CN115797372B - 一种基于组合型图像分割的火焰目标提取方法 - Google Patents

Abstract

本发明公开一种基于组合型图像分割的火焰目标提取方法，应用于双目视觉的火焰空间定位系统；火焰目标提取方法包括：获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓，双目视觉的火焰空间定位系统包括：图像获取单元和火焰三维信息获取单元，方法研究了图像形态学运算的相关知识；并针对所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题，利用图像形态学处理的方法，对提取的火焰目标区域进行了进一步的改善；最终获得了较为理想的火焰目标区域以及火焰边缘轮廓。还公开了对应系统、电子设备及计算机可读存储介质。

Description

一种基于组合型图像分割的火焰目标提取方法

技术领域

本发明属于安全科学与工程技术领域，尤其涉及一种基于组合型图像分割的火焰目标提取方法。

背景技术

及时并准确地探测火灾应该包含两方面的意义，一是从时间上及时探测到火灾并报警，二是从空间上准确探测到火灾并实施灭火。但是，仅仅做到及时探测并早期预警还远远不够，如果不能准确找到火点，这将给后续的扑救和调查带来很大的困难。及时探测火灾并早期预警一直都是火灾探测领域的研究热点。传统的感温、感烟、感光等探测技术应用都已经比较成熟；新型的图像型探测技术的研究也日渐深入，相应的产品也已经有工程实例。但是无论是传统的探测器还是图像型探测器都主要研究了及时探测火灾的问题，关于如何在空间上准确定位火焰位置的研究却并不多。

基于阈值的火焰图像分割和基于区域的火焰图像分割，都能简单的实现对火焰图像的分割，但是效果又都不是很理想：基于阈值的分割，在进行图像分割时，简单的利用一个预设的阈值将图像一分为二，没有考虑到目标区域和背景区域的空间关系，分割时容易产生一些孤立的噪点，抗干扰能力差；基于区域的火焰图像分割，以图像像素的空间性质为出发点，将空间性质相似的像素点聚为一类，这样的分割，具有比较好的整体性和稳定性，但是由于初始“种子”的选取过于主观，实用性、操作性不强。

发明内容

本发明的目的是提供一种基于组合型图像分割的火焰目标提取方法，基于组合型图像分割的火焰目标提取方法，研究了图像形态学运算的相关知识；并针对所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题，利用图像形态学处理的方法，对提取的火焰目标区域进行了进一步的改善；最终获得了较为理想的火焰目标区域以及火焰边缘轮廓。

火焰目标区域提取，是实现火焰空间定位的基础，是将双目视觉定位技术应用于火焰空间定位的纽带。为了实现对火焰区域的空间定位，有必要将火焰区域从整个图像中离出来，这主要通过图像分割技术来实现。火焰目标提取的好坏也将直接影响到后续火焰区域匹配和定位的精度。

参见图1，本发明一方面提供了一种基于组合型图像分割的火焰目标提取方法，该方法应用于双目视觉的火焰空间定位系统，双目视觉的火焰空间定位系统包括：图像获取单元，用于从不同视角同步获取火焰图像和/或视频，所述图像获取单元为两台视角不同的摄像机；以及火焰三维信息获取单元，基于所述火焰图像和/或视频根据双目视觉原理求解火焰三维信息，从而实现火焰的空间定位；

火焰目标提取方法包括：

S1，获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；

S2，对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓，从而解决所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题。

优选的，所述S1中所述基于图像形态学运算对火焰图像进行组合型图像分割实施前还包括对火焰图像进行预处理，对火焰图像进行预处理包括直方图修正和图像滤波。

优选的，所述直方图修正为基于直方图均衡化对图像进行图像增强处理，具体步骤如下：

1、列出原图像的灰度图像中的灰度级r_k，k＝0,1,2…L-1，其中L是图像中灰度级总数；

2、统计出各灰度级的像素数目n_k，k＝0,1,2…L-1；

3、按照式(1)计算原灰度直方图中各灰度级的频率p(r_k)：对于一幅数字图像f(x,y)，其像素总数为N，用r_k表示第k灰度级对应的灰度，n_k表示具有灰度r_k的像素的个数，按照灰度值的大小，统计每个灰度级出现频率p(r_k)，用数学表达式表示为：

4、计算灰度级的累积分布函数

5、确定输出图像的灰度级s_k，k＝0,1,2…L-1，计算公式如下：

s_k＝int[(L-1)*C(r_k)+0.5] (2)

