森林防火系统中图像识别算法的研究硕士学位论文

《森林防火系统中图像识别算法的研究硕士学位论文》由会员分享，可在线阅读，更多相关《森林防火系统中图像识别算法的研究硕士学位论文（77页珍藏版）》请在装配图网上搜索。

1、哈尔滨工业大学工学硕士学位论文硕士学位论文森林防火系统中图像识别算法的研究摘要森林是陆地生态的主体，具有很高的生态效益和经济效益。鉴于目前我国森林防火的严峻形势，必须开发有效技术解决森林火灾的监测问题。传统火灾探测器多采用单一时刻的火灾参量作为判断标准，在外界干扰下易引起频繁误报或漏报。近年来提出的基于机器视觉的火灾报警系统，利用数字图像处理技术来实现火灾自动报警。基于火焰和烟雾的图像特征，本文研究了一种识别自然环境下火灾的机器视觉方法。火灾发生过程中，主要的图像信息是燃烧时产生的烟雾和火焰，通过对烟雾和火焰的图像信息研究发现，烟雾和火焰本身具有一定的规律性，以此为依据设计有针对性的算法，从图

2、像中识别出烟雾和火焰，判断火灾是否发生。首先，论文阐述了森林防火技术及图像型火灾检测技术的发展和现状，并对图像分割和滤波方法中的关键技术进行了详细介绍，在此基础上，本文分别讨论了火焰和烟雾的分割与识别。然后，对于火焰分割，针对不同情况下的火焰研究了三种不同的分割技术，实现了火焰区域的准确分割。对于火焰的特征检测，主要进行颜色和动态特征的分析，通过建立火焰颜色模型进行颜色识别，再进一步进行火焰的四个动态特征的识别。对于烟雾分割，由于烟雾颜色的复杂性，采取颜色提取法进行分割，并运用视觉一致性的聚类算法对其进行了改进。对于烟雾的特征检测，主要进行小波特征及动态特征的分析，通过对比烟雾图像与背景图像小

3、波系数进行小波特征识别，再对识别结果进一步进行动态特征识别，包括烟雾的不规则性和扩散性，最终确定视频中是否存在烟雾。最后，综合以上分析，给出了森林防火系统中火灾的识别的整体流程以及火焰和烟雾分别的识别流程。实验证明，综合火焰和烟雾的静态特征及动态特征的火灾识别方法，识别率高。在火灾检测技术中，具有较好的发展前景。关键词火焰识别；烟雾识别；图像分割；动态特征AbstractForest is the main terrestrial ecosystem, with high ecological benefits and economic benefits. In view of the cur

4、rent forest fire in Chinas serious situation, effective technology must be develop to solve the problem of forest fire monitoring so that peoples lives and property safety can be effectively protected. More traditional fire detectors use a single moment of the parameters as a standard, in the under-

5、interference caused frequent false positives or omissions. In recent years the fire alarm system based on the machine vision uses digital image processing techniques to achieve automatic fire alarm.Based on the flame and smoke image characteristics, a machine vision method of identifying the natural

6、 fire is proposed in this thesis. In the course of the fire, the main image information is the combustion of smoke and flame. Through the study of smoke and flames image information, smoke and flame phenomenon itself has certain regularity. So targeted algorithm can be designed, identify the smoke a

7、nd flame from image and judge whether the fire occurred based on this kind of found.First of all the thesis explains the techniques status and development of forest fire prevention and fire-detection using digital image processing techniques. On this basis, the segmentation and the identification of

8、 flame and smoke are discussed. Then, three different segmentation technologies for different flames are proposed to achieve the accuracy flame region. For the detection of the flame characteristics, color and dynamic analysis are mainly used. The color is identified by establishing of flame color m

9、odel. Further the dynamic characteristics of the flame are identified. For the complexity of the smoke color, the color extraction method is used to division, and improved by using of the clustering algorithm for visual consistency. For the detection of smoke characteristics, the wavelet characteris

10、tics analysis and the dynamic characteristics analysis are mainly used. The wavelet characteristics are identified by comparing images and background images smoke wavelet coefficients, and then the dynamic characteristics of the result, including the irregularity and the diffusivity of the smoke is

11、further identified. And then we can determine whether there is smoke in the video. Finally, the overall flow of fire identification in forest fire protection is proposed based on above analysis.The experimentation results show that the fire detecting method which integrating static character and dyn

12、amic character of flame smoke has high recognition rate. In the area of fire detecting based on video image sequence analysis, the technique introduced in this thesis has good prospect for development .Keywords flame recognition; smoke recognition; image segmentation; dynamic character不要删除行尾的分节符，此行不

13、会被打印- III -哈尔滨工业大学工学硕士学位论文目 录摘要IAbstractII第1章 绪论11.1 课题背景11.2 课题来源21.3 森林防火技术的研究现状31.4 图像型火灾检测的研究现状41.4.1 火焰与烟雾图像特征分析51.4.2 图像型火灾检测的技术现状71.4.3 图像型火灾检测的应用现状71.5 论文的主要内容及结构安排81.5.1 论文的研究内容81.5.2 论文的结构安排8第2章 数字图像处理基础102.1 引言102.2 图像分割理论基础102.2.1 边缘检测法图像分割112.2.2 阈值法图像分割122.2.3 基于区域特性的图像分割142.2.4 特征空间聚类

