《基于图像处理的森林火灾检测系统的技术研究 毕业论文.doc》由会员分享，可在线阅读，更多相关《基于图像处理的森林火灾检测系统的技术研究 毕业论文.doc（62页珍藏版）》请在三一文库上搜索。
1、基于图像处理的森林火灾检测系统的技术研究摘要图像预处理的主要方法有：灰度化、二值化、均值滤波、中值滤波、高斯滤波。本研究还将各向异性扩散方法应用于医学图像的去噪处理。采用基于各向异性扩散的偏微分方程，其初始值为输入图像，转化为差分格式迭代求解滤波结果。以在去除噪声的同时，保持重要的边缘、局部细节。在此基础上提出八向各向异性扩散和边缘增强各向异性扩散，取得了满意的结果。K-均值聚类是一个快速的图像分割算法。大量的实验表明K-均值聚类是一个快速收敛的算法。经典的C-均值聚类算法是将图像分割成C类的常用方法。它是一种非监督模糊聚类后再标定的过程，适合灰度图像中存在着模糊和不确定性的特点。但是这种算法
2、存在不足，如聚类数无法自动确定，运算的开销太大。医学器官虚拟三维重构技术是现代外科计算机化，信息化发展的重要方向，是计算机科学、数学、机械学、外科及生物医学工程学等多学科高技术的结晶。本文把各种图像预处理运用到三维医学重构上，使重构效果更好。 关键词：森林火灾检测系统；图像处理；图像分割； Color Image Segmentation and Medicinal Organs 3D-ReconstructionAbstractIn this paper,firstly introduce image pre-processing,for example,gray-value,two-val
3、ue, gaussian filters, anisotropic diffusion.To remove the speckle noise in medical images by using anisotropic diffusion method.Based on anisotropic diffusion,a partial differential equation,of which the initial data was the input images,was transformed into differential forms and solved with iterat
4、ions.Anisotropic diffusion can remove the speckle noise effedtively and has great potential in filtering medical images. It can preserve edges and local detail.K-means is a fast segmentation process. Extensive experiments show it is fast and generic.The classical C-means clustering algorithm is a we
5、ll-knowm clustering method to partition an image into homogeneous regions.It is a procedure of the label following an un supervised fuzzy clustering that fuzzy c-means(FCM) algorithm is applied for intensity image segmentation,and it suits for the uncertain and ambiguous characteristic in intensity
6、image.However,there are some deficiencies in the algorithm,for example,the number of clustering can not be determined automatically and the operational const,for large data sets ,is too high;Medicinal organs dummy 3D-reconstruction is an important direction of the development in modern surgerys comp
