【正文】 圖37為森林的不同場(chǎng)景下煙霧的顏色提取結(jié)果。如果滿足以上條件則判斷可能出現(xiàn)煙霧。在自然光的照射下，火災(zāi)煙霧顯現(xiàn)白色、黑色、灰色，而這些顏色在RGB空間中，R、G、B三分量基本相等，根據(jù)燃燒物、燃燒溫度以及光照情況的不同，煙霧的顏色亮度不同，它可以被HSI空間中的I分量所表述，因此煙霧的彩色特征可以被式(316)規(guī)則所描述[40]。 (315)圖36 a)為自然環(huán)境中春夏秋冬四個(gè)季節(jié)的四種基色下的火焰圖像，圖36 b)為利用火焰顏色特征提取方法分割出的火焰再進(jìn)行中值濾波去噪后的結(jié)果，在不同的環(huán)境基色下，火焰提取的閾值在式(315)規(guī)則的基礎(chǔ)上有一定范圍內(nèi)的調(diào)整，但調(diào)整幅度不大?；鹧娴念伾崛≈髸?huì)存在噪聲，因此采用中值濾波進(jìn)行去噪。~ 360176。相應(yīng)的RGB值關(guān)系：，同時(shí)，在HSI空間中，這一顏色區(qū)間火焰的色度值通常在0~60度之間，火焰的彩色特征可以被式(315)規(guī)則所描述。一般情況下，火焰呈現(xiàn)出不同的顏色，主要集中在暗紅色、紅色、橙色、黃色、白色、藍(lán)色這些顏色中。在聚類算法中，彩色圖像分割的效果極大地取決于聚類中心的選擇，這里是利用RGB三分量的直方圖確定峰值的聚類中心。否則，跳到第2步繼續(xù)執(zhí)行。 l=1,2,…,k (314)其中，是中采樣數(shù)。也就是說(shuō)，把每次采樣賦給最接近聚類平均值的那組。(2) 在第 i 次迭代中，根據(jù)下列關(guān)系，把每個(gè)像素賦給K個(gè)聚類中的一個(gè)。該指標(biāo)是度量每次采樣與它們各自的聚類平均值間的距離之和。下面，描述K均值算法，假設(shè)以像素的灰度值為基礎(chǔ)，把一幅圖像分割成K個(gè)區(qū)域。聚類的標(biāo)準(zhǔn)過(guò)程是把每次采樣賦給最接近聚類平均值的那組。對(duì)于標(biāo)量特征來(lái)說(shuō)，如像素密度，聚類可以被認(rèn)為是確定K1個(gè)閾值的方法，以這K1個(gè)閾值定義了一維特征空間的判決邊界。在圖像分割中，希望用那些從看起來(lái)相似的區(qū)域中抽取出的特征矢量來(lái)形成特征空間中的組，稱為聚類[37]。如圖33是針對(duì)不同場(chǎng)景下夜間森林起火的分割結(jié)果。(6) 求(t=0,1,L1)的最大值，并將對(duì)應(yīng)的值作為閾值，即 (311)這種方法計(jì)算效率高，應(yīng)用廣泛，對(duì)直方圖呈雙峰狀的圖像具有很好的分割效果。因此，以類間方差作為衡量不同閾值導(dǎo)出的類別分離性能的測(cè)量準(zhǔn)則。同樣，設(shè)原始灰度圖像的灰度級(jí)為，灰度為的像素點(diǎn)數(shù)為，圖像的全部像素為，那么閾值計(jì)算過(guò)程如下：(1) 計(jì)算輸入圖像灰度級(jí)的歸一化直方圖，用表示，且有，；(2) 計(jì)算灰度均值 (36)(3) 用閾值將灰度級(jí)劃分為兩類，包含灰度級(jí)的像素，包含灰度級(jí)的像素。 火焰分割 最大類間方差閾值法最大類間方差法（也稱為Otsu法）由Otsu提出，是在最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的?！?a) 原圖像 b）原圖像RGB直方圖圖31 原圖像及其直方圖 a) 增強(qiáng)后圖像 b) 增強(qiáng)后圖像RGB直方圖圖32 增強(qiáng)后圖像及其直方圖用圖像f(x,y)的直方圖代替灰度的分布密度函數(shù)pf (f)，則直方圖均化后的圖像g為： (34)對(duì)于數(shù)字圖像，可以對(duì)上述公式做離散近似?！【鶆蛄炕淖匀粓D像的灰度直方圖通常在低值灰度區(qū)間上頻率較大，使 得圖像中較暗區(qū)域中的細(xì)節(jié)常?？床磺宄?。為使圖像變清晰，可以通過(guò)變換使圖像的灰度動(dòng)態(tài)范圍變大，并且讓灰度頻率較小的灰度級(jí)經(jīng)變換后，其頻率變得大一些，使變換后的圖像灰度直方圖在較大的動(dòng)態(tài)范圍內(nèi)趨于均化。當(dāng)圖像對(duì)比度較小時(shí)，它的灰度直方圖只在灰度軸上較小的一段區(qū)間上非零，較暗的圖像由于較多的像素灰度值低，因此它的直方圖的主體出現(xiàn)在低值灰度區(qū)間上，其在高值灰度區(qū)間上的幅度較小或?yàn)榱?