CN111882568B - 火灾图像边缘提取处理方法、终端及系统 - Google Patents
火灾图像边缘提取处理方法、终端及系统 Download PDFInfo
- Publication number
- CN111882568B CN111882568B CN202010595018.6A CN202010595018A CN111882568B CN 111882568 B CN111882568 B CN 111882568B CN 202010595018 A CN202010595018 A CN 202010595018A CN 111882568 B CN111882568 B CN 111882568B
- Authority
- CN
- China
- Prior art keywords
- fire
- flame
- image
- edge extraction
- target object
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 126
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 55
- 238000001514 detection method Methods 0.000 claims description 18
- 241000227425 Pieris rapae crucivora Species 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008030 elimination Effects 0.000 abstract description 5
- 238000003379 elimination reaction Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 239000000126 substance Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000383 hazardous chemical Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Abstract
本申请涉及火灾图像边缘提取处理方法、终端及系统,属于火灾火焰提取技术领域。本申请包括:获取目标物的火灾图像;利用像素RGB和HSV信息对火灾图像进行像素筛选,得到目标物的第一火灾二值图,以及将火灾图像转换成灰度图,并利用Otsu算法得到目标物的第二火灾二值图;将第一火灾二值图和第二火灾二值图进行相与处理,得到目标物的第三火灾二值图;对第三火灾二值图进行边缘提取,得到目标物的第一目标火焰边缘提取图。与经典canny算法和局部去干扰改进型canny算法相比,本申请的火灾图像边缘提取效果更好,因而,通过本申请有助于提升火灾火焰提取的准确性。
Description
技术领域
本申请属于火灾火焰提取技术领域,具体涉及火灾图像边缘提取处理方法、终端及系统。
背景技术
火灾事故是最频繁同时也是造成最严重的破坏后果之一的事故,在各种火灾事故之中,化工火灾尤其是危化品火灾,其后果是极其可怕的,因为火灾一旦发生就会产生化学品泄漏和爆炸的风险,一旦爆炸就会产生强大的破坏力,或造成重大的人员财产损失。
图像识别是危化品仓储堆垛的火灾检测的有效方案之一,尤其是针对早期火灾的发展态势,可以根据火灾火焰的形态特征比如形状轮廓,面积变化,尖角数等特征来判断。为了获取这些火灾火焰基本的特征,可以采用边缘检测技术来实现。边缘检测技术广泛用于图像识别领域,主要用来提取图像中的主体对象的边缘轮廓信息,以达到快速识别检测出图像核心信息。
请参阅图1,图1是根据一示例性实施例示出的危化品堆垛火灾成像图,在相关技术中,提出用经典Canny算法提取火灾火焰的边缘轮廓信息,实现了对火灾场景下主体火焰的边缘提取和判断,请参阅图2,图2为采用经典canny算法对图1处理得到的火灾火焰提取图。Canny算法的具体原理步骤如下:
第1步:利用高斯滤波对图像平滑去噪,技术公式如下所示:
其中(x,y)是图像像素点的坐标,σ是正态分布的标准偏差。
第2步:找寻图像灰度值的强度梯度,技术公式如下所示:
其中G是梯度模,θ是梯度方向角,Gx和Gy分别是水平和垂直方向的差分。
第3步:利用非最大抑制技术来消除边误检,只保留每个像素点上梯度强度的极大值像素点。
第4步:利用双阈值的方法来得到可能的边界点像素点,设定高低阈值th,tl,这一步对于灰度值在th之上的像素点,规定为强边缘点;在th,tl范围内的点规定弱边缘点。