7、uterization and informationize field. Its a combination of the latest techniques in computer science , mathematics , mechanics , surgery and biological engineering. In this paper, image pre-processing is appled in Medicinal organs dummy 3D-reconstruction,that make the result more better.Keywords: fo
8、rest fire detection system; image processing; Partial Differential Equation; 目录摘要1Abstract2目录3第一章 课题的来源、目的和意义61、1课题的来源.1、2课题的目的及意义.1、3基于图像处理的火灾监测技术国内外研究进展第二章 基于图像处理的森林火灾监测系统设计93、1图像的预处理及敏感区域的获取3、1、1滤波.3、1、1、1均值滤波.3、1、1、2中值滤波.3、1、1、3高斯滤波.3、1、2图像分割.3、1、2、1基于彩色传递的淹摸分割法.3、1、2、2基于YCrCb区域颜色分量加强分割法.3、1、2、3
9、基于空间的颜色迁移分割法.3、2火焰特征定义与提取.3、2、1颜色特征.3、2、1、2颜色矩.3、2、2形状特征.第三章 火灾检测实验比较第四章 模式识别方法一、 课题的来源、目的和意义1、课题的来源 森林火灾是对社会、环境及经济发展影响范围最广、破坏性最大的灾害之一。森林经常遭到火灾的破坏，在危害森林的诸因子中火灾是一种最具破坏性的灾害，每次大火都直接地危及林木、上壤甚至于微生物和野生动物。为减少森林火灾的损失，世界各国都非常重视林火监测。及时监测到火灾可以使得灭火工作在火灾初期完成，这将极大的减少损失和灭火成本。最早的火灾监测主要是靠管理人员野外巡逻和建立监测站，后来配以飞机的定期巡航。但
10、是对于大面积的森林，依靠地面人力和飞机监测，不但费用高，而且工作十分繁杂，特别是对于盲区的监测精度很低，所以现在森林火灾监测主要依靠电子设备配合人工操作实现。传统的火灾监测方法是感烟、感温、感光探测器以及红外对射探测，还有现在比较流行的卫星监测。而对于森林这样的大空间火灾监测，传统的火灾监测方法都不适用，针对这一问题，经过多方面文献资料的查阅，结合自己的研究方向，由导师推荐，最终确定了本课题的研究。2、课题的目的及意义大空间的火灾监控技术是世界各国火灾科学及消防科技工作者关注的课题之一。最早的火灾监测主要是靠管理人员野外巡逻和建立监测站，后来配以飞机的定期巡航。但是对于大面积的森林，依靠地面人
11、力和飞机监测，不但费用高，而且工作十分繁杂，特别是对于盲区的监测精度很低，因此大空间的火灾监测技术一直受到人们的普遍重视。鉴于大空间的环境的复杂性，传统的火灾报警系统误报率高，所以基于图像处理的森林火灾监测技术成为当前的一大研究热点。基于图像处理的森林火灾监测技术利用摄像头对现场进行监视，同时对获得的图像进行图像处理和分析，通过早期的火灾火焰的特征来探测火灾，将大火扼杀在萌芽状态，同时火灾预测系统和森林GIS系统集成一体将有利于消防人员用最短时间到达火灾现场，很大程度上减少森林火灾的的损失，对于森林的防火，烟火事故的预警和消防有重大的意义。3、 基于图像处理的火灾监测技术国内外研究进展(1)
12、图像型火灾监测系统国内外研究进展图像是一种包含对象强度、形体、位置等信息的信号。因此，利用图像进行火灾探测有自己独特的优势。在科学迅猛发展的今天，国外各大公司和科研机构的火灾探测技术也相应的快速发展，基于各种火灾识别模式的火灾探测器相继问世并在不断改进，在众多的产品中利用图像信息的火灾监控系统也为数不少。例如ECP公司的森林火灾监控系统，利用计算机视觉和模式识别的理论，采用模式识别算法，可以对4千米以外的林火在短时间内进行识别并发出警报；Bosque公司的BSDS系统采用红外和普通摄像机的双波段监控，在准确识别森林火灾的同时还可以区别其他现象的干扰，误报率较低。在大空间火灾监控方面有ISL公司
