CN104751471A - 一种基于复小波域分解的回转窑火焰图像的识别方法 - Google Patents

Abstract

本发明涉及一种基于复小波域分解的回转窑火焰图像的识别方法。其技术方案是，设定标准火焰灰度图像y_m、正常火焰灰度图库GI和异常火焰灰度图库BI。获取待测火焰图像P，对待测火焰图像P进行灰度变换，得到待测火焰灰度图像x；将待测火焰灰度图像x与所有标准火焰灰度图像在复小波域内进行平均结构相似性系数计算，得到2a个平均结构相似性系数mCWSSIM(x,y_m)；取平均结构相似性系数最大值mCWSSIM_MAX，若平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于正常火焰灰度图库GI，待测火焰图像P属于正常状态；反之属于异常状态。本发明具有在线实时监测火焰状态变化、图像识别过程短、识别精度高、无需图像精确配准和对一些噪声具有较好的鲁棒性的特点。

Description

一种基于复小波域分解的回转窑火焰图像的识别方法

技术领域

本发明属于回转窑火焰图像的识别方法技术领域。特别涉及一种基于复小波域分解的回转窑火焰图像的识别方法。

背景技术

回转窑是煅烧或焙烧及其他方式加工各种工业原料工艺中所用的热工设备，用于对输入的物料进行机械、物理或化学处理，在建材、化工、冶金等行业中有着广泛的应用。受回转窑结构的特殊性和工艺复杂性的影响，所得熟料质量指标难以在线测量，熟料的烧成状态也难以准确识别，加上回转窑过程的多变量强耦合特性以及不确定干扰等因素，使得回转窑运转过程仍然处于“人工看火”的开环操作阶段，难以实现回转窑控制系统的自动控制，长期运行易造成熟料质量指标不稳定、产能低、能耗高和人工劳动强度大等问题。

火焰图像是燃烧过程的有效反应，亮度信息反映了燃烧过程中的辐射热度和燃烧效果，火焰形状则反映了燃烧反应发生区域的形状。因此，利用合理的技术判断火焰图像的烧成状态，从而确定回转窑的运行状态和燃烧稳定性，具有十分重要的意义。

“一种基于火焰图像结构相似性的回转窑烧成状态识别方法”(CN201310567666.0)是从图像的亮度、对比度和结构三种不同角度来判别回转窑火焰燃烧状态，具有运行过程短且识别精度高的优点，但这种方法需要对图像进行精确配准处理，而在进行窑内烧成状况的图像采集时，很难防止CCD摄像机出现较小的抖动从而产生微小的位移或者旋转一个很小的角度，所以会导致连续帧图像不能精确配准，从而导致一定的不准确性。

发明内容

本发明旨在克服现有技术缺陷，目的是提供一种能在线实时监测火焰状态变化、图像识别过程短、识别精度高和无需图像精确配准的基于复小波域分解的回转窑火焰图像的识别方法，该方法对于在采集火焰图像时CCD产生的微小位移和一些噪声具有较好的鲁棒性。

为完成上述任务，本发明采用的技术方案的具体步骤是：

步骤一、由回转窑操作专家选出a幅正常状态的标准火焰图像Q_LN，a幅正常状态的标准火焰图像Q_LN组成正常火焰图库LN；再由回转窑操作专家选出a幅异常状态的标准火焰图像Q_LA，a幅异常状态的标准火焰图像Q_LA组成异常火焰图库LA，正常火焰图库LN和异常火焰图库LA组成标准火焰图库L。

将a幅正常状态的标准火焰图像Q_LN进行灰度变换，得到a幅正常状态的标准火焰灰度图像Y_LN，a幅正常状态的标准火焰灰度图像Y_LN组成正常火焰灰度图库GI；将a幅异常状态的标准火焰图像Q_LA进行灰度变换，得到a幅异常状态的标准火焰灰度图像Y_LA，a幅异常状态的标准火焰灰度图像Y_LA组成异常火焰灰度图库BI。正常火焰灰度图库GI和异常火焰灰度图库BI组成标准火焰灰度图库F，a幅正常状态的标准火焰灰度图像Y_LN和a幅异常状态的标准火焰灰度图像Y_LA组成2a幅标准火焰灰度图像y_m。