第5步:利用滞后的边界跟踪,检查每个弱边缘点的8连通领域内的像素点,只要有强边缘点存在,那么这个弱边缘点就可以保留下来。最后只保留全部强边缘点和部分弱边缘点,构成了Canny算法的最终处理结果。
针对危化品堆垛火灾场景,经过试验,虽然经典Canny可以对很多物体包括火灾火焰实现边缘检测,但是存在的缺陷也很明显:Canny的高低阈值选取有很大缺陷,因为是人工经验型的,很难做到真正精确的高低阈值选取,影响最终的火焰边缘提取效果。
针对经典canny的不足之处,相关技术中也提出相关的改进,对普通图像主体对象的边缘提取效果有一定的改善提升,说明边缘提取算法存在明显的改善优化空间。例如局部去干扰改进型canny算法,请参阅图3,图3为采用局部去干扰改进型canny算法对图1处理得到的火灾火焰提取图,通过比较图2和图3可知,虽然相对于经典canny算法在火灾场景全局去噪和局部去干扰上有一定的改善,但是还是存在较为明显的非火焰因素干扰,严重影响后续基于火焰基本特征的火情判断,所以针对危化品堆垛火灾场景下火灾检测的边缘提取技术还是需要改进。
由于经典canny算法和局部去干扰改进型canny算法对危化品堆垛火灾提取火焰主体边缘信息均存在较为严重的非火焰因素干扰的问题,因而,在火灾火焰边缘提取方面,还存在着改进的需求。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供火灾图像边缘提取处理方法、终端及系统,有助于提升火灾火焰提取的准确性。
为实现以上目的,本申请采用如下技术方案:
第一方面,
本申请提供火灾图像边缘提取处理方法,所述方法包括:
获取目标物的火灾图像;
利用像素RGB和HSV信息对所述火灾图像进行像素筛选,得到所述目标物的第一火灾二值图,以及将所述火灾图像转换成灰度图,并利用Otsu算法得到所述目标物的第二火灾二值图;
将所述第一火灾二值图和所述第二火灾二值图进行相与处理,得到所述目标物的第三火灾二值图;
对所述第三火灾二值图进行边缘提取,得到所述目标物的第一目标火焰边缘提取图。
进一步地,所述利用像素RGB和HSV信息对所述火灾图像进行像素筛选,包括:
利用预设公式:
对所述火灾图像进行像素筛选;
其中,R、G、B对应为RGB的三个分量,Rt是红色分量的阈值,V为HSV信息中的饱和度值,Vt是饱和度的阈值。
进一步地,Rt取值范围为55~65;Vt取值范围在115~135。
进一步地,所述利用Otsu算法得到所述目标物的第二火灾二值图,包括:
根据类间方差公式,遍历预设灰度区间,得到使类间方差最大的像素灰度阈值;
根据所得到的使类间方差最大的像素灰度阈值,对由所述火灾图像转换成的灰度图进行分离处理,得到所述第二火灾二值图。
进一步地,所述方法还包括:
获取所述目标物的非火灾图像;
利用所述像素RGB和HSV信息对所述非火灾图像进行像素筛选,得到所述目标物的第一非火灾二值图,以及将所述非火灾图像转换成灰度图,并利用Otsu算法得到所述目标物的第二非火灾二值图;
将所述第一非火灾二值图和所述第二非火灾二值图进行相与处理,得到所述目标物的第三非火灾二值图;
对所述第三非火灾二值图进行边缘提取,得到所述目标物的非火灾边缘提取图;
将所述第一目标火焰边缘提取图和所述非火灾边缘提取图进行相与处理,得到所述目标物的第二目标火焰边缘提取图。
进一步地,所述方法还包括:
获取对所述火灾图像进行人工标注边缘轮廓而得到的火焰边缘轮廓和非火焰物边缘轮廓,其中,所述火焰边缘轮廓和所述非火焰物边缘轮廓均为白色轮廓;
根据所述火焰边缘轮廓生成火焰标签图,以及根据所述非火焰物边缘轮廓生成非火焰标签图;
将所述第二目标火焰边缘提取图与所述火焰标签图进行相与处理,得到第一公共白色像素点数,以及将所述第二目标火焰边缘提取图与所述非火焰标签图进行相与处理,得到第二公共白色像素点数;
根据预设准确率计算公式:
Acc=(numA*3+Num_label_B–numB*3)/(Num_label_A+Num_label_B),
得到针对所述目标物的所述第二目标火焰边缘提取图的火焰检测准确率;
其中,
Acc为火焰检测准确率;
Num_label_A为所述火焰标签图的白色像素点数;
Num_label_B为所述非火焰标签图的白色像素点数;
numA为第一公共白色像素点数;
numB为第二公共白色像素点数。
进一步地,所述方法包括:
获取根据其它火焰边缘提取算法对所述火灾图像进行处理得到的火焰边缘提取图;
将根据所述其它火焰边缘提取算法所得到的火焰边缘提取图与所述火焰标签图进行相与处理,得到所述第一公共白色像素点数,以及将根据所述其它火焰边缘提取算法所得到的火焰边缘提取图与所述非火焰标签图进行相与处理,得到所述第二公共白色像素点数;
