基于数字图像处理的火焰检测算法研究

科技研究

江苏科技大学

硕士学位论文

基于数字图像处理的火焰检测算法研究

姓名：徐之

申请学位级别：硕士

专业：计算机应用技术

指导教师：韩斌

20080318

科技研究

基于数字图像处理的火焰检测算法研究

大摘要

随着社会经济的发展和科学技术的进步，特别是城市人口的急剧增加和城

市化进程的飞速发展，高层建筑和大空间场所越来越多，火灾的防范和发现变得越来越紧迫。传统型火灾探测技术在大空间、大面积、环境比较恶劣和室外坏境等场所不能很好发挥现有火灾探测设备的作用。在这一情况下，基于数字图像处理技术的火灾报警技术作为目前一种新型有效的早期火灾探测技术，必将受到人们的关注，也必将具有广阔的应用前景和使用价值。

本文在分析火灾火焰图像特征的基础上，设计并实现基于红外图像的火焰

检测算法。算法主要采用统计背景模型的减背景法来分割疑似火焰目标，采用离散余弦来描述疑似火焰目标高度的变化，采用分散度、尖角数目以及火焰高度变化来表征火焰目标，采用火警概率模型来判别火焰目标。

本文的主要内容如下：

1、介绍了传统型火灾探测技术的不足和基于数字图像处理的火灾探测技术

的研究背景和意义、国内外研究动态、研究遇到的问题以及发展趋势。

2、简单介绍了数字图像处理技术的预处理算法，分割算法的技术、评价和

发展和当前跟踪算法的研究现状。详细介绍了基于阈值、基于边缘、基于区域增长和基于特定理论的图像分割算法，并重点描述了基于玻尔兹曼原理的分割算法和基于统计背景模型的减背景法的原理和算法，给出了对应的实验结果。

3、本文从实验角度详细讨论火灾火焰的五个图像特征：面积变化规律、边

缘变化规律、形态变化规律、闪烁变化规律和整体移动变化规律，分别给出五个特征的具体实验结果。

对于面积变化，由于其干扰比较大需与其他特征判据结合使用。

对于边缘变化，本文采用尖角判定算法，在结合其他学者研究的基础上，

验证并确定适合本文算法判定的尖角数目的阈值。

对于形体变化，本文讨论了质心、一阶矩、分散度、偏心度和相似度等判

定参数；给出火灾火焰和干扰目标的质心、一阶矩、分算度、相似度的实验数据；由此确定了火焰与干扰之间的在上述参数上的差别以及各参数上的判定阈值。

对于闪烁变化，由于采样频率的限制，本文采用火焰高度的变化代替火焰

闪烁特征。火焰高度会随着火焰的闪烁而发生变化，其变化规律与火焰闪烁频

科技研究

率存在着直接联系且与干扰源之间存在着很大差别。同时火焰高度参数提取相对常规的边缘编码要更容易些且数值单一。本文采用离散余弦来描述疑似目标的高度变化。

对于整体移动变化，本文给出通过质心来计算火焰目标的整体移动的公式。

本文讨论了基于BP神经网络判定算法和基于概率统计判定算法的两种判

定算法。

4、在对火灾火焰的数字图像特征研究的基础上，设计实现基于红外图像的

火焰检测算法。本文依据算法流程，详细讨论算法中每步流程的设计理由，问题的解决。并给出了部分算法实现。

5、本文在各种干扰情况下对算法进行细致测试。试验证明本文提出的火焰

检测算法具有较快的响应速度和较高的抗干扰性、准确性和实用性。

最后，对论文的研究工作进行回顾总结，并对进一步的工作进行展望。

关键词：火灾探测，图像处理，红外图像，统计背景模型，离散余弦

科技研究

摘 要

随着社会经济的发展和科学技术的进步，特别是城市人口的急剧增加和城市化进程的飞速发展，高层建筑和大空间场所越来越多，火灾的防范和发现变得越来越紧迫。传统型火灾探测技术在大空间、大面积、环境比较恶劣和室外坏境等场所不能很好发挥现有火灾探测设备的作用。在这一情况下，基于数字图像处理技术的火灾报警技术作为目前一种新型有效的早期火灾探测技术，必将受到人们的关注。

本文详细介绍数字图像增强处理、噪声滤除、图像分割和图像的目标跟踪等算法以及其在火灾图像处理中的应用。

本文详细地分析火灾火焰和其它一些干扰现象的面积变化规律、形体变化规律、边缘变化规律、闪烁频率规律和整体移动趋势，并在此基础上提出火焰的五类判据。通过综合这些判据，我们可以有效的识别出火焰目标。

本文依据有关图像处理算法研究和火焰目标判定的基础上，提出并实现基于红外图像的火焰检测算法。采用红外图像可以尽可能的减少辐射光源的干扰和降低处理的复杂度。算法主要采用统计背景模型的减背景法来分割疑似火焰目标，采用离散余弦来描述疑似火焰目标高度的变化，采用分散度、尖角数目、火焰高度变化三个特征来描述火焰目标，采用火警概率模型来判别火焰目标。

