火焰图像分割算法研究

【摘 要】本文对火焰识别中常用的分割方法进行了研究，并分析了各自的优劣。Canny边缘检测虽然可以提取较完整的边缘，但是不利于基于区域特征的火焰识别；阈值分割可以简单有效的分割出红外图中高灰度级的火焰区域；运动检测的方法对于剧烈运动的火焰可以有效分割出运动区域，但是容易造成火焰区域的不完整；颜色分割是可见光图像中一种有效的火焰分割方法，其中的简单颜色模型简单实用。

【关键词】边缘检测；阈值分割；运动检测；颜色分割

0 引言

火灾识别中常用的图像分割方法有基于边缘检测的方法、阈值法、运动检测、颜色分割等。Qin Jiang将Ostu阈值选取与Canny结合检测大空间带噪声图像的火区[1]；王思嘉等根据火焰的高亮特点使用温度阈值分割可疑火区[2]；Qing Liu等使用自适应背景更新的背景差法分割火焰区域[3]；文献[4]用改进的背景差法区分前景和背景[5]；文献[6]提出了一种将背景差法与帧差法结合在一起的算法[5]。彩色图像的颜色分割也被广泛的用于火灾识别中。本文对火焰图像的边缘检测的方法、阈值法、运动检测、颜色分割等进行研究、仿真及对比分析。

1 火焰图像分割算法

1.1 基于边缘检测的分割

Canny边缘检测目前公认的经典边缘检测算法，该算法已在数字图像处理中获得了广泛应用。应用Canny算法的步骤是：

（1）用一个二维的高斯滤波器与原始图像做卷积来平滑图象，其时域表达式为：

高斯滤波函数中的标准差σ决定了滤波器的大小；

（2）计算梯度，包括梯度的幅值和方向，可使用微分算子；

（3）遍历梯度图，对梯度幅值进行非极大值抑制；

（4）用双阈值算法检测和连接边缘。

部分学者尝试采用Ostu算法来选取Canny边缘检测的高低阈值，取得了一定效果，但其实验对象的场景往往比较简单。另外边缘检测得到的边缘往往不闭合，这很不利于火焰识别的进一步处理，（例如区域特征的提取等）需要进行边缘连接。目前边缘连接问题并没有很好的、统一的解决方法。如果火焰识别较多利用火焰的区域特征，那么用边缘检测和边缘连接的方法来进行火焰图像分割并不十分适合。

1.2 灰度阈值分割

利用像素灰度值特点，通过取阈值进行分类的过程就是灰度阈值分割[6]。通常利用火焰的高温高亮特征，在表征温度的灰度图上进行火焰区域分割。火焰区域像素的灰度值要明显高于非火焰区域。根据这个特点，可设置1个阈值将图像中的火焰区域和非火焰区域分割开来，并生成仅有两种灰度的二值图像。即：

g（i，j）=g0 f（i，j）>Tg1 f（i，j）≤T（2）

如果阈值T仅仅取决于灰度级值f（i，j），就称其为全局阈值，如果T取决于f（i，j）和像素点的局部性质（如临域内的平均灰度级）时，阈值就是局部的；如果阈值T取决于空间坐标x和y，阈值就是动态的或自适应的。

1.3 运动检测

火焰往往是闪动的，因此用于运动检测的一些方法可以用来分割火焰。运动检测的方法有背景差法、帧差法。

1.3.1 背景差法

背景差法通过当前帧与背景帧相减的方法提取运动前景，二值化后得到目标区域，用公式可表示为：

diff（x，y）=cur（x，y）-bk（x，y）（3）

object（x，y）=1 diff（x，y）≥th0 diff（x，y）

其中，cur（x，y）、bk（x，y）、diff（x，y）、object（x，y）、th分别为当前帧、背景帧、差值图像、目标图像和二值化阈值。

背景不是一成不变的，故需要通过一定方法进行背景更新。为了防止背景图像被前景“污染”，首先利用二值目标图像object（x，y）作为掩膜，从当前帧cur（x，y）和当前背景帧bk（x，y）中提取即时背景ibk（x，y）：在目标图像像素值为0的位置，对当前帧采样；在目标图像像素值为1的位置，对当前背景帧采样。最后对即时背景ibk（x，y）和当前背景bk（x，y）做加权平均来更新背景帧。背景更新公式：

ibk（x，y）=cur（x，y，t） object（x，y，t）=0bk（x，y，t） object（x，y，t）=1（5）

bk（x，y，t+1）=α*bk（x，y，t）+（1-α）*ibk（x，y，t）（6）

其中，权值因子α的经验值为0.1。

因背景是变化的，且二值目标图用于背景更新，所以不能使用固定阈值来做二值化。对于视频序列中背景占大部分的情况，可以按照如下方式更新阈值：

th（x，y）=β*peak（7）

其中，peak为差值图像diff（x，y）的直方图峰值。

1.3.2 帧差法

帧差法与背景差法类似，只是用前一帧来代替背景帧做差。帧差法认为连续两帧的差值图像中的高亮区域就是运动目标。差值图像和目标图像分别为：

diff（x，y）=cur（x，y）-pre（x，y）（8）

object（x，y）=1 diff（x，y）≥th0 diff（x，y）

可根据属于某目标的像素位于一个连通域的特点来抑制噪声。如果背景是移动的，需要进行全局运动估计和补偿。

1.4 颜色分割

可见光图像包含了很多火焰信息，颜色是火焰除温度外另一个显著特征。火灾火焰的颜色往往给人以发红发亮的视觉感受，这是因为火焰的红色分量和绿色分量较高，特别是红色分量常常饱和，而蓝色分量稍低。火焰区域在RGB三个通道上均具有较高的像素值，这也是火焰颜色的普遍特征。对大量火焰图片统计分析，即可确定火焰图像RGB三个通道的阈值thr、thg、thb，从而给出火焰颜色模型：