根据所述准确率计算公式,得到针对根据所述其它火焰边缘提取算法所得到的火焰边缘提取图的火焰检测准确率,以及根据所得到的各火焰检测准确率对各火焰边缘提取算法进行比较。
进一步地,所述其它火焰边缘提取算法包括:经典canny算法,和/或,局部去干扰改进型canny算法。
第二方面,
本申请提供火灾图像边缘提取处理终端,包括:
一个或者多个存储器,其上存储有可执行程序;
一个或者多个处理器,用于执行所述存储器中的所述可执行程序,以实现上述中任一项所述方法的步骤。
第三方面,
本申请提供火灾图像边缘提取处理系统,包括:
如上述所述的火灾图像边缘提取处理终端;以及
摄像装置,与所述火灾图像边缘提取处理终端连接。
本申请采用以上技术方案,至少具备以下有益效果:
通过本申请,结合像素RGB、HSV信息、Otsu图像背景前景分离、图像相与滤波去干扰技术,即基于像素颜色信息的改进型边缘提取技术,针对危化品堆垛火灾场景下的火灾检测,得到的结果是,相比较经典canny算法和局部去干扰改进型canny算法,在有效保留火焰主体特征信息的同时,基本上可以更好地去除非火焰因素的干扰,有效保留火焰的基本特征,排除无关因素的干扰,提升火灾火焰提取的准确性,从而有效降低后续基于火焰基本特征的判断失误的可能性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的危化品堆垛火灾成像图;
图2为采用经典canny算法对图1处理得到的火灾火焰提取图;
图3为采用局部去干扰改进型canny算法对图1处理得到的火灾火焰提取图;
图4是根据一示例性实施例示出的火灾图像边缘提取处理方法的流程图;
图5为利用像素RGB和HSV信息对火灾图像进行像素筛选处理得到的二值图;
图6为利用Otsu算法对火灾图像进行处理得到的二值图;
图7为图5和图6进行相与处理得到的二值图;
图8为根据图7提取边缘所得到的第一目标火焰边缘提取图;
图9为经相与处理得到目标物的非火灾边缘提取图;
图10为根据图8和图9进行相与操作得到的第二目标火焰边缘提取图;
图11为由人工标注得到的火焰标签图;
图12为由人工标注得到的非火焰标签图;
图13是根据一示例性实施例示出的火灾图像边缘提取处理终端的框图结构示意图;
图14是根据一示例性实施例示出的火灾图像边缘提取处理系统的框图结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
本申请的第一方面,请参考图4,图4是根据一示例性实施例示出的火灾图像边缘提取处理方法的流程图,如图4所示,该火灾图像边缘提取处理方法包括如下步骤:
步骤S101、获取目标物的火灾图像。
具体的,在实际应用中,目标物可以为危化品堆垛,通过摄像装置来对危化品堆垛进行监控,当危化品堆垛发生火灾时,获取危化品堆垛的火灾图像。
步骤S102、利用像素RGB和HSV信息对所述火灾图像进行像素筛选,得到所述目标物的第一火灾二值图,以及将所述火灾图像转换成灰度图,并利用Otsu算法得到所述目标物的第二火灾二值图。
具体的,对于危化品堆垛火灾原图,火焰像素在RGB信息中,红色分量R是最大分量,即R>G,R>B;且像素HSV信息中饱和度V值满足相关的条件,利用火焰RGB信息中的红色分量R,HSV信息中的饱和度值V来初步地选取大致的火焰区域,方法公式如下所示:
其中,参数Rt是红色分量的阈值,范围在55~65;Vt是饱和度的阈值,范围在115~135。具体处理结果请参阅图5,图5为利用像素RGB和HSV信息对火灾图像进行像素筛选处理得到的二值图。
进一步地,所述利用Otsu算法得到所述目标物的第二火灾二值图,包括:
根据类间方差公式,遍历预设灰度区间,得到使类间方差最大的像素灰度阈值;
根据所得到的使类间方差最大的像素灰度阈值,对由所述火灾图像转换成的灰度图进行分离处理,得到所述第二火灾二值图。
利用Otsu算法分离前景和背景,参考利用大津阈值法Otsu,分离图像的主体部分和背景部分,得到更为精确的前景区域。
原图对应的灰度图分辨率为m*n,利用一个像素灰度阈值t,对图像进行两种像素分类,即前景像素和背景像素;令前景像素的数量为n0,比例占w0,平均灰度值为u0;背景像素的数量为n1,比例占w1,平均灰度值为u1;灰度图的总体平均灰度值为u,类间方差为g。这些参数满足以下要求:
经过以上公式的推导,得到类间方差g的公式如下所示:
g=w0*w1*(u0-u1)^2 (5)
采用灰度值0~255遍历的方法得到使类间方差g最大的阈值t,即为所求阈值。当类间方差g最大的分割意味着错分概率最小,对应的阈值t就能把灰度图的前景和背景分离得越精确。具体处理结果请参阅图6,图6为利用Otsu算法对火灾图像进行处理得到的二值图。
步骤S103、将所述第一火灾二值图和所述第二火灾二值图进行相与处理,得到所述目标物的第三火灾二值图。