6、确定输入图像灰度级r_k到输出图像灰度级s_k的对应关系(r_k→s_k)；

7、统计新直方图各灰度级像素个数n_k，k＝0,1,2…L-1；

8、按照式(1)计算直方图，根据第6步的对应关系(r_k→s_k)获得输出图像。

优选的，所述图像滤波为中值率滤波，首先确定一个尺寸为m×n的模板，模板所覆盖的像素按灰度值从小到大排序，用中间灰度值来代替原灰度值，具体操作步骤如下：

1、设置一个尺寸为奇数的模板，将该模板按一定顺序遍历整个图像；

2、读取模板对应的图像子块中每一个像素的灰度值；

3、将这些灰度值从小到大排列；

4、将排在中间的灰度值赋给模板中心对应的像素。数学表示为：

其中，s是以像素点(a,b)为中心的一个邻域。

优选的，所述S1基于图像形态学运算对火焰图像进行组合型图像分割包括：

将阈值分割和区域分割组合起来，以期得到比较理想的操作性强的火焰分割方法，具体实现步骤如下：

1、一次分割：根据最大类间方差法对图像进行一次分割；

2、设经一次分割获得的火焰目标区域为A，统计区域A的平均灰度W_A，计算公式如下：

其中，f(i,j)为区域A中各像素点的灰度值，N_A为区域A中像素点的总数；

3、计算区域A的平均灰度W_A与最佳阈值T的差值ΔT；

4、二次分割，以灰度值为W_A的像素点作为区域生长法的初始“种子”，以ΔT作为相似性准则的门限，即与“种子”的灰度值相差小于ΔT的像素，认为是与“种子”相似的，与“种子”区域合并，利用区域生长法对图像进行二次分割。利用该组合分割方法的进行火焰图像的分割。

优选的，所述S2包括开运算和闭运算，所述开运算就是先进行腐蚀操作然后再膨胀；而闭运算正好相反，基于闭运算对分割后的二值图像进行降噪和平滑处理将获得的图像中的狭窄的缺口连接起来，使得目标区域轮廓更圆滑。

本发明的第二方面提供一种基于组合型图像分割的火焰目标提取系统，包括：

图像获取及组合型分割模块，用于获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；

形态学模块，用于对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓，从而解决所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题。

本发明的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。

本发明提供的方法、装置、电子设备以及计算机可读存储介质，具有如下有益的技术效果：

(1)在仿生学原理的基础上，结合数字图像处理和立体视觉等技术，以实现火焰空间定位的一种监测技术，利用两只摄像机同时对目标环境进行监控，如果发现火情，就及时获取火焰的双目图像，根据双目立体视觉原理，求出火焰目标的空间坐标，实现从空间上准确探测到火灾，从而指导消防设施和消防人员实施灭火工作，同时还可以为火调工作提供参考资料，具有突出的理论意义和应用价值。

(2)基于组合型图像分割的火焰目标提取方法，研究了图像形态学运算的相关知识；并针对所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题，利用图像形态学处理的方法，对提取的火焰目标区域进行了进一步的改善；最终获得了较为理想的火焰目标区域以及火焰边缘轮廓。

附图说明

图1为根据本发明优选实施例示出的基于组合型图像分隔的火焰目标提取方法流程图；

图2(a)和图2(b)为根据本发明优选实施例示出的原始灰度图像以及均衡化处理后的灰度图像；

图3为根据本发明优选实施例示出的像素A的邻域示意图；

图4(a)-(c)为根据本发明优选实施例示出的利用5×5滑动窗口分别对图像进行线性滤波和中值滤波的对比图，其中图4(a)为滤波前灰度图像，图4(b)为线性滤波结果，图4(c)为中值滤波结果；

图5为根据现有技术示出的基于阈值的分割结果示意图；图5(a)为根据本发明优选实施例示出的原始灰度图像1；图5(b)为根据本发明优选实施例示出的图像1的分割结果；图5(c)为根据本发明优选实施例示出的原始灰度图像2；图5(d)为根据本发明优选实施例示出的图像2的分割结果；

图6为根据现有技术示出的基于区域生长法的分割结果示意图；图6(a)为根据本发明优选实施例示出的原始灰度图像1；图6(b)为根据本发明优选实施例示出的图像1的分割结果；图6(c)为根据本发明优选实施例示出的原始灰度图像2；图6(d)为根据本发明优选实施例示出的图像2的分割结果；

图7为根据本发明优选实施例示出的组合分割法的分割结果示意图；图7(a)为根据本发明优选实施例示出的原始灰度图像1；图7(b)为根据本发明优选实施例示出的图像1的分割结果；图7(c)为根据本发明优选实施例示出的原始灰度图像2；图7(d)为根据本发明优选实施例示出的图像2的分割结果；

图8为根据本发明优选实施例示出的闭运算处理结果示意图，其中图8(a)为分割后的二值图像，图8(b)为闭运算处理结果图；

图9为本发明提供的电子设备一种实施例的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例一

火焰目标区域提取，是实现火焰空间定位的基础，是将双目视觉定位技术应用于火焰空间定位的纽带。为了实现对火焰区域的空间定位，有必要将火焰区域从整个图像中离出来，这主要通过图像分割技术来实现。火焰目标提取的好坏也将直接影响到后续火焰区域匹配和定位的精度。

参见图1，一种基于组合型图像分割的火焰目标提取方法，该方法应用于双目视觉的火焰空间定位系统，双目视觉的火焰空间定位系统包括：图像获取单元，用于从不同视角同步获取火焰图像和/或视频，所述图像获取单元为两台视角不同的摄像机；以及火焰三维信息获取单元，基于所述火焰图像和/或视频根据双目视觉原理求解火焰三维信息，从而实现火焰的空间定位；

火焰目标提取方法包括：

S1，获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；

S2，对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓，从而解决所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题。

作为优选的实施方式，所述S1所述基于图像形态学运算对火焰图像进行组合型图像分割实施前还包括对火焰图像进行预处理。

一般来说，图像预处理是进行数字图像进行分析处理过程中必不可少的一部分。在数字图像获取的过程中，由于环境和设备本身的影响，图像中难免存在颜色失真、亮度分布不均、噪声过大等情况。因此在对图像进行进一步操作之前，首先需要对图像进行预处理，除去图像中的噪声等无关信息，改善图像的质量，本实施例中，对火焰图像进行预处理包括直方图修正和图像滤波。其中：

一、直方图修正

由于火焰本身亮度较大，通过视频采集系统采集到的火焰图像容易出现颜色失真、亮度分布不均等各种各样的情况，图像灰度往往会只在一个很小的范围内，这样图像就会显得模糊不清，没有层次感。直方图修正就是通过将直方图的动态范围变大以达到增强对比度、改善图像质量的方法。

数字图像的直方图描述了灰度图像中每一个灰度级与其出现的频率之间的统计关系。对于一幅数字图像f(x,y)，其像素总数为N，用r_k表示第k灰度级对应的灰度，n_k表示具有灰度r_k的像素的个数，按照灰度值的大小，统计每个灰度级出现频率p(r_k)，用数学表达式表示为：

如果以灰度级r_k为横坐标，频率p(r_k)为纵坐标作图像灰度的分布图，该图就定义为图像灰度直方图，它直观的描述了一幅图像中所有灰度级的分布情况。直方图修正通常有两种方法：直方图均衡化和直方图匹配。前者能使图像的细节变的清晰，后者一般用于匹配预先定义好的模板。本实施例中并没有预先定义好的模板，因此采用直方图均衡化对图像进行图像增强处理，具体步骤如下：

1、列出原图像的灰度图像中的灰度级r_k，k＝0,1,2…L-1，其中L是图像中灰度级总数；

2、统计出各灰度级的像素数目n_k，k＝0,1,2…L-1；

3、按照式(1)计算原灰度直方图中各灰度级的频率p(r_k)；

4、计算灰度级的累积分布函数

5、确定输出图像的灰度级s_k，k＝0,1,2…L-1，计算公式如下：

s_k＝int[(L-1)*C(r_k)+0.5] (2)

6、确定输入图像灰度级r_k到输出图像灰度级s_k的对应关系(r_k→s_k)；

7、统计新直方图各灰度级像素个数n_k，k＝0,1,2…L-1；

8、按照式(1)计算直方图，根据第6步的对应关系(r_k→s_k)获得输出图像。

本实施例利用MATLAB平台对图像进行直方图均衡化处理，处理结果参见图2(a)和图2(b)所示。

从图2(a)和2(b)可以看出，原始灰度图像中细节成分比较模糊，亮度不均匀，但是经过直方图均衡化处理后，图像中的细节成分明显变得清晰了，亮度也变均匀了，各灰度级的比例更加平衡，图像质量得到改善，为后面的分割打下了良好的基础。

二、图像滤波

在数字图像采集过程中，往往不可避免的会产生一些噪声，使图像质量下降，因此，有必要对图像进行滤波操作。图像滤波就是在某个邻域内，对该邻域内包围的图像像素执行某些预定义操作的过程，过程中产生一个新像素，该像素的坐标为邻域中心的坐标，像素的值为滤波操作的结果。根据这个预定义操作的不同，图像滤波可以分为线性滤波和非线性滤波。以线性滤波为例，设原图像像素为f(x,y)，滤波的响应结果为g(m,n)，线性滤波可以表示为：

其中，w(i,j)为滤波器的系数矩阵，s是以(m,n)为中心的一个邻域。常用的有均值滤波器和高斯滤波器，其系数矩阵分别为：

从式(3)可以看出，线性滤波器是在整个邻域内进行加权求和处理，但是这样容易造成目标边缘的模糊。以尺寸为3×3的线性滤波器为例，图3为图像中以A为中心大小为3×3的邻域；其中，A_i表示某类相近的值，B_i表示另一类相近的值。显然A、B之间存在边缘，这里如果直接使用线性滤波处理就会使得图像边缘变得模糊。

中值滤波能很好克服这个问题。中值滤波的基本思想是，首先确定一个尺寸为m×n的模板，模板所覆盖的像素按灰度值从小到大排序，用中间灰度值来代替原灰度值。具体操作步骤如下：

1、设置一个尺寸为奇数的模板，将该模板按一定顺序遍历整个图像；

2、读取模板对应的图像子块中每一个像素的灰度值；

3、将这些灰度值从小到大排列；

4、将排在中间的灰度值赋给模板中心对应的像素。数学表示为：

其中，s是以像素点(a,b)为中心的一个邻域。

图4(a)-(c)是本实施例利用5×5滑动窗口分别对图像进行线性滤波和中值滤波的对比图，其中图4(a)为滤波前灰度图像，图4(b)为线性滤波结果，图4(c)为中值滤波结果。对比图4(a)图、(b)图和(c)图可知，使用中值滤波和线性滤波都能在一定程度上去除噪声，但是线性滤波，明显使图像的边缘变得模糊，中值滤波的效果则明显优于线性滤波。

作为优选的实施方式，本实施例考虑到后续的处理，仅采用中值滤波对图像进行滤波处理。

图像分割的一般方法包括：

图像分割，就是根据图像像素的灰度、颜色、纹理等特性按照一定原则将图像分成若干个特定的、具有独特性质的部分或子集，并提取出感兴趣目标的技术和过程。对于本实施例而言，感兴趣的目标也就是火焰。

关于图像分割，可以借助集合的概念比较准确地描述图像分割的含义：假设现在有一幅图像，并将它记作A，那么对图像A的分割可以视为将图像A分成n个独立的子区域的过程，将这n个子区域分别记作A₁、A₂…A_n。那么这些子区域应该满足：

(1)

(2)A_i是一个连通区域，i＝1，2，3，…，n；

(3)对所有的i和j，i≠j；

(4)Q(A_i)＝TRUE，对i＝1，2，…，n；

(5)Q(A_i∪A_j)＝FALSE，对任意邻接区域A_i和A_j。

其中，表示空集；Q(A_i)定义为在图像集合A_i中元素的逻辑属性。如上述表达式所示：条件(1)描述是分割的完整性，即图像中每个像素都必须属于某个子区域，换言之，图像中每一个点都至少被归为某一类；条件(2)描述的是对每个子区域的限制，即分割的子区域中的像素是以某种预定义的方式连接的，是一个完整的连通的区域；条件(3)描述的是分割的充分性，即分割的每个子区域之间本身没有交集；条件(4)描述的是子区域的相似性，即同一子区域内的所有像素点应该在某些性质上具有一定的相似性；条件(5)描述的是各子区域的不连续性，即不同子区域在某些属性上必须是不同的。条件(1)和(3)定义了图像分割在数学意义上的充分和完整性，即不重复不遗漏；而条件(2)、(4)和(5)则是对各子区域性质的限定，是分割准则的体现，针对不同对象的应用也由此体现。