在论文最后对算法进行细致的测试分析，试验证明本文提出的火焰检测算法具有较快的响应速度和较高的抗干扰性、准确性和实用性。

关键词：火灾探测，图像处理，红外图像，统计背景模型，离散余弦

科技研究

Research on The Flame Detection Algorithm Based

on Image Processing

Abstract

With the development of social economy and the progress of technology,

especially the sharp increase of the city population and fast growth of the citification, there have been more and more higher buildings and larger space. So it has been an increasing urgent demand that how to find and detect the fire. The conventional fire detection technologies have do not better with in large space, large area, more badly environment and outside. Under the conditions, as a new style and effective measure for the detection of early fire, much attention has been focused on image flame detection technology, have the broad application prospect and the use value.

Unified the above related fire flame digital image characteristic, this dissert

presented and realized the algorithm of fire detection based on infrared image processing. In the algorithm, we segmented the image by background subtraction based on statistical background model; described the high variety of the object by DCT (discrete cosine transformation); described the fire object by dispersive degree、the numbers of acute angle、high variety; distinguished the fire by probability model.

1. The insufficiency of the conventional fire detection technologies, the research

background and significance, the research tendency in the domestic and foreign, the problem meet on research and the trend of development based on the digital image processing fire technical were introduced.

2.The pretreatment algorithm, the appraisal and development of the

segmentation algorithm and the present situation of tracking algorithm were introduced simply. This dissert introduced the segmentation algorithm in details: based on threshold, based on edge, based on region growth and based on specific theories. The principle and algorithm of image segmentation based on Boltzman theory and based on statistical model were introduced in details and the corresponding experimental result had given.

3. The features of fire flame such as area variety, edge variety, shape variety,

flame flicker frequency and the whole motion trend had been detailed studied in this

科技研究

dissertation from the experimental point of view, and the experimental result had presented.

To the area variety, it must with others criterions union use because of the

disturbance.

To the edge variety, this dissert used the sharp angle criterion, validated and

determined the threshold of the sharp angle criterion suited to ourselves based o.

To the shape variety, this dissert discussed some parameters such as the center

of mass, first moments, dispersion, eccentricity, Similarity and presented experiment data. So we could determine the differences between fire and other objects and criterion threshold.

To the flicker frequency, because of restrictions of the camera sampling

frequency, the high of flame changed along with the flame flicker frequency, had direct relation with it and had the very difference with the noise. Simultaneously the high of flame relative edge coding must highly easier, and the value was unitary. This dissert described the high change of the other by DCT.

To the whole motion trend, this dissert presented the formula of whole motion

trend through the center of mass.

This dissert discussed the determination algorithm based on the BP neural

network and based on the probability statistics.

4. Unified the above related fire flame digital image characteristic, this dissert

presented and realized the algorithm of fire detection based on infrared image processing. This dissert discussed the design reason of the each step on the algorithm flow in detail, the question solution and gave the partial algorithms to realize.

5. The algorithm had been carried on the careful test and analysis finally in the

dissertation. The experiment had proven that the algorithm of fire detection had quicker speed of response, stronger anti-jamming ability, higher accuracy and more usability.

Finally, a comprehensive summary, concluding remarks and the further work

are presented.

Key words: fire detection, image processing, infrared image, background

statistical model, discrete cosine transformation

科技研究

Abstract

With the development of social economy and the progress of technology, especially the sharp increase of the city population and fast growth of the citification, there have been more and more higher buildings and larger space. So it has been an increasing urgent demand that how to find and detect the fire. The conventional fire detection technologies have do not better with in large space, large area, more badly environment and outside. Under the conditions, as a new-style and effective measure for the detection of early fire, much attention has been focused on image flame detection technology.

The algorithms of fire image enhancement, noise filtering, image segmenting, object tracking and their application in the fire image processing have been studied in this dissertation.

The features of fire flame and other disturbing phenomena such as area variety, shape variety, edge variety, flame flicker frequency and the whole motion trend have been detailed studied in this dissertation. Based on above, the flame five criterions have been disposed and we can effectively recognize the fire.

Unified the above related image processing and the flame detection criterion, this dissert presented and realized the algorithm of fire detection based on infrared image processing, which can reduce the interference of image and the complexity of processing. In the algorithm, we segmented the image by background subtraction based on statistical background model; described the high variety of the object by DCT (discrete cosine transformation); described the fire object by dispersive degree、the numbers of acute angle、high variety; distinguished the fire by probability model.

