一种基于深度学习的PM2.5浓度测量方法

摘要

本发明提供了一种基于深度学习的PM2.5浓度测量方法，首先，通过差异学习模块，提取出去除PM2.5浓度的图像，与原始失真图像做比较计算出差异映射图，其次，从差异映射图和原始失真图像提取两者的结构信息，颜色信息和能量信息，最后，将结构信息，颜色信息和能量信息作为卷积神经网络的输入，得出输入图像的PM2.5浓度值。本发明的测量方法实施简单，高效，可广泛地应用于不用场合的PM2.5浓度检测，尤其对实时性要求比较高的场合。

说明书

技术领域：

本发明涉及图像质量评价应用领域，尤其涉及一种基于深度学习的PM2.5浓度测量方法。

背景技术：

近年来，随着国家经济的发展，工业的飞速发展为人们生活带来便利的同时，也造成一些消极的影响，比如环境污染。在这些影响中，由人或自然造成的环境污染，超越环境的自净化能力，使得极其危险的物质进入我们的生活环境。土壤、水和大气污染是三个典型的污染问题。相比前两者，大气污染是最危险，因为大气无处不在，受污染的空气将吸入人体，对人类的健康造成极大的威胁。

造成空气污染的原因很多，主要包括车辆排放的有害气体和颗粒物，一些人类的活动，如炼钢、炼油及药品的制造，以及石油、煤炭和天然气等的燃烧排放。六种常见的空气污染物包括N02、S02、03、C0、PM2.5(细颗粒物质)和PM10(可吸入PM)。前四种气体污染物当浓度超过一定程度时，容易导致呼吸道炎症和神经系统失调。相比之下，剩下的两种颗粒物是指气动直径较小的颗粒，小于或等于2.5和10μm。很明显，PM2.5是PM10的组成部分，其指数小于PM10。细颗粒物很容易侵入人体的肺部，很难清洗干净。如果长期暴露在高浓度PM2.5环境中，公众的发病率和死亡率将会急剧增加。

目前，针对细颗粒物PM2.5监测的方法主要包括重量法、微量振荡天平法及β射线法等物理方法，因此只适用于某些特定的场合，在现实中是很难被广泛使用的。因此，监测PM2.5的浓度以及研发相关的检测方法越来越受到重视。

发明内容：

为了解决上述问题，本发明提供了一种基于深度学习的PM2.5浓度测量方法，能够准确地对PM2.5浓度进行检测。

为实现上述目的，本发明提出一种基于深度学习的PM2.5浓度测量方法，包括如下步骤：

A、利用基于深度卷积神经网络的差异学习模块，得出失真图像的去PM2.5浓度的参考图像；

B、将得出的参考图像与输入的PM2.5图像进行差操作，得出差异映射图；

C、提取原始输入PM2.5失真图像和差异映射图的结构信息，颜色信息和能量信息作为统计特征；

D、利用预测卷积神经网络，将提取的相关特征参数进行回归训练，得到待测图像的PM2.5浓度值。

作为优选，所述步骤A的深度卷积神经网络中，同步考虑了信道级特征和像素级特征对失真图像的影响，

所述信道级特征首先利用全局平均加权将图像输入信道A

然后图像输入卷积层，激活ReLu函数，得到信道权重：

最后将信道的权重W

所述像素级特征的获取首先将信道级特征

然后利用

作为优选，所述步骤B中的差异映射图通过构建的特征网络产生，所述特征网络采用L

作为优选，所述步骤C总的结构信息利用图像的梯度来描述，图像的梯度采用Prewitt算子来提取：

gm

g

梯度值提取完后，计算差异映射图和原始PM2.5图像梯度的相似性：

除了考虑图像的微观结构信息外，同时根据人类视觉系统的特性，考虑到图像的宏观结构信息：

作为优选，所述步骤C总的颜色信息采用YIQ和HSV颜色空间来描述，首先，将输入图像转换到YIQ颜色空间：

其中，Y代表亮度信息，用来计算梯度值，I和Q代表色度信息，用来估计PM2.5失真图像和差异映射图之间的色差，

其中，i

作为优选，所述步骤C中能量信息利用饱和图的熵来度量，

首先将图像由RGB空间转换到HSV颜色空间，提取图像的饱和度：

B(i，j)三个通道的最大值，N(i，j)是R(i，j)，G(i，j)，B(i，j)三个通道的最小值，i，j分别代表图像水平和垂直方向上的像素索引；

基于饱和度计算其信息熵

作为优选，所述步骤D中预测卷积神经网络包括隐藏层和线性回归层，其中隐藏层内包含训练的代价函数，并通过代价函数训练线性回归层，PM2.5测量浓度为线性回归层的输出，

