粗糙集与区域生长的烟雾图像分割算法研究

发布时间：2019-07-20 11:57

【摘要】：针对图像型火灾烟雾分割算法不能同时提取白色、灰白色和黑色烟雾的问题,提出了一种粗糙集和区域生长法相结合的烟雾图像分割算法。在RGB颜色空间提取图像的R分量,根据R分量的统计直方图构造粗糙度直方图,选取粗糙度直方图中合适的波谷值作为分割阈值,对图像进行粗分割。相对背景图像,烟雾属于运动信息,采用帧间差分法提取运动区域,排除静态干扰。烟雾具有独特的颜色特征,在RGB颜色空间建立烟雾颜色模型,去除颜色相近的运动干扰,获得疑似烟雾区域。在该区域内选择种子点,在粗糙集粗分割的结果上进行区域生长,提取出烟雾区域。实验结果表明,该算法能够同时分割出白色、灰白色和黑色烟雾,烟雾边缘不规则信息保存比较完整,与已有算法的平均分割准确率、召回率以及F值相比,分别提高了19%、21.5%、20%。
【图文】：

孪袼氐牧谟颍囫钡角鈌虿荒芙鈋徊嚼┱牛嘈彼饽?像素点都有了归属，则结束整个生长过程，将种子点生长出的区域标记为1，其他区域标记为0。最后，对区域生长的二值分割结果进行形态学处理，使用开运算去除散点和毛刺。4实验结果与分析本文使用Matlab2015a开发环境，对6组不同环境下的烟雾视频进行仿真实验，验证本文算法的有效性。目前火灾视频识别还没有标准的视频数据库，本文所使用的视频来源于互联网和课题组自行拍摄的视频，视频环境描述如表1所示。Fig.3Smokeimagecoarsesegmentationresultsbasedonroughset图3基于粗糙集的烟雾图像粗分割结果1301
平均准确率、召回率、F值比较

确率（precision）、召回率（recall）和F值的平均值与文献[7]及文献[8]的分割结果进行定量比较。在烟雾图像分割中，以手动分割的二值化烟雾区域作为真实数据集合，记为A，算法分割出的烟雾区域并且从属于A的像素集合为B，不从属于A的像素集合为C。假设集合A、B、C中的像素数分别为a、b、c，则准确率、召回率和F值分别为：precision=bb+c（14）recall=ba（15）F=(1+β2)×precision×recallβ2×precision+recall（16）F值是结合了召回率和准确率的综合评价指标，取β2=0.3[15]。图5是将6段视频用本文算法和文献[7]、文献[8]分割结果的准确率、召回率和F值的平均值定量比较图。从图5中可以看出，本文烟雾图像分割算法的准确率、召回率和F值均高于文献[7]和文献[8]，，证明了本文算法的有效性和先进性。在分割的准确率、召回率和F值方面，本文算法优于文献[7]、文献[8]的主要原因是：利用粗糙集中知识对对象的分类能力，将“团聚”的白色、灰白色、黑色烟雾均能较为完整地分为一类；使用烟雾分割中准确性较高的帧差法，并建立烟雾的RGB颜色模型，可以较为准确地分割出烟雾区域，然后使用区域生长算法，在该区域中选取合适的种子点，在粗糙集分割的结果上进行区域生长，得到最终的烟雾分割结果。即粗糙集粗分割保证了烟雾分割结果的完整性，区域生长法中种子点的选取方法保证了分割结果的准确性。因此，将粗糙集与区域生长法结合使得烟雾分割的准确率、召回率和F值均有所提高。5结束语本文提出了一种粗糙集和区域生长法相结合的烟雾图像分割算法。粗糙集分割方法可以将图像分割成若干个颜色类，然后用帧差法和颜色模型分割出烟雾区域，在此区域中选取种子点，在粗糙集分割的结果图上进行区?
【作者单位】：西安建筑科技大学信息与控制工程学院;
【基金】：住房和城乡建设部研究开发项目No.2016-K3-014 西安市碑林区科技计划项目No.GX1605 西安建筑科技大学基础研究基金项目No.JC1514~~
【分类号】：TP18;TP391.41

【相似文献】