It had been carried on the careful test and analysis finally in the dissertation. The experiment had proven that the algorithm of fire detection had quicker speed of response, stronger anti-jamming ability, higher accuracy and more usability

Key words: fire detection, image processing, infrared image, background statistical model, discrete cosine transformation

科技研究

论 文 独 创 性 声 明

本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得

的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得江苏科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。

学位论文作者签名： 日 期：

学 位 论 文 使 用 授 权 声 明

江苏科技大学有权保存本人所送交的学位论文的复印件和电子文稿，可以

将学位论文的全部或部分上网公布，有权向国家有关部门或机构送交并授权其保存、上网公布本学位论文的复印件或电子文稿。本人电子文稿的内容和纸质论文的内容一致。除在保密期内的保密论文外，允许论文被查阅和借阅。

研究生签名： 导师签名：

日 期： 日 期：

科技研究

第一章 绪 论

1.1 引言

火的应用对人类的文明和社会的进步起了巨大的推动作用。然火一旦失控，会给人类带来巨大的灾难，形成火灾。据统计火灾危害性大，仅次于干旱和洪涝且发生频度居于各灾种之首，因此防止火灾的发生，减少火灾损失就是个值得深入研究的课题。

传统的火灾探测技术是通过探测器，对烟雾、温度、火焰和燃烧气体等火灾参量做出有效反应，通过敏感元件，将表征火灾参量的物理量转化为电信号，送到火灾报警控制器。传统技术在大空间、大面积、环境比较恶劣和室外坏境等场所不能很好的发挥现有火灾探测设备的作用。

随着数字通信技术、计算机技术的发展，数字图像处理技术获得广泛的应用。基于图像处理的火灾探测系统是一种以计算机为核心，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，对摄取的视频信号由图像采集卡捕捉为数字图像并输入计算机，根据火灾的图像特征进行处理和分析，从而达到探测火灾是否发生的目的。基于图像处理的火灾检测方法能有效的弥补上述传统火灾检测方法的不足。由此可见，基于图像的火灾探测技术有其非常积极的现实意义和广阔的应用前景。

数字图像处理算法部分是火灾探测系统的核心。好的算法运行时间少，抗干扰强，有较低的误报警率，能够满足火灾检测的实时要求和工程要求。所以有必要专门对火灾检测的图像处理算法进行研究，找出能用于火灾检测的高效的图像处理算法。

1.2 研究背景和意义

在现有的各种火灾报警和消防监控设备中，大多数场所的火灾检测中，都采用常规的火灾探测的方法，如感烟、感温、感光探测器，它们分别利用火焰的烟雾、温度、光的特性来对火灾进行探测[1]。对于室外仓库和大型室内仓库等大空间场合中，上述传感器信号由于空间的巨大而变得十分微弱。即使是高精度的传感器也会由于种种干扰噪声而无法工作。随着计算机及图像处理技术的发展，国内外为解决此类场合的火灾报警问题，开始提出运用图像处理技术来进行火焰探测。

1.2.1 传统火灾探测技术的不足

传统型火焰探测器主要包括感烟、感温、感光及混合型探测器，这些探测器都具

科技研究

有一定的不足，只适用于特定场合的使用。如下分析所述[2]：

（1）感烟型探测器是探测由火灾产生的烟气发出报警信号。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浓度大于某一极限浓度，就会发出报警信号。但是在大空间中，火灾烟气上升到十几米或几十米高处时，受到空气的稀释，其温度和浓度都大大降低，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，若环境中的粉尘浓度过大，会引起感烟型探测器误报警，并且长期的粉尘环境和过大的湿度也会使感烟型探测器失效，产生误报警或不报警。

（2）感温型探测器是探测由火灾而产生的温度变化来发出报警信号。在大空间中，空间高度太高或空气的气流速度大于5 米/秒时，都会影响感温探测器的感应，难以实现早期火灾报警。

（3）感光型探测器是探测火焰发出的红外或紫外光发出报警信号。这种探测器由于判据单一，容易对高功率热源或强光(如电弧等)产生误报警。

（4）复合型探测器没有完全消除以上的缺点，仅仅增加判据的数目，使探头的整体性能有改善，但在环境状况比较恶劣、存在众多干扰的情况下(灰尘、电磁干扰、水蒸气、空调、光干扰、震动等)，仍无法应用于大空间火灾的探测报警。

（5）传统的探测器大都应用于在较小的空间中，如感温探测器的安装间距不超过10米，感烟探测器的安装间距不超过15米，探测器周围0.5米内不可以有遮挡物，不适合在大空间中使用。

由此我们可以看出，传统型火灾探测技术，由于受到各种因素（空间高度、空气流速、粉尘、温度、湿度等）的影响，或被保护场所的特殊要求，都会遇到各种困难，从而失去效用。

1.2.2 图像型火灾检测技术的提出

对于传统火灾探测技术都把火灾过程中的某个特征物理量作为检测对象。近年来，火灾科学界逐渐将注意力转移到火灾现象本身和深层次的机理研究方面，随着对火灾过程和机理研究的不断深入，我们可以从一个新的角度考察火灾现象和火灾过程。将基于感温、感烟、感光的火灾探测模式发展成基于实时影像的火灾探测模式，将影像测量、图像处理、计算机多媒体等新兴技术应用于火灾探测中来[3]。