步骤二、从在线采集的回转窑烧成带的火焰视频中获取一幅待测火焰图像P；将待测火焰图像P进行灰度变换，得到待测火焰灰度图像x。

步骤三、采用平均结构相似性系数的计算方法，计算所述待测火焰灰度图像x与每一幅标准火焰灰度图像y_m之间的平均结构相似性系数mCWSSIM(x,y_m)，得到2a个平均结构相似性系数mCWSSIM(x,y_m)。

步骤四、对步骤三得到的2a个平均结构相似性系数mCWSSIM(x,y_m)进行比较，选取平均结构相似性系数最大值mCWSSIM_MAX。如果平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于正常火焰灰度图库GI中的一幅，则判定待测火焰图像P的烧成状态为正常状态；如果平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于异常火焰灰度图库BI中的一幅，则判定待测火焰图像P的烧成状态为异常状态。

步骤五、若判定待测火焰图像P的烧成状态为正常状态，则保持目前的回转窑火焰烧成状态；然后进行下一幅回转窑火焰图像的识别；

若判定待测火焰图像P的烧成状态为异常状态，系统报警，则需改善目前的回转窑火焰烧成状态；然后进行下一幅回转窑火焰图像的识别。

重复进行步骤二～步骤五，直至结束。

所述a为1～1000的自然数。

所述的平均结构相似性系数的计算方法是：先使用C个方向D个尺度的方向金字塔变换，对待测火焰灰度图像x和标准火焰灰度图像y_m分别进行复小波分解，得到：

待测火焰灰度图像x的小波系数的集合

${\stackrel{\→}{c}}_x=\left\{c_{x,i}\right|i=1,...N\}---\left(1\right)$

和标准火焰灰度图像y_m的小波系数的集合

${\stackrel{\→}{c}}_y=\left\{c_{y,i}\right|i=1,...N\}---\left(2\right)$

式(1)和式(2)中：c_x,i表示待测火焰灰度图像x的第i个小波系数；

c_y,i表示标准火焰灰度图像y_m的第i个小波系数；

N为大于256的自然数。

然后在每个方向上以n×n的窗口逐像素逐行地从左向右移动，得到G个待测火焰灰度图像块和G个标准火焰灰度图像块，每个待测火焰灰度图像块中有n²个小波系数x_j，每个标准火焰灰度图像块中有n²个小波系数y_j，计算每个待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n之间的结构相似性系数CWSSIM(x_j,y_j)，得到G个结构相似性系数CWSSIM(x_j,y_j)；然后对G个结构相似性系数进行累加平均，得到待测火焰灰度图像x和标准火焰灰度图像y_m的平均结构相似性系数mCWSSIM(x,y_m)：

$\mathrm{mCWSSIM}(x,y_m)=\frac{1}{G}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}\mathrm{CWSSIM}(x_j,y_j)---\left(3\right)$

式(3)中：CWSSIM(x_j,y_j)为待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n的结构相似性系数：

$\mathrm{CWSSIM}(x_j,y_j)=\frac{2{\left|{\mathrm{\Σ}}_{j=1}^{n^2}{x}_j{y}_j^{*}\right|}^2+K}{{\mathrm{\Σ}}_{j=1}^{n^2}{\left|x_j\right|}^2+{\mathrm{\Σ}}_{j=1}^{n^2}{\left|y_j\right|}^2+K}---\left(4\right)$

式(4)中：K＝0.1；

为标准火焰灰度图像块的小波系数y_j的共轭复数；

x_j为待测火焰灰度图像块的小波系数；

n为大于2的自然数。

由于采用上述技术方案，本发明与现有技术相比具有如下优点：

本发明在回转窑火焰图像识别的技术领域中采用在复小波域内的图像结构相似性指标，从亮度、对比度和结构三种不同角度来识别回转窑烧成状态，识别精度高。另外，本发明属于一种更符合人眼视觉系统基本原理的图像质量评价方法，判别结果更贴合主观评价。

