1.一种雾霾图像的雾浓度识别方法,其特征是,包括如下步骤:将目标雾霾图像输入预先训练好的有向无环图支持向量机,获取目标雾霾图像的雾浓度;
所述雾浓度基于预构建的多特征模型进行表征,所述多特征模型中的特征向量包括颜色特征、暗通道特征、信息量特征、对比度特征中的至少任一项。
2.根据权利要求1所述的雾霾图像的雾浓度识别方法,其特征是,所述颜色特征,其表达式如下:v s
A(x)=I(x)-α·I(x),其中,
式中,A(x)为图像I(x)的颜色特征矩阵,Iv(x)为图像I(x)的亮度,Is(x)为图像I(x)的C饱和度,α为权重系数,I(x)为图像I(x)的某一个R,G,B颜色通道。
3.根据权利要求1所述的雾霾图像的雾浓度识别方法,其特征是,所述暗通道特征,其表达式如下:式中,Jdark(x)为图像J(x)的暗通道特征矩阵,Nr(x)代表以像素点x为中心、以r为半径的邻域,J(y)为像素点x的邻域Nr(x)中的某个像素点y的像素值,JC(y)为J(y)的某一个R,G,B颜色通道像素值。
4.根据权利要求1所述的雾霾图像的雾浓度识别方法,其特征是,所述信息量特征包括全局熵或/和局部熵;
所述全局熵,其表达式如下:
式中,Hg为图像的全局熵,pi表示整幅图像中灰度值为i的像素所占的比例;
所述局部熵,其表达式如下:
式中,H(x)为图像的局部熵矩阵,pi(x)表示在以像素点x为中心、窗口边长为2r+1的正方形局部区域中灰度值为i的像素占局部区域像素总数的比例。
5.根据权利要求1所述的雾霾图像的雾浓度识别方法,其特征是,所述对比度特征包括全局对比度或/和局部对比度;
所述全局对比度,其表达式如下:
式中,GC为图像的全局对比度,h为二维图像矩阵的行数,w为二维图像矩阵的列数, 是输入图像f(x,y)的均值,ε为止零参数;
所述局部对比度,其表达式如下:
式中,LC(x)为图像的局部对比度矩阵,Ωr(x)是以像素点x为中心、半径为r的局部区域,|Ωr(x)|是局部区域内的像素个数,I(y)为像素点x的局部区域Ωr(x)中的某个像素点y的像素值,I(x)为像素点x的像素值。
6.根据权利要求1所述的雾霾图像的雾浓度识别方法,其特征是,所获取的目标雾霾图像的雾浓度,包括无雾、轻雾、中雾、浓雾中的任一项。
7.根据权利要求1所述的雾霾图像的雾浓度识别方法,其特征是,所述有向无环图支持向量机的训练方法,包括:获取不同雾浓度的雾霾图像构建训练集,所述雾霾图像的雾浓度基于预构建的多特征模型进行表征;
将训练集输入有向无环图支持向量机,采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习。
8.根据权利要求7所述的雾霾图像的雾浓度识别方法,其特征是,采用基于可分度优化DAG图的S-DAGSVM多分类算法对多特征模型中的特征向量进行监督学习的方法,包括:首先定义训练集中任意两类样本间的可分度,设训练集中任意两类样本集为{x1,x2,…,xn}和{y1,y2,…,ym},定义两类样本集在映射后的特征空间Q中的类间距离类内散度 和 分别是两类样本集在特征空间Q中的类中心,综合类间距离和类内散度定义类别i和类别j之间的可分度 式中,β为权重系数;
将训练集输入有向无环图支持向量机,将训练集中的各类样本两两组合训练二分类SVM,对于一个k类问题,将有k(k-1)/2个二分类SVM,所述类对应不同的雾浓度;
根据类别i和类别j之间的可分度计算每两类之间的可分度,获取可分度集合S={sij},i≠j,i,j∈D,且sij=sji,D为训练集中的类别集合,对应不同的雾浓度的集合;
从可分度集合中提取最大可分度max{sij},将其所对应的二分类SVM作为DAG图的根结点;
设当前结点的二分类SVM为cij,根据该分类器的分类结果决定下一层使用哪个二分类SVM。
9.根据权利要求8所述的雾霾图像的雾浓度识别方法,其特征是,设当前结点的二分类SVM为cij,根据该分类器的分类结果决定下一层使用哪个二分类SVM,包括:如果分类结果为不属于类别i,令S=S-{suv|u=i or v=i},将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器;
如果分类结果为不属于类别j,令S=S-{suv|u=j or v=j},将此时的可分度集合S中的最大可分度对应的二分类SVM作为下一层的分类器。
10.根据权利要求7所述的雾霾图像的雾浓度识别方法,其特征是,在将训练集输入有向无环图支持向量机之前,还包括:对从训练集图像中提取的特征向量进行归一化处理和权重设置。