图像型火焰探测技术关心的是火灾中各种物理现象在图像上的表现，以及这些图像表现在多大程度上代表火灾的典型特征而明显区别于火灾以外的其他物理现象。

图像型火灾探测技术针对性地克服常规火灾探测技术的一些主要弱点，基本消除复杂、恶劣环境因素对火灾探测系统的影响，作为控制面积大、适用于大空间（包括开放空间）的一种可靠的火灾监控技术[4]，在当前火灾形势日益严峻的今天，其经济

科技研究

效益社会效益都是十分巨大的。

图像型火灾探测系统是利用CCD摄像机作为探头，将被监视现场的图像输入计算机，利用图像处理的算法，从图像序列中识别出有无火灾的发生。在发现火灾的情况下，可以启动各种灭火系统和疏散系统。在图像型火灾探测系统中，关于火灾探测的图像处理的算法决定系统的性能。

1.3 国内外技术研究现状

1.3.1 概述

近年来，火灾科学界正逐渐将注意力转移到火灾现象本身和深层次的机理研究方面，并已经取得一定的成果。20 世纪80 年代后，火灾探测算法与人工智能、自动化和信号处理技术等其他技术的广泛融合推动其自身发展。

在图像型感焰检测系统中，火焰有着重要的作用。已有许多学者对火灾中的火焰识别做了深入的研究工作。大多数的识别算法主要集中在火焰色彩分析和火焰面积分析上,以设定的色彩空间阈值来提取火焰燃烧区域，以面积判据来剔除周围的干扰，其算法具有速度快、实时性好等优点，但易受到外界干扰，因此不适合在复杂的环境中工作。也有研究者将火焰的外形特征、动态特征融入到火焰识别判据中。

1.3.2 国外研究现状

国外对图像型火灾探测技术的研究开展的比较早，且有的已经成功应用到实际工程中。

[5] CappelliniV等在1989年最早提出构建火焰的RGB颜色模型。依据R颜色分

量的饱和度和火焰动态特征来获取火焰像素点。当火焰像素点数目高于某一阈值时报警。

Healey G等[6]在1993年提出采用火焰的光谱/空间/时序属性来获取火焰区域。与紫外/红外图像比较，此文献提出方法能减小误报率，或与更多的信息。如：火焰位置，大小、增长率。

Neubauer A等提出对标准火灾随机信号集的模拟技术，在此基础上首次把遗传算[7]

法用于火灾检测。

Phillips W III等构建基于彩色和无序测量技术的RGB模型，获取火焰/烟雾像素[8]

点。主要是依据R分量的密度和饱和度。同时也通过增长/无序的动态特征及烟雾，来修正获取的火焰像素。对火焰的增长比率不断检查，满足条件给出报警。

Thou-Ho Chen等[9]在2004年使用火焰的颜色和运动信息来定位火灾。采用高斯光滑颜色表侦测具有火焰色彩的像素点。用腐蚀消除干扰噪音，用区域增长提高精度，

科技研究

发现遗漏的火焰像素点。特点是可以用于相机，场景或火焰移动的情况。

CheBin Liu 等[10] 提出基于火焰光谱/空间/时序模型。光谱模型通过火焰像素点的颜色概率密度来表示。空间模型反映火焰区域内 capture 空间结构。火焰区域的形状通过傅立叶系数来表示。区域轮廓的空间频率常量这些系数中的时序的改变被用于火焰区域的时序信号。

Li Jin 等[11] 对火焰闪烁频率方面作了深入研究，采用火焰区域一阶距作为判据，其受外界环境和燃烧材料影响小。

Toreyin B U等[12]在2004年提出把隐马尔科夫模型用于火灾检测。在实际中，火灾火焰闪动频率不是固定的，由此反映在像素点上，这种变化可以看成是随机过程。因此通过以火焰闪动频率为基础上，构建的隐马尔科夫模型来检测火焰象素点比传统方法更有效。

Celik T等[13]提出一种把统计颜色信息与前景信息整合方法来检测火焰。

Tai-Fang Lu等[14]在2006年对线形判定技术（linear discriminate technique）和逻辑回归方法（logistic regression）进行比较，选取逻辑回归方法用于分割火焰区域，构建火焰特征模型。

1.3.3 国内研究现状

火灾检测是国内最近几年的一个研究热点，有大量相关论文发表。国内研究方向偏向于整合多种传统火灾检测参数（感光、感烟、感温），再在此基础上通过神经网络对参数进行判定。但图像型感焰探测方面的研究比较少。其中又以中国科技大学的火灾科学国家重点实验室、西安交通大学、上海交通大学、东北林业大学等学校的研究比较领先，并在工程实践中提出了一些新算法。

卢结成、吴龙标、宋卫国等[15]提出一种新的动态火灾判据—火焰尖角判据。庄建等[16] 在前人研究的基础上，设计一种新颖火灾检测算法：采用基于玻耳兹曼原理图像分割算法[17]，对图像分割，获取目标物体；计算目标物体的静态、动态特征；通过可信度模型来判定目标物体是否是火焰。东北林业大学主要是研究如何把图像火灾检测用于森林防火。

1.4 本文研究内容

本文主要研究的是通过图像处理的方法，实现火灾检测算法的实现。其技术上主要关心火灾中的各种物理现象在图像上的表现，以及这些图像表现在多大程度上代表火灾的典型特征而明显区别于火灾以外的其它物理现象。关键在于解决如下问题：

（1）如何从自然环境中消除背景的各种干扰，提取出火灾火焰?

