本发明涉及图像处理技术领域,尤其涉及一种基于图像处理的森林火灾识别方法。
背景技术:
森林资源在地球生态中的作用是不言而喻的,然而每年都有数万平方公里的森林消散在森林火灾的肆虐之中。几乎每年全球都会爆发数十万次大大小小的森林火灾,其造成的损失可达数百亿美元,而对自然生态造成的损害更是不可估量的,因此加紧对森林火灾的识别监测技术的研究,是当今社会各国最急于解决的课题之一。
技术实现要素:
为了解决上述问题,本发明公开了一种基于图像处理的林火识别研究方法,集成了计算机视觉、数字图像处理、模式识别和信号处理等技术。通过对火灾图像采集、预处理,有效抑制因噪声去除带来的图像边缘与轮廓的模糊。使用阈值分割算法对图像分割处理,利用hog算法提取火灾疑似区域的颜色、面积、圆形度等几何特征、纹理特征和动态特征,弥补了判别依据单一、可靠性差的缺点,在没有环境和距离的限制条件中,火焰可以被自动识别,在火灾初期能够起到火灾警报的作用。
一种基于图像处理的林火识别研究方法,包括以下步骤:
s1:采集需要处理的原始图像;
s2:对原始图像进行图像增强及去噪的预处理;
s3:对预处理后的图像进行二值化分割操作及形态学处理以提取特征;
s4:采用hog(histogramoforientedgridients,方向梯度直方图)算法对提取的特征包括火焰的颜色特征、纹理特征和形状特征进行处理得到输出特征向量。
s5:将特征向量输入至分类器中进行判别是否有火焰。
进一步地,步骤s1中采集图像的摄像机为ccd(chargecoupleddevice,电荷耦合器件)摄像机。
进一步地,步骤s2中图像增强算法采用线性的点运算灰度拉伸扩展图像直方图,其拉伸关系为:
其中,g(u,v)为根据映射关系拉伸后得到的灰度值,u为原图像像素的灰度值,u1,u2分别对应不同的灰度级,v1,v2分别为g(u1),g(u2)对应的值。α,β,γ分别为不同线段的斜率。
进一步地,步骤s2中的图像去噪方法采用中值滤波图像去噪以去除外界噪声对图像的影响,根据增强后的图像的噪声密度选取合适窗口大小,对图像中有效的信号点保持其灰度值不变,对于噪声点则采用中值滤波进行滤除操作,从而满足滤波需求。
进一步地,步骤s3中的图像二值化分割采用迭代法,采用迭代法对图像进行二值化分割操作,其本质就是不断重复运算,用旧值递推计算新值的过程。将迭代法运用到图像分割中去,就可以不停的对图像进行层层阈值分割,并且可以利用机器计算的优势,对阈值上的缺陷进行改进。
进一步地,所述迭代法进行二值化分割包括如下步骤:
s51:计算图像的最大灰度值imax和最小灰度值imin,令初始阈值
s52:利用阈值将图像分割为前景和背景,分别求出二者的平均灰度值if(q)和ib(q),q为迭代次数,q=1,2,3……;
s53:求出新阈值
s54:利用新阈值tq将图像重新分割为前景和背景,再分别求出二者的平均灰度值if(q+1)和ib(q+1);
s55:分别比较if(q+1)、ib(q+1)和if(q)、ib(q),若if(q+1)=if(q)且ib(q+1)=ib(q),则将tq作为阈值,将图像分割为前景和背景;否则以
进一步地,步骤s3中的形态学处理包括以下步骤:
s61:在每一个当前位置x,用结构元素s对目标图像进行腐蚀:
其中,x为目标图像;
s62:在每一个当前位置x,用结构元素s对目标图像进行膨胀:
s63:利用结构元素s对图像x做开运算:
对图像进行分割操作后进行形态学处理可以改善图像质量、面积、周长、连通性、粒度、骨架和定向。
进一步地,步骤s5中的分类器为支持向量机,支持向量机对数据进行高维映射,将低维度的非线性问题转化为高维空间的线性可分问题,即识别森林监控视频图像序列中的可疑目标图像是否出现了火灾。
与现有技术相比,本发明的有益效果在于:集成了计算机视觉、数字图像处理、模式识别和信号处理等技术,弥补了现有技术中判别依据单一、可靠性差的缺点,在没有环境和距离的限制条件中,火焰可以被自动识别,在火灾初期能够起到火灾警报的作用。
附图说明
图1是本发明的流程图;
图2是本发明的灰度图像;
图3是本发明对灰度图像直方图均衡化以增强图像;
图4是采用传统的中值滤波模型对图像进行去噪处理后的效果图;
图5是采用迭代阈值法对预处理后的图像进行二值化操作结果图;
图6是选用形态学处理二值化后图像后效果图;
图7是本发明具的gui设计图;
图8是本发明最终实验仿真结果图。
具体实施方式
下面结合附图对本发明提供的一种基于多合成图像处理技术的森林火灾识别方法具体实施方式做详细说明。