13、和Magnox Electric公司联合开发的用于电站火灾监控的VSD-8系统。该系统以视频运动检测软件为主体，使用了各种滤波器技术，并与人工智能相结合，该系统可以用来对电站内的火灾进行监控。国内对于图像型火灾探测技术也进行了深入研究，其中上海交通大学、西安交通大学都在这方面进行了积极的研究，并在工程实践中提出了一些算法。其中西安交通大学图像处理与识别研究所研制的自动火灾监控系统采用了950nm2000nm波段的红外CCD传感器，仅有该波段的红外辐射形成视频信号，火焰燃烧时的红外辐射主要集中于上述波段范围，其它波长的干扰信号被极大地衰减。当有火焰燃烧时，在经CCD形成的视频信号中，除强烈的火焰
14、辐射造成的高亮度信号外，仅有很少量的红外干扰信号，而这些信号往往表现为固定的图像模式，可以采用简单的算法加以分类，从而使火焰的识别率大大提高，并且减少了处理的数据量，提高了检测识别的速度，但其探测手段主要集中于使用红外型摄像机，并且，探测系统的算法抗干扰性还有待提高。中国科技大学的火灾科学国家重点实验室研制出的LA-100型双波段大空间早期火灾智能探测系统通过了有关方面的验收，已经在国内的一些单位使用。该系统一部分的探测任务由红外摄像机来完成，采用人工神经网络技术对火灾进行识别，对于已经拥有闭路电视监控网络的单位，需要加装一定数量的红外摄像机或特制的感烟红外阵列器材，来实现图像型的火灾火焰和烟
15、雾的探测。综上所述，当前图像型火灾探测还存在一些问题，尚待深入研究解决。例如一些己经具有完备视频监视系统的场合，这就对识别火灾的算法提出了较高要求。考虑用数字图像处理技术提取火灾图像深层次信息的特征，再对这些特征进行识别以判断火灾是否发生，将常规方法与人工智能结合以降低成本、实现火灾的早期报警。(2)相关算法在国内外的研究进展1）分割技术在国内外的发展目前，基于视频的火灾图像分割算法有帧差法、背景差分法等。帧差法的基本思想是通过前后两帧图像相减来提取运动区域，但在火灾发生初期，火燃烧缓慢，使得前后相邻几帧的火灾图像变化不明显，因此在火灾初期利用帧差法提取出完整的火焰区域;背景差分法的基本思想是
16、用当前帧图像与背景图像相减来实现运动区域的分割，但在光照变化、人的走动或车灯晃动等干扰存在的情况下会形成假的运动区域，从而导致火灾误报警。 以上方法需要两帧或多帧图像，若背景图像选取的不合适，很难准确提取出火焰区域，而单帧图像分割法可以克服以上方法的不足。传统的单帧图像分割法主要有阈值分割法、边缘检测法、区域生长法和基于特征空间聚类分割法等。但是，这些方法在分割火灾图像时多数是在灰度化的基础上进行的，过早地丢弃了火焰的彩色信息，从而导致无法准确区分火与自然光等高亮物体。另有学者提出了基于彩色信息的火灾图像分割算法，但这些算法大多数过分依赖经验阈值，如W. B. Horng等人采用HSI彩色模型
17、分割火焰图像，对H, S, I分量分别采用经验阈值来提取火焰区域。Tai-Fang Lu利用HSI空间的I分量来区分火与非火区域，当背景亮度较低时才能取得较好的效果。Dengyi Zhang等人采用HSV颜色空间分割火焰区域，同样对H, S, V分量分别采用经验阈值分割。然而，经验阈值需要通过对大量火灾图像进行实验来获取，而且火灾图像在获取过程中因天气、环境等变化，阈值需要不断调整。若选取的阈值不合适，就很难准确地提取出火焰区域，给后续的火灾特征提取和识别增加难度。图像型火灾探测技术要求分割算法有较高的准确率和较好的实时性，如何利用火灾图像的特点，研究出满足图像型火灾探测需求的分割算法将是今后
18、的发展方向。二、 基于图像处理的森林火灾监测系统设计原始森林火灾图像图像采集设备数字图像1 基于彩色传递的掩摸法2 基于YCrCb区域颜色分量加强分割法3 基于空间的颜色迁移分割法4 基于彩色均值聚类分割法预处理模块1 颜色特征1.1 红色分量阈值选取1.2 各阶颜色矩的提取2 几何特征2.1 圆形度的获取2.2 边缘特征量的提取特征定义与提取模块1 基于模板匹配分类法2 基于贝叶斯分类法3 基于BP神经网络分类法 图像识别与分类模块决策模块图1基于图像处理森林火灾监测系统设计框图3、1、图像的预处理在系统获取森林火灾图像后，为了将火灾图像中的敏感区域提取出来以便对后续的特征定义与识别过程做准