所述代价函数定义为：

其中

和

其中，N是网络权重，b和λ分别指隐藏层偏差和权重衰减参数，x

在训练每个稀疏自动编码器之后，使用代价函数来训练线性回归层：

本发明的有益效果在于：本发明所揭示的一种基于深度学习的PM2.5浓度测量方法，通过深度神经网络的差异学习模块得到虚拟参考图像，并与原始图像进行差操作以得到差异映射图，然后提取原图及差异映射图的特征信息，结合训练模型进行回归训练得到PM2.5浓度值，与当前主流的质量评价算法相比，此方法测量准确度高，可广泛地应用于不同场合的PM2.5浓度检测，尤其对实时性要求比较高的场合。

附图说明：

图1为本发明实施例中PM2.5浓度测量方法的原理框架图；

图2为本发明实施例中不同浓度图像对应的差异映射图；

图3为本发明实施例中预测神经网络的模块框架图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于深度学习的PM2.5浓度测量方法，包括如下步骤：

A、利用基于深度卷积神经网络的差异学习模块，得出失真图像的去PM2.5浓度的参考图像；

B、将得出的参考图像与输入的PM2.5图像进行差操作，得出差异映射图；

C、提取原始输入PM2.5失真图像和差异映射图的结构信息，颜色信息和能量信息作为统计特征；

D、利用预测卷积神经网络，将提取的相关特征参数进行回归训练，得到待测图像的PM2.5浓度值。

具体说来，所述步骤A的差异学习模块中的深度卷积神经网络中，同步考虑了信道级特征和像素级特征对失真图像的影响，其中：

信道级特征首先利用全局平均加权将图像输入信道及的全局空间信息转换为信道描述符：

然后图像输入卷积层，激活ReLu函数，得到信道权重：

最后将信道的权重W

而像素级特征的获取首先将信道级特征

然后利用

在步骤B中，差异映射图通过构建的特征网络产生，所述特征网络采用L

在具体实施时，采用余弦退火策略，通过余弦函数将学习速率从初始值调整为0，假设块总量为M，在块m处，学习率ψ

PM2.5浓度的增加将直接导致图像颜色和信息量的改变。因此，步骤C中的特征由结构信息、颜色信息和能量信息三部分组成。

所述结构信息利用图像的梯度来描述，图像的梯度采用Prewitt算子来提取：

梯度值提取完后，计算差异映射图和原始PM2.5图像梯度的相似性：

除了考虑图像的微观结构信息外，同时根据人类视觉系统的特性，考虑到图像的宏观结构信息：

PM2.5会导致图像颜色失真，考虑到不同颜色空间描述的颜色信息不同，本发明采用YIQ和HSV颜色空间来描述，首先，将输入图像转换到YIQ颜色空间：

其中，Y代表亮度信息，用来计算梯度值，I和Q代表色度信息，用来估计PM2.5失真图像和差异映射图之间的色差，

其中，i

根据实验数据显示，PM2.5浓度会改变图像能量。特别是随着PM2.5浓度的升高，图像的饱和度会减小到一个很小的值。因此，我们利用饱和图的熵来度量能量信息。

首先将图像由RGB空间转换到HSV颜色空间，提取图像的饱和度：

基于饱和度计算其信息熵

所述步骤D中预测卷积神经网络包括隐藏层和线性回归层(如图3所示)，神经网络的输入是上一步骤提取的特征，用f1，f2，…，fn表示，隐藏层内包含训练的代价函数，并通过代价函数训练线性回归层，PM2.5测量浓度为线性回归层的输出，

所述代价函数定义为：

其中

和

其中，N是网络权重，b和λ分别指隐藏层偏差和权重衰减参数，x

在训练每个稀疏自动编码器之后，使用代价函数来训练线性回归层：

为了更好地验证本发明检测PM2.5浓度值的有效性，将本发明方法与专门的PM2.5质量评价算法、通用图像的质量评价算法，对比度质量评价算法和清晰度图像质量评价算法在PM2.5图像数据库上进行测试。评价方法的性能指标，包括：1)皮尔森线性相关系数(PLCC)，用于定量衡量评价算法的准确性；2)Spearman相关系数(SRCC)，用于衡量衡量评价算法的单调性。3)Kendall相关系数(KRCC)，也用于衡量评价算法的单调性。其中PLCC，SRCC，KRCC的值越大，代表算法的性能越好。