简言之，图像分割本质上就是聚类，也就是将图像中具有相似性质的像素进行聚类，从而将感兴趣的目标提取出来。就目前的研究进展来看，关于图像分割还没有通用的方法，一般来说，视具体研究对象不同所选的分割方法也不同。其中，最常用也最经典的分割方法有：基于阈值的分割方法和基于区域的分割方法。

一、基于灰度阈值的分割

该方法的基本假设是，图像由多个子区域组成，它们分别由灰度相似的像素组成。基于灰度阈值的图像分割正是以此为出发点，通过选取合适的阈值，将高于该阈值的像素划分到一个区域，而低于该阈值的像素则被归为另一类。换言之，经阈值分割处理后的图像可以通过式(5)来表达：

其中，f(x,y)是原灰度图像；g(x,y)是分割处理后的图像；T是分割的灰度阈值。

由式(3)可以看出，该算法最关键的部分就是如何选取合适的阈值T。关于阈值的选取可以笼统的分为三类：(1)直接阈值法；(2)迭代阈值法；(2)最大类间方差法。

直接阈值法，比较简单，通过观察图像灰度直方图的分布特性，主观选取可能合适的阈值，并反复进行试验，直到获得较好的分割效果为止。该方法因主观性太强而不实用。

迭代阈值法，类似于二分法解方程，其基本原理是：首先选取一个初始阈值T₀(一般取所有灰度中的最大值与最小值的平均)，利用该阈值，根据式(5)将图像分割成两组，再分别对两组图像内的像素灰度取平均值，将这两组图像的平均灰度的中间值作为新的阈值T，并重复上述过程，直到前后两次迭代的阈值的差不大于某个比较小的预先定义的参数δ_T为止。该算法有效地避免了主观因素的干扰，但是由于初始阈值和误差参数δ_T的选取具有一定的试探性，算法很容易因为这些参数选取不当而出现迭代次数过多的现象，甚至陷入死循环。

最大类间方差法，由Ostu在1979年提出一种自适应分割算法，所以又称Otsu法。其算法比较简单，效果也比较理想。该方法借助统计学的思想，以区域间方差最大这一准则为出发点，巧妙的将阈值选取转化成数学上的最优化问题，从而获得一个最佳阈值，最后利用该最佳阈值对图像进行分割，该算法的基本原理如下：

假设有大小为M×N的图像I，按照式(5)将灰度T作为阈值将图像分为两个部分，分别记作A和B。分别计算区域A和B的像素点数在整个图像中所占的比列P_A和P_B，区域A和B的平均灰度W_A、W_B，以及整幅图像的总平均灰度W₀。根据简单的统计原理可得区域A和B之间的类间方差σ²为：

σ²＝P_A(W_A-W₀)²+P_B(W_B-W₀)² (6)

显然，P_A、P_B、W_A、W_B、W₀和σ²都是关于灰度T的函数，因此根据方差最大化准则可以建立一个关于灰度T的最优化函数：

求解该最优化问题，获得的灰度T即为最佳阈值。

以下是利用最大类间方差法对采集到的火焰图像进行分割的结果，结果如图5(a)-(d)所示，图5(a)-(d)可以看出，该方法只适用于背景比较简单的火焰图像。图5中，火焰图像样本1，由于背景较暗，与火焰区域对比明显，分割效果比较好，而火焰图像样本2，由于地面反光，亮度比较大，与火焰区域相似，导致分割时将反光点也划为火焰区域了。同时，基于阈值的火焰分割方法，没有考虑像素的空间关系，分割出来的区域不连续，容易出现一些孤立的噪点。

二、基于区域的分割

基于阈值的分割方法，仅仅通过某个阈值来实现对图像的分割，但没考虑图像像素的空间关系。基于区域的分割方法，正好相反，它以图像的空间性质为出发点，直接在图像中寻找具有某些相似性质的像素划为一子区域。基于区域的分割方法最经典的就是区域生长法。

区域生长法就是根据某种预先定义的生长准则来把像素或子区域集合成为较大区域的处理方法。该方法的基本思想是：在图像中选取某些特定的像素作为“种子”，并以此作为生长的起点，通过某种预先定义的相似性准则，对与“种子”相邻的小区域内的像素与“种子”进行对比，若足够相似，则将它们合并为一类，将合并后的小区域作为新的“种子”，继续上述的生长过程，直到不再生长为止，这样就实现了对图像的分割处理。一般情况下，以相邻区域的灰度差小于某个阈值作为相似性准则。利用区域生长法对火焰图像进行分割结果如图6(a)-(d)所示，从图6(a)-(d)可以看出，利用区域生长法进行图像分割能够比较准确地分割出火焰区域，分割出来的火焰区域也比较稳定，整体性比较好，产生的孤立噪点也比较少，而且能够比较好的消除背景反光的干扰，分割效果比较理想。但是，区域生长法的分割依赖于初始“种子”和相似性准则的选取，具有一定的主观性，需要人为地选取火焰区域中的某个小区域为初始“种子”，然后进行区域生长，实现火焰区域的分割，因此，这样的分割在实用性并不强。

作为优选的实施方式，所述S1基于图像形态学运算对火焰图像进行组合型图像分割包括：

基于阈值的分割方法和基于区域的分割方法本身存在一定的互补性，因此本实施例提出了一种组合型的分割算法。该方法的基本思路就是将阈值分割和区域分割组合起来，以期得到比较理想的操作性强的火焰分割方法。具体实现步骤如下：

1、一次分割：根据最大类间方差法对图像进行一次分割；

2、设经一次分割获得的火焰目标区域为A，统计区域A的平均灰度W_A，计算公式如下：

其中，f(i,j)为区域A中各像素点的灰度值，N_A为区域A中像素点的总数；

3、计算区域A的平均灰度W_A与最佳阈值T的差值ΔT；

4、二次分割，以灰度值为W_A的像素点作为区域生长法的初始“种子”，以ΔT作为相似性准则的门限(即与“种子”的灰度值相差小于ΔT的像素，认为是与“种子”相似的，与“种子”区域合并)，利用区域生长法对图像进行二次分割。利用该组合分割方法的进行火焰图像的分割，效果如图7(a)-(d)所示，从图7(a)-(d)可以看出，组合型分割方法的分割效果类似于区域生长法，分割的火焰区域完整性和稳定性比较好，噪声点也比较少，优于最大类间方差法的分割效果，同时，有效地避免了区域生长法的主观性。该方法利用一次分割的结果作为区域生长的初始的“种子”区域，并以此建立灰度相似准则，避免了人为地选择初始的“种子”区域，相比区域生长法，更具有实用性和可操作性。

作为优选的实施方式，所述S2包括：

通过上述分析和处理，初步获得了火焰目标区域的二值图像。但是从分割的结果来看，火焰区域的边缘还比较粗糙，不利于下一步的分析和处理，一般情况下，还要对结果进行形态学处理，以获得比较平滑清晰的火焰边界。

膨胀是指将整个灰度图像或其中的某个区域A与某个预定义的结构元素B进行卷积的运算。这个结构元素B可以视为模板或是掩码，它可以是任何形状或大小，在结构元素B中定义一个参考点，一般情况下，结构元素B考虑选择以中间点为参考点的正方形或圆形。而膨胀运算其实就是取局部最大值的操作：将该预定义的结构元素B与图像A进行卷积，计算结构元素B所覆盖区域的像素点的最大值，并将该最大值赋给参考点所对应的图像像素，这样就会更加突出图像中高亮度区域。以公式的形式，结构元素B对图像A在位置(x,y)处的膨胀可以表示为：

相仿，腐蚀与膨胀正好相反，其计算的是结构元素B覆盖区域内的最小值。以公式的形式，结构元素B对图像A在位置(x,y)处的腐蚀可以表示为：

简单的腐蚀和膨胀在灰度级图像处理中效果并不是太理想，一般情况下，尤其在处理二值图像时，使用腐蚀和膨胀的组合运算，会使图像处理的效果更为理想，最常用的有开运算和闭运算。简言之，开运算就是先进行腐蚀操作然后再膨胀；而闭运算正好相反。为了将获得的图像中的狭窄的缺口连接起来，使得目标区域轮廓更圆滑，本文采用闭运算对分割后的二值图像进行降噪和平滑处理。处理结果如图8(a)-(b)所示，形态学闭运算可以平滑对象的轮廓，有效地融合细长的间断，并填充细小的孔洞。从图8(a)-(b)可以看出，经形态学闭运算处理后，分割得到的二值图像火焰轮廓边缘变得平滑，细小空洞也都得到填充。

实施例二

一种基于组合型图像分割的火焰目标提取系统，包括：

图像获取及组合型分割模块，用于获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；

形态学模块，用于对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓，从而解决所提取到的火焰目标区域边缘比较粗糙、存在噪点的问题。

本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的方法。

如图9所示，本发明还提供了一种电子设备，包括处理器301和与所述处理器301连接的存储器302，所述存储器302存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种基于组合型图像分割的火焰目标提取方法，其特征在于，该方法应用于双目视觉的火焰空间定位系统；火焰目标提取方法包括：

S1，获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；

S2，对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓；

双目视觉的火焰空间定位系统包括：图像获取单元，用于从不同视角同步获取火焰图像和/或视频，所述图像获取单元为两台视角不同的摄像机；以及火焰三维信息获取单元，基于所述火焰图像和/或视频根据双目视觉原理求解火焰三维信息，从而实现火焰的空间定位；

所述S1中所述基于图像形态学运算对火焰图像进行组合型图像分割实施前还包括对火焰图像进行预处理，对火焰图像进行预处理包括直方图修正和图像滤波；

所述直方图修正为基于直方图均衡化对图像进行图像增强处理，具体步骤如下：

(1)、列出原图像的灰度图像中的灰度级r_k，k＝0,1,2…L-1，其中L是图像中灰度级总数；

(2)、统计出各灰度级的像素数目n_k，k＝0,1,2…L-1；

(3)、按照式(1)计算原灰度直方图中各灰度级的频率p(r_k)：对于一幅数字图像f(x,y)，其像素总数为N，用r_k表示第k灰度级对应的灰度，n_k表示具有灰度r_k的像素的个数，按照灰度值的大小，统计每个灰度级出现频率p(r_k)，用数学表达式表示为：

(4)、计算灰度级的累积分布函数

(5)、确定输出图像的灰度级s_k，k＝0,1,2…L-1，计算公式如下：

s_k＝int[(L-1)*C(r_k)+0.5] (2)

(6)、确定输入图像灰度级r_k到输出图像灰度级s_k的对应关系(r_k→s_k)；

(7)、统计新直方图各灰度级像素个数n_k，k＝0,1,2…L-1；

(8)、按照式(1)计算直方图，根据第(6)步的对应关系(r_k→s_k)获得输出图像；

所述图像滤波为中值滤波，首先确定一个尺寸为m×n的模板，模板所覆盖的像素按灰度值从小到大排序，用中间灰度值来代替原灰度值，具体操作步骤如下：

(1)、设置一个尺寸为奇数的模板，将该模板按一定顺序遍历整个图像；

(2)、读取模板对应的图像子块中每一个像素的灰度值；

(3)、将这些灰度值从小到大排列；

(4)、将排在中间的灰度值赋给模板中心对应的像素，数学表示为：

其中，s是以像素点(a,b)为中心的一个邻域；

所述S1中基于图像形态学运算对火焰图像进行组合型图像分割包括：

将阈值分割和区域分割组合以期得到比较理想的操作性强的火焰分割方法，具体实现步骤如下：

一次分割：根据最大类间方差法对图像进行一次分割；

设经一次分割获得的火焰目标区域为A，统计区域A的平均灰度W_A，计算公式如下：

其中，f(i,j)为区域A中各像素点的灰度值，N_A为区域A中像素点的总数；

计算区域A的平均灰度W_A与最佳阈值T的差值ΔT；

二次分割，以灰度值为W_A的像素点作为区域生长法的初始“种子”，以ΔT作为相似性准则的门限，即与“种子”的灰度值相差小于ΔT的像素，认为是与“种子”相似的，与“种子”区域合并，利用区域生长法对图像进行二次分割，利用该组合分割方法的进行火焰图像的分割；

所述S2包括开运算和闭运算，所述开运算就是先进行腐蚀操作然后再膨胀；而闭运算正好相反，基于闭运算对分割后的二值图像进行降噪和平滑处理将获得的图像中的狭窄的缺口连接起来，使得目标区域轮廓更圆滑。

2.一种基于组合型图像分割的火焰目标提取系统，用于实施权利要求1所述的方法，其特征在于，包括：

图像获取及组合型分割模块，用于获取火焰图像，基于图像形态学运算对火焰图像进行组合型图像分割获得火焰目标区域的二值图像；

形态学模块，用于对火焰目标区域的二值图像进行形态学处理获得理想的火焰目标区域以及火焰边缘轮廓。

3.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1所述的方法。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1所述的方法。