科技研究

（2）在火灾的典型特征中，哪些适合用作火灾判据？如何形成实用的判据？

（3）如何合理地组合多重判据，以形成最终的综合判据？

对于第一个问题，也就是图像处理中的图像预处理、图像分割问题。

图像预处理通常包括滤波、增强、细化等。

图像分割指将图像中具有特殊涵义的不同区域区分开来，这些区域是互不相交的，每一个区域都满足特定区域的一致性。

图像分割方法一般分为：基于阈值的方法，基于边界边缘的方法和基于些特定理论的分割算法，如：基于玻尔兹曼原理的图像分割算法[17]，基于统计背景模型减背景法的图像分割算法[18]。基于阈值的分割算法是一种区域分割技术，它对物体与背景有较强对比的景物的分割特别有用，它计算简单。针对各种不同的处理要求有全局阈值化、自适应阈值等不同方法。边界方法利用边界具有高梯度值的性质直接把边界找出来，具体的方法有边界跟踪、梯度图像二值化和拉普斯边缘检测。用边缘检测的方法进行图像分割技术具体有Roberts、Sobel、Prewitt、Laplacan、Canndy边缘算子等。

图像分割是图像处理中的主要问题，同时它又是一个经典难题，目前为止还不存在一个通用的分割方法，适合于各种情况。尽管已有学者再图像分割质量评价方面做了些工作[19] ，但到目前为止还没有大家都能接受的对图像分割结果好坏的客观评判标准。由此我们可以根据具体问题提出自己的分割算法：文献[17]提出一种基于玻尔兹曼原理的图像分割算法；徐晓军等[20]提出了基于最优家族遗传算法的改进二维熵图像分割。

对于第二个问题，在早期火灾阶段，火焰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非常明显。早期火灾火焰的形状、面积、辐射强度等都在变化。对图像上的每个目标，根据一定的算法来确定它们同前一帧中目标的匹配关系，从而得到各个目标的连续变化规律。以下是火灾探测方法中用到的图像信息，即火灾判据：

（1）面积变化。早期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，面积是通过取阈值后统计图像的亮点（灰度值大于阈值）数实现的。但面积判据由于易受到干扰，需要配合其它图象特性使用。

（2）边缘变化。早期火灾火焰的边缘变化有一定的规律，同其它的高温物体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、曲率等待性对边缘进行编码，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的变化规律进行火灾判别。

（3）形体变化。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合等，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，即像素点之间的位置关系来实现的。

（4）闪动规律。火焰在燃烧过程中会按某种频率闪烁，即亮度在空间的分布随时

科技研究

间变化的规律。在数字图像中就是灰度级直方图随时间的变化规律，这个特性体现一帧图像的像素点在不同灰度级上的变化情况随时间的变化。

（5）分层变化。火灾中的燃烧属于扩散燃烧，扩散燃烧火焰都有明显的分层特性。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，移动是连续的、非跳跃性的。

（7）相似程度。通过摄像头获取是火灾火焰的连续图像，虽然火灾呈不断发展变化的趋势，但从其形体变化、空间变化、空间分布有一定的相似性，特别是间断较短的连续帧图像来说，每幅连续帧图像上述特性有着一定的相似度。

对于第三个问题，当从目标物体上获取了足够的判定数据后，即要对其依据获得数据进行综合判定。现在较多采用模式分类的方法来进行火灾判别，如神经网络、支持向量机等。与传统方法比较，模式分类方法更适合处理不完善和模糊的信息，具有更好的可靠性和容错性。其他如文献[16]提出可信度概率模型来进行火灾判别。Toreyin B U等[8]提出通过隐马尔科夫模型来判别火灾。目前火焰判别算法还没有一个通用的方法。

1.5 本文的结构安排

全文共分六章，各章内容安排如下：

第一章，首先介绍本文课题背景和国内外研究现状，讨论火灾探测技术的基本概貌，对利用图像信息的火灾探测技术的基本原理和探测的基本分类作介绍，最后概括本文的主要研究内容。