具体的,由于经典的canny算法或者局部去除干扰改进型canny算法无法有效去除特征明显的非火焰因素干扰,因此考虑先定位大致的火焰区域,排除绝大部分的明显特征干扰物。
利用像素RGB、HSV信息进行像素筛选,经过试验,得到大致的火焰区域二值图,如图5所示,但是依旧存在明显的堆垛内容干扰,需要去除。
考虑Otsu算法可以有效分离前景和背景,此处火焰视为前景内容,其余视为背景内容。经过试验,效果良好,如图6所示,堆垛信息大部分被分离去除,只保留一小部分,但是却引入了背景墙线条的强烈干扰,也需要去除。
利用二值图图像相与技术,将两张二值图进行按位相与处理。即只有白色&白色,结果才为白色,否则都为黑色。其中白色像素的灰度值为255,即1111 1111,黑色像素的灰度值为0,即0000 0000。
二值图的相与公式如下所示:
具体处理结果请参阅图7,图7为图5和图6进行相与处理得到的二值图。
步骤S104、对所述第三火灾二值图进行边缘提取,得到所述目标物的第一目标火焰边缘提取图。
具体的,可以调用opencv的二值图边缘提取函数findContours(),对相与二值图进行边缘提取,得到目标物的第一目标火焰边缘提取图,具体处理结果请参阅图8,图8为根据图7提取边缘所得到的第一目标火焰边缘提取图。
将图8分别与图2和图3相比,显然地,通过本申请,结合像素RGB、HSV信息、otsu图像背景前景分离、图像相与滤波去干扰技术,即基于像素颜色信息的改进型边缘提取技术,针对危化品堆垛火灾场景下的火灾检测,得到的结果是,相比较经典canny算法和局部去干扰改进型canny算法,在有效保留火焰主体特征信息的同时,基本上可以更好地去除非火焰因素的干扰,有效保留火焰的基本特征,较好地排除无关因素的干扰,提升火灾火焰提取的准确性,从而有效降低后续基于火焰基本特征的判断失误的可能性。
虽然,图8所得到的火灾火焰边缘提取效果得到明显的提升,但是,仍可以发现的是,图8中目标物的前景部分也一并随火焰被提取出来。对此,本申请给出了如下解决方案,以排除该无关因素的干扰。
在本申请的一个实施例中,所述方法还包括:
获取所述目标物的非火灾图像;
利用所述像素RGB和HSV信息对所述非火灾图像进行像素筛选,得到所述目标物的第一非火灾二值图,以及将所述非火灾图像转换成灰度图,并利用Otsu算法得到所述目标物的第二非火灾二值图;
将所述第一非火灾二值图和所述第二非火灾二值图进行相与处理,得到所述目标物的第三非火灾二值图;
对所述第三非火灾二值图进行边缘提取,得到所述目标物的非火灾边缘提取图;
将所述第一目标火焰边缘提取图和所述非火灾边缘提取图进行相与处理,得到所述目标物的第二目标火焰边缘提取图。
具体的,对无火焰状态下的目标物重复上述几个步骤,得到如图9所示的二值图,图9为经相与处理得到目标物的非火灾边缘提取图。
将第一目标火焰边缘提取图与非火灾边缘提取图进行相与操作,得到进一步优化的第二目标火焰边缘提取图,具体请参阅图10,图10为根据图8和图9进行相与操作得到的第二目标火焰边缘提取图,从图10可知,火灾火焰的边缘提取得到进一步的优化是更为理想的边缘提取图。
在本申请的一个实施例中,所述方法还包括:
获取对所述火灾图像进行人工标注边缘轮廓而得到的火焰边缘轮廓和非火焰物边缘轮廓,其中,所述火焰边缘轮廓和所述非火焰物边缘轮廓均为白色轮廓;
根据所述火焰边缘轮廓生成火焰标签图,以及根据所述非火焰物边缘轮廓生成非火焰标签图;
将所述第二目标火焰边缘提取图与所述火焰标签图进行相与处理,得到第一公共白色像素点数,以及将所述第二目标火焰边缘提取图与所述非火焰标签图进行相与处理,得到第二公共白色像素点数;
根据预设准确率计算公式:
Acc=(numA*3+Num_label_B–numB*3)/(Num_label_A+Num_label_B),
得到针对所述目标物的所述第二目标火焰边缘提取图的火焰检测准确率;
其中,
Acc为火焰检测准确率;
Num_label_A为所述火焰标签图的白色像素点数;
Num_label_B为所述非火焰标签图的白色像素点数;
numA为第一公共白色像素点数;
numB为第二公共白色像素点数。
进一步地,所述方法包括:
获取根据其它火焰边缘提取算法对所述火灾图像进行处理得到的火焰边缘提取图;
将根据所述其它火焰边缘提取算法所得到的火焰边缘提取图与所述火焰标签图进行相与处理,得到所述第一公共白色像素点数,以及将根据所述其它火焰边缘提取算法所得到的火焰边缘提取图与所述非火焰标签图进行相与处理,得到所述第二公共白色像素点数;
根据所述准确率计算公式,得到针对根据所述其它火焰边缘提取算法所得到的火焰边缘提取图的火焰检测准确率,以及根据所得到的各火焰检测准确率对各火焰边缘提取算法进行比较。
