基于总有界变分的森林火灾烟雾图像检测方法

发布时间：2024-07-04 20:30

　　森林火灾烟雾浓度升高时,所对应的图像模糊程度升高,总有界变分会逐渐下降,基于变分的特征性质,可以将边界之间的差异有效表征出来。由此,提出一种基于总有界变分的森林火灾烟雾图像检测方法。以分块平稳分析的思想对目标函数求极值,得到总有界值,通过两次比较总有界变分值从分块结果图中提取疑似烟雾分块,利用特征数据的融合聚类处理获得最终的疑似烟雾区域。为了得到更好的烟雾检测效果,对疑似烟雾特征区域进行运动特性分析,融合判定烟雾区域,给出火灾报警。算法屏蔽了对烟雾静态特征的复杂计算,在对疑似烟雾特性进行分析时,只需关注其运动特征便可以准确进行烟雾检测输出,避免了繁琐计算带来的误差,对比验证效果显示,算法结果输出高效稳定。

【文章页数】：7 页

【部分图文】：

图1烟雾浓度、图像模糊程度和总有界之间的关系

通过式(4)、(5)作为图像模糊程度对比和图像烟雾评价方法,通过标准测试图像序列进行验证,比较原始清晰图像、模糊图像的TBV值,验证了方法的有效性。烟雾浓度、图像模糊程度和总有界之间的关系如图1所示。图中虚线所示为总有界变差值随着烟雾浓度增加的变化趋势,实线所示为模糊程度随着烟雾....

图2烟雾区域提取算法流程

基于视频烟雾探测中疑似烟雾区域的提取是重要的一步。疑似烟雾区域提取的完整程度将会影响到烟雾的特征提取,比如烟雾区域的面积、周长和烟雾的扩散特性等,从而导致整体烟雾探测会有一定的影响[13]。对于疑似烟雾区域的提取方法有基于颜色检测、基于能量分析以及基于运动目标检测,但是这些方法都....

图3火灾烟雾图像分块

首先,图像分块。把背景图像帧展开分割,并分割为16×16个独立较小的图像,如图3所示。利用总有界变分方法计算各小图像的TBV值。目的是把一副大尺寸的图像分次求TBV值,以便提取特征数据[14]。其次,特征数据提取。对各小图像的TBV值求均方差,由式(6)求解。

图4烟雾图像分块初始划分示意图

当σ2<ΤBVˉ/Ν时,说明图像无烟雾或者烟雾整体分布,排除火灾烟雾。当均方差大于σ2≥ΤBVˉ/Ν时,并依据TBV值对分块后的每个独立的小图像进行初始划分。为不失一般性,选择所有小图像的初始划分平均值ΤBVˉ作为基准,对每个小图像的初始划分TB....

本文编号：4000488