本发明能够独立识别单幅火焰图像的烧成状态，满足在线实时监测回转窑中火焰变化的条件，能在极短的时间内发现回转窑火焰烧成状态的变化，并及时做出相应调整，从而增加回转窑控制系统的安全性和可靠性，使生产的熟料质量更加稳定，能够极大地缩减生产成本。

本发明无需图像精确配准，对一些噪声具有较好的鲁棒性，能有效地解决现有技术存在的如下问题：在进行窑内烧成状况的图像采集时，很难防止CCD摄像机出现较小的抖动从而产生微小的位移或者旋转一个很小的角度，导致连续帧图像不能精确配准，从而导致判断的不准确。

因此，本发明具有在线实时监测火焰状态变化、图像识别过程短、识别精度高、无需图像精确配准和对一些噪声具有较好的鲁棒性的特点。

具体实施方式

下面结合具体实施方式对本发明作进一步的描述，并非对其保护范围的限制。

实施例1

一种基于复小波域分解的回转窑火焰图像的识别方法。所述识别方法的具体步骤是：

第1.1步、由回转窑操作专家选出10幅正常状态的标准火焰图像Q_LN，10幅正常状态的标准火焰图像Q_LN组成正常火焰图库LN；再由回转窑操作专家选出10幅异常状态的标准火焰图像Q_LA，10幅异常状态的标准火焰图像Q_LA组成异常火焰图库LA，正常火焰图库LN和异常火焰图库LA组成标准火焰图库L。

将10幅正常状态的标准火焰图像Q_LN进行灰度变换，得到10幅正常状态的标准火焰灰度图像Y_LN；10幅正常状态的标准火焰灰度图像Y_LN组成正常火焰灰度图库GI；将10幅异常状态的标准火焰图像Q_LA进行灰度变换，得到10幅异常状态的标准火焰灰度图像Y_LA，10幅异常状态的标准火焰灰度图像Y_LA组成异常火焰灰度图库BI。正常火焰灰度图库GI和异常火焰灰度图库BI组成标准火焰灰度图库F；10幅正常状态的标准火焰灰度图像Y_LN和10幅异常状态的标准火焰灰度图像Y_LA组成20幅标准火焰灰度图像y_m。

所述标准火焰灰度图像y_m尺寸为352×288。

第1.2步、从在线采集的回转窑烧成带的火焰视频中获取一幅尺寸为352×288×3的待测火焰图像P；将待测火焰图像P进行灰度变换，得到尺寸为352×288待测火焰灰度图像x。

第1.3步、采用平均结构相似性系数的计算方法，计算所述待测火焰灰度图像x与每一幅标准火焰灰度图像y_m之间的平均结构相似性系数mCWSSIM(x,y_m)，得到20个平均结构相似性系数mCWSSIM(x,y_m)；20个平均结构相似性系数mCWSSIM(x,y_m)如表1所示。

表1

第1.4步、根据表1所示，对第1.3步得到的20个平均结构相似性系数mCWSSIM(x,y)进行比较，选取平均结构相似性系数最大值mCWSSIM_MAX为0.991。由于平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于正常火焰灰度图库GI中的一幅，则判定待测火焰图像P的烧成状态为正常状态。

第1.5步、由于待测火焰图像P的烧成状态为正常状态，则保持目前的回转窑火焰烧成状态。

然后进行下一幅回转窑火焰图像的识别：

第2.1步、从在线采集的回转窑烧成带的火焰视频中获取一幅尺寸为352×288×3的待测火焰图像P；将待测火焰图像P进行灰度变换，得到尺寸为352×288待测火焰灰度图像x。

第2.2步、采用平均结构相似性系数的计算方法，计算所述待测火焰灰度图像x与每一幅标准火焰灰度图像y_m之间的平均结构相似性系数mCWSSIM(x,y_m)，得到20个平均结构相似性系数mCWSSIM(x,y_m)；20个平均结构相似性系数mCWSSIM(x,y_m)如表2所示。