进一步地,所述其它火焰边缘提取算法包括:经典canny算法,和/或,局部去干扰改进型canny算法。
下述通过具体应用对上述相关实施例进行说明。
利用人工标注的边缘信息作为参考,其中边缘信息全部为白色,保留的对象是火焰最外围的边缘轮廓、堆垛的边界轮廓、背景墙的杂物线条轮廓、以及右上角的油桶线条轮廓。
由于危化品堆垛火灾场景的火焰检测,最后只保留火焰信息,其余信息都不需要,所以各个边缘提取算法处理得到的白色像素点全部默认为是火焰点,但是都分别要和火焰标签图label_A(图中只有火焰最外围的边缘,3px勾勒)、非火焰标签图label_B(图中只保留堆垛、背景墙、油桶的边缘信息,3px勾勒)进行相与操作,得到公共白色像素点数numA,numB。请参阅图11和图12,其中,图11为由人工标注得到的火焰标签图,图12为由人工标注得到的非火焰标签图。
参数说明:
Num_label_A:火焰标签图label_A的白色点数;
Num_label_B:非火焰标签图label_B的白色点数;
numA:各个边缘提取算法和火焰标签图相与得到的公共白色像素点数;
numB:各个边缘提取算法和非火焰标签图相与得到的公共白色像素点数;
说明:标签图用3px勾勒,目的是减少误差,因为经典canny算法、局部去干扰改进型canny算法,以及本文算法都是1px勾勒的边缘,所以最后的公共白色点数要乘3处理。
具体应用中,利用上述准确率计算公式可以对经典canny算法、局部去干扰改进型canny算法与本申请的方法进行实验结果对比,来对各个算法进行评述。
本申请的第二方面,请参阅图13,图13是根据一示例性实施例示出的火灾图像边缘提取处理终端的框图结构示意图,如图13所示,该火灾图像边缘提取处理终端2包括:
一个或者多个存储器201,其上存储有可执行程序;
一个或者多个处理器202,用于执行所述存储器201中的所述可执行程序,以实现上述中任一项所述方法的步骤。
关于上述实施例中的火灾图像边缘提取处理终端2,其处理器202执行存储器201的程序的具体方式已经在上述有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请的第三方面,请参阅图14,图14是根据一示例性实施例示出的火灾图像边缘提取处理系统的框图结构示意图,如图14所示,该火灾图像边缘提取处理系统3包括:
如上述所述的火灾图像边缘提取处理终端2;以及
摄像装置4,与所述火灾图像边缘提取处理终端2连接。
关于上述实施例中的火灾图像边缘提取处理系统3,其具体工作方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
关于上述实施例中的可读存储介质,其存储的执行程序执行操作的具体方式已经在上述有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”、“多”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为:表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.火灾图像边缘提取处理方法,其特征在于,所述方法包括:
获取目标物的火灾图像;
利用像素RGB和HSV信息对所述火灾图像进行像素筛选,得到所述目标物的第一火灾二值图,以及将所述火灾图像转换成灰度图,并利用Otsu算法得到所述目标物的第二火灾二值图;
将所述第一火灾二值图和所述第二火灾二值图进行相与处理,得到所述目标物的第三火灾二值图;
对所述第三火灾二值图进行边缘提取,得到所述目标物的第一目标火焰边缘提取图;
还包括:
获取所述目标物的非火灾图像;
利用所述像素RGB和HSV信息对所述非火灾图像进行像素筛选,得到所述目标物的第一非火灾二值图,以及将所述非火灾图像转换成灰度图,并利用Otsu算法得到所述目标物的第二非火灾二值图;
将所述第一非火灾二值图和所述第二非火灾二值图进行相与处理,得到所述目标物的第三非火灾二值图;
对所述第三非火灾二值图进行边缘提取,得到所述目标物的非火灾边缘提取图;
将所述第一目标火焰边缘提取图和所述非火灾边缘提取图进行相与处理,得到所述目标物的第二目标火焰边缘提取图。
2.根据权利要求1所述的方法,其特征在于,所述利用像素RGB和HSV信息对所述火灾图像进行像素筛选,包括:
利用预设公式:
对所述火灾图像进行像素筛选;
其中,R、G、B对应为RGB的三个分量,Rt是红色分量的阈值,V为HSV信息中的饱和度值,Vt是饱和度的阈值。
3.根据权利要求2所述的方法,其特征在于,Rt取值范围为55~65;Vt取值范围在115~135。