第二章，讨论对火灾图像的预处理和分割问题，首先是介绍常用的数字图像预处理的方法和分割算法，着重介绍本文采用的分割算法。

第三章，对于火灾的火焰图像提出五类判据，这些判据从图像的几何变化、边缘变化、空间以及频率变化等角度，揭示火灾火焰的规律。

第四章，根据具体的硬件平台设计实现合适的火焰检测算法。实验结果证明，该系统较好的满足火灾火焰的发现和识别的要求，具有速度快，识别率高等特点。

第五章，算法试验结果与分析。

第六章，将本文设计的火焰检测算法处理方法进行概括总结，指出存在的问题，最后给出相应得拟解决方案。

科技研究

第二章 图像预处理、分割和跟踪

2.1 引言

当前室内火灾报警技术已经比较成熟。通过对光、烟、湿度等参考量加以判断，然后直接实施灭火措施，进行断电、喷水等并报警。由于室内范围小，受外界影响小，在火灾判别上可以依靠单一的探测方式，也可以多种探测方式同时使用，提高火灾判别的准确性，减少误报。而对于室外的或大面积的监控对象（如高层建筑、船泊码头、油库、大型仓库等），相对来说可以使用的探测方式较少，所以利用图像进行火灾监控是一个明智的选择。

由于图像包含的数据量很大，所以必须对图像进行分割。精确的分割处理是提高整个探测系统准确性、健壮性的前提条件，但同时由于各种环境下光照亮度的变化以及经常存在的干扰光源的影响，实现精确分割的难度较大。本论文介绍了几种应用广泛的图像分割处理技术。首先对图像进行预处理，一般性的消除图像中的噪声点，接下来对图像进行分割处理。再进一步探讨多种分割方式，为最后火焰检测算法的实现打下坚实的基础。

总之，分割的目的是把图像空间分成一些有意义的区域，我们可以像素为基础来分割图像，也可以利用在指定区域中的某些图像信息来分割图像。分割可以建立在相似性和非连续性两个基本概念上，其目的就是为下一步的图像识别打下坚实的基础。

2.2 图像的预处理

图像预处理通常包括增强、滤波、细化等几个方面。本文主要讨论火灾图像的增强处理和滤波。

2.2.1 图像增强

图像增强是指按特定的需要来突出一幅图像中的某些信息，同时削弱或去除某些不需要信息的处理方法。其主要目的是使处理后的图像对某种特定的应用来说，比原始图像更适用。因此，这类处理是为某种应用目的而去改善图像质量的。处理的结果使图像更适合于人的视觉特性或机器的识别系统。应该明确的是增强处理并不能增加原始图像的信息，其结果只能是增强对某种信息的辨别能力，而这种处理有可能损失一些其它信息。图像增强具体上主要包括直方图修改处理、图像平滑处理、图像尖锐化处理及彩色图像处理等常见的技术手段。在使用中可以采用单一方法处理，也可以

科技研究

采用几种方法联合处理，以便达到预期的增强效果。

上面提到的图像增强技术，从根本上说可以分为两大类：一类是频率域法，一类是空间域法。

图像增强的频域法就是在图像的某种变换域中（通常是频域中）对图像的变换值进行某种运算处理，然后变换回空间域，其理论基础是卷积定理。它采用图像傅立叶变换的方法来实现对图像的增强处理。由卷积定理可知，如果原始图像是f(x,y)，处理后的图像是g(x,y)，而h(x,y)是处理系统的冲激响应，其中*代表卷积操作。那么，处理过程可以表示如下：

g(x,y)=f(x,y)*h(x,y) （2.1）

如果：G(u,v)，H(u,v)，F(u,v)分别代表g(x,y)，h(x,y)，f(x,y)的傅立叶变换。那么，上面的卷积关系可以表示为变换域的乘积运算，即：

G(u,v)=F(u,v)*H(u,v) （2.2）

式中，H(u,v)是传递函数。

在增强问题中，f(u,v)是给定的原始数据，经傅立叶变换可得到F(u,v)。选择合适的H(u,v)，使得由下式：

g(x,y)=f 1[H(u,v) F(u,v)] （2.3）

得到的g(x,y)比f(x,y)在某些特性方面更加鲜明、突出，因而更加易于识别、解释。例如，可以强调图像中的低频分量使图像得到平滑，也可以强调图像中的高频分量使图像的边缘得到增强等等。

空间域法主要是在空间域中对图像像素灰度值进行运算处理，基本上是以灰度映射变换为基础的。所用的映射变换取决于增强的目的。例如增强图像的对比度，改善图像的灰度层次等处理均属空域法处理。如果g(x,y)是处理前的图像，f(x,y)是处理后的图像，h(x,y)为空间运算函数，则空间域法的图像增强技术可以用下式描述:

g(x,y)=f(x,y) h(x,y) （2.4）

2.2.2 图像的滤波处理

一般情况下，各类图像系统中图像的传送和转换（如成像、复制、扫描、传输以及显示等），由于使用的设备和传输通道的局限性，从而被加入大量噪声，严重影响了图像的视觉效果，甚至妨碍人们的正常识别。因此图像的噪声消除就成为图像处理的一项重要任务。

均值滤波器

均值滤波器是一种消除图像噪声的线形处理方法。这种方法的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。其计算公式为：

