论文部分内容阅读
大气能见度是一个和人类生活息息相关的物理量,低大气能见度现象不仅严重影响人们的出行安全,而且在一定程度上反映出空气的受污染程度,间接对人们的身体健康造成影响。传统的能见度测量方法存在观测规范性差、设备价格高昂、不能实现自动化监测等局限性,基于图像的能见度测量方法又存在公式参数误差修正困难等问题。本文旨在寻找能够较好实现图像能见度反演的方法,以解决上述存在的问题。稀疏低秩表示在计算机视觉领域的突破性进展使其成为一种有效的数据表示方式,卷积神经网络在图像处理领域表现出色,因此本文基于这两种方法展开了图像能见度反演的研究。本文的主要研究工作有以下三部分:(1)对能见度值进行min-max标准化处理,对能见度图像的目标区域进行检索并用尺度不变特征(SIFT)算法配准,将配准后的图像存入数据库备用。(2)本文将稀疏低秩表示方法应用到图像能见度反演方面。学习了信号的稀疏低秩表示原理后,依据训练样本的特征向量集构建过完备字典,通过学习得出图像特征的新表示,再用回归方法得出能见度估计值。讨论了不同因素对能见度测量准确率的影响,确认最佳方案。最后将本文稀疏低秩表示法和其他几个典型的模型进行对比实验,实验结果表明本文方法在测量时间和准确率上优于其他三种模型。(3)考虑到基于稀疏低秩表示的能见度反演方法需要预先提取图像特征,工作量大,提出了基于卷积神经网络的能见度反演方法。本文在经典Lenet网络的基础上构建了一个多层网络模型,将图像直接作为神经网络的输入,相应的能见度值作为标签训练模型。对输出层进行改造来解决回归问题,实现了无需手动提取图像特征的自动化能见度值反演。对模型的卷积层层数、卷积核数目和尺寸进行优化,得到了最优模型。以实验基地CJY-1G能见度仪的测量结果为基准,将本文卷积神经网络(CNN)和黑体像素(DPA)方法的预测值进行对比。实验结果表明CNN方法测量结果优于DPA方法,能见度<2000m时测量效果最好,和CJY-1G测量值的相关系数分别为0.9385和0.8957。最后对本文提出的稀疏低秩表示方法和卷积神经网络方法进行对比分析和总结,将卷积神经网络方法作为日后研究的重点。