本发明涉及一种基于简化pcnn算法的森林火灾图像降噪和分割方法，属于图像处理技术领域。
背景技术：
火灾，是指在时间和空间上失去控制的灾害性燃烧现象。森林火灾是威胁公众安全和社会发展的严重灾害，建立森林火灾监测系统意义重大。如何在森林复杂的环境下，快速、准确地识别火灾图像是该领域学者关注的热点问题。
当火灾发生时，会产生大量的噪音，继而导致拍摄得到的图像中存在较多的噪声信息，因此，为了提高拍摄的图像的质量，需要对拍摄得到的图像进行降噪处理，而图像分割是图像处理和分析的关键步骤。
现有技术可以对可见光图像中像素点所处分块的量化噪声进行动静判决，从而在动静不同的图像区域内采用不同强度进行降噪处理。然而，在环境光强度较弱的情况下，可见光图像中的噪声信息很可能将有效信息淹没，从而导致无法准确进行动静判决，进而导致降噪后的图像中存在图像拖尾问题，且图像细节信息损失，同时现有的图像分割技术难以准确建立图像光谱测度的统计模型，不利于实时、快速地识别火灾图像。
90年代以来脉冲耦合神经网络(pcnn)产生并得到了发展，在数字图像识别领域有着广泛应用。但是基于pcnn对于图像降噪和分割的成果不多，目前所用均存在时间代价比较大的缺陷，主要是pcnn网络迭代的过程耗时比较大。
技术实现要素：
为解决背景技术中存在的问题，本发明提供一种基于简化pcnn算法的森林火灾图像降噪和分割方法。
实现上述目的，本发明采取下述技术方案：一种基于简化pcnn算法的森林火灾图像降噪和分割方法，所述方法包括如下步骤：
s1：获取自然图像；
s2：获取自然图像的多个倍数增益的图像；
s3：检测每个倍数增益的图像的降噪质量参数，直至所述降噪质量参数满足预设的降噪质量参数范围，得到降噪后的图像；
s4：将s3得到的降噪后的图像定义为图像域上的特征场的一个实现；
s5：将输入的降噪后的图像的图像域划分为多个规则子块；
s6：在划分的图像域上，建立基于规则子块的图像分割模型；
s7：针对已建立的分割模型，设定迭代次数并设计合理的移动操作，每次迭代中，遍历所有移动操作，利用pcnn算法，求解基于规则子块的图像分割模型；
s8：通过fpga实现pcnn算法迭代过程的加速，并输出时间序列作为不同类别图像的特征提取；
s9：输出图像的分割结果。
与现有技术相比，本发明的有益效果是：
本发明加速了pcnn算法的迭代过程，有效对图像进行了降噪处理，建立的基于规则划分的图像分割模型，克服了固有斑点噪声对图像分割的影响，提高了一致性，提高了分割结果的边缘准确性，利于实时、快速地识别火灾图像。
具体实施方式
下面将对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施方式一：本发明公开了一种基于简化pcnn算法的森林火灾图像降噪和分割方法，所述方法包括如下步骤：
s1：获取自然图像；
s2：获取自然图像的多个倍数增益的图像；
s3：检测每个倍数增益的图像的降噪质量参数，直至所述降噪质量参数满足预设的降噪质量参数范围，得到降噪后的图像；
首先通过摄像头获取1倍增益的图像，并检测对应的第一降噪质量参数，所述第一降噪质量参数包括：噪声水平参数、噪声水平参数和锐化参数。同时，摄像头内设有光敏传感器，以感知外界光线强度。当检测到所述第一降噪质量参数不满足预设的第一降噪质量参数范围时，调节下述至少一项：执行图像降噪的硬件、软件降噪算法、降噪参数，并对所述1倍增益的图像进行图像降噪处理，得到降噪后1倍增益图像，并返回执行s3，直到检测到所述降噪后1倍增益图像的第一降噪质量参数满足预设的第一降噪质量参数范围；获取其他倍数增益的图像；当调节执行图像降噪的硬件、软件降噪算法、降噪参数中的至少一项后得到满足预设的第一降噪质量参数范围的1倍增益的图像后，再次拍摄2倍、4倍、8倍、16倍、32倍、64倍、96倍各倍增益下的图像。