科技研究

g(x,y)=1

M(m,n)∈S∑g(m,n) （2.5）

式中，S为(x,y)点领域中坐标的集合，但不包括其本身,M为集合内坐标点的点数。

均值滤波器是一种典型的线形去噪方法，因为其运算简单快速，同时又能够较为有效地去除高斯噪声。因而适用面较广，至今仍是一种常用的去噪方法，许多滤波除噪声方法都是在此基础上发展而来。其缺点是严重破坏了图像的边缘，模糊了图像。 中值滤波器

中值滤波器是一种消除噪声的非线性处理方法，它是由J.W.Tukey在1971年提出的。开始，中值滤波用于时间序列分析，后来被用于图像处理，并在图像的去噪复原中得到较好的效果。中值滤波的基本原理是把数字图像中一个像素点的灰度值用该点的一个小邻域中各点值的中值代替。中值的定义如下：

一组数x1,x2,x3,K,xn，把n个数按值的大小顺序排列如下：

xi1≤xi2≤xi3≤K≤xin

x n+1 n是奇数i 2 （2.6） y=Med{x1,x2,x3,K,xn}= 1 x n +x n i +1 2 i n是偶数 2 2

其中,y称为序列x1,x2,x3,K,xn的中值。

把一个点的特定长度或形状的邻域称作窗口。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。

设输入序列为{xi,i∈I}, I为自然数集合或子集，窗口长度为n,则滤波器输出为:

yi=Med{xi}=Med{xi nKxiKxi+n} （2.7）

其中i∈I,u=(n 1)/2。

中值滤波的概念很容易推广到二维，此时可以利用某种形式的二维窗口。

设{xij,(i,j)∈I2}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：

yij=Med{xij}=Med{x(i+r)(j+s),(r,s)∈A,(i,j)∈I2} （2.8）A

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。十字形中值滤波会保持图像的形状，但运算效率较低。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，但运算效率较高。总体来讲，二维中值滤波比一维中值滤波能够更好地抑制噪声。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。采用较多的是3×3,5×5的窗口。

科技研究

中值滤波器是一种典型的非线性处理方法，中值滤波在一定条件下可以克服线性滤波器（如均值滤波器）等带来的图像细节模糊，能够较好的保护图像边缘信息，而且对滤除脉冲干扰及图像扫描噪声最为有效。由于在实际运算过程中不需要图像的统计特征，因此带来不少方便。弱点是因为涉及大量排序运算，运算速度较慢，对图像的实时处理有影响。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。

2.3 图像的分割方法

2.3.1 图像分割技术简介

图像分割是图像处理中的主要问题又是一个经典难题。所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互不相交的，每一个区域都满足特定区域的一致性。一致性一般是指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。

图像分割方法很多，其中最常用的图像分割方法是阈值分割法、边缘检测方法、区域生长方法以及一些基于特定理论的分割方法。

阈值分割法就是简单的用一个或几个阈值将图像的灰度直方图分成几个类，并且认为图像中灰度值在同一个灰度类内的像素属于同一个物体。阈值方法的缺陷在于它仅仅考虑图像的灰度信息，而忽略图像中的空间信息，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。

对八十年代及以前发展起来的阈值选择方法的一个较好的综述可参看文献[21]。近年很多学者还提出通过最大相关性、图像拓扑、模糊测度、灰度共生矩阵、二维直方图Fisher线性映射等方法来确定图象阈值[22]。基于最大熵原则选择阈值是最重要的阈值选择方法之一。

边缘检测方法主要是通过各种具有一定方向性的边缘检测算子来实现特定方向上的边缘检测。区域生长是种根据事前定义的准则将像素或自区域聚合成更大区域的过程。

由于图像分割没有通用的自身理论，随着各学科许多新理论和方法的提出，出现许多与一些特定理论，方法相结合的图像分割技术。如数学形态学理论与图像处理相结合产生基于形态学的分割方法；热力学上玻尔兹曼原理与区域分割相结合产生基于玻尔兹曼原理的分割方法。

科技研究

2.3.2 基于阈值的方法

双峰法

对于目标与背景的灰度级有明显差别的图像，其灰度直方图的分布呈双峰状，两个波峰分别与图像中的目标和背景相对应，波谷与图像边缘相对应。当分割阈值位于谷底时，图像分割可取得最好的效果。该方法[23]简单易行，但是对于灰度直方图中波峰不明显或波谷宽阔平坦的图像，不能使用该方法。

Ostu法

Ostu在1979年提出的最大类间方差法（也称之为大津方法）,一直被认为是阈值自动选取的最优方法[24,25]。该方法计算简单，在一定条件下不受图像对比度与亮度变化的影响，因而在许多图像处理系统中得到广泛的应用。

