CN117253144B - 一种火灾风险分级管控方法 - Google Patents

Abstract

本发明涉及图像增强技术领域，具体涉及一种火灾风险分级管控方法；根据热成像图的灰度图像进行分割获得灰度子图像，根据灰度子图像中像素点的灰度值变化特征获得温度扩散率；根据像素点的灰度差异特征和温度扩散率获得疑似噪声点。根据相邻采集时刻的灰度变化特征获得像素点波动指数；根据疑似噪声点的预设邻域范围内的像素点波动指数获得区域波动指数。根据区域波动指数获得灰度子图像的全局波动指数和NLM算法中的邻域窗口的自适应尺寸。本发明根据区域波动指数自适应调节邻域窗口的大小，能够在提高图像增强效果的同时减少计算量；进而提高了火灾风险管控的及时性和准确性。

Description

一种火灾风险分级管控方法

技术领域

本发明涉及图像增强技术领域，具体涉及一种火灾风险分级管控方法。

背景技术

由于火灾造成的生命与财产损失重大，对火灾隐患的监测越来越重要，能够在火灾初始阶段及时发现，最大程度的减少损失。目前对火灾隐患监测的技术和手段众多，例如对于小面积区域通过温度烟雾传感器、对于大面积区域通过热成像技术进行监测；其中热成像技术主要通过监测某区域的整体温度变化情况实现隐患监测。

而利用热成像技术拍摄过程中很容易受到环境的影响，产生不同程度的噪声，而噪声容易影响火灾隐患等级的判断，造成事故发生；现有的图像增强技术例如均值滤波、中值滤波等算法，在处理热成像图的噪声时容易受到多个噪声点密集分布的影响，图像增强效果差。为了提高增强效果可通过Non-Local Means非局部均值滤波算法，但该算法由于在增强过程中不能够自适应确定邻域窗口的大小，导致增强程度不能根据实际场景进行调节，影响增强准确性；同时计算量大，计算时间长，不利于火灾监测的及时性和准确性。

发明内容

为了解决上述通过NLM算法对热成像图进行图像增强，增强程度不能根据实际场景进行调节，影响增强准确性的技术问题，本发明的目的在于提供一种火灾风险分级管控方法，所采用的技术方案具体如下：

获取不同采集时刻的火灾监测区域热成像图的灰度图像；对所述灰度图像进行分割获得灰度子图像；根据所述灰度子图像中像素点灰度值的变化特征获得所述灰度子图像的温度扩散率；

根据所述灰度子图像中像素点与相邻的其他像素点的灰度差异特征、所述温度扩散率获得疑似噪声点；根据所述灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数；

根据所述疑似噪声点的预设邻域范围内像素点的所述像素点波动指数获得区域波动指数；根据所述区域波动指数获得全局波动指数；根据所述全局波动指数获得NLM算法的邻域窗口的自适应尺寸；根据自适应尺寸通过NLM算法对灰度子图像进行去噪获得去噪灰度图像；

根据所述去噪灰度图像的灰度变化特征确定火灾风险等级。

进一步地，所述根据所述灰度子图像中像素点灰度值的变化特征获得所述灰度子图像的温度扩散率的步骤包括：

计算所述灰度子图像的边界任意一个像素点与中心像素点的灰度值差值绝对值，获得边界任意一个像素点的温度差异表征值；计算所述灰度子图像的边界任意一个像素点与中心像素点的连线所经过的其他像素点的数量，获得距离表征值；计算所述灰度子图像的边界所有像素点的温度差异表征值与对应的距离表征值的比值的平均值，获得所述灰度子图像的温度扩散率。

进一步地，所述根据所述灰度子图像中像素点与相邻的其他像素点的灰度差异特征、所述温度扩散率获得疑似噪声点的步骤包括：

对于所述灰度子图像的边界的像素点与中心像素点的连线上经过的任意像素点，分别计算所述任意像素点与连线上相邻的两个其他像素点的灰度值差值绝对值，若得到的两个灰度值差值绝对值均不小于所述温度扩散率时，认为所述任意像素点为疑似噪声点。

