CN110222644A - 基于图像分割的森林火灾烟雾检测方法 - Google Patents
基于图像分割的森林火灾烟雾检测方法 Download PDFInfo
- Publication number
- CN110222644A CN110222644A CN201910495497.1A CN201910495497A CN110222644A CN 110222644 A CN110222644 A CN 110222644A CN 201910495497 A CN201910495497 A CN 201910495497A CN 110222644 A CN110222644 A CN 110222644A
- Authority
- CN
- China
- Prior art keywords
- pixel
- block
- super
- image
- forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
基于图像分割的森林火灾烟雾检测方法,属于领域。传统的森林火灾烟雾检测算法大多只考虑理想背景下的火灾检测,并在像素级层面上对图像进行分析,并不一定适用森林这样的复杂环境下的烟雾识别。一种基于图像分割的森林火灾烟雾检测方法,依次进行如下步骤:CIELAB空间中的彩色图像,初始化聚类中心;将聚类中心移至3×3邻域的最低梯度处;分配;更新;当每个像素被归类到最近的簇心后,用区域内所有像素的矢量的平均值更新簇心;把孤立的像素点合并到最近的超像素中;超像素合并;天空和地面之间进行分割;烟雾识别。突破了传统林火烟雾检测算法中需要摄像机固定的限制,适用于摄像机对森林进行动态全景采样时的情况。
Description
技术领域
本发明涉及一种基于图像分割的森林火灾烟雾检测方法。
背景技术
森林火灾的智能图像处理技术是一个新的研究领域。为了避免火势的蔓延,火灾检测的实时性和精确性是至关重要的;另外,对于火势蔓延的预测和着火位置的定位,也有利于火灾的及时扑救。在森林中由于树木的遮挡,烟雾的出现往往会早于火焰,所以研究基于数字图像的烟雾检测,能够及早地对森林火情进行预警,并能够直观地定位出着火位置。现有技术已对基于视频图像的林火烟雾检测算法做了较全面的总结:一般性的,可以从烟雾的光谱特征、形状特征和运动特征进行检测,再辅助以其他检测手段,例如利用烟雾会使背景变模糊这一特性,用空域小波分析检测烟雾;近年来,也有很多学者研究烟雾的自相似性,即运用分形理论检测烟雾。但传统的森林火灾烟雾检测算法大多只考虑理想背景下的火灾检测,并在像素级层面上对图像进行分析,并不一定适用森林这样的复杂环境下的烟雾识别。图像分割是从图像处理到图像识别的关键步骤。单个像素通常不具有语义信息,若从单个像素开始分析,算法稳定性差,因此可通过图像分割技术,将森林图像分割成若干性质均一的区域,通过分析分割后的像素块进行烟雾检测。如今,超像素分割被广泛应用于图像分割领域,大致可将超像素生成算法分为基于图论和梯度下降两大类,其中基于梯度下降的SLIC超像素分割算法对边界有更好的依附性,且算法简洁高效。在后续处理中,直接对超像素块进行处理,可降低计算量,提高算法鲁棒性。
发明内容
本发明的目的是为了解决传统的森林火灾烟雾检测算法大多只考虑理想背景下的火灾检测,并在像素级层面上对图像进行分析,并不一定适用森林这样的复杂环境下的烟雾识别,而提出一种基于图像分割的森林火灾烟雾检测方法。
一种基于图像分割的森林火灾烟雾检测方法,
步骤一、初始化:
对于在CIELAB空间中的彩色图像,初始化K个聚类中心;将聚类中心移至3×3邻域的最低梯度处,以避免把聚类中心在边缘或者噪声点上;
步骤二、分配:
根据度量的相似度,把每个像素i和它最近的聚类中心相关联,并设置搜索域;所述的搜索域是指仅在超像素中心点附近的2S×2S区域内进行的搜索;
其中,相似度的度量公式为:
dc和ds分别为像素点的颜色距离和空间距离,并对其进行归一化,以统一这两个测度,利用D'表示归一化后像素点的相似性;
步骤三、更新:
当每个像素被归类到最近的簇心后,用区域内所有像素的矢量的平均值更新簇心;分配和更新步骤可以被反复迭代,直到L2收敛,所述的迭代次数为10次,满足收敛要求;最后,把孤立的像素点合并到最近的超像素中;
步骤四、超像素合并:
将上述步骤运用超像素分割算法对森林图像进行分割以后,目标烟雾区域被分为一些相似的超像素块,形成过分割现象;之后,对过分割图像进行区域合并:
有序遍历当前像素块,通过当前像素块和相邻像素块的迭代合并,解决超像素的过分割问题,得到完整的烟雾区域,
输入过分割图像,执行下述步骤输出超像素合并后的图像:
初始化参数Label和label_change,都设置为零;
每个超像素循环执行以下步骤:
1.判断当前块是否已经被标记,若是,返回当前块的标号,并执行下一步;
否则,跳出循环;
2.取与当前块相邻的超像素块标号,并检测相邻块中已被标记的块,
