[发明专利]基于图像的高效PM2.5浓度预测方法

说明书

本发明公开了一种基于图像的高效PM2.5浓度预测方法。通过手机或者相机来获取场景图像，基于这些图像来实时估计PM2.5浓度。首先，在PM2.5浓度非常低的良好天气环境下拍摄大量图片，基于空间和变换域的熵特征建立自然统计模型(NS)。然后将一张新的图像与NS模型对比，计算出偏离度。最后，用非线性函数映射PM2.5浓度指数的偏离度。大量的实验结果表明，本发明提出的模型在PM2.5浓度精准预测和实现效率方面与目前的先进方法相比具有很大优势。

技术领域

本发明属于PM2.5浓度预测方法，利用图片和适用于PM2.5的自然场景统计模型来预测PM2.5浓度，能有效的实现实时精准的PM2.5浓度预测。

背景技术

在近几十年里，快速的城市化和工业化正在引起空气质量的恶化，空气质量恶化已经成为全球性问题。在所有空气污染中，PM2.5由于破坏人体的呼吸系统、脑血管、心血管功能而引发疾病已经引起越来越多人的重视。目前测量PM2.5浓度的方法和仪器主要通过物理化学方法测量PM2.5重量。将PM2.5收集到滤纸上，然后照射一束beta射线，射线穿过滤纸和颗粒物时由于被散射而衰减，衰减的程度和PM2.5的重量成正比。因此根据射线的衰减就可以计算出PM2.5的重量。然而上述基于传感器的PM2.5测量方法不可避免的带来了高成本，大多数地区无法承担设置监测点和维护仪器的费用。所以急需一种有效的、方便的方法来测量PM2.5浓度。

为此，本发明提出了基于图像的高效PM2.5浓度预测方法。本发明基于图片和适用于PM2.5的自然场景统计模型来预测PM2.5浓度。一是随着智能手机的应用越来越广泛，人人可以使用智能手机拍摄图片并传到云端，可提取出自然图片的统计特征。二是根据饱和度表示颜色接近光谱色的程度，当PM2.5浓度较大时会降低到非常小的水平的先验知识。由此规律，通过分析饱和度在空间域和变换域熵的特征，提出了空间域的极值分布模型与变换域的高斯分布模型，将两种统计模型进行结合得到适用于PM2.5的自然场景统计模型。最后测量图片提取出的特征与自然场景统计模型的似然度，进行非线性映射得到PM2.5浓度预测模型。

发明内容

本发明基于图片和适用于PM2.5的自然场景统计模型建立一种新型PM2.5浓度预测方法。本发明融合两个针对几何失真的新的自然场景统计模型对深度图像绘制技术合成的图像的质量进行评价。通过收集到的750张图片对该方法进行验证，实验结果表明，本发明预测PM2.5浓度在性能与实施效率上明显高于已有的预测方法。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步、提取RGB格式图片的饱和度S(x，y)。

第二步、计算图像饱和度在空间域的熵H_s。

第三步、通过哈尔小波变换技术将饱和度空间分解成10个波段，并计算每一波段小波系数的熵

第四步、计算整个变换域饱和度的熵E_s。

第五步、根据空间域中熵的分布直方图得出极值概率密度函数Q_V。

第六步、通过最大似然法计算出最优模型参数u和d的值。

第七步、根据变换域中熵的分布直方图得出高斯概率密度函数Q_G。

第八步、融合Q_VQ_G得到PM2.5浓度预测模型似然度Q。

第九步、将似然度Q进行非线性映射得到PM2.5浓度S_E。

本发明的原理是：