【文章內(nèi)容簡介】 黑色這些顏色中。由于煙霧實(shí)質(zhì)上是在空氣中的離子，對光有反射性，所以周圍環(huán)境的光線顏色也會對煙霧顏色產(chǎn)生影響。由于擴(kuò)散現(xiàn)象的實(shí)質(zhì)是分子不停地做無規(guī)則運(yùn)動的結(jié)果，所以煙霧在空氣中呈現(xiàn)出不規(guī)則的形狀，其邊緣一般是不規(guī)則的曲線。煙霧另一個重要的特性是擴(kuò)散性。擴(kuò)散是由于微粒（原子、分子等）的熱運(yùn)動而產(chǎn)生的質(zhì)量遷移現(xiàn)象，主要是由密度差引起的。在擴(kuò)散過程中，氣體分子從密度較大的區(qū)域移向密度較小的區(qū)域，經(jīng)過一段時間的運(yùn)動，密度分布趨向均勻。同時隨著溫度的升高，加快了氣體分子的運(yùn)動速度，使擴(kuò)散的速度加快。隨著燃燒的繼續(xù)進(jìn)行，產(chǎn)生的煙霧越來越多，在空氣中占據(jù)了越來越大的空間，由于煙霧有顏色，濃度提高時，煙霧的透明度降低，可見度也隨之提高。煙霧在視頻中的面積隨著時間的推移逐漸變大。 圖像型火災(zāi)檢測的技術(shù)現(xiàn)狀圖像是一種包含強(qiáng)度、形體、位置等信息的信號，因此利用圖像進(jìn)行火災(zāi)探測有其獨(dú)特的優(yōu)勢。目前國內(nèi)外對這種新的火災(zāi)探測技術(shù)開展了深入研究。文獻(xiàn)15和文獻(xiàn)16提出了一種“視頻火災(zāi)探測”方法[15,16]，利用多個溫敏探頭將火災(zāi)現(xiàn)場的溫度幅度和分布信息轉(zhuǎn)化為灰度信息，用黑白攝像頭采集灰度信息進(jìn)行處理，實(shí)現(xiàn)火災(zāi)的定位并可計(jì)算出火災(zāi)的熱釋放速率。文獻(xiàn)17提取電站鍋爐燃燒火焰的圖像特征，并用人工神經(jīng)網(wǎng)絡(luò)的方法對火焰形態(tài)作了研究，在區(qū)分燃燒情況方面得到了較好的結(jié)果[17]。文獻(xiàn)18闡述了火災(zāi)圖像探測的基本原理，并且提出了提取早期火災(zāi)火焰輻射持性、形體變化特性的幾種新方法[18]。文獻(xiàn)19對早期火災(zāi)火焰的輻射特性和形體變化特性作了系統(tǒng)的分析，并用常規(guī)的圖像處理方法實(shí)現(xiàn)了一個完整的火災(zāi)圖像探測系統(tǒng)[19]。Yamagishi曾經(jīng)提出一種彩色圖像的火焰的檢測算法[20,21]，我國臺灣的研究人員也對基于視頻圖像處理的火焰識別技術(shù)進(jìn)行了研究[22]。綜合國內(nèi)外的火災(zāi)圖像識別研究，目前為止，大都是在灰度圖的基礎(chǔ)上進(jìn)行處理，一般采用比較單一的判據(jù)，漏報(bào)和誤報(bào)率往往比較高，系統(tǒng)的魯棒性和適應(yīng)性相對較差[23]，這些都是困擾火災(zāi)圖像識別研究人員的世界性難題。 圖像型火災(zāi)檢測的應(yīng)用現(xiàn)狀在科學(xué)技術(shù)迅猛發(fā)展的今天，國外各大公司和科研機(jī)構(gòu)的火災(zāi)探測技術(shù)也相應(yīng)的快速發(fā)展，例如，Bosque公司的BSDS系統(tǒng)采用紅外和普通攝像機(jī)的雙波段監(jiān)控，在準(zhǔn)確識別森林火災(zāi)的同時還可以區(qū)別其它現(xiàn)象的干擾，誤報(bào)率很低。在大空間火災(zāi)監(jiān)控方面有ISL公司和Magnox Electric公司聯(lián)合開發(fā)的用于電站火災(zāi)監(jiān)控的VSD8系統(tǒng)。