表2

第2.3步、根据表2所示，对第2.2步得到的20个平均结构相似性系数mCWSSIM(x,y)进行比较，选取平均结构相似性系数最大值mCWSSIM_MAX为0.983。由于平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于异常火焰灰度图库BI中的一幅，则判定待测火焰图像P的烧成状态为异常状态。

第2.4步、若判定待测火焰图像P的烧成状态为正常状态，保持目前的回转窑火焰烧成状态；再进行下一幅回转窑火焰图像的识别；

若判定待测火焰图像P的烧成状态为异常状态，系统报警，改善目前的回转窑火焰烧成状态；再进行下一幅回转窑火焰图像的识别。

由于待测火焰图像P的烧成状态为异常状态，系统报警，则需改善目前的回转窑火焰烧成状态；再进行下一幅回转窑火焰图像的识别。

重复进行第1.2～1.5步或重复进行2.1～2.4步，直至结束。

本实施例所述的平均结构相似性系数的计算方法为：先使用5个方向4个尺度的方向金字塔变换，对待测火焰灰度图像x和标准火焰灰度图像y_m分别进行复小波分解，得到：

待测火焰灰度图像x的小波系数的集合

${\stackrel{\→}{c}}_x=\left\{c_{x,i}\right|i=1,...N\}---\left(1\right)$

和标准火焰灰度图像y_m的小波系数的集合

${\stackrel{\→}{c}}_y=\left\{c_{y,i}\right|i=1,...N\}---\left(2\right)$

式中：c_x,i表示待测火焰灰度图像x的第i个小波系数；

c_y,i表示标准火焰灰度图像y_m的第i个小波系数；

N＝641619。

然后在每个方向上以4×4大小的窗口逐像素逐行地从左向右移动，得到193929个待测火焰灰度图像块和193929个标准火焰灰度图像块，每个待测火焰灰度图像块中有16个小波系数x_j，每个标准火焰灰度图像块中有16个小波系数y_j，计算每个待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n之间的结构相似性系数CWSSIM(x_j,y_j)，得到193929个结构相似性系数CWSSIM(x_j,y_j)；然后对193929个结构相似性系数进行累加平均，得到待测火焰灰度图像x和标准火焰灰度图像y_m的平均结构相似性系数mCWSSIM(x,y_m)：

$\mathrm{mCWSSIM}(x,y_m)=\frac{1}{G}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}\mathrm{CWSSIM}(x_j,y_j)---\left(1\right)$

式(1)中：CWSSIM(x_j,y_j)为待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n的结构相似性系数：

$\mathrm{CWSSIM}(x_j,y_j)=\frac{2{\left|{\mathrm{\Σ}}_{j=1}^{n^2}{x}_j{y}_j^{*}\right|}^2+K}{{\mathrm{\Σ}}_{j=1}^{n^2}{\left|x_j\right|}^2+{\mathrm{\Σ}}_{j=1}^{n^2}{\left|y_j\right|}^2+K}---\left(2\right)$

式(2)中：K＝0.1；

n²＝16；

为标准火焰灰度图像块的小波系数y_j的共轭复数；

x_j为待测火焰灰度图像块的小波系数。

实施例2

一种基于复小波域分解的回转窑火焰图像的识别方法。所述识别方法的具体步骤是：

第1.1步、由回转窑操作专家选出10幅正常状态的标准火焰图像Q_LN，10幅正常状态的标准火焰图像Q_LN组成正常火焰图库LN；再由回转窑操作专家选出10幅异常状态的标准火焰图像Q_LA，10幅异常状态的标准火焰图像Q_LA组成异常火焰图库LA，正常火焰图库LN和异常火焰图库LA组成标准火焰图库L。

