基于圖像處理的森林火災檢測系統的技術研究(編輯修改稿)

　

【文章內容簡介】 用來填充物體內細小空洞、平滑其邊界的同時并不明顯改變其面積。灰度圖像的開運算和閉運算在幾何上可以理解為把由結構元素b(x, y)表示的曲面沿著由f(x, y)表示的曲面滾動。開運算是沿著f(x, y)曲面的下側面滾動，而閉運算是沿著f(x, y)曲面的上側面滾動。經過開運算，f(x, y)曲面中所有比結構元素范圍小的波峰和尖銳程度都減小了，從而能夠刪除圖像中在尺度上小于結構元素的幾何結構，起到了平滑圖像的外凸邊緣的作用；經過閉運算，f(x, y)曲面中所有比結構元素范圍小的波谷都被平滑，從而具有填充圖像中那些比結構元素小的斷裂或凹入部分的功能，起到了平滑圖像的內凸部分的作用。所以從直觀上看，灰度圖像的開運算和閉運算具有聚類的功能，即能夠把圖像中某個范圍內灰度相近、數量占優勢的圖像信息聚到一起，從而使得圖像信息不易丟失。在灰度級形態學中實現圖像平滑處理的一種途徑是先使用形態學開運算操作，而后進行閉運算操作。進行這兩種操作后的最終結果是除去或減少了局部亮的和暗的影響因素或噪聲。 開運算后的圖像 閉運算后的圖像相應的各種圖像處理方式的實現效果如上圖所示。我們在此采用的結構元素b(x, y)是一個具有單位高度的3*3像素的平行六面體，使用上述方法對一個灰度圖像進行處理。從形態學操作的效果圖中可以看出，腐蝕操作縮小了圖像中物體的輪廓且圖像變得更暗，圖像中較暗的空洞也變大了；膨脹操作擴大了物體的輪廓且圖像變得更亮，圖像中的許多空洞已經沒有了；經過開運算操作，圖像中那些小的、明亮細節尺寸變小了而暗的、灰度的效果沒有明顯變化，因此圖像略有變暗且輪廓基本沒變；經過閉操作，小的、暗的細節尺寸變小了而明亮的部分的效果沒有明顯變化，因此圖像略有變亮但輪廓基本沒變。7圖像預處理效果比較現在把所有的預處理方法得到的結果進行比較。 (a)原圖 (b)灰度化開運算 (c)灰度化閉運算 (d)均值濾波 (e)中值濾波 (f)高斯濾波 (h)各向異性擴散 (i)改進各向異性擴散 (j)邊緣增強改進各向異性擴散 灰度化開運算去除了較小的明亮細節，而且相對地保持整體的灰度級和較大的明亮區域不變，消除了細小物體、平滑較大物體的邊界的同時并不明顯改變其面積；灰度化閉運算去除了圖像中的暗細節部分，而相對地保持明亮部分不受影響，填充了物體內細小空洞、平滑其邊界的同時并不明顯改變其面積；中值濾波和均值濾波對噪聲和邊緣信息不加區分，去除了一定的噪聲，同時使邊緣變模糊了；高斯濾波是各向同性的擴散，使用模板對原始圖像卷積運算，去除了噪聲，邊緣也模糊了，圖像整體變白了；各向異性擴散有效的平滑了噪聲，保持了邊緣信息，可以控制各向異性擴散強度，八向各向異性擴散比四向各向異性擴散效果好；邊緣增強改進各向異性擴散不僅在同質區域內濾除了噪聲，同時使邊緣加強了，更有利于對醫學圖像的觀察，改進后的邊緣增強改進各向異性擴散效果非常好，可以調節邊緣增強系數，使邊緣增加得很強，當邊緣增強系數為絕對值很小的負數時，圖像邊緣被模糊了。 圖像分割(1) 基于彩色傳遞的掩摸分割法鑒于云臺監測采集圖像時俯角和轉角不斷的變化，目前國內外的一些分割技術無法適用，比如幀差法。還有一些分割技術比如閾值分割法、邊緣檢測法、區域生長法和基于特征空間聚類分割法等，這些方法在分割火災圖像時多數是在灰度化的基礎上進行的，過早地丟棄了火焰的彩色信息，從而導致無法準確區分火與自然光等高亮物體。所以在RGB空間中，考慮將疑似火的彩色區域通過分量的經驗閾值分割出來，再進一步進行特征提取。假設真實圖像為，火焰的分量的經驗閾值為、輸出圖像為，那么有下列關系式：(2) 基于YCrCb區域顏色分量加強分割法文獻[1]中對人臉的識別檢測，通過分析人眼與嘴的顏色在YCrCb空間的分布情況，根據人眼具有很強的Cr分量，嘴含有更高的Cb分量較低的Cr分量而構造區域顏色分量調整函數如下：其中。那么根據以上的調整函數，考慮到火災圖片的顏色特征含有較高的Cr，應該也可以構造相應的顏色分量調整函數放大Cr，Cb之間的對比度突出疑似火焰區域，從而達到敏感區域分割定位的目的。(3) 基于空間的顏色遷移分割法空間相對其它顏色空間來說，更適合人類視覺感知系統，空間與設備無關的顏色空間。