該系統(tǒng)以視頻運(yùn)動檢測軟件為主體，使用了各種濾波器技術(shù)，并與人工智能相結(jié)合，該系統(tǒng)可以用來對電站內(nèi)的火災(zāi)進(jìn)行監(jiān)控。我國在火災(zāi)報(bào)警控制系統(tǒng)的研究開發(fā)相對較晚一些，到二十世紀(jì)八十年代中期才開始這方面的研制開發(fā)[24,25]。但發(fā)展十分迅速，現(xiàn)在已經(jīng)基本達(dá)到國際先進(jìn)水平。國內(nèi)對火災(zāi)探測和自動滅火的研究目前以中國科技大學(xué)的火災(zāi)科學(xué)國家重點(diǎn)實(shí)驗(yàn)室做得比較領(lǐng)先。該實(shí)驗(yàn)室研制的LA100型雙波段大空間早期火災(zāi)智能探測和自動滅火系統(tǒng)通過了有關(guān)方面的驗(yàn)收，并已轉(zhuǎn)化成產(chǎn)品。此外，上海交通大學(xué)、西安交通大學(xué)、哈爾濱工程大學(xué)等都在火災(zāi)探測方面進(jìn)行了積極的研究，并根據(jù)工程實(shí)踐提出了一些改進(jìn)算法。但是迄今為止，并沒有研制出令人滿意的系統(tǒng)，還存在火災(zāi)誤報(bào)率較高的問題，實(shí)用程度還有待提高。 論文的主要內(nèi)容及結(jié)構(gòu)安排 論文的研究內(nèi)容圖像型火災(zāi)檢測系統(tǒng)，是利用CCD攝像機(jī)作為探頭，將被監(jiān)視現(xiàn)場的彩色或紅外圖像輸入計(jì)算機(jī)，然后利用圖像處理的算法從單幅圖像和圖像序列中來識別有無火災(zāi)的發(fā)生。在發(fā)現(xiàn)火災(zāi)的情況下，及時將圖片傳回指揮中心。在基于圖像處理的火災(zāi)監(jiān)控系統(tǒng)中，圖像處理的算法、火災(zāi)識別算法決定了系統(tǒng)的性能。本論文主要研究內(nèi)容如下：第一，研究了火災(zāi)發(fā)生的條件、環(huán)境及發(fā)生時的情況。分析了煙霧及火焰的各自的產(chǎn)生機(jī)理和特征，并提出自動報(bào)警方案。第二，討論了經(jīng)典的圖像分割和濾波理論在火災(zāi)圖像處理中的運(yùn)用。第三，研究了煙霧及火焰的多種分割方法。圖像分割是圖像處理中一項(xiàng)基本而關(guān)鍵的技術(shù)，分割質(zhì)量的好壞往往影響到后續(xù)處理，如目標(biāo)識別等性能的好壞。因此本文將火焰圖像的分割方法作為研究重點(diǎn)之一，設(shè)計(jì)了適合復(fù)雜背景的目標(biāo)分割方法。第四，對煙霧及火焰的圖像信息分析研究，從中總結(jié)出顏色特征及動態(tài)特征方面的規(guī)律性，作為識別算法的設(shè)計(jì)的主要依據(jù)。第五，應(yīng)用分割方法和特征識別方法實(shí)驗(yàn)了大量森林環(huán)境和其它自然環(huán)境下的圖片，進(jìn)行算法的驗(yàn)證。 論文的結(jié)構(gòu)安排本文第1章介紹了課題的來源、目的和意義，并對目前國內(nèi)外的森林防火系統(tǒng)及其中的關(guān)鍵技術(shù)做了綜述，最后闡述了圖像型火災(zāi)檢測技術(shù)的提出以及目前的研究和應(yīng)用情況；第2章介紹了本文研究的理論基礎(chǔ)，對經(jīng)典的圖像分割和濾波算法進(jìn)行了詳細(xì)的介紹，包括邊緣提取、閾值分割等；第3章首先介紹了分割前的預(yù)處理，即實(shí)時背景差分和圖像的增強(qiáng)。在第二章的基礎(chǔ)上，針對火焰和煙霧的圖像特性，設(shè)計(jì)了適合于自然條件下的分割方法，其中包括對分割算法的性能的驗(yàn)證、比較和改進(jìn)；第4章討論了特征識別的方法，比較了不同彩色空間下的火焰顏色模型，總結(jié)了YCbCr空間的特征，分別給出了各項(xiàng)動態(tài)特征的計(jì)算方法；針對煙霧的特征設(shè)計(jì)了小波特征的檢驗(yàn)方法；第5章完成了火災(zāi)識別整體流程的設(shè)計(jì)，利用實(shí)際采集的序列圖像試驗(yàn)了本文的識別算法，并得出了各項(xiàng)閾值。雙擊上一行的“1”“2”試試，J(本行不會被打印，請自行刪除)第2章 數(shù)字圖像處理基礎(chǔ) 引言對于早期的火災(zāi)識別，燃燒初期階段的圖像信息對算法的設(shè)計(jì)十分重要，根據(jù)火災(zāi)早期的圖像信息設(shè)計(jì)算法，能實(shí)現(xiàn)火災(zāi)的早期報(bào)警的功能，同時這些圖像信息對實(shí)驗(yàn)的設(shè)計(jì)具有重要的指導(dǎo)意義[26]。對火焰和煙霧的特征進(jìn)行研究，主要在于了解煙霧和火焰的在整個過程的發(fā)展情況并總結(jié)其連續(xù)變化規(guī)律，從圖像信息中實(shí)時了解火災(zāi)的發(fā)展情況[27]。基于圖像處理的火災(zāi)檢測系統(tǒng)是結(jié)合光電技術(shù)和數(shù)字圖像處理技術(shù)而研制的火災(zāi)自動監(jiān)測報(bào)警系統(tǒng)，它利用攝像頭對現(xiàn)場進(jìn)行監(jiān)視，將采集的視頻信號轉(zhuǎn)換為所需的圖像格式，根據(jù)火災(zāi)圖像的特征進(jìn)行處理和分析，從而達(dá)到探測火災(zāi)是否發(fā)生的目的。數(shù)字圖像處理部分是火災(zāi)監(jiān)測系統(tǒng)的核心。首先對采集的圖像進(jìn)行目標(biāo)分割，然后利用圖像特性對這些物體加以識別或分類檢測出圖像中的目標(biāo)物體。在這個過程中主要應(yīng)用了數(shù)字圖像處理里面的圖像分割技術(shù)和濾波技術(shù)。 圖像分割理論基礎(chǔ)圖像分割是數(shù)字圖像分析中的重要環(huán)節(jié)，在整個研究中起著承前啟后的作用，它既是對所有圖像預(yù)處理效果的一個檢驗(yàn)，也是后續(xù)進(jìn)行圖像分析與解譯的基礎(chǔ)[28]。因此，對于圖像分割的研究多年里一直受到人們廣泛的重視，也提出了數(shù)以千計(jì)的不同算法。圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。這里特性可以是灰度、顏色、紋理等，目標(biāo)可以對應(yīng)單個區(qū)域，也可以對應(yīng)多個區(qū)域，實(shí)際上是和具體的實(shí)際應(yīng)用和目標(biāo)要求有關(guān)。一般來說，圖像分割算法可大致分為基于閾值的分割技術(shù)、基于邊緣的分割技術(shù)、基于區(qū)域特性的分割技術(shù)和基于特征空間聚類的分割技術(shù)四類。本節(jié)中簡單介紹這幾種目前常用的圖像分割算法，大部分都是針對灰度圖的。目前對彩色圖像的分割，大部分也是基于灰度圖的，先將彩色圖像的各個分量進(jìn)行適當(dāng)?shù)慕M合轉(zhuǎn)化為灰度圖像，然后利用對灰度圖像的分割算法進(jìn)行分割。 邊緣檢測法圖像分割圖像的邊緣檢測法是基于邊界的分割算法。圖像中像素灰度值不連續(xù)造成兩個具有不同灰度值的相鄰區(qū)域之間存在灰度邊緣。從某種意義上說，圖像中大部分信息都集中在區(qū)域的邊界上，邊界的確定對場景的理解非常重要。在數(shù)學(xué)上，這種邊界的不連續(xù)性可利用求導(dǎo)數(shù)方便地檢測到[29]。邊緣的檢測常借助空域微分算子進(jìn)行，通過將其模板與圖像卷積完成。一般常用一階和二階導(dǎo)數(shù)來檢測邊緣，其原理可借助圖21來說明。