记f(i,j)为大小为M×N的图像在(i,j)点处的灰度值，图像灰度级数记为L。设f(i,j)的取值范围为[0,L 1]。记p(k)为灰度值为k的频率，则有：

11 p(k)=（2.9） ∑MNf(i,j)=k

假设用灰度值t为阈值分割出的目标与背景部分分别为：

f(i,j)≤t和f(i,j)>t

于是有如下的表达式，目标部分比例：

ω0(t)=∑p(i) （2.10）

0≤i≤t

目标部分的点数：

N0(t)=MN∑p(i) （2.11）

0≤i≤t

背景部分比例：

ω1(t)=

背景部分点数： t≤i≤L 1∑p(i) （2.12）

N1(t)=MN

目标均值： t≤i≤L 1∑p(i) （2.13）

µ0(t)=

背景均值： ip(i) （2.14） ∑t()ω0≤i≤t0

ip(i) （2.15） ∑t≤i≤L 1ω1(t)µ1(t)=

总均值：

µ=ω0(t)µ0(t)+ω1(t)µ1(t) （2.16）

科技研究

Ostu法指出求取图像最佳阈值g的公式为：

22 g=ArgMax ω(t)(µ(t) µ)+ω(t)(µ(t) µ)（2.17） 0011 0≤t≤L 1

上式右边括号内实际上就是类间方差值，阈值g 分割出的目标和背景两部分构成整幅图像，而目标取值µ0(t),概率为ω0(t),背景取值µ1(t),概率为ω1(t),总均值为µ，

根据方差的定义即得该式。因为方差是灰度分布均匀性的一种度量，方差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小，这即是大律方法的含义。

二维最大熵阈值法[26]

80 年代初人们开始考虑用信息论中熵的概念进行阈值选取。1980年P III首先提出最大后验熵上限法，1985年KaPur等人提出一维最大熵阈值法；到1989年Abutaleb将一维最大熵方法推广至二维；随后又有学者采用局部熵、条件熵、相关熵等方法来选取阈值。从最近几年有关的文献资料看，最大熵阈值法是一种颇受关注的方法。

熵是平均信息量的表征，根据信息论，熵定义为：

+∞

H= ∫p(x)logp(x)dx （2.18）

∞

其中，p(x)是随机变量x的概率密度函数。对于数字图像，x可以是灰度、区域灰度、梯度等特征。根据最大熵原理，用灰度的一维熵求取阈值就是选择一个阈值，使图像用这个阈值分割出的两部分的一阶灰度统计的信息量最大，即一维熵最大。一维最大熵阈值法基于图像的原始直方图，仅仅利用了点灰度信息而未充分利用图像的空间信息，当信噪比降低时，分割效果并不理想。Abutaleb提出的二维最大熵阈值法利用图像中各像素的点灰度及其区域灰度均值生成二维直方图，并以此为依据选取最佳阈值。其原理如下：若原始灰度图像的灰度级为L，则原始图像中的每一个像素都对应于一个点灰度——区域灰度均值对，设fij为图像中点灰度为i及其区域灰度均值为j的像素

点数。pij 为点灰度-区域灰度均值对(i,j)发生的概率，即：

pij=fij/N×N其中N×N为图像大小，那么{piji,j=1,2,3KL}就是该图像的关于点灰度——区域灰度均值的二维直方图。点灰度——区域灰度均值对(i,j)的概率高峰主要分布在XOY平面的对角线附近，并且在总体上呈现出双峰和唯一波谷的状态，这是由于图像的所有像素中，目标点和背景点所占比例最大，而目标区域和背景区域内部的象素灰度级比较均匀，点灰度及其区域灰度均值相差不大，所以都集中在对角线附近。偏离XOY平面对角线的坐标处，峰的高度急剧下降这部分所反映的是图像中的噪声点、边缘点。

科技研究

图2.1 二维直方图的平面图

图2.1 二维直方图的XOY平面图，沿对角线分布的A区和B区分别代表目标和背景，远离对角线的C区和D区代表边界和噪声，所以应该在A区和B区上用点灰度-区域灰度均值二维最大熵法确定最佳阈值，使真正代表目标和背景的信息量最大。

设A 区和B 区各自具有不同的概率分布，如果阈值设为(s,t)则：

PA=∑∑pij,i=1,2,3,K,s;j=1,2,3,Kt （2.19） ij

PB=∑∑pij,i=s+1,K,L;j=t+1,KL （2.20） ij

定义离散二维熵如下：

H= ∑∑pijlogpij （2.21）

ij

则A区和B区的二维熵分别为：

pijpijH（2.22） H(A)= ∑∑()log(=logPA+A PPPijAAA

ppH（2.23） H(B)= ∑∑(ij)log(ij=logPB+B PBPBPBij

其中：

HA= ∑∑pijlogpij,i=1,K,s;j=1,K,t; （2.24） ij

HB= ∑∑pijlogpij,i=s+1,K,L;j=t+1,K,L; （2.25） ij

由于C区和D区所包含的是关于噪声和边缘的信息，所以我们将其忽略不计，假设C区和D区的pij≈0,i=s+1,K,L;j=1,K,t以及 i=1,K,s;j=t+1,K,L;

可以得到：

PB=1 PA

HB=HL HA

其中，HL= ∑∑pijlogpij,i=1,K,L; 则： ij

本文来源：https://www.bwwdw.com/article/c254.html