19、备，在此把识别的前期工作都统称为图像的预处理过程，其中包括图像的分割等。由于多种因素的影响，图像的质量都会有所下降，为了消除对火灾图像正确识别的影响，需要对图像进行一些预处理。预处理的目的就是对其进行滤波（Filtering）或平滑（Smoothing），抑制噪声、增强图像特征提高信噪比。从而为后续的细胞图像分割做准备。图像平滑的目的是消除或尽量减少噪声的影响，改善图像的质量。在假定加性噪声是随机独立分布的条件下，利用邻域的平均或加权平均可以有效的抑制噪声干扰。从信号分析的观点看，图像平滑本质上是低通滤波。将信号的低频部分通过，而阻截高频的噪声信号。但是往往图像边缘也处于高频部分。3、1、13
20、.1.1.1均值滤波均值滤波是一种在空间域上对图像进行平滑处理的最常用方法。图像中某一像素，求出以它为中心的一个邻域范围内的像素的平均值，用这个平均值来代替该中心点的灰度值。若一幅有个像素的图像，经均值滤波后得到一幅图像，则：其中，S是点邻域中心的点的集合，但是其中不包括点，N是集合内点的总数。在选取邻域时，取上下左右时为四邻域，取周围八个点时为八邻域。八邻域效果比四邻域好。常用的模板有：，算子核等于9；，算子核等于10；，算子核等于16，图3.10是用第三个模板对图3.5均值滤波的结果。图3.10 均值滤波后的图像3.1.1.2中值滤波图片被噪声污染后，噪声通常是孤立的点，而且噪声的灰度通常
21、比周围像素高或都低，所以，通过中值滤波，可以有效的消除高频和低频的噪声。图像中某一像素，把以它为中心的一个邻域范围内的像素的灰度值看成一列数列，求出这个数列的中间值，并用这个中间值值来代替该中心点的灰度值。一个点，和它周围的点形成的窗口，把在窗口中的所有点的像素组成一个数列：，表示第点的灰度值，把这个数列进行排序，取中间值，把它看作该点的灰度值。比如有一幅图中的像素的一部分灰度值如下：对应的点是：设是噪声，选取的窗口，计算中值滤波的值，先把，九个点的灰度值看成一个数列3，2，4，4，3，10，3，4，3，排序2，3，3，3，3，4，4，4，10，取中值3，的值为3 。计算中值滤波的值，先把，
22、， ，九个点的灰度值看成一个数列2，4，5，3，10，3，4，3，4，排序2，3，3，3，4，4，4，5，10，取中值4，的值为4 。这样就把噪声平滑掉了，但是不是噪声的的灰度值基本不变。图3.11是图3.5中值滤波的结果。图3.11 中值滤波后的图像3.1.1.3高斯滤波采用高斯函数作为加权函数，有五个原因：1) 在二维空间中,高斯函数是旋转对称的。这样，对于一个图象的各个方向上的平滑效果是均衡的。它不会对任一个边缘的方向进行弱化。2) 高斯函数只有一个波峰，这样对于像边缘这样的属性反而会有加强而不会有弱。3) 高斯函数的付立叶变换也是高斯函数，这样我们可以在空域和频域上做同样的变换达到同样
23、的效果。4) 平滑的程序是由高斯函数的方差决定的。这样方差值与平滑的结果有直接的关系。5) 大的高斯滤波器可以通过两个方向分别进行运算而达到，这样就节省了计算卷积的时间。设计高斯滤波器的方法:1) 使用二项式展开法。2) 计算高斯的掩码权重矩阵来得到一组高斯滤波器。高斯函数是：设定和n，确定高斯模板权值。如和n=5经计算可得：i,j-2-1012-20.1350.2870.1050.2870.135-10.2870.6060.7790.6060.28700.1050.77910.7790.10510.2870.6060.7790.6060.28720.1350.2870.1050.2870.1
24、35整数化和归一化后得：i,j-2-1012-212321-124642036763124642212321图片3.12是图片3.5高斯滤波的结果。图3.12 高斯滤波后的图像2.1图像灰度处理图像由彩色转化为灰度的过程叫做灰度化，由于位图为点阵图像，它的每一个像素点由R、G、B三个分量组成。根据YUV的颜色空间，Y分量的物理含义就是亮度，它含了灰度图的所有信息，只用Y分量就完全能够表示出一幅灰度图来，YUV和RGB之间有着如下的对应关系：利用上式，可以求出：根据R、G、B的值求出Y值后，将R、G、B值都赋值成Y，就能表示出灰度图来，就能将24位真彩色图转灰度图。如图2.1经灰度化后变为图2.