圖21中第一排是一些具有邊緣的圖像示例；第二排是沿圖像水平方向的剖面圖；第三和第四排分別為剖面的一階和二階導(dǎo)數(shù)。常見的邊緣剖面有三種：(1) 階梯狀（如圖21 a)和b)所示），這種邊緣處于圖像中兩個具有不同灰度值的相鄰區(qū)域間；(2) 脈沖狀（如圖21 c)所示），這種邊緣主要對應(yīng)細(xì)條狀的灰度值突變區(qū)域；(3) 屋頂狀（如圖21 d)所示），這種邊緣上升下降沿都比較緩慢。實(shí)際中的數(shù)字圖像會由于采樣，造成邊緣處的模糊，所以垂直上下的邊緣剖面都表示成有一定坡度，即邊緣區(qū)有一定的寬度。圖像剖面一階導(dǎo)數(shù)二階導(dǎo)數(shù)a) b) c) d)圖21 邊緣和導(dǎo)數(shù)示例由圖21可見，圖像中目標(biāo)的邊界可通過求取它們的導(dǎo)數(shù)來確定。導(dǎo)數(shù)可用微分算子來計(jì)算，實(shí)際上在數(shù)字圖像中求導(dǎo)數(shù)是利用差分近似微分來進(jìn)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 梯度對應(yīng)一階導(dǎo)數(shù)，梯度算子是一階導(dǎo)數(shù)算子。在求取圖像的梯度時，常用小區(qū)域模板卷積來近似計(jì)算。由于計(jì)算梯度時需要計(jì)算兩個方向的偏導(dǎo)數(shù)，通常需要兩個模板組合起來以構(gòu)成一個梯度算子。根據(jù)模板的大小及其中元素（系數(shù)）值的不同，人們已經(jīng)提出了許多種不同的算子。比較常用的梯度算子有Roberts算子、Prewitt算子、Sobel算子等。它們都用兩個33模板，具體形式如圖22所示。 a) Roberts算子 b) Prewitt算子 c) Sobel算子圖22 一階導(dǎo)數(shù)算子模板算子運(yùn)算時是采取類似卷積的方式，將模板在圖像上移動并在每個位置計(jì)算對應(yīng)中心像素的梯度值，所以對一幅灰度圖求梯度所得的結(jié)果是一幅梯度圖。在邊緣灰度值過渡比較尖銳且圖像中噪聲比較小時，梯度算子工作效果較好。(2) 拉普拉斯算子 拉普拉斯(Laplacian)算子是一種二階導(dǎo)數(shù)算子。在數(shù)字圖像中，計(jì)算函數(shù)的拉普拉斯值也可借助各種模板實(shí)現(xiàn)。這里對模板的基本要求是對應(yīng)中心像素的系數(shù)是正的，而對應(yīng)中心像素鄰近像素的系數(shù)應(yīng)是負(fù)的，且它們的和應(yīng)該是零。常見的兩種模板分別見圖23。由于拉普拉斯算子是二階導(dǎo)數(shù)算子，因此對圖像中的噪聲相當(dāng)敏感。另外它常產(chǎn)生雙像素寬的邊緣，且也不能提供邊緣方向的信息。由于以上原因，拉普拉斯算子很少直接用于檢測邊緣，而主要用于已知邊緣像素后確定該像素是在圖像的暗區(qū)或明區(qū)一邊。圖23 Laplacian算子模板 近年來，基于人工神經(jīng)網(wǎng)絡(luò)、小波理論等的邊緣檢測算法都取得了一定的進(jìn)展。但邊緣檢測同樣存在著算法不完善的問題，即沒有一種邊緣檢測算法適用于所有圖像。因此，在對具體圖像進(jìn)行邊緣檢測時，需要根據(jù)圖像的特點(diǎn)選用適當(dāng)?shù)乃惴ā?閾值法圖像分割取閾值是最常見的基于區(qū)域的分割方法。在利用取閾值方法來分割灰度圖像時一般都對圖像有一定的假設(shè)，即基于一定的圖像模型。最常用的模型可描述如下：假設(shè)圖像由具有雙峰灰度分布的目標(biāo)和背景組成，在目標(biāo)或背景內(nèi)部的相鄰像素間的灰度值是高度相關(guān)的，但在目標(biāo)和背景交界處兩邊的像素在灰