4.根据权利要求1所述的方法,其特征在于,所述利用Otsu算法得到所述目标物的第二火灾二值图,包括:
根据类间方差公式,遍历预设灰度区间,得到使类间方差最大的像素灰度阈值;
根据所得到的使类间方差最大的像素灰度阈值,对由所述火灾图像转换成的灰度图进行分离处理,得到所述第二火灾二值图。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取对所述火灾图像进行人工标注边缘轮廓而得到的火焰边缘轮廓和非火焰物边缘轮廓,其中,所述火焰边缘轮廓和所述非火焰物边缘轮廓均为白色轮廓;
根据所述火焰边缘轮廓生成火焰标签图,以及根据所述非火焰物边缘轮廓生成非火焰标签图;
将所述第二目标火焰边缘提取图与所述火焰标签图进行相与处理,得到第一公共白色像素点数,以及将所述第二目标火焰边缘提取图与所述非火焰标签图进行相与处理,得到第二公共白色像素点数;
根据预设准确率计算公式:
Acc=(numA*3+Num_label_B-numB*3)/(Num_label_A+Num_label_B),
得到针对所述目标物的所述第二目标火焰边缘提取图的火焰检测准确率;
其中,
Acc为火焰检测准确率;
Num_label_A为所述火焰标签图的白色像素点数;
Num_label_B为所述非火焰标签图的白色像素点数;
numA为第一公共白色像素点数;
numB为第二公共白色像素点数。
6.根据权利要求5所述的方法,其特征在于,所述方法包括:
获取根据其它火焰边缘提取算法对所述火灾图像进行处理得到的火焰边缘提取图;
将根据所述其它火焰边缘提取算法所得到的火焰边缘提取图与所述火焰标签图进行相与处理,得到所述第一公共白色像素点数,以及将根据所述其它火焰边缘提取算法所得到的火焰边缘提取图与所述非火焰标签图进行相与处理,得到所述第二公共白色像素点数;
根据所述准确率计算公式,得到针对根据所述其它火焰边缘提取算法所得到的火焰边缘提取图的火焰检测准确率,以及根据所得到的各火焰检测准确率对各火焰边缘提取算法进行比较。
7.根据权利要求6所述的方法,其特征在于,所述其它火焰边缘提取算法包括:经典canny算法,和/或,局部去干扰改进型canny算法。
8.火灾图像边缘提取处理终端,其特征在于,包括:
一个或者多个存储器,其上存储有可执行程序;
一个或者多个处理器,用于执行所述存储器中的所述可执行程序,以实现权利要求1-7中任一项所述方法的步骤。
9.火灾图像边缘提取处理系统,其特征在于,包括:
如权利要求8所述的火灾图像边缘提取处理终端;以及
摄像装置,与所述火灾图像边缘提取处理终端连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595018.6A CN111882568B (zh) | 2020-06-28 | 2020-06-28 | 火灾图像边缘提取处理方法、终端及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595018.6A CN111882568B (zh) | 2020-06-28 | 2020-06-28 | 火灾图像边缘提取处理方法、终端及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882568A CN111882568A (zh) | 2020-11-03 |
CN111882568B true CN111882568B (zh) | 2023-09-15 |
Family
ID=73157055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010595018.6A Active CN111882568B (zh) | 2020-06-28 | 2020-06-28 | 火灾图像边缘提取处理方法、终端及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882568B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686858A (zh) * | 2020-12-29 | 2021-04-20 | 熵智科技(深圳)有限公司 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
CN112801845A (zh) * | 2021-02-02 | 2021-05-14 | 北京石油化工学院 | 基于量子图像的水印嵌入方法、提取方法和量子线路 |
CN114418942A (zh) * | 2021-12-12 | 2022-04-29 | 西安昆仑工业(集团)有限责任公司 | 一种基于canny算法的火焰轮廓解算方法 |
CN115394039A (zh) * | 2022-08-26 | 2022-11-25 | 新创碳谷控股有限公司 | 基于双颜色空间分割的火焰检测方法、设备及存储介质 |
CN115713833A (zh) * | 2022-08-30 | 2023-02-24 | 新创碳谷集团有限公司 | 一种基于面积特征的火焰检测方法、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000268270A (ja) * | 1999-03-19 | 2000-09-29 | Sogo Keibi Hosho Co Ltd | 画像処理による火災検知方法及び火災検知装置 |
CN104504382A (zh) * | 2015-01-13 | 2015-04-08 | 东华大学 | 一种基于图像处理技术的火焰识别算法 |
CN107025652A (zh) * | 2017-05-05 | 2017-08-08 | 太原理工大学 | 一种基于运动特性和颜色时空信息的火焰检测方法 |
CN206863442U (zh) * | 2017-05-10 | 2018-01-09 | 公安部天津消防研究所 | 一种火灾痕迹物证拍照装置 |
CN107730517A (zh) * | 2017-11-10 | 2018-02-23 | 公安部天津消防研究所 | 一种基于自适应亮度分割的火灾视频图像分析算法 |
CN109145689A (zh) * | 2017-06-28 | 2019-01-04 | 南京理工大学 | 一种机器人火灾检测方法 |
CN109359554A (zh) * | 2018-09-21 | 2019-02-19 | 南京信息工程大学 | 一种基于多合成图像处理技术的森林火灾识别方法 |
CN109741306A (zh) * | 2018-12-26 | 2019-05-10 | 北京石油化工学院 | 应用于危险化学品库房堆垛的图像处理方法 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101237089B1 (ko) * | 2011-10-12 | 2013-02-26 | 계명대학교 산학협력단 | 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 |
-
2020
- 2020-06-28 CN CN202010595018.6A patent/CN111882568B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000268270A (ja) * | 1999-03-19 | 2000-09-29 | Sogo Keibi Hosho Co Ltd | 画像処理による火災検知方法及び火災検知装置 |
CN104504382A (zh) * | 2015-01-13 | 2015-04-08 | 东华大学 | 一种基于图像处理技术的火焰识别算法 |
CN107025652A (zh) * | 2017-05-05 | 2017-08-08 | 太原理工大学 | 一种基于运动特性和颜色时空信息的火焰检测方法 |
CN206863442U (zh) * | 2017-05-10 | 2018-01-09 | 公安部天津消防研究所 | 一种火灾痕迹物证拍照装置 |
CN109145689A (zh) * | 2017-06-28 | 2019-01-04 | 南京理工大学 | 一种机器人火灾检测方法 |
CN107730517A (zh) * | 2017-11-10 | 2018-02-23 | 公安部天津消防研究所 | 一种基于自适应亮度分割的火灾视频图像分析算法 |
CN109359554A (zh) * | 2018-09-21 | 2019-02-19 | 南京信息工程大学 | 一种基于多合成图像处理技术的森林火灾识别方法 |
CN109741306A (zh) * | 2018-12-26 | 2019-05-10 | 北京石油化工学院 | 应用于危险化学品库房堆垛的图像处理方法 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
Non-Patent Citations (5)
Title |
---|
An Autoadaptive Edge-Detection Algorithm for Flame and FIre Image Processing;Tian Qiu等;IEEE Transactions on Instrumentation and Measurement;第1486-1493页 * |
