CN104008368A - 一种基于最大熵阈值分割的火灾识别方法 - Google Patents

Abstract

本发明涉及一种基于最大熵阈值分割法及二次判别的火灾火焰识别方法。本方法通过三个模块来识别火焰:1)粗分割检测可疑区域；2)根据颜色模型二次判断排除干扰；3)提取可疑图元轮廓进行火焰形态特征分析。包括以下步骤：根据火焰特点设计一种新型颜色空间转换模式将原图像转化成单色图像；对单色图像做最大熵阈值分割获取疑似火焰的各联通区域；标记各联通区域作为图像掩模，并根据掩模对感兴趣区域做火焰颜色特征分析，对符合火焰颜色特征的区域提取图像轮廓做进一步的火焰形态分析。本发明采用最大熵阈值分割法能较好的保留火焰轮廓，而基于颜色模型的二次判断又排除了光照等因素对检验结果的影响。本方法具有误报率低，运算速度快的优点。

Description

一种基于最大熵阈值分割的火灾识别方法

技术领域

本发明涉及一种适用于火灾识别和检测的方法，能够准确地识别火灾火焰并较好地保留火焰轮廓，以便进一步的形态检测。

背景技术

最大熵阈值分割法的原理：阈值分割后的熵值越大，则从图像中得到的信息量越大，图像细节越丰富，因而总体分割效果也越好。在分割过程中，先利用图像中各像素的点灰度及其区域平均灰度均值生成二维直方图，并以此为依据选择最佳阈值对图像进行目标与背景的分割。

发明内容

本发明目的是提供一种运算速度快、能较好地保留目标图元轮廓的火灾识别算法。

本发明的上述目的是通过以下技术方案实现的：一种基于最大熵阈值分割法及二次判别的火灾识别方法，其特征包括以下步骤，

(1)颜色空间变换

本方法首先将由摄像头获取的图像进行R,G,B颜色通道分离，根据火灾图像的特点设计了一种新型颜色空间变换方法，将彩色图像转化为单色图像，一方面提取出了需要分析的图像信息，另一方面也减少了运算量，使方法可以满足检测的实时性，具体颜色空间变换方式如下：

$t=\frac{1}{3}b+\frac{4}{3}g+\frac{1}{3}r$

如果t＞100则p＝(r-b)/2

如果t＜100则p＝0

其中r,g,b为图像各像素点红绿蓝三色分量数值，p是根据三色分量约束关系获得的单色图像相应像素点灰度值。

(2)最大熵阈值分割

最大熵阈值分割法表明：若阈值分割后的熵值越大，则从图像中得到的信息量越大，图像细节越丰富，因而总体分割效果也越好,本方法根据需要，采用一维最大熵阈值分割，起到了缩短运算时间满足实时性的作用，

在本方法中首先定义能量熵E_i的计算公式为：

E_i＝P_i×lgP_i

其中P_i为灰度为i的像素出现概率占灰度小于等于i的像素出现概率的比例。P_i的计算公式如下：

H(P)＝[h(x₁),h(x₂),h(x₃),...,h(x_n)]

$h\left(x_i\right)=\frac{S\left(x_i\right)}{\underset{j}{\mathrm{\Σ}}S\left(x_j\right)}$

$P_i=\frac{h\left(x_i\right)}{\mathrm{\Σh}\left(x_j\right)}$

其中S(x_i)为灰度为i的像素点个数，为总像素数，h(x_i)为i灰度为i的像素点出现概率,，然后计算当分割阈值为i是的图像总能量E：

E＝ΣE_j

其中当j≤i， $P_i=\frac{h\left(x_i\right)}{\underset{j=i}{\overset{255}{\mathrm{\Σ}}}h\left(x_j\right)},$ 当j＞i， $P_i=\frac{h\left(x_i\right)}{\underset{j=0}{\overset{i}{\mathrm{\Σ}}}h\left(x_j\right)}$