将10幅正常状态的标准火焰图像Q_LN进行灰度变换，得到10幅正常状态的标准火焰灰度图像Y_LN；10幅正常状态的标准火焰灰度图像Y_LN组成正常火焰灰度图库GI；将10幅异常状态的标准火焰图像Q_LA进行灰度变换，得到10幅异常状态的标准火焰灰度图像Y_LA，10幅异常状态的标准火焰灰度图像Y_LA组成异常火焰灰度图库BI。正常火焰灰度图库GI和异常火焰灰度图库BI组成标准火焰灰度图库F；10幅正常状态的标准火焰灰度图像Y_LN和10幅异常状态的标准火焰灰度图像Y_LA组成20幅标准火焰灰度图像y_m。

所述标准火焰灰度图像y_m尺寸为352×288。

第1.2步、从在线采集的回转窑烧成带的火焰视频中获取一幅尺寸为352×288×3的待测火焰图像P；将待测火焰图像P进行灰度变换，得到尺寸为352×288待测火焰灰度图像x。

第1.3步、采用平均结构相似性系数的计算方法，计算所述待测火焰灰度图像x与每一幅标准火焰灰度图像y_m之间的平均结构相似性系数mCWSSIM(x,y_m)，得到20个平均结构相似性系数mCWSSIM(x,y_m)；20个平均结构相似性系数mCWSSIM(x,y_m)如表1所示。

表1

第1.4步、根据表1所示，对第1.3步得到的20个平均结构相似性系数mCWSSIM(x,y)进行比较，选取平均结构相似性系数最大值mCWSSIM_MAX为0.989。由于平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于异常火焰灰度图库BI中的一幅，则判定待测火焰图像P的烧成状态为异常状态。

第1.5步、由于待测火焰图像P的烧成状态为异常状态，系统报警则需改善目前的回转窑火焰烧成状态。

然后进行下一幅回转窑火焰图像的识别：

第2.1步、从在线采集的回转窑烧成带的火焰视频中获取一幅尺寸为352×288×3的待测火焰图像P；将待测火焰图像P进行灰度变换，得到尺寸为352×288待测火焰灰度图像x。

第2.2步、采用平均结构相似性系数的计算方法，计算所述待测火焰灰度图像x与每一幅标准火焰灰度图像y_m之间的平均结构相似性系数mCWSSIM(x,y_m)，得到20个平均结构相似性系数mCWSSIM(x,y_m)；20个平均结构相似性系数mCWSSIM(x,y_m)如表2所示。

表2

第2.3步、根据表2所示，对第1.3步得到的20个平均结构相似性系数mCWSSIM(x,y)进行比较，选取平均结构相似性系数最大值mCWSSIM_MAX为0.961。由于平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于正常火焰灰度图库GI中的一幅，则待测火焰图像P的烧成状态为正常状态。

第2.4步、若判定待测火焰图像P的烧成状态为正常状态，保持目前的回转窑火焰烧成状态；再进行下一幅回转窑火焰图像的识别；

若判定待测火焰图像P的烧成状态为异常状态，系统报警，改善目前的回转窑火焰烧成状态；再进行下一幅回转窑火焰图像的识别。

由于待测火焰图像P的烧成状态为正常状态，则保持目前的回转窑火焰烧成状态，进行下一幅回转窑火焰图像的识别。

重复进行第1.2～1.5步或重复进行2.1～2.4步，直至结束。

本实施例所述的平均结构相似性系数的计算方法为：先使用5个方向4个尺度的方向金字塔变换，对待测火焰灰度图像x和标准火焰灰度图像y_m分别进行复小波分解，得到：

待测火焰灰度图像x的小波系数的集合

${\stackrel{\→}{c}}_x=\left\{c_{x,i}\right|i=1,...N\}---\left(1\right)$

和标准火焰灰度图像y_m的小波系数的集合

${\stackrel{\→}{c}}_y=\left\{c_{y,i}\right|i=1,...N\}---\left(2\right)$

式中：c_x,i表示待测火焰灰度图像x的第i个小波系数；

c_y,i表示标准火焰灰度图像y_m的第i个小波系数；

N＝641619。

然后在每个方向上以4×4大小的窗口逐像素逐行地从左向右移动，得到193929个待测火焰灰度图像块和193929个标准火焰灰度图像块，每个待测火焰灰度图像块中有16个小波系数x_j，每个标准火焰灰度图像块中有16个小波系数y_j，计算每个待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n之间的结构相似性系数CWSSIM(x_j,y_j)，得到193929个结构相似性系数CWSSIM(x_j,y_j)；然后对193929个结构相似性系数进行累加平均，得到待测火焰灰度图像x和标准火焰灰度图像y_m的平均结构相似性系数mCWSSIM(x,y_m)：

$\mathrm{mCWSSIM}(x,y_m)=\frac{1}{G}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}\mathrm{CWSSIM}(x_j,y_j)---\left(1\right)$

式(1)中：CWSSIM(x_j,y_j)为待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n的结构相似性系数：

$\mathrm{CWSSIM}(x_j,y_j)=\frac{2{\left|{\mathrm{\Σ}}_{j=1}^{n^2}{x}_j{y}_j^{*}\right|}^2+K}{{\mathrm{\Σ}}_{j=1}^{n^2}{\left|x_j\right|}^2+{\mathrm{\Σ}}_{j=1}^{n^2}{\left|y_j\right|}^2+K}---\left(2\right)$

式(2)中：K＝0.1；

为标准火焰灰度图像块的小波系数y_j的共轭复数；

x_j为待测火焰灰度图像块的小波系数；

n²＝16。

本具体实施方式与现有技术相比具有如下优点：

本具体实施方式在回转窑火焰图像识别的技术领域中采用在复小波域内的图像结构相似性指标，从亮度、对比度和结构三种不同角度来判别回转窑烧成状态，判别精度较高。另外，本具体实施方式属于一种更符合人眼视觉系统基本原理的图像质量评价方法，判别结果更贴合主观评价。

本具体实施方式能够独立判别单幅火焰图像的烧成状态，满足在线实时监测回转窑中火焰变化的条件，能在极短的时间内发现回转窑火焰烧成状态的变化，并及时做出相应调整，从而增加回转窑控制系统的安全性和可靠性，使生产的熟料质量更加稳定，能够极大地缩减生产成本。

本具体实施方式无需图像精确配准，对一些噪声具有较好的鲁棒性，能有效地解决现有技术存在的如下问题：在进行窑内烧成状况的图像采集时，很难防止CCD摄像机出现较小的抖动从而产生微小的位移或者旋转一个很小的角度，导致连续帧图像不能精确配准，从而导致判断的不准确。

因此，本具体实施方式具有在线实时监测火焰状态变化、图像识别过程短、识别精度高、无需图像精确配准和对一些噪声具有较好的鲁棒性的特点。

Claims (3)

1.一种基于复小波域分解的回转窑火焰图像的识别方法，其特征在于所述回转窑烧成状态识别方法的具体步骤：

步骤一、由回转窑操作专家选出a幅正常状态的标准火焰图像Q_LN，a幅正常状态的标准火焰图像Q_LN组成正常火焰图库LN；再由回转窑操作专家选出a幅异常状态的标准火焰图像Q_LA，a幅异常状态的标准火焰图像Q_LA组成异常火焰图库LA，正常火焰图库LN和异常火焰图库LA组成标准火焰图库L；

将a幅正常状态的标准火焰图像Q_LN进行灰度变换，得到a幅正常状态的标准火焰灰度图像Y_LN，a幅正常状态的标准火焰灰度图像Y_LN组成正常火焰灰度图库GI；将a幅异常状态的标准火焰图像Q_LA进行灰度变换，得到a幅异常状态的标准火焰灰度图像Y_LA，a幅异常状态的标准火焰灰度图像Y_LA组成异常火焰灰度图库BI；正常火焰灰度图库GI和异常火焰灰度图库BI组成标准火焰灰度图库F，a幅正常状态的标准火焰灰度图像Y_LN和a幅异常状态的标准火焰灰度图像Y_LA组成2a幅标准火焰灰度图像y_m；

