高斯算子生成對應(yīng)各個尺度的卷積模板，其中每個卷積模板的中心坐標(biāo)為(0，0)，所有和卷積模板中心水平或者垂直方向相差r個像元的所有網(wǎng)格都屬于模板；模板中所有網(wǎng)格的坐標(biāo)集合為{(tx，ty)|tx＝-r，-r+1，…，r-1，r∧ty＝-r，-r+1，…，r-1，r}，對應(yīng)尺度σ∈{σ1,σ2,…,σs}的卷積模板中每個網(wǎng)格(tx，ty)上的值使用下面公式計算：對每個尺度σ∈{σ1,σ2,…,σs}，使用對應(yīng)的卷積模板對圖像做卷積運算，得到一系列卷積圖像i1,i2,…,is；(2)對于每個卷積圖像ii,i＝2,…,s-1中的每個像元p，假設(shè)其在圖像中的坐標(biāo)為(i,j)，其8個最近鄰的像元坐標(biāo)分別為(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)；如果ii(p)是所有近鄰中最小的，并且ii(p)也比ii-1和ii+1中所有坐標(biāo)為(i,j)、(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)的像元的值都小，那么該像元對應(yīng)的就是一個斑點；如果ii(p)是所有近鄰中最大的，并且ii(p)也比ii-1和ii+1中所有坐標(biāo)為(i,j)、(i+1,j)、(i,j+1)、(i-1,j)、(i,j-1)、(i-1,j-1)、(i-1,j+1)、(i+1,j-1)和(i+1,j+1)的像元的值都大，那么該像元對應(yīng)的也是一個斑點；在所有卷積圖像ii,i＝2,…,s-1上找到的斑點總數(shù)即為圖像中的斑點數(shù)；本實例選擇了計算局部極值點的個數(shù)nmax、局部方差的均值μlvar、平均像素值，基于拉普拉斯算子的二階梯度和加權(quán)平均值和qg折線差分的加權(quán)平均值、基于sobel算子的qy折線差分的加權(quán)平均值以及基于高斯拉普拉斯算子的圖像中的斑點數(shù)這些特征，計算出的圖像部分特征如下表所示：計算高斯拉普拉斯圖像斑點數(shù)時使用了opencv庫，其部分代碼如下：matimage＝img；matdescriptors；vector<keypoint>keypoints；simpleblobdetector::paramsparams；params.minthreshold＝10；params.maxthreshold＝100；params.thresholdstep＝10；params.minarea＝10；params.minconvexity＝0.3；params.mininertiaratio＝0.01；params.maxarea＝8000；params.maxconvexity＝10；params.filterbycolor＝false；params.filterbycircularity＝false；simpleblobdetectorblobdetector(params)；blobdetector.create("simpleblob")；blobdetector.detect(image,keypoints)；drawkeypoints(image,keypoints,image,scalar(255,0,0))；cout<<keypoints.size()<<""；計算基于拉普拉斯算子的二階梯度和加權(quán)平均值和qg折線差分的加權(quán)平均值也使用了opencv庫，其部分代碼如下：這里αg閾值設(shè)定為50。并對每個圖像的各圖像特征以及pm2.5的值按照如下公式進行歸一化：其中f表示某個特征，f(i)表示縮放并轉(zhuǎn)換為灰度圖后的歷史圖像或者目標(biāo)圖像i在特征f上的取值，minf表示特征f在所有縮放并轉(zhuǎn)換為灰度圖后的歷史圖像上的最小值，maxf表示特征f在所有縮放并轉(zhuǎn)換為灰度圖后的歷史圖像上的最大值,fnorm(i)表示i在特征f上歸一化后的值，并且在對轉(zhuǎn)換為灰度圖后的目標(biāo)圖像進行歸一化時若fnorm(i)＞1時將fnorm(i)置為1，若fnorm(i)＜0時將fnorm(i)置為0,inew為待歸一化的新值。以平均像素值為例，訓(xùn)練數(shù)據(jù)中這一特征的最大值為147.323，最小值為49.6862，因此，當(dāng)這一值為113.21時，其歸一化后的值為(113.21-49.6862)/(147.323-49.6862)＝0.181324。下表為各個特征和pm2.5歸一化之后的結(jié)果：步驟3.