进一步地，所述根据所述灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数的步骤包括：

对于所述灰度子图像中的任意位置像素点，计算所述任意位置像素点与相邻上一采集时刻的相同位置的像素点的灰度差值绝对值，获得第一时刻灰度差异值；计算所述任意位置像素点与相邻下一采集时刻的相同位置的像素点的灰度差值绝对值，获得第二时刻灰度差异值；计算所述第一时刻灰度差异值与所述第二时刻灰度差异值的和值，获得时间灰度变化率；将所述时间灰度变化率归一化，获得所述任意位置像素点的像素点波动指数。

进一步地，所述根据所述疑似噪声点的预设邻域范围内像素点的所述像素点波动指数获得区域波动指数的步骤包括：

计算所述疑似噪声点的预设邻域范围内的其他像素点的像素点波动指数的平均值，获得邻域波动均值；计算所述疑似噪声点的所述像素点波动指数和所述邻域波动均值的乘积，获得所述疑似噪声点的区域波动指数。

进一步地，所述根据所述区域波动指数获得全局波动指数的步骤包括：

计算所述灰度子图像中所有疑似噪声点的所述区域波动指数的平均值，获得所述灰度子图像的所述全局波动指数。

进一步地，所述根据所述全局波动指数获得NLM算法的邻域窗口的自适应尺寸的步骤包括：

将所述全局波动指数正相关映射到预设集合中，将所述全局波动指数对应的预设集合的元素作为NLM算法的邻域窗口的所述自适应尺寸。

进一步地，所述根据自适应尺寸通过NLM算法对灰度子图像进行去噪获得去噪灰度图像的步骤包括：

根据所述自适应尺寸对所述灰度子图像通过NLM算法进行去噪，获得去噪子图像，将所述去噪子图像进行拼接，获得去噪灰度图像。

进一步地，所述根据所述去噪灰度图像的灰度变化特征确定火灾风险等级的步骤包括：

将所述去噪灰度图像通过U-Net语义分割算法进行分割获得易燃区域，计算所述易燃区域的平均灰度值，根据预设滑动时间内的首末两张去噪灰度图像计算所述平均灰度值的变化率绝对值，获得等级指数；

当所述等级指数不超过预设等级阈值时，判断所述易燃区域未进入火灾风险级别，否则判断所述易燃区域进入火灾风险级别。

进一步地，所述对所述灰度图像进行分割获得灰度子图像的步骤包括：

通过SLIC超像素分割算法对所述灰度图像进行分割获得不同的超像素块，作为灰度子图像。

本发明具有如下有益效果：

在本发明实施例中，对灰度图像分割获得灰度子图像，便于后续对不同的灰度子图像进行自适应去噪，提高增强效果和效率；根据热成像的温度特征获得温度扩散率能够提高疑似噪声点的获取可靠性。获取疑似噪声点能够表征灰度子图像的噪声影响程度，进而确定后续的增强程度；获取像素点波动指数能够根据灰度变化特征分析该像素点的灰度变化稳定程度，进而可根据像素点波动指数反映噪声程度；根据区域波动指数获得全局波动指数能够反映该灰度子图像的整体噪声程度，进而根据整体噪声程度确定NLM算法中的邻域窗口的自适应尺寸，根据自适应尺寸通过NLM算法对灰度子图像图像增强；既提高了增强准确性，又降低了计算量，最终能够提高火灾监测的准确性和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种火灾风险分级管控方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种火灾风险分级管控方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种火灾风险分级管控方法的具体方案。

一种火灾风险分级管控方法实施例：

请参阅图1，其示出了本发明一个实施例提供的一种火灾风险分级管控方法流程图，该方法包括以下步骤：

步骤S1，获取不同采集时刻的火灾监测区域热成像图的灰度图像；对灰度图像进行分割获得灰度子图像；根据灰度子图像中像素点灰度值的变化特征获得灰度子图像的温度扩散率。

在本发明实施例中，实施场景为通过热成像技术对大面积区域的火灾隐患等级的分析监测。首先获取不同采集时刻的热成像图的灰度图像，热成像技术是一种能够进行大规模的火灾风险筛查的技术手段，在本发明实施例中，每间隔10秒为一个采集时刻，实施者可根据实施场景进行自行确定；将获取的热图像图转化为灰度图像。

根据热成像图的特征可知，其灰度图像中的噪声较多，噪声的分布情况比较混乱，若通过中值滤波或均值滤波可能会出现图像增强效果差的情况；故为了提高增强效果需要通过NLM非局部均值滤波算法进行去噪，该算法利用整幅图像去噪，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，能够较好的去掉图像中存在的高斯噪声。但该算法中图像块即邻域窗口的大小是固定的，难以根据实际场景进行自适应调节，若需要提高去噪效果则需要更长的计算时间，影响火灾监测的及时性；若需要提高及时性可能影响去噪效果导致监测出现误差。因此需要对NLM算法中邻域窗口的大小进行改进，能够根据实际场景进行自适应调节。

首先，因为热成像图是根据不同区域物体的温度不同而呈现颜色的差异，在灰度图像中体现为灰度值的差异；为了提高去噪效果，则需要对这些灰度值不同的区域进行分割，既能够将不同物体区域进行区分分析，同时提高了去噪效果的准确性和效率。故对灰度图像进行分割获得灰度子图像，优选地，在本发明一个实施例中，通过SLIC(simple lineariterativeclustering)超像素分割算法对灰度图像进行分割获得不同的超像素块，作为灰度子图像；需要说明的是，SLIC超像素分割算法属于现有技术，利用像素之间的特征相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征，具体步骤不再赘述。获取的每个灰度子图像内的像素点的特征相似，可以认为受火灾影响的情况是相同的。

进一步地，图像增强程度是根据噪声点的分布特征决定，故在去噪之前需要对噪声分布的特征进行分析。由于超像素分割是根据像素特征进行分割，热成像的温度图是由温度最高的部分向最低部分进行扩散的，很难出现断层式的温度变化，故在同一个灰度子图像内，其中心位置的中心像素点极大概率为该灰度子图像中温度最高的点，通过中心像素点至该灰度子图像的边界的像素点的灰度差异可反映温度变化情况；进而可根据灰度子图像中像素点灰度值的变化特征获得灰度子图像的温度扩散率。

优选地，在本发明一个实施例中，获取温度扩散率的步骤包括：计算该灰度子图像的边界任意一个像素点与中心像素点的灰度值差值绝对值，获得边界任意一个像素点的温度差异表征值；该温度差异表征值越大，意味着温度差异越大，该边界为灰度子图像的外围轮廓。计算该灰度子图像的边界任意一个像素点与中心像素点的连线所经过的其他像素点的数量，获得距离表征值；该距离表征值越大，意味着中心像素点距边界的像素点的距离越远。计算该灰度子图像的边界所有像素点的温度差异表征值与对应的距离表征值的比值的平均值，获得该灰度子图像的温度扩散率，温度扩散率越大，意味着该灰度子图像区域内的温度变化越剧烈；获取温度扩散率的公式具体包括：

式中，R表示灰度子图像的温度扩散率，N表示该灰度子图像的边界的像素点的数量，H表示该灰度子图像的中心像素点的灰度值，H_n表示灰度子图像中边界的第n个像素点的灰度值，L_n表示灰度子图像中边界的第n个像素点与中心像素点的连线所经过的其他像素点的数量，即距离表征值；|H-H_n|表示温度差异表征值。

步骤S2，根据灰度子图像中像素点与相邻的其他像素点的灰度差异特征、温度扩散率获得疑似噪声点；根据灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数。

获取灰度子图像的温度扩散率后，当该灰度子图像中存在噪声点时，该噪声点的灰度值和周围的其他像素点的灰度特征存在明显差异，导致该噪声点与周围的其他像素点的温度差异特征与该灰度子图像的温度扩散率不同；故根据灰度子图像中像素点与相邻的其他像素点的灰度差异特征、温度扩散率获得疑似噪声点。

优选地，在本发明一个实施例中，获取疑似噪声点包括：分别计算任意像素点与连线上相邻的两个其他像素点的灰度值差值绝对值，若得到的两个灰度值差值绝对值均不小于温度扩散率时，认为该任意像素点为疑似噪声点；此时意味着该任意像素点的灰度变化特征不符合该灰度子图像的温度扩散率，该任意像素点的灰度特征和周围的其他像素点差异较大，故认为该任意像素点为疑似噪声点。称为疑似噪声点的原因可能由于实际原因的存在导致不能完全确定该像素点为噪声像素点，但对于该类像素点的存在会影响整体的火灾监测，故需要统称为疑似噪声点进行去噪程度的分析。

进一步地，因为热成像图像是连续获取的，若某一个疑似噪声点在连续采集时刻的灰度子图像中的灰度存在较大变化，且其邻域附近的像素点灰度值同样变化较大，则该区域的噪声密度较高，且稳定性较差，则需要更大的去噪程度。故根据灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数。

优选地，在本发明一个实施例中，获取像素点波动指数包括：对于该灰度子图像中的任意位置像素点，计算该任意位置像素点与相邻上一采集时刻的相同位置的像素点的灰度差值绝对值，获得第一时刻灰度差异值；计算该任意位置像素点与相邻下一采集时刻的相同位置的像素点的灰度差值绝对值，获得第二时刻灰度差异值；当第一时刻灰度差异值和第二时刻灰度差异值越大，意味着相邻时刻的同一位置的灰度变化越大。计算该第一时刻灰度差异值与该第二时刻灰度差异值的和值，获得时间灰度变化率；当该时间灰度变化率的值越大，意味着该像素点在相邻采集时刻的灰度变化情况越严重，则该任意位置像素点的灰度变化越不稳定，为噪声的可能性越大。将该时间灰度变化率归一化，获得该任意位置像素点的像素点波动指数，当该像素点波动指数越接近1，意味着该任意位置在当前采集时刻为噪声像素点的可能性越大。

步骤S3，根据疑似噪声点的预设邻域范围内像素点的像素点波动指数获得区域波动指数；根据区域波动指数获得全局波动指数；根据全局波动指数获得NLM算法的邻域窗口的自适应尺寸；根据自适应尺寸通过NLM算法对灰度子图像进行去噪获得去噪灰度图像。

获取灰度子图像中每个像素点的波动指数后以及图像中的疑似噪声点后，则可根据疑似噪声点的预设邻域范围内像素点的像素点波动指数获得区域波动指数；优选地，在本发明一个实施例中，获取区域波动指数包括：计算疑似噪声点的预设邻域范围内的其他像素点的像素点波动指数的平均值，获得邻域波动均值；该邻域波动均值越大，意味着该疑似噪声点的邻域灰度变化越不稳定，该区域的整体噪声程度较大。计算疑似噪声点的像素点波动指数和邻域波动均值的乘积，获得疑似噪声点的区域波动指数；该区域波动指数越大，则意味着该疑似噪声点的预设邻域范围的噪声越强，越需要提高去噪程度。在本发明实施例中，预设邻域范围为疑似噪声点的八邻域，实施者可根据实施场景自行确定。

进一步地，获取每个区域波动指数后，为了反映灰度子图像整体的噪声程度，可根据区域波动指数获得全局波动指数，具体包括：计算该灰度子图像中所有疑似噪声点的区域波动指数的平均值，获得该灰度子图像的全局波动指数；当全局波动指数越大，则意味着该灰度子图像的噪声越明显且越密集，则需要进行更大程度的去噪；若该全局波动指数越小，意味着整体的噪声程度越不明显，去噪程度可适当减少，减少计算量和计算时间。

进而可根据全局波动指数获得NLM算法的邻域窗口的自适应尺寸，在NLM算法中，去噪逻辑为：对于任意一个像素点，设一个搜索框，该像素点在搜索框的中心，以该像素点为中心设置一个小框作为相似框，以相似框的大小设置邻域窗口在该搜索框中移动，计算各个移动位置与该像素点的相似性权重，进行加权求均值去噪，需要说明的是，该算法属于现有技术，具体去噪步骤不再赘述，对于邻域窗口的大小尺寸，在现有的算法中是预设值，无论噪声程度的高低都不会改变，但对于灰度子图像不同的采集时刻其噪声程度可能是不同，邻域窗口越大，越能够抵消噪声的影响，去噪效果越好。

优选地，在本发明一个实施例中，获取邻域窗口的自适应尺寸包括：将全局波动指数正相关映射到预设集合中，将全局波动指数对应的预设集合的元素作为NLM算法的邻域窗口的自适应尺寸。在本发明实施例中，预设集合为{3,5,7,9}，当全局波动指数越大，则映射到的预设集合的元素越大，邻域窗口的自适应尺寸越大，最大为9*9的邻域窗口，最小为3*3的邻域窗口，实施者可预先获取一定量的全局波动指数集合进行正相关映射，确定不同的全局波动指数的范围所对应的预设集合的元素，实施者可根据实施场景自行确定预设集合。

获得灰度子图像对应的NLM算法的邻域窗口的自适应尺寸后，可根据该自适应尺寸对该灰度子图像通过NLM算法进行去噪，获得去噪子图像，将不同的去噪子图像进行拼接，获得去噪灰度图像，需要说明的是NLM算法属于现有技术，具体去噪步骤不再赘述。至此，当该灰度子图像的全局波动指数越大，则需要越大的自适应尺寸，提高去噪效果，但此时的计算时间越长；当该灰度子图像的全局波动指数越小，则可使用越小的自适应尺寸，降低了计算量与计算时间，提高了火灾监测的及时性。进而根据灰度图像中不同区域的灰度子图像的不同全局波动指数进行自适应去噪，既提高了去噪效果，又降低了计算时间；进而提高了火灾监测的准确性和及时性。

步骤S4，根据去噪灰度图像的灰度变化特征确定火灾风险等级。

获得不同采集时刻的去噪灰度图像后，可根据去噪灰度图像的灰度变化特征确定火灾风险等级；优选地，在本发明一个实施例中，确定火灾风险等级包括：将去噪灰度图像通过U-Net语义分割算法进行分割获得易燃区域，需要说明的是，U-Net语义分割算法属于现有技术，具体分割步骤不再赘述；因有些区域的结构不会发生火灾，故为了提高分析准确性以及减少计算量，只对易燃区域进行分析。

进一步地，计算易燃区域的平均灰度值，根据预设滑动时间内的首末两张去噪灰度图像计算平均灰度值的变化率绝对值，获得等级指数；在正常情况下，若未发生火灾时其平均灰度值的变化是缓慢不明显的，等级指数趋于0；当发生火灾时，温度开始变化，其整体灰度值变化明显，等级指数变大。在本发明实施例中，预设滑动时间为2分钟，即计算两分钟内第一张和最后一张的去噪灰度图像的平均灰度值的变化率绝对值，实施者可根据实施场景自行确定。当该等级指数不超过预设等级阈值时，判断该易燃区域未进入火灾风险级别，否则判断该易燃区域进入火灾风险级别，需要及时采取消防措施。在本发明实施例中，预设等级阈值为1.5，实施者可根据实施场景自行确定。

综上所述，本发明实施例提供了一种火灾风险分级管控方法；根据热成像图的灰度图像进行分割获得灰度子图像，根据灰度子图像中像素点的灰度值变化特征获得温度扩散率；根据像素点的灰度差异特征和温度扩散率获得疑似噪声点。根据相邻采集时刻的灰度变化特征获得像素点波动指数；根据疑似噪声点的预设邻域范围内的像素点波动指数获得区域波动指数。根据区域波动指数获得灰度子图像的全局波动指数和NLM算法中的邻域窗口的自适应尺寸。本发明根据区域波动指数自适应调节邻域窗口的步长，能够在提高图像增强效果的同时减少计算量；进而提高了火灾风险管控的及时性和准确性。

一种火灾监测热成像图的增强方法实施例：

由于火灾造成的生命与财产损失重大，对火灾隐患的监测越来越重要，能够在火灾初始阶段及时发现，最大程度的减少损失。目前对火灾隐患监测的技术和手段众多，例如对于小面积区域通过温度烟雾传感器、对于大面积区域通过热成像技术进行监测；其中热成像技术主要通过监测某区域的整体温度变化情况实现隐患监测。

而利用热成像技术拍摄过程中很容易受到环境的影响，产生不同程度的噪声，而噪声容易影响火灾隐患等级的判断，造成事故发生；为了提高图像增强效果可通过NLM非局部均值滤波算法，但该算法由于在去噪过程中不能够自适应确定邻域窗口的尺寸，导致去噪程度不能根据实际场景进行调节，影响图像增强准确性；同时去噪计算量大，计算时间长。

为了解决现有NLM算法对热成像图进行图像增强，增强准确性差的技术问题，本实施例提供一种火灾监测热成像图的增强方法，包括：

步骤S1，获取不同采集时刻的火灾监测区域热成像图的灰度图像；对灰度图像进行分割获得灰度子图像；根据灰度子图像中像素点灰度值的变化特征获得灰度子图像的温度扩散率。

步骤S2，根据灰度子图像中像素点与相邻的其他像素点的灰度差异特征、温度扩散率获得疑似噪声点；根据灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数。

步骤S3，根据疑似噪声点的预设邻域范围内像素点的像素点波动指数获得区域波动指数；根据区域波动指数获得全局波动指数；根据全局波动指数获得NLM算法的邻域窗口的自适应尺寸；根据自适应尺寸通过NLM算法对灰度子图像进行去噪获得去噪灰度图像。

由于步骤S1到S3的具体实施过程在上述一种火灾风险分级管控方法实施例中已给出详细说明，不再赘述。

综上所述，本发明实施例提供了一种火灾监测热成像图的增强方法；根据热成像图的灰度图像进行分割获得灰度子图像，根据灰度子图像中像素点的灰度值变化特征获得温度扩散率；根据像素点的灰度差异特征和温度扩散率获得疑似噪声点。根据相邻采集时刻的灰度变化特征获得像素点波动指数；根据疑似噪声点的预设邻域范围内的像素点波动指数获得区域波动指数。根据区域波动指数获得灰度子图像的全局波动指数和NLM算法中的邻域窗口的自适应尺寸。本发明根据区域波动指数自适应调节邻域窗口的尺寸，能够在提高图像去噪效果的同时减少计算量；进而提高了热成像图像的增强准确性和效率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (6)

1.一种火灾风险分级管控方法，其特征在于，所述方法包括以下步骤：

获取不同采集时刻的火灾监测区域热成像图的灰度图像；对所述灰度图像进行分割获得灰度子图像；根据所述灰度子图像中像素点灰度值的变化特征获得所述灰度子图像的温度扩散率；

根据所述灰度子图像中像素点与相邻的其他像素点的灰度差异特征、所述温度扩散率获得疑似噪声点；根据所述灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数；

根据所述疑似噪声点的预设邻域范围内像素点的所述像素点波动指数获得区域波动指数；根据所述区域波动指数获得全局波动指数；根据所述全局波动指数获得NLM算法的邻域窗口的自适应尺寸；根据自适应尺寸通过NLM算法对灰度子图像进行去噪获得去噪灰度图像；

