【正文】 度級(jí)的像素?cái)?shù)與灰度的二維關(guān)系，它反映了一幅圖像上灰度分布的統(tǒng)計(jì)特性。前者是從單個(gè)像素出發(fā)，逐漸合并以形成所需的分割結(jié)果；后者是從整個(gè)圖像出發(fā)，逐漸分裂或合并以形成所需要的分割結(jié)果。而且，無(wú)論是合并還是分裂，都能夠?qū)⒎指钌钊氲较袼?，因此可以保證較高的分割精度[31]。如此往復(fù)直到再?zèng)]有像素可以被合并，一個(gè)區(qū)域就形成了。然而，種子點(diǎn)的選擇并不容易，有人試圖通過(guò)邊緣檢測(cè)來(lái)確定種子點(diǎn)，但由于邊緣檢測(cè)算法本身的不足，并不能避免遺漏重要的種子點(diǎn)。這種方法雖然沒(méi)有選擇種子點(diǎn)的麻煩，但也有自身的不足。 特征空間聚類法圖像分割根據(jù)特征進(jìn)行模式分類是指根據(jù)提取的特征值將一組目標(biāo)劃分到各類中的技術(shù)。它將圖像空間中的像素用對(duì)應(yīng)的特征空間的點(diǎn)表示，根據(jù)它們?cè)谔卣骺臻g的聚集對(duì)圖像進(jìn)行分割[32]。除像素灰度外，其他圖像特征也可用于聚類。模式可以定義為對(duì)圖像中的目標(biāo)或其它感興趣部分的定量或結(jié)構(gòu)化的描述圖像分割可以被視為以像素為基元的模式分類過(guò)程，這一過(guò)程主要包括兩個(gè)步驟：特征提取和模式分類。實(shí)際的圖像分割中，人們不可能具備任何關(guān)于模式的先驗(yàn)知識(shí)，既不知道它的分布，也不知道它該分成多少類，當(dāng)然更不知道各類的參數(shù)。特征空間聚類算法不需要訓(xùn)練樣本，是一種無(wú)監(jiān)督的統(tǒng)計(jì)方法，它是通過(guò)迭代地執(zhí)行分類算法來(lái)提取各類的特征值，其中K均值、模糊C均值等是最常用的分類方法。彩色圖像和多(高)光譜圖像可以認(rèn)為是由高維特征描述的圖像，同樣可以使用基于特征空間聚類法的分割技術(shù)。 圖像的濾波在獲取數(shù)字圖像的過(guò)程中，要經(jīng)過(guò)拍攝、掃描等操作環(huán)節(jié)，這些環(huán)節(jié)時(shí)會(huì)受到儀器及周圍環(huán)境等外界因素的影響，使所獲取的數(shù)字圖像的位置和形狀發(fā)生變化，導(dǎo)致圖像失真或者是圖像上含有各種各樣的噪聲。圖像優(yōu)化處理的工作主要是對(duì)圖像作幾何校正，包括對(duì)圖像位置的標(biāo)準(zhǔn)化和對(duì)大小的正規(guī)化，例如使圖像根據(jù)處理的要求旋轉(zhuǎn)、放大、縮小等，也包括對(duì)圖像內(nèi)容進(jìn)行各種細(xì)微的處理，如消除噪聲、校正失真、去掉圖像中模糊的成分，恢復(fù)圖像的原來(lái)面貌，把圖像變成人眼容易觀察機(jī)器容易處理的圖像，還包括對(duì)圖像的平滑、細(xì)節(jié)的銳化、邊緣的增強(qiáng)處理等操作。比較常用的兩種濾波方法是線性濾波和非線性濾波。圖24所示的是一個(gè) 33 的鄰域：圖24 像素 f (x, y)及其 8 鄰域像素圖24中 f (x, y)表示(x,y)點(diǎn)的實(shí)際灰度，其鄰域平均方法可用下式表示： (23)式(23)中，為點(diǎn)灰度值， 稱為門限，它可以根據(jù)對(duì)誤差容許的程度，選為圖像灰度方差的若干倍，即 ，也可以用實(shí)驗(yàn)的方法，選為總灰度級(jí)的一個(gè)百分?jǐn)?shù)，即： (24)L 為總灰度級(jí)數(shù)，A 為大于零的正數(shù)。 非線性濾波非線性濾波技術(shù)一般利用原始信號(hào)與噪聲信號(hào)特有的統(tǒng)計(jì)特性進(jìn)行去噪，現(xiàn)有的非線性濾波方法有以中值濾波為代表的傳統(tǒng)非線性濾波方法和以形態(tài)濾波為代表的新型濾波方法。中值濾波是基于次序統(tǒng)計(jì)完成信號(hào)恢復(fù)的一種典型非線性濾波器，其基本原理是將數(shù)字圖像中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替。在一維情形下，中值濾波器是一個(gè)含有奇數(shù)個(gè)像素的滑動(dòng)窗口。中值濾波的概念很容易推廣到二維，此時(shí)可以利用某種形式的二維窗口。中值濾波在一定的條件下可以克服線性濾波如最小均方濾波，均值濾波等帶來(lái)的圖像細(xì)節(jié)模糊的缺點(diǎn)，而且對(duì)濾除脈沖干擾及圖像掃描噪聲最為有效。但是對(duì)于一些細(xì)節(jié)多，特別是點(diǎn)、線、尖頂細(xì)節(jié)多的圖像不宜采用中值濾波?？傮w來(lái)講，二維中值濾波比一維中值濾波能夠更好地抑制噪聲。因而常常采用十字形中值濾波。一般來(lái)說(shuō)，如果窗口選的過(guò)大，除噪聲受到抑制外，平均化的效果也較強(qiáng)，但邊緣及細(xì)節(jié)信息易受到損失。 本章小結(jié)本章討論了數(shù)字圖像處理的基本知識(shí)。本章所討論的圖像分割和圖像濾波是整個(gè)火災(zāi)圖像識(shí)別中的關(guān)鍵技術(shù)，為后面火焰和煙霧圖像的分割提取、圖像去噪和識(shí)別判據(jù)的研究奠定了基礎(chǔ)。由于問(wèn)題的重要性和困難性，從七十年代起圖像分割問(wèn)題就吸引了很多研究人員為之付出了巨大的努力，但到目前為止還不存在一個(gè)通用的方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn)。在火災(zāi)圖像處理中，只有在圖像分割的基礎(chǔ)上才能對(duì)火焰目標(biāo)進(jìn)行參數(shù)測(cè)量和特征提取，使得更高層次的圖像分析和理解成為可能。 實(shí)時(shí)背景差分背景圖像差分法是傳統(tǒng)目標(biāo)檢測(cè)方法中最直接、最簡(jiǎn)單的一種方法。對(duì)某一攝像頭來(lái)說(shuō)它所攝得的圖像背景應(yīng)該是比較一致的，在大部分時(shí)間里是正常情況，沒(méi)有火災(zāi)。具體采用方法是將兩圖進(jìn)行差值運(yùn)算，然后再來(lái)觀察圖像灰度是否發(fā)生變化，也就是當(dāng)前圖像的灰度與參考圖像的背景灰度不同，為了清除背景灰度變化對(duì)圖像判別帶來(lái)的干擾，首先對(duì)背景圖像進(jìn)行動(dòng)態(tài)調(diào)整，及時(shí)更新背景圖像，減少背景圖像與當(dāng)前圖像灰度的變化。減法運(yùn)算主要用于檢測(cè)同一場(chǎng)景的兩幅圖像之間變化。 (31)F0為背景圖像，系統(tǒng)平常的大多情況屬無(wú)火災(zāi)狀態(tài)，只需作差值運(yùn)算粗略判斷有地異常情況，若有異常情況即時(shí)，系統(tǒng)會(huì)再作進(jìn)一步的判斷。在戶外的情況，背景經(jīng)常會(huì)受到光線和風(fēng)等自然因素影響而發(fā)生變化，噪聲和干擾是不可避免的。用像素點(diǎn)周圍的其他像素點(diǎn)的特征來(lái)表征該像素的特征，有很多優(yōu)勢(shì)，它可以減少噪聲的干擾。即： (32) (33)上式中分別表示以，為中心的鄰域，N是鄰域中像素點(diǎn)的個(gè)數(shù)。當(dāng)比和的距離在某一特定的范圍內(nèi)，就可以認(rèn)為它們“相等”。閾值的選取決定了異常情況的檢測(cè)的靈敏度。直方圖雖然不能直接反映出圖像內(nèi)容，但對(duì)它進(jìn)行分析可以得出圖像的一些有用特征，這些特征能反映出圖像的特點(diǎn)。通常一幅均勻量化的自然圖像的灰度直方圖在低值灰度區(qū)間上頻率較大，這樣的圖像較暗區(qū)域中的細(xì)節(jié)常?？床磺宄Ｊ聦?shí)證明，通過(guò)圖像直方圖修改進(jìn)行圖像增強(qiáng)是一種有效的方法。為了使圖像清晰，可將圖像的灰度范圍拉開(kāi)，并且讓灰度頻率較小的灰度級(jí)變大，即讓灰度直方圖在較大的動(dòng)態(tài)范圍內(nèi)趨于一致。若原圖像f(x,y)在像素點(diǎn)(x,y)處的灰度為，則直方圖均化后的圖像g(x,y)在點(diǎn)(x,y)處的灰度為： (35)圖32 a)是產(chǎn)生火焰的圖31 a)的直方圖均化，并且由圖31 b)和圖32 b)的直方圖可以看出，在直方圖調(diào)整之前，低灰度的比例很大，經(jīng)過(guò)直方圖均化后，各灰度等級(jí)的比例更加平衡。該算法比較簡(jiǎn)單，適用范圍較廣，是一種受到關(guān)注的閾值選取方法。