AAAI 2017论文简析:利用可拍照移动设备感知空气质量---Crowdsensing Air Quality with Camera-enabled Mobile Devices

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)}