基于智能图像的大气污染灾害等级判定研究

刘艳玲

(长春信息技术职业学院，吉林 长春 130000)

我国城市化进程不断加快，大气污染越来越严重[1]。当大气受到污染时，会降低大气气压，增加空气的湿度，空气中的颗粒物海量增长，这种情况对人体健康危害极大。大气污染灾害带来的影响不仅仅为人体健康方面，还会对公路、航空和航运等方面产生比较大的影响[2-3]。根据上述分析可知，评估与鉴定大气污染灾害等级十分重要，及时准确地鉴定污染等级，对人们的生活与工作以及各行各业地正常运行等方面均具有实际意义。

张可[4]等人提出基于改进AHP与可拓理论的污染等级评价方法。过程中，先构建石油污染评估指标体系，并引入可拓理论及改进AHP，构建基于改进AHP与可拓理论的污染等级评价模型。利用实例验证所提方法，实验结果表明，该方法计算过程简单，但存在污染鉴定准确性差的问题。龚梦丹[5]等人在杭州市选取30个蔬菜基地的203个土壤样品，并分析土壤中含有的Cu、Pb、Cr和Ni等元素含量，以此评价土壤污染程度。实验结果表明，该市蔬菜基地中含有的Cr和Ni都在可控范围内，但部分土壤中的Cu、Pb含量存在超标现象。从污染指数评估结果中可以看出，该地区土壤污染等级大多数是轻度污染。该方法所得结果具有一定可信度，但存在评估周期长，即实时性差的问题。

1 基于智能图像的大气污染灾害等级鉴定

1.1 大气污染图像增强

假设现已经得到大气污染图像，为了提升大气污染灾害等级鉴定准确率和实时性，要增强采集到的图像。假设，图像中含有的噪声表达式为：

(1)

式中：fx代表原始大气图像，[fxmin,fxmax]代表原始图像中像素点波动范围，f代表噪声图像，p=p1+p2代表图像噪声密度。和图像自身信号强度比较，噪声干扰一般比较大，所以在一幅大气图像中，噪声能够数字化成图像灰度值的最小值和最大值，且噪声总是以黑点或白点的形式出现在大气污染图像中[6-7]。如果一幅大气污染图像噪声的密度是30%，那么该图像中至少有15%的像素受黑点影响，另外15%像素受白点影响，剩下的70%像素灰度值与原图像一致。

依据噪声极值具备的特点，能够根据极值检测方法检测出图像中的噪声，然后基于检测结果实现自适应式中值滤波。使用中值滤波算法的基本思路为：假设Wij是将(i,j)当作中心的图像滤波窗口，f(i,j)代表(i,j)的灰度值，fmin代表Wi中最小的灰度值，fmax代表Wij中最大的灰度值，fme代表Wij灰度中值，Wmax代表允许范围内的最大滤波窗口，We代表初始滤波窗口。则大气污染图像自适应中值滤波，即增强的过程如下。

利用式(2)找到We最大值与最小值，假设f(i,j)值在We最大值与最小值间，则其为正常像素点，反之为噪声点。

(2)

式中：fm代表像素点为正常像素点，N代表像素点为噪声点。

依据式(2)的计算，针对各噪声点，找到We中正常像素点，假设存在，则f(i,j)由We中正常像素点中值代替，反之加大窗口尺寸，并重复检测，一直到滤波窗口不存在噪声点或者最大的滤波窗口是Wmax。综上得到的增强后污染图像可表示为：

回来的路上，被雨水淋透的爷爷哮喘病犯了。爷爷捂着胸口咳嗽，踉踉跄跄地栽倒在地。阿鱼在爷爷的身上蹭了蹭脑袋，把脖子伸给了爷爷。爷爷左摇右晃地爬到了阿鱼身上。阿鱼没有像往常一样尥蹶子，而是晃晃荡荡地走了起来，一直把爷爷驮到了一个牧民家里。

(3)

式中：f′(i,j)代表增强后的大气污染图像输出，Wl代表滤波窗口。选取滤波窗口尺寸对图像噪声检测精确性影响很大，如果滤波窗口尺寸比较小，则可以保持比较好的图像细节，但是滤除噪声的性能就比较差。如果窗口尺寸比较大，滤除图像噪声性能比较强，不过也会使图像细节变得模糊、扭曲[8-9]。图像噪声检测环节，其主要目的为尽量精准地检测出图像中含有的噪声点，因此能够根据比较大的检测窗口完成噪声检测。据经验可知，当噪声达到80%，使用7×7检测窗口即可，所以上述噪声检测在Wmax(7×7)检测窗口检测大气污染图像中的噪声。利用自适应中值滤波方式增强大气污染图像，依据图像受到的噪声污染程度自适应性地选取不同尺寸增强窗口。在选取滤波窗口之后，不是将滤波窗口中的所有元素均参与到图像滤波中，只是选取滤波窗口范围内的该滤除的噪声，以此降低其他因素对滤波结果产生的影响。根据上述图像增强，可有效提升大气污染灾害等级鉴定精度。

1.2 大气污染灾害等级鉴定

经图像增强后，利用智能图像像素统计分析法，依据图像像素灰度值变化状况，其中主要依据图像标准差、梯度及熵和空间频率等来区分大气污染灾害等级。

标准差为图像灰度和灰度均值之间离散状况。该值能够在一定程度上反映出大气图像反差大小。如果标准差比较大，那么图像灰度级的分布情况为分散，即图像的反差比较大。如果标准差比较小，那么图像反差就比较小，图像呈现出的对比度就不是十分明显，色调相对单一且不均，很难分辨出更多的信息。通常来讲，大气污染程度越严重，采集到的大气图像呈现出的反差就越小。大气图像标准差为：