判断如果每一个相邻块的相邻块没有被标记,则结束本次循环;
否则,判断当前块和相邻块是否为相似的:
若是用相邻块的label标记当前块,之后结束整个循环;
否则,结束本次循环
3.检测标号是否变化,若是,标签重置为0;
否则,结束;
步骤五、天空和地面之间进行分割:
将拍摄的森林画面与天空部分分割,通过图像二值化处理:取原始图像的蓝色通道,根据最大类间方差自动确定阈值,对图像进行二值化;
提取水平边缘:用sobel垂直梯度模板对二值化的图像提取水平边缘;
检测地平线:将图像等分为x段垂直条带,x可以根据图像的实际大小而定,在每一列带内,对每一行进行处理,逐行将行向量的值累加到一点,选择累加值较大的几个点为候选点;再对候选点求取J值,J值最大的候选点就是所要找的边缘点;
其中
分别表示矩阵Σs、Σg的特征值;s代表天空,g代表地面;地平线拟合:对不同列带内的边缘点进行直线拟合,填充整条地平线;
步骤六、烟雾识别:
在超像素分割后,检测出烟雾区域以对像素块进行分类;选用支持向量机进行烟雾识别,使用libsvm,根据光谱信特征,对超像素块进行二分类,即烟雾像素块和非烟雾像素块。
本发明的有益效果为:
本发明提出了一种仅针对单帧静止图像的林火烟雾检测方法,首次将超像素分割技术应用到森林火灾检测领域,提出一种新的超像素合并算法来解决过分割问题,再辅助以改进的天空和地面之间进行分割算法来排除天空部分对检测的干扰,最后采用SVM对超像素块进行分类,避免了固定阈值对于算法自适应性的影响。该算法不涉及到烟雾的运动特征,突破了传统林火烟雾检测算法中需要摄像机固定的限制,适用于摄像机对森林进行动态全景采样时的情况。
由于烟雾的出现早于火焰,烟检测对于早期林火检测至关重要。传统的森林火灾烟检测算法需要结合烟雾的静态特征和动态特征,但现实中摄像头并不总是静止的,这就给动态特征的提取造成困难。本发明研究单帧视频图像中的烟雾检测,首先由SLIC超像素分割算法,根据位置和颜色的相似性将像素分组,降低后续处理的复杂度,以及减少噪声点对于检测的影响。再经天地线检测,排除掉最大干扰物——云对于烟雾检测的干扰,这对于降低误检率具有至关重要的作用。最后,再选用分类能力较强的SVM分类器对超像素进行分类,与传统的设定固定阈值检测的方法相比,模式分类器能降低误检率,从而实验林火烟雾的正确检测。
具体实施方式
具体实施方式一:
本实施方式的基于图像分割的森林火灾烟雾检测方法,所述方法包括以下步骤:
SLIC超像素分割
超像素是由一系列位置相邻并且特性相似的像素点组成的小区域。SLIC是对k-means聚类算法的一种改进,其根据颜色和空间定义像素之间的距离,通过限制搜索空间降低计算量,计算复杂度和像素的个数N成线性关系,而独立于超像素的个数K。
步骤一、初始化:
对于在CIELAB空间中的彩色图像,初始化K个聚类中心;将聚类中心移至3×3邻域的最低梯度处,以避免把聚类中心在边缘或者噪声点上;
步骤二、分配:
在分配过程中,根据度量的相似度,把每个像素i和它最近的聚类中心相关联,并设置搜索域以减少距离运算,这是算法加速的关键;所述的搜索域是指仅在超像素中心点附近的2S×2S区域内进行的搜索;
其中,相似度的度量公式为:
dc和ds分别为像素点的颜色距离和空间距离,并对其进行归一化,以统一这两个测度,利用D'表示归一化后像素点的相似性;
步骤三、更新:
当每个像素被归类到最近的簇心后,用区域内所有像素的矢量的平均值更新簇心;分配和更新步骤可以被反复迭代,直到L2收敛,所述的迭代次数为10次,满足收敛要求;最后,把孤立的像素点合并到最近的超像素中;
步骤四、超像素合并:
将上述步骤运用超像素分割算法对森林图像进行分割以后,目标烟雾区域被分为一些相似的超像素块,形成过分割现象;之后,为了解决过分割而导致的烟雾目标被分为多个部分的问题,需要对过分割图像进行区域合并:
区域合并的经典方法是区域邻接图(RAG)和最近近邻图(NNG),其概念清晰,但是具体实现过程并不简单。本发明提出了一种新的超像素合并算法:
有序遍历当前像素块,通过当前像素块和相邻像素块的迭代合并,解决超像素的过分割问题,得到完整的烟雾区域,并用matlab进行程序仿真。具体算法如下,
输入过分割图像,执行下述步骤输出超像素合并后的图像:
初始化参数Label和label_change,都设置为零;
每个超像素循环执行以下步骤:
1.判断当前块是否已经被标记,若是,返回当前块的标号,并执行下一步;
否则,跳出循环;
2.取与当前块相邻的超像素块标号,并检测相邻块中已被标记的块,
判断如果每一个相邻块的相邻块没有被标记,则结束本次循环;
否则,判断当前块和相邻块是否为相似的:
若是用相邻块的label标记当前块,之后结束整个循环;
否则,结束本次循环
3.检测标号是否变化,若是,标签重置为0;
否则,结束;
步骤五、天空和地面之间进行分割:
拍摄森林画面时,往往会摄入天空部分。将拍摄的森林画面与天空部分分割。由于云和烟雾的光谱特征相似,在用光谱特征进行疑似区域提取时,会把云判为疑似区域。为了减少天空部分的干扰,这里引入天空和地面之间进行分割算法。检测地平线对于人而言是非常直观的,但是对计算机而言却是一个极大的挑战,气候的变化,一天中不同光照的影响,地形的不同等都会使天空和地面的外观发生变化,所以一个稳健的天地线检测算法应研究天空和地面的相对差异,而并不是它们的绝对外观。
在现有的天地线检测研究中,大多数算法的前提是假设天地线是水平的,本发明使其适应不同形状的地平线的检测,大致思想如下。通过图像二值化处理:取原始图像的蓝色通道,根据最大类间方差自动确定阈值,对图像进行二值化;
提取水平边缘:用sobel垂直梯度模板对二值化的图像提取水平边缘;
检测地平线:将图像等分为x段垂直条带,x可以根据图像的实际大小而定,在每一列带内,对每一行进行处理,逐行将行向量的值累加到一点,选择累加值较大的几个点为候选点;再对候选点求取J值,J值最大的候选点就是所要找的边缘点;
其中
分别表示矩阵Σs、Σg的特征值;s代表天空,g代表地面;地平线拟合:对不同列带内的边缘点进行直线拟合,填充整条地平线;
步骤六、烟雾识别:
为了检测出烟雾区域,需在超像素分割后,检测出烟雾区域以对像素块进行分类;一般而言可以用模式分类器或者启发式阈值进行分类,考虑到系统的自适应性,本发明选用支持向量机(SVM)进行烟雾识别,使用libsvm,根据光谱信特征,对超像素块进行二分类,即烟雾像素块和非烟雾像素块。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的基于图像分割的森林火灾烟雾检测方法,所述的步骤六中,对超像素块进行二分类的过程为,可供研究的相关特征很多,例如光谱特征、纹理特征、几何特征等,但是考虑到森林环境的复杂性,根据烟雾形状的不确定性以及监控距离的限制,分析像素块的光谱信息特征;烟雾本身和森林背景在光谱信息方面有明显的差异;在RGB和HIS颜色空间,提取各超像素块R、G、B、M-N、S和I的均值,以及各像素块灰度值的均方差作为模式分类器的输入特征。其中M和N是R、G、B的最大值和最小值;选用46个烟雾像素块,53个背景像素块作为训练集。3个典型的烟雾区域和3个典型的非烟雾区域相关参数在归一化后的差别;烟雾区域的RGB三个颜色通道均值的差值小于非烟雾区域,其饱和度低,颜色接近于灰白色(I值较大),与经典算法中对烟雾性质的描述相符。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种基于图像分割的森林火灾烟雾检测方法,其特征在于:所述方法包括以下步骤:
步骤一、初始化:
对于在CIELAB空间中的彩色图像,初始化K个聚类中心;将聚类中心移至3×3邻域的最低梯度处,以避免把聚类中心在边缘或者噪声点上;
步骤二、分配:
根据度量的相似度,把每个像素i和它最近的聚类中心相关联,并设置搜索域;所述的搜索域是指仅在超像素中心点附近的2S×2S区域内进行的搜索;
其中,相似度的度量公式为:
dc和ds分别为像素点的颜色距离和空间距离,并对其进行归一化,以统一这两个测度,利用D'表示归一化后像素点的相似性;
步骤三、更新:
当每个像素被归类到最近的簇心后,用区域内所有像素的矢量的平均值更新簇心;分配和更新步骤可以被反复迭代,直到L2收敛,所述的迭代次数为10次,满足收敛要求;最后,把孤立的像素点合并到最近的超像素中;
步骤四、超像素合并:
将上述步骤运用超像素分割算法对森林图像进行分割以后,目标烟雾区域被分为一些相似的超像素块,形成过分割现象;之后,对过分割图像进行区域合并:
有序遍历当前像素块,通过当前像素块和相邻像素块的迭代合并,解决超像素的过分割问题,得到完整的烟雾区域,
输入过分割图像,执行下述步骤输出超像素合并后的图像:
初始化参数Label和label_change,都设置为零;
每个超像素循环执行以下步骤:
1.判断当前块是否已经被标记,若是,返回当前块的标号,并执行下一步;
否则,跳出循环;
2.取与当前块相邻的超像素块标号,并检测相邻块中已被标记的块,
判断如果每一个相邻块的相邻块没有被标记,则结束本次循环;
否则,判断当前块和相邻块是否为相似的:
若是用相邻块的label标记当前块,之后结束整个循环;
否则,结束本次循环
3.检测标号是否变化,若是,标签重置为0;
否则,结束;
步骤五、天空和地面之间进行分割:
将拍摄的森林画面与天空部分分割,通过图像二值化处理:取原始图像的蓝色通道,根据最大类间方差自动确定阈值,对图像进行二值化;
提取水平边缘:用sobel垂直梯度模板对二值化的图像提取水平边缘;
检测地平线:将图像等分为x段垂直条带,x可以根据图像的实际大小而定,在每一列带内,对每一行进行处理,逐行将行向量的值累加到一点,选择累加值较大的几个点为候选点;再对候选点求取J值,J值最大的候选点就是所要找的边缘点;
其中
分别表示矩阵Σs、Σg的特征值;s代表天空,g代表地面;地平线拟合:对不同列带内的边缘点进行直线拟合,填充整条地平线;
步骤六、烟雾识别:
在超像素分割后,检测出烟雾区域以对像素块进行分类;选用支持向量机进行烟雾识别,使用libsvm,根据光谱信特征,对超像素块进行二分类,即烟雾像素块和非烟雾像素块。
2.根据权利要求1所述的基于图像分割的森林火灾烟雾检测方法,其特征在于:所述的步骤六中,对超像素块进行二分类的过程为,根据烟雾形状的不确定性以及监控距离的限制,分析像素块的光谱信息特征;烟雾本身和森林背景在光谱信息方面有明显的差异;在RGB和HIS颜色空间,提取各超像素块R、G、B、M-N、S和I的均值,以及各像素块灰度值的均方差作为模式分类器的输入特征;其中,M和N是R、G、B的最大值和最小值;选用46个烟雾像素块,53个背景像素块作为训练集;3个典型的烟雾区域和3个典型的非烟雾区域相关参数在归一化后的差别;烟雾区域的RGB三个颜色通道均值的差值小于非烟雾区域,其饱和度低,颜色接近于灰白色(I值较大),与经典算法中对烟雾性质的描述相符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495497.1A CN110222644A (zh) | 2019-06-10 | 2019-06-10 | 基于图像分割的森林火灾烟雾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495497.1A CN110222644A (zh) | 2019-06-10 | 2019-06-10 | 基于图像分割的森林火灾烟雾检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222644A true CN110222644A (zh) | 2019-09-10 |
Family
ID=67816159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495497.1A Pending CN110222644A (zh) | 2019-06-10 | 2019-06-10 | 基于图像分割的森林火灾烟雾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222644A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126187A (zh) * | 2019-12-09 | 2020-05-08 | 上海眼控科技股份有限公司 | 火情检测方法、系统、电子设备及存储介质 |
CN111178275A (zh) * | 2019-12-30 | 2020-05-19 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的火灾检测方法 |
CN111815664A (zh) * | 2020-07-08 | 2020-10-23 | 云南电网有限责任公司电力科学研究院 | 一种火点检测方法和系统 |
CN113177467A (zh) * | 2021-04-27 | 2021-07-27 | 上海鹰觉科技有限公司 | 火焰识别方法及系统、装置、介质 |
CN113537099A (zh) * | 2021-07-21 | 2021-10-22 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN113780195A (zh) * | 2021-09-15 | 2021-12-10 | 北京林业大学 | 一种基于块提取的森林火灾烟雾根节点检测方法 |
CN114708559A (zh) * | 2022-05-31 | 2022-07-05 | 杭州微影软件有限公司 | 一种图像处理方法、装置、热成像设备及存储介质 |
CN115115996A (zh) * | 2022-08-30 | 2022-09-27 | 江苏南通二建集团讯腾云创智能科技有限公司 | 一种基于超像素分割的楼宇智能化消防火灾识别方法 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN115661017A (zh) * | 2022-12-29 | 2023-01-31 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
CN117058670A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117876646A (zh) * | 2024-03-11 | 2024-04-12 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶发花图像采集方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984953A (zh) * | 2014-04-23 | 2014-08-13 | 浙江工商大学 | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 |