其中拍摄的各档增益下的图像均为曝光平衡的照片。所述曝光平衡是指采用合适的曝光量，曝光量＝曝光时间×增益，采用的增益越大，噪点也越高。将所述其他倍数增益的图像分别与所述降噪后1倍增益图像进行对比，确定各倍数增益的图像与所述降噪后1倍增益图像之间的第二降噪质量参数；在所述第二降噪质量参数小于设定阀值时，再次调节下述至少一项：执行图像降噪的硬件、软件降噪算法、降噪参数，并对所述其他倍数增益的图像分别进行图像降噪处理，得到其他倍数增益的新的图像，并返回执行s6，直到所述其他倍数增益的新的图像与所述降噪后1倍增益图像之间的第二降噪质量参数不小于设定阀值。
s4：将s3得到的降噪后的图像定义为图像域上的特征场的一个实现；
s5：利用规则划分技术将输入的降噪后的图像的图像域划分为多个规则子块；
s6：在划分的图像域上，建立基于规则子块的图像分割模型；
s7：针对已建立的分割模型，设定迭代次数并设计合理的移动操作，每次迭代中，遍历所有移动操作，利用pcnn算法，求解基于规则子块的图像分割模型；
s8：通过fpga实现pcnn算法迭代过程的加速，并输出时间序列作为不同类别图像的特征提取；
s9：输出图像的分割结果。
具体实施方式二：本实施方式是对具体实施方式一作出的进一步说明，所述s6包括如下步骤：
s201：在划分的图像域上，建立特征场与标号场的关系模型；
s202：在划分的图像域上，建立标号场模型；
s203：基于s201和s202的基础上，建立基于规则子块的图像分割模型。
具体实施方式三：本实施方式是对具体实施方式一作出的进一步说明，所述s7包括如下步骤：
s301：通过更新标号场中的标号来更新标号场；
s302：在s301更新标号场的基础上通过增加或减少规则子块个数来更新划分的图像域及标号场，更新图像域过程中随机选择增加规则子块或减少规则子块的操作；
s303：将步骤s302中更新后的图像域上的标号场的实现代入非约束gibbs概率分布函数，得到非约束gibbs概率分布函数的一个函数值；
s304：按设定的迭代次数重复执行s301至s303，得到非约束gibbs概率分布函数的一个函数值集合，集合中函数值最大时所对应的分割结果为基于规则子块的图像分割模型的最优解。
具体实施方式四：本实施方式是对具体实施方式一作出的进一步说明，s8中所述通过fpga实现pcnn算法迭代过程的加速具体过程如下：
s401：fpga电路处于空闲状态，当复位信号有效时，fpga电路所有变量复位，复位信号拉高后进入初始化状态，对各个变量进行初始化；
s401：初始化之后，跳转到fpga内的计算模块，计算模块实现的是pcnn模型的迭代过程，在计算模块内灰度值作为输入进行迭代加速，直到达到提前设定的迭代次数，跳转回空闲状态，完成迭代加速过程。
具体实施方式五：本实施方式是对具体实施方式四作出的进一步说明，所述fpga电路包括控制模块、计算模块和存储模块；控制模块负责协调整个电路的正常工作，计算模块完成pcnn算法的迭代功能，计算中产生的数据存储于存储模块；控制模块分别给存储模块、串口接收模块信号，负责协调fpga整个电路的正常工作；pc机通过串口接收模块将图片灰度值输入fpga电路计算时间序列，fpga电路又通过控制模块控制存储模块将计算输出的时间序列通过串口接收模块上传给pc机。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。