14、法图像分割142.3 图像的滤波152.3.1 线性滤波162.3.2 非线性滤波162.4 本章小结18第3章 火焰与烟雾的图像分割193.1 引言193.2 实时背景差分193.3 图像增强203.4 火焰分割223.4.1 最大类间方差阈值法223.4.2 特征空间聚类法243.4.3 颜色提取法263.5 烟雾分割273.5.1 颜色提取法273.5.2 基于视觉一致性聚类法303.6 本章小结33第4章 火焰与烟雾的特征识别344.1 引言344.2 火焰的颜色特征344.2.1 各色彩空间比较344.2.2 火焰图像分布模型354.2.3 YCbCr空间分析394.3 火焰的动态特

15、征414.3.1 不规则性414.3.2 扩散性424.3.3 相似性424.3.4 稳定性434.4 烟雾的小波特征444.5 烟雾的动态特征454.5.1 扩散性454.5.2 不规则性454.6 本章小结46第5章 实验结果分析475.1引言475.2 火灾识别的总体流程485.3 火焰分割与识别结果分析485.3.1 火焰分割结果495.3.2 火焰特征识别结果分析505.4烟雾分割与识别结果分析575.4.1 烟雾分割结果575.4.2 烟雾特征识别结果分析595.5 本章小结60结 论61参考文献62攻读学位期间发表的学术论文67哈尔滨工业大学硕士学位论文原创性声明68哈尔滨工业大

16、学硕士学位论文使用授权书68致 谢69千万不要删除行尾的分节符，此行不会被打印。在目录上点右键“更新域”，然后“更新整个目录”。打印前，不要忘记把上面“Abstract”这一行后加一空行- VII -哈尔滨工业大学工学硕士学位论文第1章 绪论1.1 课题背景信息技术迅猛发展，图像压缩及视频监控等技术已经深入到社会生活的各个方面，而森林火险预警的重要手段之一就是对现场的直接观测。所以实现森林防火指挥中心对于所管辖地区的全天候图像监测是森林防火发展的必然趋势。通过全新的高科技手段，降低森林火险等级，其经济效益、社会效益均极其显著1,2。靠人工瞭望发现火点时效不理想并且准确性不高，一旦发生大火，很难

17、掌握火场形势。利用飞机航测时由于大火上空烟幕的影响，能见度不高，效果也不理想。利用卫星监测虽然能够解决这些问题，但是我国基本采用租用国外卫星的方法对我国森林地区进行监测，所付出代价相当昂贵3。考虑到经济上因素的制约，并结合我国的具体情况，提出自主开发的森林火灾自动监测技术的研究计划是非常必要的。自动监测系统一方面可减轻人的体力劳动，另一方面也可延伸人的感官功能，扩大监测范围，即使在恶劣的条件下也能正常工作。另外利用通信技术实现远程火灾监测，通过对可疑图像进行识别，为火灾预测和及时发现火灾奠定必要基础，避免森林火灾面积的进一步扩大，从而将火灾造成的影响降到最低限度，也为我国在森林防火技术方面上积

18、累科学经验4。数字图像处理技术是研究模拟人眼的功能来完成人们某些工作的一门学科。数字图像处理技术已应用于卫星遥感、遥测、气象预报、医疗诊断等诸多领域。并获得了较好的成效5。可以说凡是人眼所能感知的地方都能用数字图像处理系统来替代人眼的功能。基于图像处理的火灾识别是运用通用的数字图像处理技术和模式识别技术，依据火灾火焰的图像特性来解决某些特殊场所的火灾探测的难题，实现无人看守地区火灾自动报警的目的。本文基于上述需求，研究了火灾中火焰和烟雾图像的目标分割及特征识别的问题。1.2 课题来源本课题来源于黑龙江省科技攻关项目森林防火远程图像无线传输系统。我省森林火灾预防主要采取瞭望塔及人工巡逻检查的方式

19、6。各个瞭望塔与指挥中心直线距离远，且地处森林深处，无法架设有线电缆。本系统利用塔上现有装备即短波无线电台，在塔上搭建远程图像捕捉系统，利用嵌入式系统实现图像压缩，并对压缩后的图像数据流根据无线传输特性重新编码，并通过数字调制解调器，将数字信息调制到短波语音信道，传输到指挥中心。中心将接受的图像信息用台式机解压缩和还原，实现指挥中心对火险监查现场可视。图1-1森林防火系统框图系统的整体硬件设计框图如图1-1所示。图像采集为全天候24小时，前端采集设备为普通CCD摄像头，在有条件情况下可采用可见光和红外成像双机方案。本文主要研究可见光条件下普通CCD摄像头获取的图像。图像处理部分，将采集来的图像

20、经数模转换后，首先进行实时的火灾识别，当发现有火灾时利用高速数字信号处理器运算，实现基于检测现场内容的JPEG2000方式压缩7，对可疑的(感兴趣)区域提高分辨率，而总体不改变图像压缩率，从而保证图像质量；图像传输部分，将图像数据分组，针对无线传输信道特征进行纠错编码，经短波调制解调器后送入短波电台发送；终端的指挥中心，将多路短波电台数据分别接收（频分方式），再经过信道解码、图像解压缩、将图像还原为检测现场图像存档。指挥中心可发送相关控制指令，调整检测点图像设备切换及检测角度变换等。1.3 森林防火技术的研究现状1847年美国牙科医生Charming和缅因大学教授Farmer研制出了世界上第一

21、台用于城镇火灾报警的发送装置8,9，1890年英国研制成功了第一个感温式火灾探测器，国外己经有了一百五十多年的火灾自动监测报警技术的研究。传统火灾探测方法中最常用的有感烟探测、感温探测和复合型探测。感烟型火灾探测器是探测火灾产生的烟气并发出报警信号。火灾发生后，温度较高的火灾烟气向上运动，安装于顶棚上的感烟探测器探测到烟气的浓度大于某一极限浓度，就会发出报警信号。但是火灾烟气在上升过程中会随着高度的增加而温度逐渐降低，当空间高度增大时，烟气将不能到达顶棚，或者由于空气的流动，使到达顶棚的烟气浓度达不到报警极限，感烟探头就不会产生报警信号。另外，长期的粉尘环境和过大的湿度也会使离子感烟型探测器失