CN104408745A (zh) * | 2014-11-18 | 2015-03-11 | 北京航空航天大学 | 一种基于视频图像的实时烟雾场景检测方法 |
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
CN106056139A (zh) * | 2016-05-26 | 2016-10-26 | 东华大学 | 一种基于图像分割的森林火灾烟雾检测方法 |
US20160328841A1 (en) * | 2015-05-08 | 2016-11-10 | Siemens Aktiengesellschaft | Region Clustering Forest for Analyzing Medical Imaging Data |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
-
2019
- 2019-06-10 CN CN201910495497.1A patent/CN110222644A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984953A (zh) * | 2014-04-23 | 2014-08-13 | 浙江工商大学 | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 |
CN104408745A (zh) * | 2014-11-18 | 2015-03-11 | 北京航空航天大学 | 一种基于视频图像的实时烟雾场景检测方法 |
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
US20160328841A1 (en) * | 2015-05-08 | 2016-11-10 | Siemens Aktiengesellschaft | Region Clustering Forest for Analyzing Medical Imaging Data |
CN106056139A (zh) * | 2016-05-26 | 2016-10-26 | 东华大学 | 一种基于图像分割的森林火灾烟雾检测方法 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
Non-Patent Citations (1)
Title |
---|
禹素萍等: "基于图像分割的森林火灾早期烟检测算法研究", 《计算机工程与应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126187A (zh) * | 2019-12-09 | 2020-05-08 | 上海眼控科技股份有限公司 | 火情检测方法、系统、电子设备及存储介质 |
CN111178275A (zh) * | 2019-12-30 | 2020-05-19 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的火灾检测方法 |
CN111815664B (zh) * | 2020-07-08 | 2023-10-17 | 云南电网有限责任公司电力科学研究院 | 一种火点检测方法和系统 |
CN111815664A (zh) * | 2020-07-08 | 2020-10-23 | 云南电网有限责任公司电力科学研究院 | 一种火点检测方法和系统 |
CN113177467A (zh) * | 2021-04-27 | 2021-07-27 | 上海鹰觉科技有限公司 | 火焰识别方法及系统、装置、介质 |
CN113537099A (zh) * | 2021-07-21 | 2021-10-22 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN113780195A (zh) * | 2021-09-15 | 2021-12-10 | 北京林业大学 | 一种基于块提取的森林火灾烟雾根节点检测方法 |
CN114708559A (zh) * | 2022-05-31 | 2022-07-05 | 杭州微影软件有限公司 | 一种图像处理方法、装置、热成像设备及存储介质 |
CN114708559B (zh) * | 2022-05-31 | 2022-11-04 | 杭州微影软件有限公司 | 一种图像处理方法、装置、热成像设备及存储介质 |
CN115115996A (zh) * | 2022-08-30 | 2022-09-27 | 江苏南通二建集团讯腾云创智能科技有限公司 | 一种基于超像素分割的楼宇智能化消防火灾识别方法 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN115661017A (zh) * | 2022-12-29 | 2023-01-31 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