，而較亮的圖像情況正好相反。 圖像增強(qiáng)圖像的直方圖是圖像的重要統(tǒng)計(jì)特征，它可以認(rèn)為是圖像灰度密度函數(shù)的近似。由于是彩色圖像，使用歐氏距離作為判斷的標(biāo)準(zhǔn)。若取以(i，j)點(diǎn)為中心，mn的鄰域，作為表示像素點(diǎn)(i，j)的表征域，那么，N=mn。在這里比較F0和F1中對(duì)應(yīng)像素的特征值，所以，將F0和F1中像素點(diǎn)取值分別用其周圍的像素點(diǎn)來(lái)表示，然后進(jìn)行比較。因此需要對(duì)算法進(jìn)行改進(jìn)，從而降低噪聲。在的情況下，首先對(duì)差值圖像序列Fi分割出變化區(qū)域，再進(jìn)行特征識(shí)別。此算法的運(yùn)算量不大，能滿足系統(tǒng)實(shí)時(shí)性的要求。為了提高系統(tǒng)對(duì)圖像的處理速度，對(duì)序列圖像作減法運(yùn)算。只需判斷有無(wú)異常情況，如果有異常情況，再進(jìn)行細(xì)致的匹配，如果每幅圖像采用復(fù)雜的檢測(cè)算法來(lái)檢測(cè)、速度慢，而且效果差，于是采用背景作為參考圖像進(jìn)行比較[35]。它事先將背景圖像儲(chǔ)存下來(lái)，由于物體和背景在灰度或色彩上存在差別，通過(guò)將背景圖像和當(dāng)前圖像做減法運(yùn)算，來(lái)確定當(dāng)前圖像相對(duì)背景圖像是否發(fā)生變化。因此圖像分割對(duì)后期的圖像識(shí)別具有十分重要的意義。在圖像分析中，通常需要將所關(guān)心的目標(biāo)從圖像中提取出來(lái)。第3章 火焰與煙霧的圖像分割 引言圖像分割是圖像處理中的主要問(wèn)題，也是計(jì)算機(jī)視覺(jué)領(lǐng)域低層次視覺(jué)中的主要問(wèn)題，同時(shí)它又是一個(gè)經(jīng)典難題[34]。詳細(xì)闡述了圖像分割中的四種經(jīng)典的分割方法及圖像的線性濾波和非線性濾波。故綜合考慮各種因素，本系統(tǒng)中采用33模板的中值濾波。但是考慮到運(yùn)算效率的問(wèn)題，同時(shí)又由于對(duì)早期火災(zāi)火焰做出判斷識(shí)別時(shí)，只需處理特定區(qū)域的圖像，無(wú)須對(duì)一幀圖像全部進(jìn)行處理，而且采用方形中值濾波不會(huì)影響特定區(qū)域的形狀，因此在本系統(tǒng)中采用方形中值濾波的方法?？紤]到方形中值濾波有時(shí)會(huì)濾除圖像輪廓的尖角，破壞圖像的形狀。濾波窗口的形狀非常多，常用的二維中值濾波窗口有線形、方形、十字形、圓形和菱形等，不同濾波窗口的濾波效果不同。由于在實(shí)際運(yùn)算中不需要圖像的統(tǒng)計(jì)特性，因此帶來(lái)不少方便。設(shè)表示數(shù)字圖像各點(diǎn)的灰度值，濾波窗口為 A 的二維中值濾波可定義為： (26)中值濾波采用非線性技術(shù)，在像素點(diǎn)鄰域里用取中值代替了取平均值，不會(huì)降低圖像中的高頻信號(hào)，在消除噪聲的同時(shí)很好地保持了圖像的邊緣特征。窗口正中間那個(gè)像素的值用窗口內(nèi)各像素值的中值代替。中值的定義如下：一組數(shù)把 n 個(gè)數(shù)按值的大小排列于下： (25)y 稱為序列 的中值。中值濾波是由 Turky 在 1971 年提出的，它最初主要用于時(shí)間序列分析，后來(lái)用于圖像處理，在去噪復(fù)原中取得較好的效果。由于線性濾波實(shí)質(zhì)上是一種低通濾波器，需要進(jìn)行鄰域平均計(jì)算，圖像中的高頻成份在與鄰域中其它像素取平均后會(huì)降低，反映在視覺(jué)效果上，圖像經(jīng)過(guò)線性濾波處理后會(huì)顯得有些模糊，線性濾波很難做到既有效的去除圖像的噪聲又能很好的保持圖像的邊緣。 線性濾波線性濾波常用的是一種基于鄰域平均法的空域處理方法。在對(duì)圖像進(jìn)行顏色提取處理之后，會(huì)有一部分噪聲被保留下來(lái)，這會(huì)干擾后期的識(shí)別，需要將它們作為雜點(diǎn)對(duì)圖像進(jìn)行濾波操作。為了準(zhǔn)確獲得圖像中物體的基本輪廓，需要對(duì)圖像進(jìn)行一定優(yōu)化的處理。通過(guò)遠(yuǎn)程視頻監(jiān)控系統(tǒng)采集到的圖像在監(jiān)控中心的計(jì)算機(jī)上均可以被保存為彩色圖像，而對(duì)于顏色特征比較明顯的火災(zāi)圖像，圖像的色彩信息可以作為圖像分割的依據(jù)。