22、效，产生误报警或不报警。感温型火灾探测器是探测由于火灾而产生的温度变化来发出报警信号的。由于空间高度或空气的流动等原因，使火灾高温气体无法到达顶棚，此时感温火灾探测器将无法发挥正常的作用。或者当环境温度较高时，该类防火探测器容易产生误报。复合型火灾探测器并没有完全消除以上的缺点，仅仅增加了判据的数目，使探头的整体性能稍有改善，但仍无法应用于大空间或自然环境的火灾的探测报警。由于传统火灾探测系统结构简单并易于实现，所以已经得到广泛的应用。但由于火灾发生的不确定性和多变性，传统火灾探测器不可避免地要受到监控环境因素的影响，这些影响在森林火灾监测中更加明显，需要进一步研究新的方法10。在国际上，林火

23、监测技术得到工业发达国家的高度重视。意大利研制成功能感知120平方英里范围内火灾引起温度变化的林火监测系统。它配备一台共享传感器和一台摄像机，以及一台由测量地面温度的红外线监测器。这种监测器能以每分钟旋转360度的转速对林区进行扫描，如果在连续3次的旋转中均发现地面温度升高，便发出火灾警报。以色列飞机公司的飞鸟2001型遥控无人驾驶飞机可以准确地报告森林起火的时间、林火规模、蔓延速度等信息。由控制地面站接受飞机上的电脑资料，然后传给灭火指挥部和前方灭火营地。我国的林火监测技术和国外比还存在差距。采用常规的瞭望塔、护林塔和飞机监测火情是我国常规的火灾监测方法，但是受监测范围、时次有限和费用高昂的

24、约束，尤其在人迹罕见的原始林区，它们的作用受到限制。为此我国设立了以国家林业局卫星林火监测处，租用美国的两颗气象卫星NOAH-12和NOAA-14，主要是从气象卫星收集的气象资料中提取有关林火方面的信息，对同地点一昼夜至少扫描4次。1.4 图像型火灾检测的研究现状随着计算机科学和图像处理技术的发展，人们发现可燃物在燃烧时会放出频率范围从紫外到红外的光波，在可见光波段，火焰图像具有独特的色谱、纹理等方面的特征，使之在图像上明显的区别于背景。利用这些特征，采用图像处理的方法对火灾进行识别。根据燃烧学的原理，在火焰燃烧时，其放出的能量95%集中于红外波段。所以，在进行图像处理时，也关心红外波段的图像

25、识别，可以利用红外成像的原理获取燃烧所发出的红外图像进行图像处理从而达到监控的目的。当检测到火灾发生时，根据计算机视觉原理知识，通过摄像头所获取的红外图像和彩色图像来判断火灾的发生，从而实现智能监控11。由于视觉所接受的信息是以光为传播媒介，图像检测比传统探测方法能更快速地做出判断。图像信息的丰富和直观，更为早期火灾的辨识和判断奠定了基础，其它任何火灾探测技术均不能提供如此丰富和直观的信息。其它任何火灾探测技术, 均不能提供如此丰富和直观的信息，图像检测技术具有以下优势： (1) 可以在大空间、大面积的环境中使用；(2) 可以在多粉尘、高湿度的室内场所中使用；(3) 可以提供直观的、丰富的火灾

26、信息；(4) 可以对火灾现象中的图像信息做出快速的反应；(5) 可以有效提高报警的准确度，减少漏报和误报。图像检测的关键器件-像敏感组件通过光学镜头与外界只发生了间接接触12。这种非接触式的探测技术，防腐蚀性能和密封性能良好，抗干扰能力强，同时结合数字通信和数字图像处理技术，分析火灾火焰的图像特征，可以很好的解决大空间或自然环境下的火灾识别问题。1.4.1 火焰与烟雾图像特征分析光辐射是一种电磁波，其波长在1nm到lmm之间。人眼只对380nm780nm的电磁波有亮度感觉，因此该波段的电磁波被称为可见光。而波长小于400nm的电磁波被称为紫外线，波长大于750nm的电磁波被称为红外线。火焰燃烧

27、的红外辐射主要集中于950nm2000nm的波段13。在燃烧过程中，火焰会呈现出不同的颜色。火焰的颜色是由于电子在核外运动时有不同的能级，各种能级上的能量是一个一个不连续的确定值，在正式常状态下，原子总是处在能量最低的基态，当原子被火焰、电弧、电火花激发时，核外电子就会吸收能量而被激发跃迁到较高的能级上去，处于激发态的电子不稳定，当它跃回到能量较低的能级时就会发出一定能量、一定波长的光谱线，即表现为颜色。在早期火灾阶段，火焰的从无到有是一个发生发展的过程。这个阶段火焰的图像特征就更加明显。不同时刻火焰的形状、面积、辐射强度等都在变化。抓住火灾的这些特点可以为火灾的识别打下良好的基础。目前已提出

28、的火灾识别判据中，主要是对火焰的识别14。根据识别算法设计所基于的判据类型，可以分为两大类：(1) 基于火焰静态特征的识别算法，包括对图像进行预处理、火焰颜色识别、火焰形状识别。通常通过神经网络或者相似性比对进行识别。(2) 基于火焰动态特征的识别算法，包括基于火焰闪烁频率设计的识别算法、基于火焰无序性设计的识别算法、基于火焰面积增长性设计的算法等。以下是图像型火灾探测方法中可能用到的图像信息：(1) 面积变化：早期火灾是着火后火灾不断发展的过程。在这个阶段，火灾火焰的面积呈现连续的、扩展性的增加趋势。在图像处理中，面积是通过分割后统计图像的像素数来实现的。当其他高温物体向着摄像头移动或者从视

