一种高效的森林火灾探测系统的制作方法

本发明创造涉及图像处理领域，具体涉及一种高效的森林火灾探测系统。

背景技术：

森林作为最大的陆地生态系统，资源储量丰富，可以为人类提供多种生活用品，创造巨大的经济效益。更重要的是，森林是生态多样性的基础，是大量动植物赖以生存的家园。此外，森林还具有减少土壤流失，保护环境，防治自然灾害等作用，然而，近几年，森林火灾的频发正在侵蚀着宝贵的森林资源，因此，在森林火灾有效防治的同时，如果能及早发现森林火灾并进行预警将大大减少森林火灾所带来的损失。近年来，数字图像处理技术逐渐用于森林火灾的探测中，森林火灾图像分割是火灾特征和识别的重要前提，其分割结果将直接影响到火灾识别的准确率，本发明提供一种高效的森林火灾探测系统，采用改进的粒子群优化算法对森林图像进行搜索，寻找分割图像的最佳阈值组合，实现森林图像中火灾区域和背景区域的有效分割，为火灾识别奠定基础。

技术实现要素：

针对上述问题，本发明旨在提供一种高效的森林火灾探测系统。

本发明创造的目的通过以下技术方案实现：

一种高效的森林火灾探测系统，包括图像采集模块、图像预处理模块、图像分割模块、火灾识别模块和自动预警模块，所述图像采集模块通过一个红外摄像机对森林进行全天候监控,采集森林的红外图像,所述图像预处理模块用于对采集得到的原始红外图像进行滤波处理和图像增强,去除图像中的噪声干扰并且增强图像的对比度,所述图像分割模块用于在处理后的图像中分割出火焰区域和背景区域,所述火灾识别模块用于提取所述火焰区域的特征参数,采用多特征融合识别火焰,从而判断是否有火灾发生,所述自动预警模块用于在判断有火灾发生时即进行预警。

本发明创造的有益效果：本发明采用多阈值分割方法对森林图像进行分割，在阈值的选择过程中采用改进的粒子群优化算法进行阈值选择，能够快速而准确地搜索到最佳的阈值组合，使图像分割结果更准确，从而满足了图像分割对实时性的要求。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图；

图2是本发明图像预处理模块的结构示意图；

图3是本发明图像分割模块的结构示意图。

附图标记：

图像采集模块1；图像预处理模块2；图像分割模块3；火灾识别模块4；自动预警模块5；图像滤波单元21；图像增强单元22；阈值寻找单元31；阈值分割单元32。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1、图2和图3，本实施例的一种高效的森林火灾探测系统，包括图像采集模块1、图像预处理模块2、图像分割模块3、火灾识别模块4和自动预警模块5，所述图像采集模块1通过一个红外摄像机对森林进行全天候监控,采集森林的红外图像,所述图像预处理模块2用于对采集得到的原始红外图像进行滤波处理和图像增强,去除图像中的噪声干扰并且增强图像的对比度,所述图像分割模块3用于分割处理后的图像中的火焰区域和背景区域,所述火灾识别模块4用于提取所述火焰区域的特征参数,采用多特征融合识别火焰,从而判断是否有火灾发生,所述自动预警模块5用于在判断有火灾发生时即进行预警。

优选地，所述自动预警模块5包括声音预警和光电预警。

优选地，所述图像预处理模块2包括图像滤波单元21和图像增强单元22，所述图像滤波单元21用于对所述原始红外图像进行滤波处理，去除图像中的噪声干扰，所述图像增强单元22用于对滤波后的图像进行增强，从而增强图像的对比度。

本优选实施例采用多阈值分割方法对森林图像进行分割，在阈值的选择过程中采用改进的粒子群优化算法进行阈值选择，能够快速而准确地搜索到最佳的阈值组合，使图像分割结果更准确，从而满足了图像分割对实时性的要求。

优选地，所述图像分割模块3包括阈值寻找单元31和阈值分割单元32，所述阈值寻找单元31采用改进的粒子群优化算法寻找图像的分割阈值，从而使得分割后的图像的总熵最大，所述阈值分割单元32采用计算所得的分割阈值对图像的火焰区域和背景区域进行分割。

优选地，所述阈值寻找单元31采用改进的粒子群优化算法寻找图像的分割阈值，从而使得分割后的图像的总熵最大，具体包括：

(1)改进粒子群的速度和位置更新公式，用于通过改进粒子的速度和位置更新公式，从而提高粒子群算法的搜索效率，具体为：

skx(r+1)＝vks(r+1)*tr+sks(r)

式中，tr是粒子飞行所用的时间，xks(r+1)为粒子k的第s维在r+1次迭代时的位置，xks(r)为粒子k的第s维在r次迭代时的位置，tmax为粒子飞行的最长时间，r为粒子的当前迭代次数，rmax为粒子的最大迭代次数，c1、c2和c3是加速度因子，是粒子k在r次迭代时的惯性权重，vks(r)是粒子k的第s维的速度，pks(r)是粒子k的第s维的最优位置,pw(r)是粒子k的第s维的最差位置，pgs(r)是全体粒子的第s维的最优解，r1、r2和r3是0到1之间的随机数；

(2)改进惯性权重因子，用于通过改进惯性权重因子的计算方法，使得粒子群优化算法具有动态适应性，具体为：

式中，是第r次迭代时第粒子k的进化速度因子,j^r是第r次迭代时种群的聚集度因子，是第r-1次迭代时粒子k的最佳位置的适应度，是第r次迭代时粒子k的最佳位置的适应度，fk是粒子k的适应度，是第r次迭代时的平均适应度，w0是惯性权重的初值，δ和μ分别是进化速度因子和聚集程度因子的权重，且δ+μ＝1；

(3)定义粒子群优化算法的适应度函数为f，红外图像的灰度范围为{0,1,2,…,k-1}，设图像的分割阈值为[l1,l2,…,lc]，则适应度函数f为：

式中，pi为灰度级i的像素点的概率，d0为分割阈值(0～l1)范围内的像素点总数，d1为分割阈值(l1～l2)范围内的像素点总数，dc-1为分割阈值(lc-1,k-1)范围内的像素点总数。

本优选实施例在粒子群的速度和位置更新公式中引入了动态飞行时间和粒子的最差位置作为影响因素，对着迭代次数的增加，使得粒子的飞行时间逐渐减小，并且使得粒子在更新的过程中尽快原来这些较差的位置，从而提高了算法的搜索效率，加快了算法的收敛速度；在惯性权重因子的计算过程中，使得惯性权重随着粒子的进化速度因子和聚集程度因子的变化而动态变化，从而避免了传统的粒子群优化算法容易陷入局部最优以及后期收敛速度迅速减小等缺点；在阈值的选择过程中采用改进的粒子群优化算法进行阈值选择，能够快速而准确地搜索到最佳的阈值组合，使图像分割结果更准确，从而满足了图像分割对实时性的要求。最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。