本具体实施方式提供了一种基于多合成图像处理技术的森林火灾识别方法,图1是本发明具体实施方式的基于图像处理的森林火灾识别方法的流程图。如图1所示,本具体实施方式提供的基于全变分的混合加权维纳滤波图像去噪方法包括如下步骤;
图2是本发明对原始图像进行灰度转换后得到的灰度图像。采用matlab中rgb2gry函数,即i=rgb2gray(i0),其中i为灰度图像,i0为原始图像。
对灰度图像直方图均衡化以增强图像的效果图如图3所示,采用线性的点运算灰度拉伸扩展图像直方图,以增强对比度。其拉伸关系如式(1)所示:
其中,g(u,v)为根据映射关系拉伸后得到的灰度值,u为原图像像素的灰度值,u1,u2分别对应不同的灰度级,v1,v2分别为g(u1),g(u2)对应的值。α,β,γ分别为不同线段的斜率。图4为中值滤波去噪处理后的效果图,若k1k1…kn为一组序列,先将其按顺序排列为ki1≤ki2≤ki3≤…kin序列的中值h为公式:
其中,i是中值滤波的窗口中心位置。
中值滤波的优势还是较为明显的,它能抑制均值滤波、最小均方滤波等线性滤波所带来的图像模糊、细节显示模糊的问题,而且对于图像传输过程以及外部环境所带来的干扰也有很好的抑制效果。该方法对图像扫描带来的噪声抑制效果十分明显。中值滤波既能有效地抑制噪声,又能很好的保留图像的边缘细节。中值滤波的作用如下:
假设非线性的两序列分别为f(r),g(r),
med{f(r)+g(r)}≠med{f(r)}+med{g(r)}(3)
此式对尖峰干扰效果好。要想更好的抑制噪声,噪声的延续距离的选取要低于v/2,其中v为窗口长度。
图5采用迭代法对图4处理后的图像进行二值化分割操作的结果图,其本质就是不断迭代运算,用旧值递推计算新值的过程,其步骤使用迭代法进行阈值分割的基本步骤如下:
(1)计算图像的最大灰度值imax和最小灰度值imin,令初始阈值
(2)利用阈值将图像分割为前景和背景,分别求出二者的平均灰度值if(q)和ib(q),q为迭代次数,q=1,2,3……;
(3)求出新阈值
(4)利用新阈值tq将图像重新分割为前景和背景,再分别求出二者的平均灰度值if(q+1)和ib(q+1);
(5)分别比较if(q+1)、ib(q+1)和if(q)、ib(q),若if(q+1)=if(q)且ib(q+1)=ib(q),则将tq作为阈值,将图像分割为前景和背景;否则以
采用形态学处理二值化后图像后效果图如附图6所示,进行形态学处理以改善图像质量、面积、周长、连通性、粒度、骨架和定向。对一个给定的目标图像x和一个结构元素s,腐蚀即是求局部最小值的操作,是将灰度值小(视觉上就是比较暗)的区域增强扩展,用xθs表示:
膨胀就是求局部最大值的操作。用
所述形态学方法采用开运算处理,即先腐蚀后膨胀的运算,利用图像s对图像x做开运算,用符号sox表示:
图像提取特征包括火焰的颜色特征、纹理特征和形状特征,采用hog(histogramoforientedgridients)特征检测算法来表征图像的局部梯度方向和梯度强度分布。将图像划分成若干个cells(单元),8x8=64个像素为一个cell,相邻的cell之间不重叠。在每个cell内统计梯度方向直方图,将所有梯度方向划分为9个bin(即9维特征向量),作为直方图的横轴,角度范围所对应的梯度值累加值作为直方图纵轴块内归一化梯度直方图:把各个细胞单元组合成大的、空间上连通的区间(blocks)。最后收集hog特征,提取图像中的hog特征后作为本文最终的特征向量放入支持向量机(svm)分类器中进行使用。该方法对数据进行高维映射,将低维度的非线性问题转化为高维空间的线性可分问题。支持向量机最为擅长的就是解决二分类问题,在解决多分类问题时也是以二分类为基础的。同时本发明也是一个二分类问题,即识别森林监控视频图像序列中的可疑目标图像是否出现了火灾的问题
如图7所示,本发明为研究的每一种算法提供了一个可视化的方式。设计了一个便于操作和观察的gui界面。这个gui界面是能够清晰的观测到原样本图片和算法处理后的图片并且能够得到识别后的结果。gui界面尽量追求简洁且完整,整个gui界面由四个窗口组成:操作窗口、样本图片显示窗口、识别效果图显示窗口、识别结果窗口,使用该gui能很方便的操作对图像进行识别处理。简单的界面符合近年了林业监测系统的要求,能够让普通的林业管理人员都能迅速学会并操作的系统。实验结果如附图8所示。
网络上随机挑选了10张与训练样本图像不同的林火图像进行识别,识别率在80%。虽然挑选的样本很少,但是根据svm分类器的原理,说明在各种情况下的森林明火几乎都可以识别,达到了实验的预期要求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。