25、2。 图2.1 原始图像 图2.2 灰度化后的图片2.2图像的二值化处理在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理系统中，以二值图像处理实现构成的系统是很多的，要进行二值图像的处理与分析，首先需要把灰度图像二值化，得到二值图像，这样做的好处是：再对图像做进一步处理时，图像的几何性质只与0和1的位置有关，不再涉及到像素的灰度值，使处理变得简单，而且数据量的压缩量很大。图像的二值化的具体办法是：通过设定阈值，把灰度图像变换成仅用两个值来分别表示的图像目标和图像背景的二值图像，其中目标取值为1，背景取值为0。实际的位图中，0对应于RGB值均为0，1对应于RGB值均为255，
26、二值化图像的方法很多，阈值的选择是二值化图像的关键。阈值的选择主要可以分为两类，全局阈值和局部阈值。全局阈值是对整个图像采用一个阈值进行划分，例如固定阈值法二值化、判断分析法二值化、基于灰度差直方图的阈值法等。不同的灰度图像，其灰度深度是存在差异的。同一幅灰度图像，不同部位其明暗分可能是不同的。因此，在对灰度图像进行二值化的过程中，如果选用全局阈值法显然是不合适的。局部阈值是将图像分成一些子块，对于每一子块选定一下阈值。动态阈值法，仅是一个变换方法，即在一个的子块中，所有具有灰度级超过平均灰度值到255的数据点变换1，而另一些低于平均灰度值的数据点则变换到0。具体做法如下：图像分为的方块，对于
27、每一个子块计算其平均灰度值，然后将方块中每个像素点的灰度值与平均灰度值进行比较，若大于平均值，则将该像素点的灰度值置为255，反之则置为0。采用固定阈值的方法进行二值化也可以取得较好效果，但当灰度图像灰度不均匀时，判断分析法二值化效果与固定阈值法相差较小。相比之下，动态阈值能根据图像的局部自动选择合适的阈值，只要选择合适的分块大小，就能取得最佳的二值化效果。具体做法是：将灰度图像分成若干个的子区。先计算各子区的灰度平均值，以此平均值作为该子区的阈值。另外为了防止背景子区由于这种方法求出的阈值过低而引入噪声，还加入一个判定条件，即某块的阈值保证了背景块能够从前景中分离出来。这种以区域灰度幅度为函
28、数的自适应阈值法，完全适合用于对锐化后的灰度图像进行二值化处理，另外，可使用小波分析知识来选择自适应的阈值进行二值化，可用浮动阈值法进行二值化处理。图2.2经过二值化后变为图2.3。图2.3 二值化灰度图像 3.1二值化图像的腐蚀、膨胀、开运算、闭运算设有图像X,若点a在X的区域以内，则称a为X的元素。设有图像A、X。对于A中所有的元素，都有，则称A包含于X。设有图像A、X。若存在这样一个点，它既是A的元素，又是X的元素，则称A击中X. 设有图像A、X。若不存在任何一个点，它既是A的元素，又是X的元素，即A和X的交集是空，则称A不击中X。设有图像X，所有X区域以外的点构成的集合称为X的补集，记
29、作。设有图像A，将A中所有元素的坐标取反，即令变成，所有这些点构成的新的集合称为A的对称集。设有图像A，有一个点，将A平移后的结果是，把A中所有元素的横坐标加，纵坐标加，即令变成，所有这些点构成的新的集合称为A的平移。把结构元素A平移后得到，若包含于X，我们记下这个点，所有满足上述条件的点组成的集合称为被A腐蚀的结果。用公式表示为：。膨胀可以看作是腐蚀的对偶运算，其定义是：把结构元素A平移后得到，若击中X，我们记下这个点，所有满足上述条件的点组成的集合称为X被A膨胀的结果，用公式表示为：。开运算是先腐蚀后膨胀，即。作用：能够去除孤立的小点、毛刺和小桥（即连通两块区域的小点），而总的位置和形状不
30、变。闭运算是先膨胀后腐蚀，即。作用：能够填平小孔，弥合小缝，而总的位置和形状不变。对于图片2.3，图3.1是它的腐蚀结果，图3.2是它的膨胀结果，图片3.3是它的开运算结果，图3.4是它的闭运算结果。 图3.1图像的腐蚀 图3.2图像的膨胀 图3.3 图像的开运算 图3.4 图像的闭运算 3.2灰度化图像的腐蚀、膨胀、开运算、闭运算数学形态学的基础是集合论。通过集合论的术语以及图形描述就可以表示形态学的各种处理过程。基本的形态学图像处理主要包括图像的膨胀、腐蚀、开运算、闭运算。形态学处理表现为一种邻域运算的形式。我们把一种特殊定义的邻域称之为“结构元素”（Structure Element），