(4)

式中：SD代表大气图像标准差，I′代表图像中某像素点均值，M和M′代表图像尺度。

图像的平均梯度，即为图像清晰程度。图像平均梯度能够敏感反映图像比较小的细节反差，经常用来评估图像清晰程度，其还能够反映图像纹理特征的变换。一般情况下图像的平均梯度值越大，则图像的层次就越多，清晰程度就越高[10]。通常来讲，大气污染程度越大，采集到的图像清晰程度就越小。大气污染图像平均梯度为：

(M-1)(M′-1)。

(5)

式中：AG代表大气图像平均梯度值，∂代表共轭，Z(xi,yj)代表f′(i,j)中的像素点。

大气污染图像中的熵为度量图像信息是否丰富的关键指标。大气污染图像熵能够高效表示图像灰度值分布时的空间特征。通常情况下，熵值越大，则表示图像中包含的信息量也就越大。假设大气图像的总灰度级为q，那么大气图像信息熵能够定义为：

(6)

图像中的空间频率，该值可反映大气污染图像空间域总体活跃性。其中，图像行频率和列频率可表示为：

(7)

(8)

则空间频率可表示为：

(9)

式中：RF代表大气图像行频率，CF代表图像列频率，SF代表图像空间频率。

将上述的大气图像标准差、平均梯度、熵和空间频率与图像特征相似度衡量标准结合，构建大气污染灾害等级鉴定模型。

相似度尺度作为衡量大气污染图像中特征向量间距离，其实际上为距离计算的一种方式，能够通过图像特征相似度量实现特征分类识别，进而判断大气污染等级。当前，有很多相似性尺度应用在不同领域检索中。Canberra距离作为在相同条件下有着比较高的检索率的检索体系，可提升检索精度。在Canberra距离中，认为图像中每一维特征向量的距离求和前，对两幅大气污染图像在差异度上做出的贡献均为一致，所以Canberra距离计算应该将重点放在求取特征值相差较大的特征上。综上，Canberra距离求和前对大气图像特征中各分量均作归一化处理。假设X′和Y′为f′(i,j)中的特征向量，且维数为d，则Canberra距离可表示为：

(10)

式中：d(X′,Y′)代表Canberra距离。

利用式(10)特征相似度衡量公式结合式(4)至式(9)构建的大气污染灾害等级鉴定公式可表示为：

(11)

式中：F(x)代表大气污染灾害等级鉴定输出结果，代表指标连接符，η代表大气污染灾害等级鉴定影响阈值，将该值控制在[0,1]范围内，可有效提升鉴定精度。

根据上述过程可得到基于智能图像的大气污染灾害等级鉴定结果。在我国，空气污染指数超过50时，其对应的污染灾害等级为一级标准，指数在50以下则为优；污染指数超过100时，其对应的污染灾害等级为二级标准，且51～100表示空气质量为良好；污染指数达到200时，其对应的污染灾害等级为三级标准，且101～150表示轻微污染，151～200表示轻度污染；污染指数点201～300时为中度污染，300点以上则表示大气污染等级为重度污染。将式(11)计算结果与以上等级标准一一对应，判断大气污染灾害的最终等级。

2 实验结果与分析

利用实验检验基于智能图像的大气污染灾害等级鉴定方法，实验数据取自于某市气象局，从其图像库中选取100幅大气污染图像，其中包含轻度雾霾天气和其他污染等级图像。分别将实验图像编号，提高实验效率。实验平台为matlab，通过不同方法对比形式完成实验。实验指标为：

(1)污染等级鉴定准确性(利用鉴定结果与实际情况的吻合度表示)；

(2)污染等级鉴定实时性。

分析图1可知，基于改进AHP与可拓理论的污染等级评价方法在不同实验次数下，评价结果与实际情况吻合度曲线波动较大，最高约为90%。而基于智能图像的大气污染灾害等级鉴定方法在不同实验次数下，鉴定结果平均准确率较高，明显优于当前方法。本文研究的方法首先利用图像滤波法增强了大气污染图像，初步提升了污染灾害等级鉴定精度。又利用图像中不同参数与图像特征相似度衡量标准结合的方式构建大气污染灾害等级鉴定模型，进一步提升了污染灾害等级鉴定准确率。从该实验结果可看出，本文的基于智能图像的大气污染灾害等级鉴定方法可行性较强，具有实际意义。

图1 不同方法污染等级评价鉴定准确性对比

分析图2可知，在相同的测试次数前提下文献5大气污染灾害等级评估耗时普遍大于2.5 h，所提方法用时基本都小于0.5 h,仅为文献[5]方法耗时的1/5，大大提高了污染灾害等级评估效率，说明本文的基于智能图像的大气污染灾害等级鉴定方法实时性相较当前方法更强。该方法在构建大气污染灾害等级鉴定模型之前，利用图像处理技术增强了采集到的大气污染图像，减少了污染等级鉴定耗时，提高了鉴定效率，进而增强了基于智能图像的大气污染灾害等级鉴定实时性。

图2 不同方法污染等级评估鉴定实时性对比

3 结束语

大气污染是当前环境灾害领域的重点课题，引起了诸多专家学者高度重视。但当前相关研究方法性能不是十分完善，本文提出了基于智能图像的大气污染灾害等级鉴定方法，利用预处理大气污染图像和构建污染等级鉴定模型，并结合我国相关标准，实现大气污染灾害等级鉴定。实验结果验证了本文所研究的方法具备有效性，今后研究方向为设计合理的污染灾害发生后治理方案，进一步增强污染灾害评估与管理方面的性能，为该领域发展提供可借鉴理论。