29、野外移入时，探测到的目标面积也会逐渐增大，容易造成干扰。因此，面积判据需要配合其他图像特性一起使用。(2) 边缘变化：早期火灾火焰的边缘变化有一定的规律，同其他的高温物体以及稳定火焰的边缘变化不同。精确的方法是用边缘检测和边缘搜索算法将边缘提取出来，根据边缘的形状、曲率等特性对边缘进行编码，再根据编码提取边缘的特征量。利用这些特征量在早期火灾阶段中进行火灾判断。(3) 形体变化：早期火灾火焰的形体变化反映了火焰在空间分布的变化。在早期火灾阶段，火焰的形状变化、空间取向变化、火焰的抖动以及火焰的分和等，具有自己独特的变化规律。在图像处理中，形体变化特性是通过计算火焰的空间分布特性，即像素点之间的

30、位置关系来实现的。(4) 闪动规律：火焰的闪动规律，即亮点在空间上的分布随时间变化的规律。火焰在燃烧过程中会按某种频率闪烁。在数字图像中就是灰度级直方图随时间的变化规律，这个特性体现了一帧图像的像素点在不同灰度级上随时间的变化情况。(5) 分层变化：火焰内部的温度是不均匀的，并且表现出一定的规律。火灾中的燃烧属于扩散燃烧，扩散燃烧的火焰都有明显的分层特性。如蜡烛火焰分为焰心、内焰、外焰；木材等固体燃烧时由于表面辐射很强，可以分为固体表面与火焰部分两大层，而火焰部分还可以再分层。分层变化特性体现了不同灰度级的像素点在空间的分布规律。(6) 整体移动：早期火灾火焰是不断发展的火焰，随着旧的燃烧物燃

31、尽和新的燃烧物被点燃，火焰的位置不断移动。所以火焰的整体移动是连续的、非跳跃性的。火灾火焰具有较多的特性，需要从中找出适合火灾识别的并且处理速度较快的方法。因此要在理论上、技术上作进一步的探讨，并作深入的研究和试验。作为一个火灾识别系统，应综合考虑各方面的因素从而达到技术上、性能上的指标符合实际需要。一般情况下，燃烧过程中产生的烟雾颜色主要集中在白色、灰色、青色、黑色这些颜色中。由于烟雾实质上是在空气中的离子，对光有反射性，所以周围环境的光线颜色也会对烟雾颜色产生影响。由于扩散现象的实质是分子不停地做无规则运动的结果，所以烟雾在空气中呈现出不规则的形状，其边缘一般是不规则的曲线。烟雾另一个重要

32、的特性是扩散性。扩散是由于微粒（原子、分子等）的热运动而产生的质量迁移现象，主要是由密度差引起的。在扩散过程中，气体分子从密度较大的区域移向密度较小的区域，经过一段时间的运动，密度分布趋向均匀。同时随着温度的升高，加快了气体分子的运动速度，使扩散的速度加快。随着燃烧的继续进行，产生的烟雾越来越多，在空气中占据了越来越大的空间，由于烟雾有颜色，浓度提高时，烟雾的透明度降低，可见度也随之提高。烟雾在视频中的面积随着时间的推移逐渐变大。1.4.2 图像型火灾检测的技术现状图像是一种包含强度、形体、位置等信息的信号，因此利用图像进行火灾探测有其独特的优势。目前国内外对这种新的火灾探测技术开展了深入研究

33、。文献15和文献16提出了一种“视频火灾探测”方法15,16，利用多个温敏探头将火灾现场的温度幅度和分布信息转化为灰度信息，用黑白摄像头采集灰度信息进行处理，实现火灾的定位并可计算出火灾的热释放速率。文献17提取电站锅炉燃烧火焰的图像特征，并用人工神经网络的方法对火焰形态作了研究，在区分燃烧情况方面得到了较好的结果17。文献18阐述了火灾图像探测的基本原理，并且提出了提取早期火灾火焰辐射持性、形体变化特性的几种新方法18。文献19对早期火灾火焰的辐射特性和形体变化特性作了系统的分析，并用常规的图像处理方法实现了一个完整的火灾图像探测系统19。Yamagishi曾经提出一种彩色图像的火焰的检测算

34、法20,21，我国台湾的研究人员也对基于视频图像处理的火焰识别技术进行了研究22。综合国内外的火灾图像识别研究，目前为止，大都是在灰度图的基础上进行处理，一般采用比较单一的判据，漏报和误报率往往比较高，系统的鲁棒性和适应性相对较差23，这些都是困扰火灾图像识别研究人员的世界性难题。1.4.3 图像型火灾检测的应用现状在科学技术迅猛发展的今天，国外各大公司和科研机构的火灾探测技术也相应的快速发展，例如，Bosque公司的BSDS系统采用红外和普通摄像机的双波段监控，在准确识别森林火灾的同时还可以区别其它现象的干扰，误报率很低。在大空间火灾监控方面有ISL公司和Magnox Electric公司联

35、合开发的用于电站火灾监控的VSD-8系统。该系统以视频运动检测软件为主体，使用了各种滤波器技术，并与人工智能相结合，该系统可以用来对电站内的火灾进行监控。我国在火灾报警控制系统的研究开发相对较晚一些，到二十世纪八十年代中期才开始这方面的研制开发24,25。但发展十分迅速，现在已经基本达到国际先进水平。国内对火灾探测和自动灭火的研究目前以中国科技大学的火灾科学国家重点实验室做得比较领先。该实验室研制的LA-100型双波段大空间早期火灾智能探测和自动灭火系统通过了有关方面的验收，并已转化成产品。此外，上海交通大学、西安交通大学、哈尔滨工程大学等都在火灾探测方面进行了积极的研究，并根据工程实践提出了