实验采用AQID图像数据库，该图像库包含750幅含有不同PM2.5浓度的图像，图像的PM2.5的浓度值来自位于北京的美国大使馆的检测数据，整个数据库浓度值从1到423μg/m3，浓度值越高代表空气质量越差。

下面为具体的对比内容

利用自然场景统计和局部清晰度来评价图像质量，该方法记为BQIC；利用自然高质量图像在空间域的自然场景统计性评价图像质量，该方法记为NIQE；利用自由能和人类视觉系统提取23个视觉特征来评价图像质量，该方法记为NFERM；下面就把本发明方法与这三种通用型图像质量评价方法在AQID图像数据库做实验进行对比，结果如表1所示：

表1本发明方法与通用图像质量评价算法在AQID图像数据库的实验结果

利用空间域和离散域的多尺度变换系数来评价图像的清晰度，该方法记为RISE；利用离散切比雪夫矩来评价图像的清晰度，该方法记为BIBLE；利用离散小波变换，计算小波子带的能量，并加权子带能量得出图像的质量评价分数，该方法记为FISH；通过计算局部自回归系数的能量和对比度差异进行图像清晰度的评价，该方法记为ASIRM；下面就把本发明方法与这四种清晰度图像质量评价方法在AQID图像数据库做实验进行对比，结果如表2所示：

表2本发明方法与清晰度质量评价算法在AQID图像数据库的实验结果

该利用均值，方差，信息熵，峰值，偏斜度等特征评价图像的对比度，方法记为CDIQA；利用清晰度，亮度，颜色和自然性等特征评价图像的质量，该方法记为BIQME；基于信息量最大化评价图像的对比度，该方法记为NIQMC；下面就把本发明方法与这三种主流的对比度图像质量评价方法在AQID图像数据库做实验进行对比，结果如表3所示：

表3本发明方法与图像对比度质量评价算法在AQID图像数据库的实验结果

由表1，表2和表3可以看出，本发明不论与主流清晰度、对比度图像质量评价方法还是和通用型图像质量评价方法相比，在AQID图像数据库中的效果都是最好的，而且本发明的RMSE值均低于相比较的算法，PLCC、SRCC和KRCC值均明显高于其他比较的方法，说明了本发明在评价图像质量上具有很高的准确性和稳定性。

通过利用空间域和转换域的熵的自然统计特性，来衡量PM2.5浓度，该方法记为PPPC；通过提取图像的梯度相似性和饱和度映射图的分布形状来检测PM2.5的浓度值，该方法记为Yue；通过分析PM2.5图像的非显著性区域的饱和度的概率分布来检测PM2.5的值，该方法记为IPPS；下面就把本发明方法与这两种主流的PM2.5浓度检测的评价方法在AQID图像数据库做实验进行对比，结果如表4所示：。

表4本发明方法与PM2.5质量评价算法在AQID图像数据库的实验结果

由表4可以看出，本发明方法和专门针对PM2.5预测的算法相比，在算法的准确性和一致性方面均优于它们。

根据国际视频图像质量专家组的意见，客观评价分数与主观分数呈现非线性关系，所以本发明采用五参数非线性回归方程对预测与真实的PM2.5值进行非线性回归，

其中，s代表预测的PM2.5浓度值，选择最优的

为了验证本发明算法中所用的三方面的特征信息，分别测试了每个方面的特征信息在AQID图像数据库的性能和本发明的三个方面的特征组合在AQID能指标，具体参见表5：

表5组成本发明方法的三种特征在AQID图像数据库的实验结果

由表5可以看出，本发明方法选取三个方面特征信息组合的必要性。

在实际应用中，计算复杂度对实时性信号处理的系统是非常重要。因此，我们分析了所提出的PM2.5浓度估计算法的计算复杂度，并与当前主流的无参考质量评价方法进行比较。实验是用台式计算机进行的，采用Intel(R)Core(Tm)i5-7400 CPU 3.00GHZ和8GBRAM的配置。从PM2.5图像数据库中提取前10张图像的特征，所花费的时间与每种算法所提取的特征数如表6所示。从表6中可以看出，所提出的方法仅使用四个特征，并且计算复杂度最低。因此，它可以用于实时性要求比较高的系统。

表6算法的特征数和计算复杂度在AQID图像数据库的实验结果

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。