31、在每个像素位置上，它与图像对应的区域进行特定的运算，运算的结果为相应像素的输出图像。形态学运算的效果取决于结构单元的大小、内容以及逻辑运算的性质。结构单元在形态学处理中的作用相当于信号处理中的“滤波窗口”。一般的形态学图像处理的对象是二值图像，而将这个概念扩展到灰度图像，即用灰度形态学处理技术，将达到更佳的图像预处理效果。假设在此处理的是可以表示成f(x, y)和b(x, y)的数字图像函数，f(x, y)是输入图像，b(x, y)是结构元素。b(x, y)在某种意义上可以看成是一个子图像函数，而f和b代表图像中每一个(x, y)坐标的灰度值。(1) 膨胀(Dilation)用结构元素b对函数
32、f进行的灰度膨胀表示为：，其定义为：其中和分别是f和b的定义域。 从上式中可以看出，如果结构元素b(x, y)为正值，图像的灰度值趋向于变大。所以输出图像会比输入图像看上去更加明亮，并且能减弱或者消除一些比结构元素面积小的、暗的细节部分。图像明亮的程度与结构元素的大小以及形状有很大关系。(2) 腐蚀(Erosion) 用结构元素b对函数f进行的灰度腐蚀表示为：，其定义为：其中和分别是f和b的定义域。 从上式中同样可看出，如果结构元素b(x, y)为正值，图像的灰度值趋向于减小。所以输出图像会比输入图像看上去更加阴暗，并且能减弱或者消除一些比结构元素面积小的、亮的细节部分。图像阴暗的程度同样取决
33、于结构元素的大小及形状。 图3.5 原始图 图3.6 灰度化腐蚀后的图像 图3.7 灰度化膨胀后的图像 (3) 开运算(Opening) 用结构元素b对函数f进行的开运算表示为：，其定义为： 开运算操作就是对图像先进行腐蚀后膨胀。先进行的腐蚀可以去除一些小的亮的细节同时会让图像更加阴暗；其后的膨胀操作又去除一些小的暗的细节，并且会增加图像的亮度，但不会引入前一腐蚀操作所去除的部分。其方法经常用于去除较小的明亮细节，而且能够相对地保持整体的灰度级和较大的明亮区域不变。可以用来消除细小物体、平滑较大物体的边界的同时并不明显改变其面积。(4) 闭运算(Closing) 用结构元素b对函数f进行的闭运
34、算表示为：，其定义为： 闭运算操作就是对图像先进行膨胀后腐蚀。先进行的膨胀可以去除一些小的暗的细节同时会让图像更加明亮；其后的腐蚀操作又去除一些小的亮的细节，并且会减小图像的亮度，同样不会引入前一膨胀操作所去除的部分。其方法经常用于去除图像中的暗细节部分，而相对地保持明亮部分不受影响。可以用来填充物体内细小空洞、平滑其边界的同时并不明显改变其面积。灰度图像的开运算和闭运算在几何上可以理解为把由结构元素b(x, y)表示的曲面沿着由f(x, y)表示的曲面滚动。开运算是沿着f(x, y)曲面的下侧面滚动，而闭运算是沿着f(x, y)曲面的上侧面滚动。经过开运算，f(x, y)曲面中所有比结构元素
35、范围小的波峰和尖锐程度都减小了，从而能够删除图像中在尺度上小于结构元素的几何结构，起到了平滑图像的外凸边缘的作用；经过闭运算，f(x, y)曲面中所有比结构元素范围小的波谷都被平滑，从而具有填充图像中那些比结构元素小的断裂或凹入部分的功能，起到了平滑图像的内凸部分的作用。所以从直观上看，灰度图像的开运算和闭运算具有聚类的功能，即能够把图像中某个范围内灰度相近、数量占优势的图像信息聚到一起，从而使得图像信息不易丢失。在灰度级形态学中实现图像平滑处理的一种途径是先使用形态学开运算操作，而后进行闭运算操作。进行这两种操作后的最终结果是除去或减少了局部亮的和暗的影响因素或噪声。 图3.8 开运算后的图