步骤二、从在线采集的回转窑烧成带的火焰视频中获取一幅待测火焰图像P；将待测火焰图像P进行灰度变换，得到待测火焰灰度图像x；

步骤三、采用平均结构相似性系数的计算方法，计算所述待测火焰灰度图像x与每一幅标准火焰灰度图像y_m之间的平均结构相似性系数mCWSSIM(x,y_m)，得到2a个平均结构相似性系数mCWSSIM(x,y_m)；

步骤四、对步骤三得到的2a个平均结构相似性系数mCWSSIM(x,y_m)进行比较，选取平均结构相似性系数最大值mCWSSIM_MAX；如果平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于正常火焰灰度图库GI中的一幅，则判定待测火焰图像P的烧成状态为正常状态；如果平均结构相似性系数最大值mCWSSIM_MAX所对应的标准火焰灰度图像y_m属于异常火焰灰度图库BI中的一幅，则判定待测火焰图像P的烧成状态为异常状态；

步骤五、若判定待测火焰图像P的烧成状态为正常状态，则保持目前的回转窑火焰烧成状态；然后进行下一幅回转窑火焰图像的识别；

若判定待测火焰图像P的烧成状态为异常状态，系统报警，则需改善目前的回转窑火焰烧成状态；然后进行下一幅回转窑火焰图像的识别；

重复进行步骤二～步骤五，直至结束。

2.按照权利要求1所述的基于复小波域分解的回转窑火焰图像的识别方法，其特征在于所述a为1～1000的自然数。

3.按照权利要求1所述的基于复小波域分解的回转窑火焰图像的识别方法，其特征在于所述的平均结构相似性系数的计算方法是：先使用C个方向D个尺度的方向金字塔变换，对待测火焰灰度图像x和标准火焰灰度图像y_m分别进行复小波分解，得到：

待测火焰灰度图像x的小波系数的集合

${\stackrel{\→}{c}}_x=\left\{c_{x,i}\right|i=1,...N\}---\left(1\right)$

和标准火焰灰度图像y_m的小波系数的集合

${\stackrel{\→}{c}}_y=\left\{c_{y,i}\right|i=1,...N\}---\left(2\right)$

式(1)和式(2)中：c_x,i表示待测火焰灰度图像x的第i个小波系数，

c_y,i表示标准火焰灰度图像y_m的第i个小波系数，

N为大于256的自然数；

然后在每个方向上以n×n的窗口逐像素逐行地从左向右移动，得到G个待测火焰灰度图像块和G个标准火焰灰度图像块，每个待测火焰灰度图像块中有n²个小波系数x_j，每个标准火焰灰度图像块中有n²个小波系数y_j，计算每个待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n之间的结构相似性系数CWSSIM(x_j,y_j)，得到G个结构相似性系数CWSSIM(x_j,y_j)；然后对G个结构相似性系数进行累加平均，得到待测火焰灰度图像x和标准火焰灰度图像y_m的平均结构相似性系数mCWSSIM(x,y_m)：

$\mathrm{mCWSSIM}(x,y_m)=\frac{1}{G}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}\mathrm{CWSSIM}(x_j,y_j)---\left(3\right)$

式(3)中：CWSSIM(x_j,y_j)为待测火焰灰度图像块x_n和对应的标准火焰灰度图像块y_n的结构相似性系数：

$\mathrm{CWSSIM}(x_j,y_j)=\frac{2{\left|{\mathrm{\Σ}}_{j=1}^{n^2}{x}_j{y}_j^{*}\right|}^2+K}{{\mathrm{\Σ}}_{j=1}^{n^2}{\left|x_j\right|}^2+{\mathrm{\Σ}}_{j=1}^{n^2}{\left|y_j\right|}^2+K}---\left(4\right)$

式(4)中：K＝0.1；

为标准火焰灰度图像块的小波系数y_j的共轭复数；

x_j为待测火焰灰度图像块的小波系数；

n为大于2的自然数。