论文思想
- 利用群智感知的思想通过可拍照的移动设备去监测环境空气质量
(即将智能移动设备转变为空气质量传感器,从而提供一种简单、便携式且低成本的工具,将普通用户转变为空气质量感官网络);
主要组成部分:
- ①Status Quo(设备拍摄的环境现状图)、
- ②Adaptive Transmission
Map(ATM—自适应传输图像分析)、 - ③Haze-free(无雾图)与Haze Impact(雾度分量)、
- ④Deep Neural Network Air Quality Estimator(DNA—深度神经网络空气质量估算器)、
- ⑤PSI(污染物标准指数);
方法思路:
- 设计一款移动应用程序AirTick—可以将任何支持摄像头的智能移动设备“转换为”空气质量传感器,实现对空气污染的感知及量化:
- 打开AirTick应用并拍摄周围环境的照片,然后ATM对照片进行分析,从图像中提取Haze Impact并生成无雾图(Haze-free),接着将该分量传递到DNA中为用户生成估算的PSI值。系统框架如下图所示:
论文背景
- 已有空气质量监测方法过于复杂昂贵或监测设备笨重,无法被大众有效使用
流行的空气质量监测方法包括锥形元素振荡微量天平(Ruppecht,Meyer和Patashnick 1992),黑烟测量(Muir和Laxen 1995)和基于过滤的重量分析法(Hauck等人2004)。然而对于大多数人来说,这些方法要么太昂贵,太复杂,要么太笨重。需要一种简单,便携式,可扩展且低成本的方法来监视空气污染,以支持对空气质量的感知,并补充本地空气质量数据的覆盖范围。
论文工作
-
如何在不知道图像的“无雾度”版本的情况下从单个图像中提取雾度?
-
如何准确地将从图像中提取的雾度转换为PSI值?
解决方法
从照片中提取模糊度:
- 可通过“大气散射模型”对模糊图像进行建模,得到以下公式:
- 其中I(w,h)是观察到的模糊图像(w和h分别表示图像的宽度和高度,以像素为单位);ε是大气衰减系数; L∞是大气光; d(w,h)是场景深度; R(w,h)是场景辐射度(又称无雾图像),即:
因为 e − ε d ( w , h ) e^{-εd(w,h)}