和的發(fā)生概率和由式(37)得， (37)(4) 計(jì)算類和的灰度均值和，方差和可分別由式(38)和(39)計(jì)算得出， (38), (39)其中t=0,1,…,L1 a) 原圖像 b) 閾值法分割出的火焰區(qū)域 c) 閾值法分割結(jié)果圖33 不同場(chǎng)景下最大類間方差閾值法分割結(jié)果(5) 計(jì)算類間方差 (310)對(duì)于類間方差來(lái)說(shuō)，和可以分別代表背景和目標(biāo)的中心灰度，要使目標(biāo)和背景得到最好的分割，當(dāng)然希望兩者的差值盡量大，及或盡量大，從而類間方差的值越大。極大化的過(guò)程就是自動(dòng)確定閾值的過(guò)程。在夜間，背景單一，火焰與背景區(qū)別較明顯，因此采用傳統(tǒng)的灰度閾值法就可以得到理想的效果。 特征空間聚類法聚類法指的是根據(jù)物體的某些屬性把這些物體按類分組[36]。如果考慮把圖像分成K組，那么分割標(biāo)記段，可以是每個(gè)像素上K個(gè)值中的一個(gè)，如 l=1,2,…,k 。對(duì)于M維矢量特征來(lái)說(shuō)，分割對(duì)應(yīng)于把M維特征空間分解成K個(gè)區(qū)域。 由于聚類的平均值最初也是未知的，因此，這個(gè)過(guò)程可以用一個(gè)迭代過(guò)程來(lái)完成，即所謂的K個(gè)平均值算法。 假設(shè)是一幅圖像的灰度級(jí)，K均值方法的目的是使性能指標(biāo)達(dá)到最小，性能指標(biāo)為： (312) 其中，表示第 i 次迭代后賦給聚類的一組采樣，表示第個(gè)聚類的平均值。通常收斂于性能指標(biāo)J的局部最小值的K個(gè)平均值算法，由下列步驟給出：(1) 任意選出K個(gè)聚類初始平均值。 ∈ (313)對(duì)于所有的l, l=1,2,…,k,，其中表示一組采樣，這些采樣的聚類中心是。(3) 修改聚類平均值， l=1,2,…,k，把它改成所有采樣的采樣平均值。(4)如果對(duì)于所有的l, l=1,2,…,k, ，那么算法收斂，并且過(guò)程中止。 a) 原圖像 b) 閾值法分割出的火焰區(qū)域 c) 閾值法分割結(jié)果 d) R，G，B直方圖 e) 聚類法分割出的火焰區(qū)域 f) 聚類法的分割結(jié)果圖34 閾值法與聚類法分割結(jié)果比較當(dāng)背景稍微復(fù)雜或有微弱光線時(shí)，閾值法的分割結(jié)果就不理想了，如圖34 c)的閾值法分割出的火焰還包含了大量的背景，因此在這種情況下采用RGB空間中的歐式聚類的方法分割，分割結(jié)果如圖34 f)所示，雖然分割出的火焰中含有少量背景，但對(duì)下一步的判斷影響不大，因此無(wú)需進(jìn)一步的去除。 a) 原圖像 b) 聚類法分割出的火焰區(qū)域 c) 聚類法的分割結(jié)果圖35 不同場(chǎng)景下聚類法火焰分割結(jié)果 顏色提取法在白天光線充足背景較復(fù)雜的情況下，采用火焰顏色特征提取的方法分割火焰圖像。盡管不同燃燒情況下的火焰會(huì)呈現(xiàn)不同的顏色，但它常常顯示由紅過(guò)渡到黃的顏色[38]。像素點(diǎn)的RGB值和HSI值同時(shí)滿足式(315)條件，則判定為火焰像素，其中，H 的取值范圍為0176。S 的取值范圍為0~1，I 的取值范圍為0~255。圖36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。 煙霧分割 顏色提取法顏色是煙霧的圖像信息特征之一，煙霧通常具有幾種特定的顏色，通過(guò)顏色檢測(cè)能夠?qū)D像中具有煙霧顏色的區(qū)域提取出來(lái)[39]。 (316)在式(316)中均來(lái)源于實(shí)際統(tǒng)計(jì)資料，一般取15~20，分別取80和220。與火焰的顏色提取相同，煙霧分割同樣采用中值濾波去噪。 (a) 原圖像 （b）分割結(jié)果圖36 不同季節(jié)的火焰顏色提取結(jié)果 a) 原圖像 b) 煙霧顏色提取并去噪結(jié)果圖37 不同場(chǎng)景下煙霧顏色提取結(jié)果 基于視覺(jué)一致性聚類法所謂顏色的視覺(jué)一致性，是指顏色空間中相似的顏色在人類看來(lái)也是相似的[41]，它有兩個(gè)方面的含義：(1)對(duì)于自然圖像，具有相似顏色的像素點(diǎn)在空間上的分布是連續(xù)的；(2)在顏色空間