One Extended OTSU flame Image recognition Method Using RGBL and Stripe segmentation;Wei Gang Yan等;Applied Mechanics and Materials;第121-126页 * |
基于视频图像的火灾识别算法研究;张杰;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(第12期);第B026-4页 * |
基于视频的火灾火焰检测;张宾;中国优秀硕士学位论文全文数据库 信息科技辑(第6期);第I138-2089页 * |
运动区域提取和闪频分析并行的火焰检测算法;陈垂雄;严云洋;刘以安;高尚兵;周静波;;数据采集与处理(02);第224-230页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111882568A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882568B (zh) | 火灾图像边缘提取处理方法、终端及系统 | |
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
US7639878B2 (en) | Shadow detection in images | |
US9953229B2 (en) | Traffic light detection | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
US9031285B2 (en) | Detection of floating objects in maritime video using a mobile camera | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
Sridevi et al. | A survey on monochrome image segmentation methods | |
US10521659B2 (en) | Image processing device, image processing method, and image processing program | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
WO2021118463A1 (en) | Defect detection in image space | |
CN107610132B (zh) | 一种古籍文档图像污渍去除方法 | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
CN107818583A (zh) | 十字中心检测方法及装置 | |
Ahmad et al. | A geometric-based method for recognizing overlapping polygonal-shaped and semi-transparent particles in gray tone images | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
Othman et al. | Road crack detection using adaptive multi resolution thresholding techniques | |
EP2919149A2 (en) | Image processing apparatus and image processing method | |
CN113744200B (zh) | 一种摄像头脏污检测方法、装置及设备 | |
JP2016115084A (ja) | 対象物検出装置及びプログラム | |
Magnier et al. | A quantitative error measure for the evaluation of roof edge detectors | |
CN115830049A (zh) | 角点检测的方法和装置 | |
Ushma et al. | Object detection in image processing using edge detection techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |