基于提升小波的图像型火灾检测技术 第9页
式中xmi。为图像灰度的最小值
该方法的优点是它不需要对已检测边缘的边缘点是否共线与交点是否存在等
问题进行有关检测。但是，该方法的参数a、刀、D以及映射函数的选取没有定
性的标准，依赖于实际经验和手工调节。
3.基于形态学的边缘检测
形态学运算是物体形状集合与结构元素之间的相互作用，对边缘方向不敏感，
并能在很大程度上抑制噪声和探测真正的边缘。同时数学形态学在图像处理方面
还具有直观上的简单性和数学上的严谨性，在描述图像中物体形状特征上具有独
特的优势。因此，将数学形态学用于边缘检测，既能有效地滤除噪声，又可保留
图像中的原有细节信息，具有较好的边缘检测效果。
用数学形态学运算进行边缘检测也存在着一定的不足，比如结构元素单一的
问题。它对与结构元素同方向的边缘敏感，而与其不同方向的边缘或噪声会被平
滑掉，即边缘的方向可以由结构元素的形状确定。但如果采用对称的结构元素，
又会减弱对图像边缘的方向敏感性。所以在边缘检测中，可以考虑用多方位的形
态结构元素，运用不同的结构元素的逻辑组合检测出不同方向的边缘。梁勇[37l等
人构造的8个方向的多方位形态学结构元素，应用基本形态运算，得到8个方向
的边缘检测结果，再把这些结果进行归一化运算、加权求和，得到最终的图像边
缘。该算法在保持图像细节特征和平滑边缘等方面，取得了很好的效果。
将模糊集合理论用于数学形态学就形成了模糊形态学。模糊形态学是传统形
态学从二值逻辑向模糊逻辑的推广，与传统数学形态学有相似的计算结果和相似
的代数特性。Todd和Hirohisal38]将模糊形态学推广到了边缘检测领域。目前，数
学形态学在理论上已趋于完备，与实际应用相结合，使之能用于实时处理将是今
后发展的一个重要方向。
4.基于分形理论的边缘检测[39]
任意一幅图像都是有灰度的、非严格自相似的，不具有整体与局部的自相似，
但却存在局部之间的自相似，即从局部上存在一定程度近似的分形结构。对于给
定的一幅图像，寻找一个迭代函数系统，使它的吸引子与原图像尽量地吻合，因
为迭代函数系统的吸引子与原图像间必然存在着差异，图像中的每个子图分形结
构也不同程度上存在差异，因此，子图的分形失真度大小不一，处在边缘区的子
图的分形失真度比较大，而处在平坦区或纹理区子图的分形失真度相对比较小。
因此，就可以利用图像边缘在分形中的这一性质来提取图像的边缘。在检测图像
边缘时，采用某种度量方法(如最小二乘法)测量子块与最佳匹配父块的失真度，
西安建筑科技大学硕士学位论文
当计算的失真度值越大时，对应的边缘块越强，否则，对应的边缘块越弱。设定
某一阂值，作为区分边缘块的界限，与最佳匹配父块的失真度大于闭值的子块，
就被划为边缘块。
5.基于人工智能的边缘检测
人工神经网络是进行模式识别的一种重要工具和方法。它需要的输入知识较
少，也比较适合于并行实现。目前己有了很多基于BP网络的边缘检测算法，但是
BP网络收敛速度很慢，容易收敛于局部极小点，且数值稳定性差，参数难以调整，
很难满足实际应用的要求。chua和Yan岁0]提出用细胞神经网络来检测图像边缘，
这种方法与传统方法完全不同，首先将图像映射为一个神经网络，每个像素点是
一个神经元，然后通过动态方程引导神经元的状态向神经网络所定义的最低能量
方向变化，来实现边缘提取。
6.基于遗传算法的边缘检测14’]
遗传算法是一种新发展起来的优化算法，是基于自然选择和基因遗传学原理
的搜索算法，具有计算简单、功能强等特点，己应用于边缘检测算法中。
3.3本章小结
本章首先介绍了小波分析的相关知识、基于提升方案的小波变换及提升小波
变换的优点，然后介绍火灾图像的预处理、分割及融合各自特性和常用方法，以
及边缘及边缘检测的要求，最后介绍了传统边缘检测方法和新兴的边缘检测方法
的检测各自性能特点及优缺点。
西安建筑科技大学硕士学位论文
4基于提升小波变换的图像型火灾检测方法
早期的火灾火焰是一种不稳定且不断发展的火焰，这个阶段火焰图像在面积
变化、边缘变化、形体变化、整体移动等方面有自己独特的规律。在火灾初期出
现明火以后，火焰的闪动频率主要为8一12Hz，数值不随房间的形状和尺寸而变化，
不同于烟雾或温度的最大频率。早期变化的火焰不断移动位置，但中心位置不呈
现跳跃式的运动，火焰满足相对稳定性[’2]，同其它的高温物体及稳定火焰的变化
不同。火灾图像的这些特征信息主要集中在火焰图像的边缘部分，如何快速、精
确地实现对火灾图像边缘提取，在图像型火灾探测系统中显得尤为重要。
针对火灾图像的特点，本文提出一种基于提升小波变换的图像型火灾检测方
法，能快速准确的提取图像边缘信息，并通过火焰面积判据、尖角判据和火焰形
状相似特性判据识别火灾。
4.1方案描述
视频图像
图像的预处理及分割
用提升小波提取细节分量
对各尺度三个方向边缘图像融合
输出边缘图像
图4.1火灾图像边缘检测
方法流程如图4.1所示。首先提取实时采集的视频中相邻帧图像，将RGB帧
图像转换为灰度图像，并采用空域处理法，增强图像的对比度灰度，再采用阂值
分割法，将目标从背景中分割出来，接着对分割后的图像提升小波变换得到多尺
28
西安建筑科技大学硕士学位论文
度下的轮廓图像和细节图像。经过双正交biors，5小波的提升变换，分解后的逼近
信号中保留了原始信号的极值，在原始信号变化缓慢的位置，细节信号的取值会
接近于零，而当原始数值突变时，细节信号会产生局部极值点。图像分解完成后，
参照文献143]中的闭值选取方法对分解得到的细节图像幅值设定闭值T:
式中:a为常数，N为对应尺度下图像一行或一列数据的长度。
调节阂值T，将各尺度垂直(水平、对角)方向边缘图像的结果融合，发挥各
尺度优势，得到精确的图像边缘。获取图像的边缘信息后，计算边缘图像的面积、
边缘的尖角数以及连续帧图像的相似度，根据火焰的边缘变化规律、面积变化规
律和形状相似特性规律，构造火焰的面积判据、尖角判据和形状相似特性判据，
确定闽值，综合判别是否有火灾发生。
4.2火灾图像的获取
利用现有的视频监控系统对现场实时监视，并通过安装的摄像头获取监控现
场的视频图像，将采集的视频图像通过视频采集卡压缩并传输到监控中心，在监
控中心的计算机终端上得到实时采集的现场视频信息，并提取视频图像的连续帧
图像。
火灾发生时随机性强，无法预估发生火灾的地点，摄像头安装时，根据空间
的大小、结构应考虑摄像头安装密度、位置及监控的视角应避免监控现场出现死
角而漏报。摄像头的选择中应考虑它的清晰度、信噪比、外同步和光谱响应特性。
4.3火灾图像的预处理及分割
提取的视频图像的连续帧图像为RGB图像，为了便于进行下一步图像处理先
将连续帧图像转换为灰度图像，接着对灰度图像使用预处理及分割。
4.3.1火灾图像的增强
获取的视频连续帧图像受到视频监控摄像头分辨率较低、视频采集现场环境
复杂、传输中图像压缩以及火灾发生时随机性较强等特点，帧图像对比度相对较
低，为了提高图像边缘检测的准确性、稳定性，避免漏报误报，需对采集的实时
图像做增强处理。本文采用空域处理去相关拉伸法(强度选取0.001)增强图像的
对比度。通过去相关拉伸变换把相关性很高的波段进行去相关拉伸处理，减弱它
们之间的相关性，然后进行拉伸，从而使区域的物体差异界线反映得更加清楚。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>
基于提升小波的图像型火灾检测技术 第9页下载如图片无法显示或论文不完整，请联系qq752018766