循环测试各灰度值下图像总能量，选取图像总能量最大时的灰度i作为分割阈值对图像进行二值化分割，最后为了减少后续运算量和排除一些噪声干扰，对阈值分割后的图像进行形态开运算消除面积过小的联通区域。

(3)标记各联通区域并进行火焰颜色特征分析

标记各联通区域作为图像掩模，对原彩色图像中的感兴趣区域进行颜色检测，记录下位于符合火焰颜色特征的像素区间内部的像素点个数，本项目中选择了一种RGB空间与HIS空间相结合的火焰颜色模型，具体模型表达式如下：

R_T＝125

S_T＝55

$S=1-\frac{3}{R+G+B}\×\left[\min (R,G,B)\right]$

R≥G≥B

S≥((255-R)×S_T/R_T)

其中R_T为红色分量阈值，S_T为S分量阈值，R,G,B为图像各像素点红绿蓝分量，遍历各联通区域，统计各联通区域的总像素点个数和符合火焰颜色模型的像素点个数，计算符合火焰颜色模型像素点占联通区域的比例，若所占比例达到一固定阈值则判定该联通区域是疑似火焰区域，否则判定不是火焰区域。

附图说明

本发明的附图说明如下：

图1基于最大熵阈值分割法及二次判别的火灾识别方法流程图。

具体实施方式

为了突出图像特征方便进一步处理，首先分离原图像颜色通道，进行颜色空间变换，空间变换的具体方法如下：

$t=\frac{1}{3}b+\frac{4}{3}g+\frac{1}{3}r$

如果t＞100则p＝(r-b)/2

如果t＜100则p＝0

其中r,g,b为图像各像素点红绿蓝三色分量数值，p是根据三色分量约束关系获得的单色图像相应像素点灰度值。

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。可以起到提升本发明中空间变换后的图像质量。

最大熵阈值原理表明：阈值分割后图像熵值越大则从图像中得到的信息量越大，图像细节越丰富，因而总体分割效果也越好。

本算法根据需要，采用一维最大熵阈值分割法，缩短了运算时间以满足算法的实时性。

信息量也就是熵的计算方法如下：能量熵E_i的计算公式为：

E_i＝P_i×lgP_i

其中P_i为灰度为i的像素出现概率占灰度小于等于i的像素出现概率的比例。P_i的计算公式如下：

H(P)＝[h(x₁),h(x₂),h(x₃),...,h(x_n)]

$h\left(x_i\right)=\frac{S\left(x_i\right)}{\underset{j}{\mathrm{\Σ}}S\left(x_j\right)}$

$P_i=\frac{h\left(x_i\right)}{\mathrm{\Σh}\left(x_j\right)}$

其中S(x_i)为灰度为i的像素点个数，为总像素数，h(x_i)为i灰度为i的像素点出现概率。

然后计算当分割阈值为i是的图像总能量E。

E＝ΣE_j

其中当j≤i， $P_i=\frac{h\left(x_i\right)}{\underset{j=i}{\overset{255}{\mathrm{\Σ}}}h\left(x_j\right)},$ 当j＞i， $P_i=\frac{h\left(x_i\right)}{\underset{j=0}{\overset{i}{\mathrm{\Σ}}}h\left(x_j\right)}$

最后循环测试各灰度值下图像总能量，选取图像总能量最大时的灰度i作为分割阈值对图像进行二值化分割。

为了减少后续运算量和排除一些噪声干扰，对阈值分割后的图像进行形态开运算消除面积过小的联通区域。

形态开运算具有除去小的明亮区域，并且剩余的明亮区域被隔绝且大小不变的作用。在绝大多数情况下火焰呈连续区域式分布，极少出现孤立点。因此将开运算用于本算法，可以消除面积过小而不具有检测意义的小联通区域。起到抑制图像噪声、加快后续算法的功能。

