基于灰度共生矩阵的火焰图像纹理特征分析

摘　要：早期火灾是从无到有的发生发展过程，在这一过程中，火焰的纹理特征也会随之产生快速上升或下降，并出现大幅度抖动的现象。本文采用灰度共生矩阵分析法和MATLAB仿真工具，综合分析火焰以及台灯、日光灯、晃动的蜡烛等干扰物在能量、熵、惯性矩和局部平稳性四个主要方面的纹理特征，得到干扰物纹理特征与火焰纹理特征变化规律的异同，为进一步使用神经网络进行火灾图像探测时纹理特征参数判据的确定提供依据。

关键词：灰度共生矩阵；纹理特征；火焰图像

中图分类号：TP317．4　文献标识码：A

1 引言

纹理是图像中一个重要的特性，是图像分析中的一个重要指标，但在图像处理中的“纹理”一词却有着广泛笼统的含义，至今还没有公认的定义。一般认为：纹理是对于图像各像元灰度的空间分布的一种描述，它是纹理基元按某种确定的规律或者某种统计规律排列组成，表现为平滑性、均一性、粗糙性和复杂程度。为了定量地描述纹理，需要研究纹理本身可能具有的特征，也就是纹理特征。

纹理特征是图像局部性质(灰度分布函数)的统计，是图像本身固有的属性。纹理分析方法大体上可分为两大类：统计分析方法和结构分析方法。前者从图像属性的统计分析出发；后者则着力找出纹理基元，然后从结构组成上探索纹理的规律，或直接去探求纹理构成的结构规律。无论从历史发展还是从当前进展来看，统计分析方法仍然占主导地位。

在统计法中，有最简单的研究纹理区域中的统计特性，有研究像元领域内的灰度或属性的一阶统计特性，有研究一对像元或多像元及其领域或属性的二阶或高阶统计特性，也有研究用模型来描述纹理。本文所要介绍的灰度共生矩阵分析法就是一种典型的二阶统计分析法。

2　灰度共生矩阵分析法

灰度共生矩阵分析法是建立在估计图像的二阶组合条件概率密度函数基础上的。该方法是目前公认的一种重要的纹理分析方法。

2．1　灰度共生矩阵

灰度共生矩阵(gray level cooccurrencematrix)是反映图像区域微观纹理的有力工具，它按一定的空间关系描述像素点对之间的灰度相关性。灰度共生矩阵描述从图像(x，y)灰度为i的像素出发，统计与距离为δ、灰度为j的像素(x+x，y+y)同时出现的概率P(i，j，δ，θ)。其数学表达式为

P(i，j，δ，θ)={[(x，y)，

(x+x，y+y)] f(x，y)=i，

f(x+x，y+y)=j；

x=0，1，…，Nx-1；

y=0，1，…，Ny-1}　(1)式中：i，j：=0，1，…，L-1；x，y是图像中的像素坐标；L为图像的灰度级数；Nx，Ny分别为图像的行列数。它们之间的关系如图1所示。

当θ和δ选定时，P(i，j，δ，θ)也可简记为Pi，j。显然灰度共生矩阵是一个对称矩阵，其阶数由图像中的灰度级数决定，即若灰度级数为N，则灰度共生矩阵为N×N的方阵。通常情况下，选取θ为0度，45度，90度，135度4个方向来计算灰度共生矩阵。δ的选取与图像有关，一般根据实验确定。在给定方向和距离时，实际常通过计算共现灰度i和j的像元对数来表示P(i，j，δ，θ)。

2．2 纹理特征

作为纹理分析的特征量，往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。Haralick等人由灰度共生矩阵提取了14种特征，本文采用了以下4种常用的特征。

能量反映了图像灰度分布均匀程度和纹理粗细度，纹理越粗，能量越大，反之则越小。熵反映了图像具有的信息量，即图像中纹理的复杂程度或非均匀度。若纹理越复杂，熵具有较大值，若灰度越均匀，熵则较小。惯性矩可理解为图像的清晰度，图像越清晰，惯性矩越大，越模糊，惯性矩就越小。

3 实验

一幅图像的灰度级数一般为256级，而级数太多会导致计算灰度共生矩阵大，计算量也就越大。为了解决这一问题，在求灰度共生矩阵之前，图像灰度级数常压缩为16级、8级等级数。在本文的实验中，把灰度级数压缩为8级。为了找出从火灾发生前到火灾发展过程中纹理特征的变化规律，本文采用点燃浸过柴油的报纸来模拟火灾现场，用普通CCD摄像头和MV800视频采集卡连续采集200帧火灾发生前及火灾发展过程中的图像。将图像数据送入Visual C++6．0程序，处理后得到能量、熵、惯性矩和局部平稳性的变化曲线如图2所示。经实验发现，0°、45°、90°和135°四个方向的纹理特征变化曲线大致相同，所以我们这里仅给出0°方向的纹理特征变化曲线。

从图2中我们可以看出，随着火灾的发生及火势的加大，能量曲线迅速上升，并呈现大幅度的抖动，这和火灾火焰图像的不稳定性相一致，而局部平稳性变化趋势和能量的变化趋势极其相似，熵的变化趋势与能量的变化趋势正好相反。惯性矩随着火灾的发生会迅速下降，在火灾发展过程中，具有自己独特的变化趋势，但其大体趋势和熵的变化趋势相同。与此同时，我们也采集了容易引起干扰的物体的图像，其中，台灯由关到开图像54帧、日光灯由关到开图像109帧，逐渐移近的蜡烛109帧和晃动的手电197帧。分别按照上述的方法进行了处理，得到的纹理特征变化曲线如图3-图6所示。

从图3中可以发现随着台灯的打开，台灯的能量、熵和局部平稳性会迅速增大或减小，接近垂直，并很快会达到相对稳定水平，惯性矩在台灯打开时会突然下降，其变化趋势与熵的变化趋势大致相同。从图4可以看出，日光灯开灯后，所有的纹理特征都将趋于稳定，有很小的变化幅度。从图5和图6中可以看出，随着蜡烛和手电的晃入和晃出摄像头，其纹理特征将会出现一个小的波峰或波谷，这是火焰的纹理特征所没有的，随着蜡烛或手电逐渐靠近摄像头，其纹理特征也将迅速上升或下降，此后，随着蜡烛或手电的晃动，其纹理特征也和火焰的纹理特征一样出现大幅度的抖动。所以，仅依靠纹理特征进行火灾的判断将很容易引起误判。为了提高火灾判断的准确率，减少误判和漏判，必须结合火焰的其它特征进行综合判断。如结合火焰的形状特征和颜色特征，通过神经网络进行火灾的判断等。从所有的纹理特征变化曲线上可以看出，能量变化曲线和局部平稳性变化曲线大体一致，熵的变化曲线与它们正好相反，而惯性矩的曲线变化趋势与熵的趋势大体一致，因此，我们可以从能量和局部平稳性两个参数中选择一个作为火灾的一个判据，从熵和惯性矩中选择一参数作为火灾的另一个判据。然后从火焰的形状特征和颜色特征中挑选相应的参数作为其它判据，形成神经网络的输入向量，进行火灾的判断，可以排除各种干扰，使火灾探测快速可靠。

4 结束语

本文抓住在早期火灾阶段火灾火焰是非定常的这一特点，采用纹理特征分析法对火焰图像进行定量研究，绘制出纹理特征参数的变化曲线，找出火灾发生过程中纹理变化规律及其与台灯、日光灯、晃动的蜡烛和手电等干扰物的纹理特征变化规律的异同，为进一步使用神经网络进行火灾图像探测时纹理特征判据的确定打下良好的基础。