36、像 图3.9 闭运算后的图像相应的各种图像处理方式的实现效果如上图所示。我们在此采用的结构元素b(x, y)是一个具有单位高度的3*3像素的平行六面体，使用上述方法对一个灰度图像进行处理。从形态学操作的效果图中可以看出，腐蚀操作缩小了图像中物体的轮廓且图像变得更暗，图像中较暗的空洞也变大了；膨胀操作扩大了物体的轮廓且图像变得更亮，图像中的许多空洞已经没有了；经过开运算操作，图像中那些小的、明亮细节尺寸变小了而暗的、灰度的效果没有明显变化，因此图像略有变暗且轮廓基本没变；经过闭操作，小的、暗的细节尺寸变小了而明亮的部分的效果没有明显变化，因此图像略有变亮但轮廓基本没变。3、7图像预处理效果比较现
37、在把所有的预处理方法得到的结果进行比较。 (a)原图 (b)灰度化开运算 (c)灰度化闭运算 (d)均值滤波 (e)中值滤波 (f)高斯滤波 (h)各向异性扩散 (i)改进各向异性扩散 (j)边缘增强改进各向异性扩散 图3.32图像预处理比较灰度化开运算去除了较小的明亮细节，而且相对地保持整体的灰度级和较大的明亮区域不变，消除了细小物体、平滑较大物体的边界的同时并不明显改变其面积；灰度化闭运算去除了图像中的暗细节部分，而相对地保持明亮部分不受影响，填充了物体内细小空洞、平滑其边界的同时并不明显改变其面积；中值滤波和均值滤波对噪声和边缘信息不加区分，去除了一定的噪声，同时使边缘变模糊了；高斯滤波
38、是各向同性的扩散，使用模板对原始图像卷积运算，去除了噪声，边缘也模糊了，图像整体变白了；各向异性扩散有效的平滑了噪声，保持了边缘信息，可以控制各向异性扩散强度，八向各向异性扩散比四向各向异性扩散效果好；边缘增强改进各向异性扩散不仅在同质区域内滤除了噪声，同时使边缘加强了，更有利于对医学图像的观察，改进后的边缘增强改进各向异性扩散效果非常好，可以调节边缘增强系数，使边缘增加得很强，当边缘增强系数为绝对值很小的负数时，图像边缘被模糊了。 图像分割(1) 基于彩色传递的掩摸分割法鉴于云台监测采集图像时俯角和转角不断的变化，目前国内外的一些分割技术无法适用，比如帧差法。还有一些分割技术比如阈值分割法、
39、边缘检测法、区域生长法和基于特征空间聚类分割法等，这些方法在分割火灾图像时多数是在灰度化的基础上进行的，过早地丢弃了火焰的彩色信息，从而导致无法准确区分火与自然光等高亮物体。所以在RGB空间中，考虑将疑似火的彩色区域通过分量的经验阈值分割出来，再进一步进行特征提取。假设真实图像为，火焰的分量的经验阈值为、，输出图像为，那么有下列关系式：(2) 基于YCrCb区域颜色分量加强分割法文献1中对人脸的识别检测，通过分析人眼与嘴的颜色在YCrCb空间的分布情况，根据人眼具有很强的Cr分量，嘴含有更高的Cb分量较低的Cr分量而构造区域颜色分量调整函数如下：其中。那么根据以上的调整函数，考虑到火灾图片的颜
40、色特征含有较高的Cr，应该也可以构造相应的颜色分量调整函数放大Cr，Cb之间的对比度突出疑似火焰区域，从而达到敏感区域分割定位的目的。(3) 基于空间的颜色迁移分割法空间相对其它颜色空间来说，更适合人类视觉感知系统，空间与设备无关的颜色空间。它本身还是一个抗相关的颜色空间，将一个通道的改变对另一个通道的影响减到最小，这使得我们可以对它的各个通道进行独立的计算，而不会引起人为的痕迹。文献2中的颜色迁移即对一幅灰色图像按照彩色图像上色，鉴于此可以对一幅用基于灰度的分割方法而得到的灰度疑似火区域图进行上色，这样就可以解决基于灰度分割方法过早丢失火焰彩色信息的缺点。下面给出颜色迁移算法的基本实现：假设
41、源彩色图像为src,尺寸为，分割后目标灰度图为target,尺寸也为,算法的具体过程如下：1) 用Reinhard的方法将源图像和目标图像从RGB空间转换到空间，并使用以下公式对源图像的每个像素进行亮度重映射：其中、分别为源图像和目标图像所有像素亮度的平均值，、分别为源图像和目标图像中所有像素亮度值的标准偏差，为源图像被处理像素的亮度值，为重映射后该像素的亮度值。2) 对于源图像和目标图像上的每一个像素，计算以该像素为中心的一个矩形(一般为像素)邻域上各像素亮度值的标准差，分别存入矩阵和中。3) 使用矩阵记录源图像上与目标图像相应点匹配的点的坐标。将此数组初始化为源图像上随机的有效位置。4) 用扫描线扫描目标图像，目标图像中任意一点与源图像中每次随机生成有效位置的300个