對(duì)于模糊C均值，目前已有不少分類指標(biāo)，如基于隸屬度矩陣的分割系數(shù)和分割熵，還有考慮數(shù)據(jù)點(diǎn)緊密度分離度的XieBeni指標(biāo)和FukayamaSugno指標(biāo)，以及將緊密度分離度和隸屬度矩陣特性進(jìn)行綜合的SC指標(biāo)[33]。這時(shí)，基于特征空間聚類法的分割技術(shù)就顯示出它解決這類問(wèn)題的優(yōu)越性。閾值分割就相當(dāng)于在一維（灰度）或二維（共生矩陣）特征空間進(jìn)行的模式分類，它所使用的特征并沒(méi)有充分反映像素的空間信息和其鄰域像素的相關(guān)信息。與閾值分割類似，聚類方法也是一種全局的方法，比基于邊緣檢測(cè)的方法可以更好地抵抗噪聲。一般的閾值分割可以看成是以像素的灰度為特征，灰度直方圖代表特征空間，用閾值將灰度直方圖特征空間劃分，把得到的特征類映射回圖像空間，不同灰度的像素構(gòu)成不同的區(qū)域。利用特征空間聚類的方法進(jìn)行圖像分割可以堪稱是對(duì)閾值分割概念的推廣。一方面，分裂如果不能深達(dá)像素級(jí)就會(huì)降低分割精度；另一方面，深達(dá)像素級(jí)的分裂會(huì)增加合并的工作量，從而大大增加其時(shí)間復(fù)雜度。分裂合并算法則是先從整個(gè)圖像開(kāi)始不斷的分裂得到各個(gè)區(qū)域，再將相鄰的具有相似性的區(qū)域合并以得到分割結(jié)果。顯然，種子像素、生長(zhǎng)準(zhǔn)則和終止條件是算法的關(guān)鍵。區(qū)域生長(zhǎng)算法先對(duì)每個(gè)要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素鄰域內(nèi)與種子像素有相似性的像素合并到種子像素集合。與閾值方法不同，這類方法不但考慮了像素的相似性，還考慮了空間上的鄰接性，因此可以有效消除孤立噪聲的干擾，具有很強(qiáng)的魯棒性。 基于區(qū)域特性的圖像分割基于區(qū)域的分割技術(shù)有兩種基本形式：區(qū)域生長(zhǎng)和分裂合并。設(shè)圖像的灰度級(jí)范圍為0,1,…,L1，灰度級(jí)為的像素?cái)?shù)目為，圖像的總像素?cái)?shù)目為，則灰度級(jí)出現(xiàn)的概率定義為。對(duì)比前兩類的固定閾值，稱此為動(dòng)態(tài)閾值。(2) 局部閾值 根據(jù)和來(lái)選取的，所得的閾值就是與（局部）區(qū)域性質(zhì)相關(guān)的。 (22)其中是點(diǎn)鄰域的某種局部性質(zhì)，在一般情況下閾值是，和的函數(shù)。綜上所述，閾值分割方法的關(guān)鍵問(wèn)題是選取合適的閾值。如果圖像中有多個(gè)灰度值不同的區(qū)域，那么可以選擇一系列的閾值以將每個(gè)像素分到合適的類別中去。這兩類像素一般分屬圖像中的兩類區(qū)域，所以對(duì)像素根據(jù)閾值分類達(dá)到了區(qū)域分割的目的。此時(shí)如果這兩個(gè)分布大?。〝?shù)量）接近且均值相距足夠遠(yuǎn)，而且均方差也足夠小，則直方圖應(yīng)是雙峰的，這類圖像?？捎萌￠撝捣▉?lái)較好的分割。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度值上有很大的差別。 閾值法圖像分割取閾值是最常見(jiàn)的基于區(qū)域的分割方法。但邊緣檢測(cè)同樣存在著算法不完善的問(wèn)題，即沒(méi)有一種邊緣檢測(cè)算法適用于所有圖像。由于以上原因，拉普拉斯算子很少直接用于檢測(cè)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。由于拉普拉斯算子是二階導(dǎo)數(shù)算子，因此對(duì)圖像中的噪聲相當(dāng)敏感。這里對(duì)模板的基本要求是對(duì)應(yīng)中心像素的系數(shù)是正的，而對(duì)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。(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。 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(shí)是采取類似卷積的方式，將模板在圖像上移動(dòng)并在每個(gè)位置計(jì)算對(duì)應(yīng)中心像素的梯度值，所以對(duì)一幅灰度圖求梯度所得的結(jié)果