fR（x，y）≥thrfG（x，y）≥thgfB（x，y）≥thb（10）

其中fR（x，y）、fG（x，y）和fB（x，y）分别代表图像像素中的红色、绿色和蓝色分量，这就是简单颜色模型。

若进一步分析各通道间的关系，可以得出火焰颜色的不等式约束。带约束的颜色模型之一为：

fR（x，y）≥thrfR（x，y）≥kG*fG（x，y）fR（x，y）≥kB*fB（x，y）（11）

其中fR（x，y）、fG（x，y）和fB（x，y）分别代表图像像素中的红色、绿色和蓝色分量，kG和kB两个参数界定了RGB的范围。其依据为：（1）火点的可见彩色图像在RGB分量坐标中红色分量有很高的绝对值。（2）火中红色分量与蓝色、绿色分量的比值具有一定规律性。

2 分割方法算法比较

2.1 红外图像分割比较

对一段红外视频分别应用canny边缘检测、全局阈值分割和背景差法分割，其中一帧图片的分割结果如图1、图2和图3所示。

图1所示图片依次为原始图片和Canny边缘检测结果。由图1可见，Canny可以较完整的检测出目标边缘，但是其边缘断续、不完整的情况仍然严重，而且对于较复杂的场景，Canny边缘检测保留了很多背景边缘信息。

图2所示为图1（a）图像的全局阈值分割结果。该图像为8位灰度图，灰度级最大值为255，通过分析图像的灰度级直方图发现，火焰、白炽灯等高灰度级的前景，其灰度值集中在250灰度级附近，地面、墙面等的灰度值集中在[100，130]区间，其他背景的灰度值低于100；因此设置阈值为240/255，完整的提取出了火焰区域，可见灰度阈值分割是十分有效的。对于白炽灯这样的高温干扰物，可以在后续的处理中，利用火焰的其他特征进行排除，例如颜色、轮廓特征等等。

图3所示分别为背景帧、当前帧和二值化的差值图片。可见，背景差法可以较好的提取出火焰的运动区域，但是造成了火焰区域的内部空洞，并将两帧重叠部分错误的当做背景，造成分割后的目标不完整（如火焰区域出现空洞），不利于提取火焰的区域特征，例如圆形度、尖角特征等；此外，背景差法对于背景固定或背景变化不大的情况比较好，而对摄像头或场景的移动比较敏感，针对运动场景的相关研究中，自适应背景更新或背景补偿的方法还不成熟。帧差法有类似的问题。

比较发现，阈值法可准确的分割出火焰区域，同时保留较少干扰区域，比边缘检测和运动检测法更适合火焰图像的分割。这是因为高温特征是火焰显著的特征，反映在红外图上就是高灰度值。

2.2 颜色分割比较

选取CCD摄像头拍摄的一段视频进行仿真分析。

图4为颜色分割抓图。可见，简单颜色模型和不等式颜色模型均可以较完整的分割出火焰区域。简单颜色模型排除了大部分干扰，只保留了白色灯光干扰区；不等式颜色模型分割保留了很多干扰区域，比如泛红光的水泥面。

与带不等式约束的颜色模型相比，简单颜色模型的分割效果更好，其保留的白色干扰可以通过火焰的其他特征排除，如温度等。

3 结论

本文对火焰识别中常用的分割方法进行了研究，并分析了各自的优劣。Canny边缘检测虽然可以提取较完整的边缘，但是基于区域特征的火焰识别不宜选用；阈值分割可以简单有效的分割出红外图中的火焰区域；运动检测的方法对于剧烈运动的火焰可以有效分割出运动区域，但是容易造成火焰区域的不完整；颜色分割是可见光图像中一种有效的火焰分割方法，其中的简单颜色模型简单实用。实际使用中应根据识别目的、图像特征和算法需要进行选择。

【参考文献】

[1]Qin Jiang， Qiang Wang. Large Space Fire Image Processing of Improving Canny Edge Detector based on Adaptive Smoothing[C]//2010 International Conference on Innovative Computing and Communication and 2010 Asia-Pacific Conference on Information Technology and Ocean Engineering. Macao， 2010：264-267.

[2]王思嘉.无人机火灾检测平台的设计和构建[D].广州：华南理工大学，2010.

[3]Qing Liu， Sun’an Wang， XiaoHui Zhang， etc. Flame Recognition Algorithm Research under Complex Background[A]. 2010 10th IEEE International Conference on Computer and Information Technology （CIT 2010）[C]. Bradford， 2010：503-510.

[4]Juan Chen， Yaping He， Jian Wang. Multi-feature Fusion Based Fast Video Flame Detection[J]. Building and Environment， 45（2010）：1113-1122.

[5]Jie Hou， Jiaru Qian， Weijing Zhang， etc. Fire Detection Algorithms for Video Images of Large Space Structures[J]. Multimed Tools Appl， （2011） 52：45-63.

[6]王耀南，李书涛，毛建旭.计算机图像处理与识别技术[M].北京：高等教育出版社，2001：117-118.