36、一些改进算法。但是迄今为止，并没有研制出令人满意的系统，还存在火灾误报率较高的问题，实用程度还有待提高。1.5 论文的主要内容及结构安排1.5.1 论文的研究内容图像型火灾检测系统，是利用CCD摄像机作为探头，将被监视现场的彩色或红外图像输入计算机，然后利用图像处理的算法从单幅图像和图像序列中来识别有无火灾的发生。在发现火灾的情况下，及时将图片传回指挥中心。在基于图像处理的火灾监控系统中，图像处理的算法、火灾识别算法决定了系统的性能。本论文主要研究内容如下：第一，研究了火灾发生的条件、环境及发生时的情况。分析了烟雾及火焰的各自的产生机理和特征，并提出自动报警方案。第二，讨论了经典的图像分割和滤

37、波理论在火灾图像处理中的运用。第三，研究了烟雾及火焰的多种分割方法。图像分割是图像处理中一项基本而关键的技术，分割质量的好坏往往影响到后续处理，如目标识别等性能的好坏。因此本文将火焰图像的分割方法作为研究重点之一，设计了适合复杂背景的目标分割方法。第四，对烟雾及火焰的图像信息分析研究，从中总结出颜色特征及动态特征方面的规律性，作为识别算法的设计的主要依据。第五，应用分割方法和特征识别方法实验了大量森林环境和其它自然环境下的图片，进行算法的验证。1.5.2 论文的结构安排本文第1章介绍了课题的来源、目的和意义，并对目前国内外的森林防火系统及其中的关键技术做了综述，最后阐述了图像型火灾检测技术的提

38、出以及目前的研究和应用情况；第2章介绍了本文研究的理论基础，对经典的图像分割和滤波算法进行了详细的介绍，包括边缘提取、阈值分割等；第3章首先介绍了分割前的预处理，即实时背景差分和图像的增强。在第二章的基础上，针对火焰和烟雾的图像特性，设计了适合于自然条件下的分割方法，其中包括对分割算法的性能的验证、比较和改进；第4章讨论了特征识别的方法，比较了不同彩色空间下的火焰颜色模型，总结了YCbCr空间的特征，分别给出了各项动态特征的计算方法；针对烟雾的特征设计了小波特征的检验方法；第5章完成了火灾识别整体流程的设计，利用实际采集的序列图像试验了本文的识别算法，并得出了各项阈值。双击上一行的“1”“2”

39、试试，J(本行不会被打印，请自行删除)第2章 数字图像处理基础2.1 引言对于早期的火灾识别，燃烧初期阶段的图像信息对算法的设计十分重要，根据火灾早期的图像信息设计算法，能实现火灾的早期报警的功能，同时这些图像信息对实验的设计具有重要的指导意义26。对火焰和烟雾的特征进行研究，主要在于了解烟雾和火焰的在整个过程的发展情况并总结其连续变化规律，从图像信息中实时了解火灾的发展情况27。基于图像处理的火灾检测系统是结合光电技术和数字图像处理技术而研制的火灾自动监测报警系统，它利用摄像头对现场进行监视，将采集的视频信号转换为所需的图像格式，根据火灾图像的特征进行处理和分析，从而达到探测火灾是否发生的目

40、的。数字图像处理部分是火灾监测系统的核心。首先对采集的图像进行目标分割，然后利用图像特性对这些物体加以识别或分类检测出图像中的目标物体。在这个过程中主要应用了数字图像处理里面的图像分割技术和滤波技术。2.2 图像分割理论基础图像分割是数字图像分析中的重要环节，在整个研究中起着承前启后的作用，它既是对所有图像预处理效果的一个检验，也是后续进行图像分析与解译的基础28。因此，对于图像分割的研究多年里一直受到人们广泛的重视，也提出了数以千计的不同算法。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域，实际

41、上是和具体的实际应用和目标要求有关。一般来说，图像分割算法可大致分为基于阈值的分割技术、基于边缘的分割技术、基于区域特性的分割技术和基于特征空间聚类的分割技术四类。本节中简单介绍这几种目前常用的图像分割算法，大部分都是针对灰度图的。目前对彩色图像的分割，大部分也是基于灰度图的，先将彩色图像的各个分量进行适当的组合转化为灰度图像，然后利用对灰度图像的分割算法进行分割。2.2.1 边缘检测法图像分割图像的边缘检测法是基于边界的分割算法。图像中像素灰度值不连续造成两个具有不同灰度值的相邻区域之间存在灰度边缘。从某种意义上说，图像中大部分信息都集中在区域的边界上，边界的确定对场景的理解非常重要。在数学

42、上，这种边界的不连续性可利用求导数方便地检测到29。边缘的检测常借助空域微分算子进行，通过将其模板与图像卷积完成。一般常用一阶和二阶导数来检测边缘，其原理可借助图2-1来说明。图2-1中第一排是一些具有边缘的图像示例；第二排是沿图像水平方向的剖面图；第三和第四排分别为剖面的一阶和二阶导数。常见的边缘剖面有三种：(1) 阶梯状（如图2-1 a)和b)所示），这种边缘处于图像中两个具有不同灰度值的相邻区域间；(2) 脉冲状（如图2-1 c)所示），这种边缘主要对应细条状的灰度值突变区域；(3) 屋顶状（如图2-1 d)所示），这种边缘上升下降沿都比较缓慢。实际中的数字图像会由于采样，造成边缘处的模

43、糊，所以垂直上下的边缘剖面都表示成有一定坡度，即边缘区有一定的宽度。图像剖面一阶导数二阶导数a) b) c) d)图2-1 边缘和导数示例由图2-1可见，图像中目标的边界可通过求取它们的导数来确定。导数可用微分算子来计算，实际上在数字图像中求导数是利用差分近似微分来进行的。常用的微分算子有梯度算子和拉普拉斯算子等。(1) 梯度算子 梯度对应一阶导数，梯度算子是一阶导数算子。在求取图像的梯度时，常用小区域模板卷积来近似计算。由于计算梯度时需要计算两个方向的偏导数，通常需要两个模板组合起来以构成一个梯度算子。根据模板的大小及其中元素（系数）值的不同，人们已经提出了许多种不同的算子。比较常用的梯度算

44、子有Roberts算子、Prewitt算子、Sobel算子等。它们都用两个33模板，具体形式如图2-2所示。 a) Roberts算子 b) Prewitt算子 c) Sobel算子图2-2 一阶导数算子模板算子运算时是采取类似卷积的方式，将模板在图像上移动并在每个位置计算对应中心像素的梯度值，所以对一幅灰度图求梯度所得的结果是一幅梯度图。在边缘灰度值过渡比较尖锐且图像中噪声比较小时，梯度算子工作效果较好。(2) 拉普拉斯算子 拉普拉斯(Laplacian)算子是一种二阶导数算子。在数字图像中，计算函数的拉普拉斯值也可借助各种模板实现。这里对模板的基本要求是对应中心像素的系数是正的，而对应中心

45、像素邻近像素的系数应是负的，且它们的和应该是零。常见的两种模板分别见图2-3。由于拉普拉斯算子是二阶导数算子，因此对图像中的噪声相当敏感。另外它常产生双像素宽的边缘，且也不能提供边缘方向的信息。由于以上原因，拉普拉斯算子很少直接用于检测边缘，而主要用于已知边缘像素后确定该像素是在图像的暗区或明区一边。图2-3 Laplacian算子模板 近年来，基于人工神经网络、小波理论等的边缘检测算法都取得了一定的进展。但边缘检测同样存在着算法不完善的问题，即没有一种边缘检测算法适用于所有图像。因此，在对具体图像进行边缘检测时，需要根据图像的特点选用适当的算法。2.2.2 阈值法图像分割取阈值是最常见的基于

46、区域的分割方法。在利用取阈值方法来分割灰度图像时一般都对图像有一定的假设，即基于一定的图像模型。最常用的模型可描述如下：假设图像由具有双峰灰度分布的目标和背景组成，在目标或背景内部的相邻像素间的灰度值是高度相关的，但在目标和背景交界处两边的像素在灰度值上有很大的差别。如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合而成。此时如果这两个分布大小（数量）接近且均值相距足够远，而且均方差也足够小，则直方图应是双峰的，这类图像常可用取阈值法来较好的分割。一般说来，对灰度图像的取阈值分割就是先确定一个处于图像灰度范围之中的灰度阈值，然后将图像中各个像素的灰度

47、值都与这个阈值相比较，并根据比较结果将对应的像素划为两类，即 (2-1)其中是原灰度图像，是分割后的二值化图像。这两类像素一般分属图像中的两类区域，所以对像素根据阈值分类达到了区域分割的目的。由此可见，阈值分割算法主要有两个步骤：(1) 确定需要的分割阈值；(2) 将分割阈值与像素值比较以划分像素。如果图像中有多个灰度值不同的区域，那么可以选择一系列的阈值以将每个像素分到合适的类别中去。如果只用一个阈值分割称为单阈值方法，如果用多个阈值分割称为多阈值方法。综上所述，阈值分割方法的关键问题是选取合适的阈值。阈值选取一般可写成式(2-2)的形式。 (2-2)其中是点邻域的某种局部性质，在一般情况下

48、阈值是，和的函数。借助式(2-2)，可将阈值分割方法分成如下3类：(1) 全局阈值 根据来选取，即所得的阈值仅与各个图像像素的本身性质相关，此时确定的阈值可对全图使用。(2) 局部阈值 根据和来选取的，所得的阈值就是与（局部）区域性质相关的。(3) 动态阈值 根据、和来选取，所得的阈值是与坐标相关的。对比前两类的固定阈值，称此为动态阈值。目前应用最广泛的是全局阈值，这种阈值选取方法是建立在图像一维直方图的基础上的，统称为灰度直方图分割法30。设图像的灰度级范围为0,1,L-1，灰度级为的像素数目为，图像的总像素数目为，则灰度级出现的概率定义为。灰度直方图是灰度级的像素数与灰度的二维关系，它反映

49、了一幅图像上灰度分布的统计特性。2.2.3 基于区域特性的图像分割基于区域的分割技术有两种基本形式：区域生长和分裂合并。前者是从单个像素出发，逐渐合并以形成所需的分割结果；后者是从整个图像出发，逐渐分裂或合并以形成所需要的分割结果。与阈值方法不同，这类方法不但考虑了像素的相似性，还考虑了空间上的邻接性，因此可以有效消除孤立噪声的干扰，具有很强的鲁棒性。而且，无论是合并还是分裂，都能够将分割深入到像素，因此可以保证较高的分割精度31。区域生长算法先对每个要分割的区域找一个种子像素作为生长的起点，然后将种子像素邻域内与种子像素有相似性的像素合并到种子像素集合。如此往复直到再没有像素可以被合并，一个

50、区域就形成了。显然，种子像素、生长准则和终止条件是算法的关键。然而，种子点的选择并不容易，有人试图通过边缘检测来确定种子点，但由于边缘检测算法本身的不足，并不能避免遗漏重要的种子点。分裂合并算法则是先从整个图像开始不断的分裂得到各个区域，再将相邻的具有相似性的区域合并以得到分割结果。这种方法虽然没有选择种子点的麻烦，但也有自身的不足。一方面，分裂如果不能深达像素级就会降低分割精度；另一方面，深达像素级的分裂会增加合并的工作量，从而大大增加其时间复杂度。2.2.4 特征空间聚类法图像分割根据特征进行模式分类是指根据提取的特征值将一组目标划分到各类中的技术。利用特征空间聚类的方法进行图像分割可以堪

51、称是对阈值分割概念的推广。它将图像空间中的像素用对应的特征空间的点表示，根据它们在特征空间的聚集对图像进行分割32。一般的阈值分割可以看成是以像素的灰度为特征，灰度直方图代表特征空间，用阈值将灰度直方图特征空间划分，把得到的特征类映射回图像空间，不同灰度的像素构成不同的区域。除像素灰度外，其他图像特征也可用于聚类。与阈值分割类似，聚类方法也是一种全局的方法，比基于边缘检测的方法可以更好地抵抗噪声。模式可以定义为对图像中的目标或其它感兴趣部分的定量或结构化的描述图像分割可以被视为以像素为基元的模式分类过程，这一过程主要包括两个步骤：特征提取和模式分类。阈值分割就相当于在一维（灰度）或二维（共生矩

52、阵）特征空间进行的模式分类，它所使用的特征并没有充分反映像素的空间信息和其邻域像素的相关信息。实际的图像分割中，人们不可能具备任何关于模式的先验知识，既不知道它的分布，也不知道它该分成多少类，当然更不知道各类的参数。这时，基于特征空间聚类法的分割技术就显示出它解决这类问题的优越性。特征空间聚类算法不需要训练样本，是一种无监督的统计方法，它是通过迭代地执行分类算法来提取各类的特征值，其中K-均值、模糊C-均值等是最常用的分类方法。对于模糊C-均值，目前已有不少分类指标，如基于隶属度矩阵的分割系数和分割熵，还有考虑数据点紧密度-分离度的Xie-Beni指标和Fukayama-Sugno指标，以及将

53、紧密度-分离度和隶属度矩阵特性进行综合的SC指标33。彩色图像和多(高)光谱图像可以认为是由高维特征描述的图像，同样可以使用基于特征空间聚类法的分割技术。通过远程视频监控系统采集到的图像在监控中心的计算机上均可以被保存为彩色图像，而对于颜色特征比较明显的火灾图像，图像的色彩信息可以作为图像分割的依据。2.3 图像的滤波在获取数字图像的过程中，要经过拍摄、扫描等操作环节，这些环节时会受到仪器及周围环境等外界因素的影响，使所获取的数字图像的位置和形状发生变化，导致图像失真或者是图像上含有各种各样的噪声。为了准确获得图像中物体的基本轮廓，需要对图像进行一定优化的处理。图像优化处理的工作主要是对图像作

54、几何校正，包括对图像位置的标准化和对大小的正规化，例如使图像根据处理的要求旋转、放大、缩小等，也包括对图像内容进行各种细微的处理，如消除噪声、校正失真、去掉图像中模糊的成分，恢复图像的原来面貌，把图像变成人眼容易观察机器容易处理的图像，还包括对图像的平滑、细节的锐化、边缘的增强处理等操作。在对图像进行颜色提取处理之后，会有一部分噪声被保留下来，这会干扰后期的识别，需要将它们作为杂点对图像进行滤波操作。比较常用的两种滤波方法是线性滤波和非线性滤波。2.3.1 线性滤波线性滤波常用的是一种基于邻域平均法的空域处理方法。图2-4所示的是一个 33 的邻域：图2-4 像素 f (x, y)及其 8 邻

55、域像素图2-4中 f (x, y)表示(x,y)点的实际灰度，其邻域平均方法可用下式表示： (2-3)式(2-3)中，为点灰度值， 称为门限，它可以根据对误差容许的程度，选为图像灰度方差的若干倍，即 ，也可以用实验的方法，选为总灰度级的一个百分数，即： (2-4)L 为总灰度级数，A 为大于零的正数。由于线性滤波实质上是一种低通滤波器，需要进行邻域平均计算，图像中的高频成份在与邻域中其它像素取平均后会降低，反映在视觉效果上，图像经过线性滤波处理后会显得有些模糊，线性滤波很难做到既有效的去除图像的噪声又能很好的保持图像的边缘。2.3.2 非线性滤波非线性滤波技术一般利用原始信号与噪声信号特有的统

56、计特性进行去噪，现有的非线性滤波方法有以中值滤波为代表的传统非线性滤波方法和以形态滤波为代表的新型滤波方法。中值滤波是由 Turky 在 1971 年提出的，它最初主要用于时间序列分析，后来用于图像处理，在去噪复原中取得较好的效果。中值滤波是基于次序统计完成信号恢复的一种典型非线性滤波器，其基本原理是将数字图像中一点的值用该点的一个邻域中各点值的中值代替。中值的定义如下：一组数把 n 个数按值的大小排列于下： (2-5)y 称为序列 的中值。在一维情形下，中值滤波器是一个含有奇数个像素的滑动窗口。窗口正中间那个像素的值用窗口内各像素值的中值代替。中值滤波的概念很容易推广到二维，此时可以利用某种