將每個圖像的特征作為輸入，使用前饋神經(jīng)網(wǎng)絡(luò)方法得到pm2.5的預(yù)測模型，其具體操作步驟為：(1)在前饋神經(jīng)網(wǎng)絡(luò)中設(shè)定好激活函數(shù)，這一步可以使用邏輯斯特函數(shù)或者雙曲正切函數(shù)，這里設(shè)置激活函數(shù)為邏輯斯特函數(shù)，也叫做sigmoid函數(shù)；(2)設(shè)定神經(jīng)網(wǎng)絡(luò)的層次和每層的神經(jīng)元數(shù)量，這里設(shè)置網(wǎng)絡(luò)層數(shù)為3，其中輸入層神經(jīng)元個數(shù)為7,輸出層神經(jīng)元個數(shù)為1，中間層神經(jīng)元個數(shù)為1000；(3)使用反向傳播算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，這里使用的參數(shù)最低訓(xùn)練速率為0.001，最高訓(xùn)練速率為0.01，誤差區(qū)間為[0.001,0.02],迭代次數(shù)為10000；神經(jīng)網(wǎng)絡(luò)采用了lwneuralnetplus0.998版本的庫，部分訓(xùn)練代碼如下：iomanager＝newiomanagelwnnfann()；iomanager->info_from_file(argv[1],&npatterns,&ninput,&noutput)；net＝newnetwork(network::logistic,3,ninput,1000,noutput)；net->set_momentum(0)；net->set_learning_rate(0.001)；net->jolt(0.03,0.22)；train＝newtrainer(net,"","")；train->set_iomanager(iomanager)；cout<<"loadingtrainingdata..."<<endl；train->load_training(argv[1])；train_go(argv,train,net)；其中train_go部分代碼如下所示：(4)將學(xué)習(xí)到的網(wǎng)絡(luò)保存下來，需要保存的內(nèi)容有使用了何種激活函數(shù)，神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元數(shù)量以及每個神經(jīng)元的權(quán)重；步驟4.采集目標(biāo)圖像，按照步驟1中同樣的方法將目標(biāo)圖像縮放為xs×ys像素大小，如果圖像是彩色的，將其轉(zhuǎn)換為灰度圖；步驟5.針對縮放后的目標(biāo)圖像，按照步驟2中的同樣的方法，計算縮放并轉(zhuǎn)換為灰度圖后圖像的平均像素值、局部極值點的個數(shù)nmax、局部方差的均值μlvar、圖像水平方向和垂直方向二階差分加權(quán)平均值、圖像水平方向和垂直方向的二階梯度和的加權(quán)平均值、qx、qy和qg折線差分的加權(quán)平均值以及圖像中的斑點數(shù)，并對目標(biāo)圖像的各圖像特征按照步驟2中同樣的歸一化方法，進行歸一化；步驟6.將目標(biāo)圖像的圖像特征作為步驟3中已經(jīng)訓(xùn)練好的預(yù)測模型的輸入，讀入保存的基于前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測模型參數(shù)，包括激活函數(shù)，神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元數(shù)量以及每個神經(jīng)元的權(quán)重，然后按照前饋神經(jīng)網(wǎng)絡(luò)的前饋傳播方法將歸一化后的圖像特征作為輸入計算出inew所對應(yīng)的歸一化后的pm2.5值pm2.5norm(inew)，最后將其按照下面公式反歸一化后作為新拍攝圖像的pm2.5值pm2.5(inew)：pm2.5(inew)＝pm2.5norm(inew)×(maxf-minf)+minf。我們選用了下圖中的四個圖像作為新拍攝圖像進行識別。這里需要先對下圖中的各個圖像的特征進行歸一化，然后帶入先前訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)計算歸一化后的pm2.5值，最后進行反歸一化即可。識別效果如下表所示：實測值預(yù)測值圖像13749圖像2223247圖像3323306圖像4117103所述步驟2和步驟5中不論使用何種歸一化方法，只要能夠?qū)⑻卣髦祷蛘遬m2.5值變?yōu)閇0,1]區(qū)間或者(0,1)區(qū)間的數(shù)，就屬于本專利權(quán)利要求范圍；所述步驟3中的預(yù)測模型的可選建立方法包括神經(jīng)網(wǎng)絡(luò)、高斯過程以及常用的最小二乘等方法等，不論使用何種方法，只要是在預(yù)測過程中使用了神經(jīng)網(wǎng)絡(luò)、高斯過程以及常用的最小二乘等方法中的一種或者多種特征都在本專利的權(quán)利要求范圍；所述步驟2和步驟5中，計算圖像水平方向和垂直方向二階差分加權(quán)平均值以及二階梯度和的加權(quán)平均值可以使用多種方法，重復(fù)計算并獲得多種特征，例如分別使用sobel算子和拉普拉斯算子計算這三個特征；所述步驟2和步驟5的歸一化為可選步驟，如果不使用步驟2和步驟5，則需要再步驟6中預(yù)測出的pm2.5值無需進行反歸一化操作。本專利中的預(yù)測目標(biāo)pm2.5的值也可以為能見度等可以使用實數(shù)進行度量的其他實際預(yù)測目標(biāo)，不論使用何種預(yù)測目標(biāo)，只要使用了圖像水平方向和垂直方向二階差分加權(quán)平均值、二階梯度和的加權(quán)平均值以及qx、qy和qg折線差分的加權(quán)平均值這幾個特征就都屬于本專利的權(quán)利要求范圍。以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的權(quán)利要求范圍之內(nèi)。當(dāng)前第1頁12