根据所述去噪灰度图像的灰度变化特征确定火灾风险等级；

所述根据所述灰度子图像中像素点灰度值的变化特征获得所述灰度子图像的温度扩散率的步骤包括：

计算所述灰度子图像的边界任意一个像素点与中心像素点的灰度值差值绝对值，获得边界任意一个像素点的温度差异表征值；计算所述灰度子图像的边界任意一个像素点与中心像素点的连线所经过的其他像素点的数量，获得距离表征值；计算所述灰度子图像的边界所有像素点的温度差异表征值与对应的距离表征值的比值的平均值，获得所述灰度子图像的温度扩散率；

所述根据所述灰度子图像中像素点与相邻的其他像素点的灰度差异特征、所述温度扩散率获得疑似噪声点的步骤包括：

对于所述灰度子图像的边界的像素点与中心像素点的连线上经过的任意像素点，分别计算所述任意像素点与连线上相邻的两个其他像素点的灰度值差值绝对值，若得到的两个灰度值差值绝对值均不小于所述温度扩散率时，认为所述任意像素点为疑似噪声点；

所述根据所述灰度子图像中像素点的相邻采集时刻的灰度变化特征获得像素点的像素点波动指数的步骤包括：

对于所述灰度子图像中的任意位置像素点，计算所述任意位置像素点与相邻上一采集时刻的相同位置的像素点的灰度差值绝对值，获得第一时刻灰度差异值；计算所述任意位置像素点与相邻下一采集时刻的相同位置的像素点的灰度差值绝对值，获得第二时刻灰度差异值；计算所述第一时刻灰度差异值与所述第二时刻灰度差异值的和值，获得时间灰度变化率；将所述时间灰度变化率归一化，获得所述任意位置像素点的像素点波动指数；

所述根据所述全局波动指数获得NLM算法的邻域窗口的自适应尺寸的步骤包括：

将所述全局波动指数正相关映射到预设集合中，将所述全局波动指数对应的预设集合的元素作为NLM算法的邻域窗口的所述自适应尺寸。

2.根据权利要求1所述的一种火灾风险分级管控方法，其特征在于，所述根据所述疑似噪声点的预设邻域范围内像素点的所述像素点波动指数获得区域波动指数的步骤包括：

计算所述疑似噪声点的预设邻域范围内的其他像素点的像素点波动指数的平均值，获得邻域波动均值；计算所述疑似噪声点的所述像素点波动指数和所述邻域波动均值的乘积，获得所述疑似噪声点的区域波动指数。

3.根据权利要求1所述的一种火灾风险分级管控方法，其特征在于，所述根据所述区域波动指数获得全局波动指数的步骤包括：

计算所述灰度子图像中所有疑似噪声点的所述区域波动指数的平均值，获得所述灰度子图像的所述全局波动指数。

4.根据权利要求1所述的一种火灾风险分级管控方法，其特征在于，所述根据自适应尺寸通过NLM算法对灰度子图像进行去噪获得去噪灰度图像的步骤包括：

根据所述自适应尺寸对所述灰度子图像通过NLM算法进行去噪，获得去噪子图像，将所述去噪子图像进行拼接，获得去噪灰度图像。

5.根据权利要求1所述的一种火灾风险分级管控方法，其特征在于，所述根据所述去噪灰度图像的灰度变化特征确定火灾风险等级的步骤包括：

将所述去噪灰度图像通过U-Net语义分割算法进行分割获得易燃区域，计算所述易燃区域的平均灰度值，根据预设滑动时间内的首末两张去噪灰度图像计算所述平均灰度值的变化率绝对值，获得等级指数；

当所述等级指数不超过预设等级阈值时，判断所述易燃区域未进入火灾风险级别，否则判断所述易燃区域进入火灾风险级别。

6.根据权利要求1所述的一种火灾风险分级管控方法，其特征在于，所述对所述灰度图像进行分割获得灰度子图像的步骤包括：

通过SLIC超像素分割算法对所述灰度图像进行分割获得不同的超像素块，作为灰度子图像。