它本身還是一個抗相關的顏色空間，將一個通道的改變對另一個通道的影響減到最小，這使得我們可以對它的各個通道進行獨立的計算，而不會引起人為的痕跡。文獻[2]中的顏色遷移即對一幅灰色圖像按照彩色圖像上色，鑒于此可以對一幅用基于灰度的分割方法而得到的灰度疑似火區域圖進行上色，這樣就可以解決基于灰度分割方法過早丟失火焰彩色信息的缺點。下面給出顏色遷移算法的基本實現：假設源彩色圖像為src,尺寸為，分割后目標灰度圖為target,尺寸也為,算法的具體過程如下：1) 用Reinhard的方法將源圖像和目標圖像從RGB空間轉換到空間，并使用以下公式對源圖像的每個像素進行亮度重映射：其中、分別為源圖像和目標圖像所有像素亮度的平均值，、分別為源圖像和目標圖像中所有像素亮度值的標準偏差，為源圖像被處理像素的亮度值，為重映射后該像素的亮度值。2) 對于源圖像和目標圖像上的每一個像素，計算以該像素為中心的一個矩形(一般為像素)鄰域上各像素亮度值的標準差，分別存入矩陣和中。3) 使用矩陣記錄源圖像上與目標圖像相應點匹配的點的坐標。將此數組初始化為源圖像上隨機的有效位置。4) 用掃描線掃描目標圖像，目標圖像中任意一點與源圖像中每次隨機生成有效位置的300個點進行下面式子計算：其中為各候選像素與目標圖像像素的匹配誤差，為源圖像上的候選像素，為目標灰度圖、分別為、的亮度值；、分別為、點的鄰域所有像素亮度值的標準偏差。5) 選出候選像素集合中各像素匹配誤差中的最小值，則將對應的像素點存入中。6) 根據目標圖得到輸出圖像上各點的分量、根據得到源彩色圖像上與它匹配點的、分量，將此三個分量轉換到RGB顏色空間得到最終彩色化圖像。火焰特征定義與提取火焰基本特征眾所周知，火災是失控的燃燒。這種燃燒必然會產生相應的熱物理現象，就早期火災探測而言，我們關心的是這些熱物理現象所表現出怎樣的圖像信息。在早期火災階段，由于火焰從無到有，是一個發生發展的過程。這個階段火焰的圖像特征就更加明顯。早期火災火焰是非定常的，不同時刻火焰的形狀、面積、輻射強度等等都在變化。抓住火災的這些特點可以為火災的識別打下良好的基礎。圖像型火災探測中的圖像處理是動態圖象的連續處理：對圖像上的每個目標，根據一定的算法來確定它們同前一幀中目標的匹配關系，從而得到各個目標的連續變化規律。以下是圖像型火災探測方法中用到的圖像信息：1)面積變化：早期火災是著火后火災不斷發展的過程。在這個階段，火災火焰的面積呈現連續的、擴展性的增加趨勢。在圖像處理中，面積是通過取閾值后統計圖像的亮點(灰度值大于閾值)數實現的。當其它高溫物體向著攝像頭移動或者從視野外移入時，探測到的目標面積也會逐漸增大，容易造成干擾。因此，面積判據需要配合其它圖象特性使用。2)邊緣變化：早期火災火焰的邊緣變化有一定的規律，同其它的高溫物體及穩定火焰的邊緣變化不同。精確的方法是用邊緣檢測和邊緣搜索算法將邊緣提取出來，根據邊緣的形狀、曲率等待性對邊緣進行編碼，再根據編碼提取邊緣的特征量。利用這些特征量在早期火災階段的變化規律進行火災判別。3)形體變化：早期火災火焰的形體變化反映了火焰在空間分布的變化。在早期火災階段，火焰的形狀變化、空間取向變化、火焰的抖動以及火焰的分合等，具有自己獨特的變化規律。在圖像處理中，形體變化特性是通過計算火焰的空間分布特性，即像素點之間的位置關系來實現的。4)閃動規律：火焰的閃動規律，即亮度在空間的分布隨時間變化的規律，火焰在燃燒過程中會按某種頻率閃爍。在數字圖像中就是灰度級直方圖隨時間的變化規律，這個特性體現了一幀圖像的像素點在不同灰度級上的頒情況隨時間的變化。5)分層變化：火焰內部的溫度是不均勻的，并且表現出一定的規律。火災中的燃燒屬于擴散燃燒，擴散燃燒火焰都有明顯的分層特性，如蠟燭火焰可分為焰心、內焰、外焰三層。木材等固體燃燒時由于表面輻射很強，可以分為固體表面與火焰部分兩大層，而火焰部分還可以再分層。分層變化特性體現了不同灰度級的像素點在空間的分布規律。6)整體移動：早期火災火焰是不斷發展的火焰，隨著舊的燃燒物燃盡和新的燃燒物被點燃，火焰不斷移動著位置。所以火焰的整體移動是連續的、非跳躍性的。目前用于圖像識別的特征主要有形狀特征、顏色特征、紋理特征等。形狀特征主要描述目標區域的幾何性質，物理意義明確，計算簡單。紋理特征反映了一個區域中像素灰度級的空間分布屬性。結合火災圖像的特點，我們主要從顏色特征和形狀特征分別論述。、 顏色特征(1) 顏色空間1) 目前森林火災的監視圖像大多是彩色的,它們存儲的相應圖片都是、色彩空間描述的 ,這些圖片的火焰色彩在、空間上分布比較均勻, 、空間轉換到、空間的公式是：2) RGB與空間的相互轉換RGB224。的轉換過程如下： 第一步：RGB224。XYZ 第二步：XYZ224。LMS 第三步：RGB224。LMS 第四步：LMS 224。224。RGB空間的轉換如下：第一步：224。LMS第一步：LMS 224。RGB（2） 顏色矩表達和分析顏色分布特征的另一種方法是顏色矩的計算。這種方法的數學基礎在于圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，因此僅采用顏色的一階矩、二階矩和三階矩就足以表達圖像的顏色分布。與顏色直方圖相比，該方法的簡便之處在于無需對顏色特征進行向量化。顏色的三個低次矩在數學上表達為： （5）其中是圖像中第個像素顏色值，表示圖像的總像素數。 、形狀特征結合火災圖像的特點，我們定義幾種反映物體形狀特征的形狀參數，然后再根據具體問題考慮度量方法和采用什么樣的特征向量。定義1 像素計數面積：最簡單的(未校準)面積計算方法是統計邊界內部(也包括邊界上)的像素的數目。與這個定義相對應，周長就是圍繞所有這些像素的外邊界的長度。通常，測量這個距離時包含了許多90176。的轉彎，從而夸大了周長值。定義2 多邊形的周長：一個讓人更滿意的測量物體周長的方法是將物體邊界定義為以各邊界像素中心為頂點的多邊形，相應的周長就是一系列橫豎向和對角線方向（）的間距之和，這個和可以在用行程編碼取物體時累加，或建立鏈碼表示時對邊界進行一趟跟蹤的過程中累加。一個物體的周長可表示為：式中，和分別為邊界鏈碼中的偶數步與奇數步的數目。另一種表達形式為式中。定義3 圓形度：圓形度是反映圓形程度的指標，因為它們在對圓形形狀計算時取最小值。它們的幅度值反映了被測量邊界的復雜程度。常用的圓形度指標是，即周長的平方與面積的比，這個特征對圓形形狀取最小值，物體形狀越復雜其值越大。圖3 各直方圖第二章 彩色圖像分割彩色分割的目的是把圖像分成互不相干的幾個區域，每個區域有著均勻一致的性質。通過圖像分割，提取要分析和識別的目標物體。主要方法有：特征空間聚類，基于隨機模型的方法。彩色圖像的分割主要有兩個方面，一是選擇合適的彩色空間；二是采用合適的分割策略和方法。本文采用的是R、G、B顏色空間，分割方法是模糊聚類。圖像分割是圖像處理和視覺研究中的基本技術 ,是大多數圖像分析及視覺系統的重要組成部分。通常的彩色圖像分割或者利用顏色信息進行分割或者利用亮度信息進行分割,這兩者都未充分考慮彩色圖像的整體信息,從而影響了分割效果。 (1)選取K個聚類中心:(上角標記為聚類中的迭代次數)。 (2)對于樣本X(設進行到第K次迭代)如果，則，其中是以為集類中心的樣本集。 (3) 計算各聚類中心的新向量值:式中 為 所包含的樣本數。(4) 如果，則回到第(2)步,將全部樣品重新分類,重新迭代計算；如果，則結束。 對醫學圖像進行分析，發現分成骨頭、肌肉、皮下組織、背景四類比較好，灰度值分別約為2150、0。 (a)原圖K均值聚類 (b)灰度化開運算K均值聚類 (c)灰度化閉運算K均值聚類 (d)均值濾波K均值聚類 (e)中值濾波K均值聚類 (f)高斯濾波K均值聚類 (h)各向異性擴散K均值聚類 (i)改進各向異性擴散K均值聚類 (j)邊緣增強改進各向異性擴散 K均值聚類 （k)改進邊緣增強改進各向異性擴散K均值聚類 ：原圖皮下組織中有很多孔，骨頭中有骨髓；灰度化開運算的孔減少了，骨頭中全部歸為骨頭一類；灰度化閉運算圖像整體較暗，部分皮膚邊界不存在；中值濾波孔也多，但沒有一個點的孔；中值濾波在一定程度上減少了孔，但邊緣被模糊了；高斯整個圖像變亮了，邊緣保持得不好；各向異性擴散所減少很多，邊緣保持得相當完整；改進各向異性擴散效果更佳；邊緣增強改進各向異性擴散中有噪聲；改進邊緣增強改進各向異性擴散的邊緣增加得太強，以至把皮膚歸為骨頭一類。各種圖像預處理再用K均值聚類的運行時間如下：預處理方法原圖灰度化開運算灰度化閉運算均值濾波中值濾波高斯濾波各向異性擴散改進各向異性擴散邊緣增強改進各向異性擴散改進邊緣增