标记各联通区域，以各联通区域为图像掩模对原彩色图像对应区域像素点根据火焰颜色模型进行二次判别。

HSI模型是一种能更加自然直观地描述色彩的模型，它用色度、饱和度和亮度三个分量来表示颜色特性，由于该模型对光照变化不敏感，因此可以适用于各种需要检测火焰的场所。

建立火焰颜色模型如下：

R_T＝125

S_T＝55

$S=1-\frac{3}{R+G+B}\×\left[\min (R,G,B)\right]$

R≥G≥B

S≥((255-R)×S_T/R_T)

其中R_T为红色分量阈值，S_T为S分量阈值，R,G,B为图像各像素点红绿蓝分量。

因为火焰的红色分量相比蓝色和绿色分量更明显，对红色分量单独设定一个阈值会使模型有更好的效果，饱和度信息使模型更鲁棒。利用上述颜色模型对连通区域各像素点进行判别，并计算满足火焰颜色模型的像素点个数占该联通区域总像素点个数比例。通过对样本试验分析可知，当比例超过一固定阈值时可以认为该联通区域是疑似火焰区域。

本算法优势在通过颜色空间变换和阈值分割等手段可以十分准确的保留可疑图元的轮廓，为进一步形态分析的准确性提供了极大的保证。

Claims (3)

1.颜色空间变换

本方法首先将由摄像头获取的图像进行R,G,B颜色通道分离，根据火焰图像的特点设计了一种新型颜色空间变换方法，将彩色图像转化为单色图像，一方面提取出了需要分析的图像信息，另一方面也减少了运算量，使方法可以满足检测的实时性。具体颜色空间变换方式如下：

$t=\frac{1}{3}b+\frac{4}{3}g+\frac{1}{3}r$

如果t＞100则p＝(r-b)/2

如果t＜100则p＝0

其中r,g,b为图像各像素点红绿蓝三色分量数值，p是根据三色分量约束关系获得的单色图像相应像素点灰度值。

2.最大熵阈值分割

最大熵阈值分割法表明：若阈值分割后的熵值越大，则从图像中得到的信息量越大，图像细节越丰富，因而总体分割效果也越好，本方法根据需要，采用一维最大熵阈值分割，起到了缩短运算时间满足实时性的作用，在本方法中首先定义能量熵E_i的计算公式为：

E_i＝P_i×lgP_i

其中P_i为灰度为i的像素出现概率占灰度小于等于i的像素出现概率的比例。P_i的计算公式如下：

H(P)＝[h(x₁),h(x₂),h(x₃),...,h(x_n)]

$h\left(x_i\right)=\frac{S\left(x_i\right)}{\underset{j}{\mathrm{\Σ}}S\left(x_j\right)}$

$P_i=\frac{h\left(x_i\right)}{\mathrm{\Σh}\left(x_j\right)}$

其中S(x_i)为灰度为i的像素点个数，为总像素数，h(x_i)为i灰度为i的像素点出现概率，然后计算当分割阈值为i是的图像总能量E，

E＝ΣE_j

其中当j≤i， $P_i=\frac{h\left(x_i\right)}{\underset{j=i}{\overset{255}{\mathrm{\Σ}}}h\left(x_j\right)},$ 当j＞i， $P_i=\frac{h\left(x_i\right)}{\underset{j=0}{\overset{i}{\mathrm{\Σ}}}h\left(x_j\right)}$

循环测试各灰度值下图像总能量，选取图像总能量最大时的灰度i作为分割阈值对图像进行二值化分割，为了减少后续运算量和排除一些噪声干扰，对阈值分割后的图像进行形态开运算消除面积过小的联通区域。

3.标记各联通区域并进行火焰颜色特征分析

标记各联通区域作为图像掩模，对原彩色图像中的感兴趣区域进行颜色检测，统计各联通区域的总像素点个数和符合火焰颜色模型的像素点个数，计算符合火焰颜色模型像素点占联通区域的比例，若所占比例达到一固定阈值则判定该联通区域是疑似火焰区域，否则判定不是火焰区域。