CN115661017B (zh) * | 2022-12-29 | 2023-09-22 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
CN117058670A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117058670B (zh) * | 2023-10-12 | 2024-01-02 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117876646A (zh) * | 2024-03-11 | 2024-04-12 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶发花图像采集方法 |
CN117876646B (zh) * | 2024-03-11 | 2024-05-28 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶发花图像采集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222644A (zh) | 基于图像分割的森林火灾烟雾检测方法 | |
Mushrif et al. | Color image segmentation: Rough-set theoretic approach | |
Zhao et al. | Detecting tomatoes in greenhouse scenes by combining AdaBoost classifier and colour analysis | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN104077605B (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
Xue et al. | Design of digital camouflage by recursive overlapping of pattern templates | |
CN103996046B (zh) | 基于多视觉特征融合的人员识别方法 | |
CN106056139A (zh) | 一种基于图像分割的森林火灾烟雾检测方法 | |
CN105513053B (zh) | 一种用于视频分析中背景建模方法 | |
CN105913441A (zh) | 一种用于改善视频中目标检测性能的阴影去除方法 | |
CN108364278B (zh) | 一种岩心裂缝提取方法和系统 | |
AU2014277853A1 (en) | Object re-identification using self-dissimilarity | |
CN112001251A (zh) | 基于人体解析与衣着颜色相结合的行人重识别方法及系统 | |
CN108108695B (zh) | 基于红外视频图像的火焰检测识别方法 | |
CN108710840A (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
CN107067412A (zh) | 一种多信息融合的视频火焰烟雾检测方法 | |
Xiong et al. | Early smoke detection of forest fires based on SVM image segmentation | |
CN110751089A (zh) | 基于数字图像和卷积特征的火焰目标检测方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN104392461A (zh) | 一种基于纹理特征的视频跟踪方法 | |
Alvarado-Robles et al. | An approach for shadow detection in aerial images based on multi-channel statistics | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN110298893A (zh) | 一种行人衣着颜色识别模型的生成方法及装置 | |
CN107103301B (zh) | 视频目标时空最大稳定性判别性颜色区域匹配方法和系统 | |
CN107274374A (zh) | 一种基于计算机视觉技术的烟雾监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |