Es wurde ein Algorithmus zur Bewertung der Nebeldichte basierend auf der logistischen Funktion vorgeschlagen, der ein S-förmiges Streudiagramm anpasst. Zuerst wird der normalisierte Grauwertunterschied - das Verhältnis des Streudiagramms aus dem LIVE-Standardsatz extrahiert; basierend auf der eindeutigen Beziehung zwischen der Streukurve und der Nebeldichte im Sichtfeld wird die logistische Funktion eingeführt und ein Modell für die Regressionsanalyse abgeleitet. Anschließend wird eine iterative Suchmethode verwendet, um den besten Rücksprung-Stichprobenpunkt der vertikalen Gauß-Verteilung zu bestimmen, um die Erkennungsgenauigkeit zu verbessern. Schließlich wird eine Parametertabellen-Suchmethode (β^, γ^) erstellt, die eine Nebeldichtebewertung durch Berechnung des Korrelationskoeffizienten und umfassende Suche implementiert. Tests mit Bildprobe 1 bei unterschiedlichen Konzentrationen im gleichen Szenario zeigten, dass der Korrelationskoeffizient zwischen dem realen PM2.5 des Bildes und dem PM2.5 der Such-Tabelle 0,99 erreicht, mit einer Erkennungsfehlerquote von unter 2,9 %; Tests mit Bildprobe 2 auf einer Autobahn mit unterschiedlichen Konzentrationen in einem ähnlichen Szenario zeigten, dass der Korrelationskoeffizient zwischen dem realen PM2.5 und dem PM2.5-Wert der Such-Tabelle 0,98 erreicht, mit einer Erkennungsfehlerquote von unter 1,8 %; Leistungsvergleichstests zeigten, dass die Verarbeitungszeit des Algorithmus für eine 300-kB-Probenbild 19,8 s beträgt, was niedriger ist als bei datengetriebenen Deep-Visual-Algorithmen mit ähnlicher Genauigkeit; Genauigkeitsvergleichstests zeigten, dass dieser Algorithmus anderen typischen Algorithmen überlegen ist.

Autobahn;Bild;Nebeldichteerkennung;NGDR;logistisches Modell;Regressionsanalyse;Suchtabelle