57、形式的二维窗口。设表示数字图像各点的灰度值，滤波窗口为 A 的二维中值滤波可定义为： (2-6)中值滤波采用非线性技术，在像素点邻域里用取中值代替了取平均值，不会降低图像中的高频信号，在消除噪声的同时很好地保持了图像的边缘特征。中值滤波在一定的条件下可以克服线性滤波如最小均方滤波，均值滤波等带来的图像细节模糊的缺点，而且对滤除脉冲干扰及图像扫描噪声最为有效。由于在实际运算中不需要图像的统计特性，因此带来不少方便。但是对于一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波。滤波窗口的形状非常多，常用的二维中值滤波窗口有线形、方形、十字形、圆形和菱形等，不同滤波窗口的滤波效果不同。总体来讲

58、，二维中值滤波比一维中值滤波能够更好地抑制噪声。考虑到方形中值滤波有时会滤除图像轮廓的尖角，破坏图像的形状。因而常常采用十字形中值滤波。但是考虑到运算效率的问题，同时又由于对早期火灾火焰做出判断识别时，只需处理特定区域的图像，无须对一帧图像全部进行处理，而且采用方形中值滤波不会影响特定区域的形状，因此在本系统中采用方形中值滤波的方法。一般来说，如果窗口选的过大，除噪声受到抑制外，平均化的效果也较强，但边缘及细节信息易受到损失。故综合考虑各种因素，本系统中采用33模板的中值滤波。2.4 本章小结本章讨论了数字图像处理的基本知识。详细阐述了图像分割中的四种经典的分割方法及图像的线性滤波和非线性滤波

59、。本章所讨论的图像分割和图像滤波是整个火灾图像识别中的关键技术，为后面火焰和烟雾图像的分割提取、图像去噪和识别判据的研究奠定了基础。第3章 火焰与烟雾的图像分割3.1 引言图像分割是图像处理中的主要问题，也是计算机视觉领域低层次视觉中的主要问题，同时它又是一个经典难题34。由于问题的重要性和困难性，从七十年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力，但到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。在图像分析中，通常需要将所关心的目标从图像中提取出来。在火灾图像处理中，只有在图像分割的基础上才能对火焰目标进行参数测量和特征提取，使得更高层次的图像分析和理

60、解成为可能。因此图像分割对后期的图像识别具有十分重要的意义。3.2 实时背景差分背景图像差分法是传统目标检测方法中最直接、最简单的一种方法。它事先将背景图像储存下来，由于物体和背景在灰度或色彩上存在差别，通过将背景图像和当前图像做减法运算，来确定当前图像相对背景图像是否发生变化。对某一摄像头来说它所摄得的图像背景应该是比较一致的，在大部分时间里是正常情况，没有火灾。只需判断有无异常情况，如果有异常情况，再进行细致的匹配，如果每幅图像采用复杂的检测算法来检测、速度慢，而且效果差，于是采用背景作为参考图像进行比较35。具体采用方法是将两图进行差值运算，然后再来观察图像灰度是否发生变化，也就是当前图

61、像的灰度与参考图像的背景灰度不同，为了清除背景灰度变化对图像判别带来的干扰，首先对背景图像进行动态调整，及时更新背景图像，减少背景图像与当前图像灰度的变化。为了提高系统对图像的处理速度，对序列图像作减法运算。减法运算主要用于检测同一场景的两幅图像之间变化。此算法的运算量不大，能满足系统实时性的要求。 (3-1)F0为背景图像，系统平常的大多情况属无火灾状态，只需作差值运算粗略判断有地异常情况，若有异常情况即时，系统会再作进一步的判断。在的情况下，首先对差值图像序列Fi分割出变化区域，再进行特征识别。在户外的情况，背景经常会受到光线和风等自然因素影响而发生变化，噪声和干扰是不可避免的。因此需要对

62、算法进行改进，从而降低噪声。用像素点周围的其他像素点的特征来表征该像素的特征，有很多优势，它可以减少噪声的干扰。在这里比较F0和F1中对应像素的特征值，所以，将F0和F1中像素点取值分别用其周围的像素点来表示，然后进行比较。即： (3-2) (3-3)上式中分别表示以，为中心的邻域，N是邻域中像素点的个数。若取以(i，j)点为中心，mn的邻域，作为表示像素点(i，j)的表征域，那么，N=mn。当比和的距离在某一特定的范围内，就可以认为它们“相等”。由于是彩色图像，使用欧氏距离作为判断的标准。阈值的选取决定了异常情况的检测的灵敏度。3.3 图像增强图像的直方图是图像的重要统计特征，它可以认为是图

63、像灰度密度函数的近似。直方图虽然不能直接反映出图像内容，但对它进行分析可以得出图像的一些有用特征，这些特征能反映出图像的特点。当图像对比度较小时，它的灰度直方图只在灰度轴上较小的一段区间上非零，较暗的图像由于较多的像素灰度值低，因此它的直方图的主体出现在低值灰度区间上，其在高值灰度区间上的幅度较小或为零，而较亮的图像情况正好相反。通常一幅均匀量化的自然图像的灰度直方图在低值灰度区间上频率较大，这样的图像较暗区域中的细节常常看不清楚。为使图像变清晰，可以通过变换使图像的灰度动态范围变大，并且让灰度频率较小的灰度级经变换后，其频率变得大一些，使变换后的图像灰度直方图在较大的动态范围内趋于均化。事实证明，通过图像直方图修改进行图像增强是一种有效的方法。均匀量化的自然图像的灰度直方图通常在低值灰度区间上频率较大，使 得图像中较暗区域中的细节常常看不清楚。为了使图像清晰，可将图像的灰度范围拉开，并且让灰度频率较小的灰度级变大，即让灰度直方图在较大的动态范围内趋于一致。 a) 原图像 b）原图像RGB直方图图3-1 原图像