一种基于改进颜色模型的森林火灾图像检测方法与流程

本发明属于图像处理领域，尤其涉及一种基于改进颜色模型的森林火灾图像检测方法。

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。

火焰最显著的特征是颜色，建立颜色模型对于各种火焰识别算法至关重要。国内外学者对于颜色模型的研究日益增多，现有技术中有四种方式识别或者，一种是基于yuv颜色模型的亮度闪烁来判别火灾疑似区域；第二种是基于rgb和ycbcr颜色模型的森林火灾图像分类方法，定义了七种规则，较好地兼顾了图像处理速率和处理效果。第三种利用ycbcr颜色空间建立分类模型，从而减少了由于图像亮度发生变化而产生的干扰；第四种是利用rgb与ycbcr颜色模型中的参数给出判据，识别率得到了很大的提高。上述各种火焰检测算法在提高识别率的同时，加大了计算的复杂度，不利于实时、快速地识别火灾图像。

技术实现要素：

本发明克服了上述现有技术的不足，提供一种基于改进颜色模型的森林火灾图像检测方法。

本发明的技术方案：

一种基于改进颜色模型的森林火灾图像检测方法，包括以下步骤：

步骤a、采集森林在日间和夜间发生火灾时的图像，所述图像包含火焰正样本和非火焰负样本；

步骤b、对所述图像提取rgb、ycbcr和hsi颜色空间各个通道分量灰度图像；

步骤c、对所述通道分量灰度图像采用pca方法提取主成分颜色通道特征信息，得到各通道特征间的线性组合；

步骤d、根据所述主成分颜色通道特征信息通过rgb颜色空间进行初步火焰识别判据，排除非火焰的像素点；

步骤e、通过ycbcr颜色空间亮度最大特征和色度差定阈特征进行火焰识别判据；

步骤f、通过his颜色空间的色度、亮度及饱和度进行火焰识别判据；

步骤g、根据主成分颜色通道特征信息提取同一图像的r通道值和y通道值，得到差图，火焰部分灰度值小于某一特定阈值t，公式如下：

|r-y|≤t(1)

对所述图像中的火焰区域做标记；

步骤h、将步骤d、步骤e、步骤f和步骤g判据中的常数分别从1取到100作为识别判据来对图像进行分类识别。

进一步地，所述pca方法包括下列步骤：

步骤c1、获取图像中的r、g、b、y、cb、cr、h、s以及i通道数据，依照此顺序将所有通道的数据按列排列，得到归一化处理的数据，图像矩阵为i＝[i1,i2,…,in]^mn；

步骤c2、计算i的协方差矩阵，并求特征向量ωi及特征值λi，求得9个通道的特征值，所述特征值反映火焰图像中火焰区域在各通道图像中的体现程度。

进一步地，所述通过rgb颜色空间进行初步火焰识别判据的方法如下所示：

火焰图像在rgb颜色空间中识别判据如式(2)和式(3)所示：

r(x,y)＞g(x,y)＞b(x,y)(2)

r(x,y)＞rmean(3)

其中，r(x,y)、g(x,y)、b(x,y)分别代表在(x,y)空间位置的像素点的红、绿、蓝三个分量的值。

进一步地，所述通过ycbcr颜色空间亮度最大特征进行火焰识别判据的方法如下：

火焰图像在ycbcr颜色空间中识别判据如式(4)和式(5)所示：

y(x,y)＞ymean&cb(x,y)＜cbmean

&cr(x,y)＞crmean(4)

y(x,y)＞cb(x,y)&cr(x,y)＞cb(x,y)(5)

其中，y(x,y)，cb(x,y)和cr(x,y)分别代表在(x,y)空间位置的像素点在ycbcr颜色空间的亮度分量、蓝色色度分量与亮度y的差值、红色色度分量与亮度y的差值。

进一步地，所述通过ycbcr颜色色度差定阈特征进行火焰识别判据的方法如下：

在火焰区域，cb通道是显著的“黑色”，cr通道是显著的“白色”，用式(6)表示：

|cr(x,y)-cb(x,y)|≥τ(6)

其中，τ是指定的常数。

进一步地，所述通过his颜色空间的色度、亮度及饱和度进行火焰识别判据的方法如下：

0≤h(x,y)≤60&20≤s(x,y)≤100

100≤i(x,y)≤255(7)

其中，h、s、i分别代表色度、亮度、饱和度，取值范围分别是0°≤h≤360°，纯红色为0，纯绿色为2π/3，纯蓝色为4π/3，0≤s≤100，表示颜色的纯度，饱和度越大颜色越鲜艳，0≤i≤255，表示颜色的明亮程度，h、s、i满足式(7)为火焰候选区域。

本发明相对于现有技术具有以下有益效果：

本发明公开了一种基于改进颜色模型的森林火灾图像检测方法，利用rgb模型、ycbcr模型和hsi模型，将rgb图像分别转换到ycbcr和hsi颜色空间并提取三种颜色空间各个通道的灰度图像，采用pca降维法对通道的特异性进行分析，给出火焰识别判据，并建立roc曲线求取识别判据中的阈值，建立计算复杂度较低的火焰检测模型，同时减少因背景光照强度不同产生的影响，以提高复杂的森林环境下火灾图像的识别率并减小误报率；

利用本发明对包含多种亮度和色度的火焰正样本和非火焰负样本的图像集进行测试，测试结果表明该算法相比传统的基于rgb颜色空间的模型识别率提高了6.70％，误报率降低了10.24％。

附图说明

图1是rgb颜色空间日间火灾原图；

图2是rgb颜色空间日间火灾r通道分量图；

图3是rgb颜色空间日间火灾g通道分量图；

图4是rgb颜色空间日间火灾b通道分量图；

图5是ycbcr颜色空间日间火灾图；

图6是ycbcr颜色空间日间火灾y通道分量图；

图7是ycbcr颜色空间日间火灾cb通道分量图；

图8是ycbcr颜色空间日间火灾cr通道分量图；

图9是hsi颜色空间日间火灾图；

图10是hsi颜色空间日间火灾h通道分量图；

图11是hsi颜色空间日间火灾s通道分量图；

图12是hsi颜色空间日间火灾i通道分量图；

图13是rgb颜色空间夜间火灾原图；

图14是rgb颜色空间夜间火灾r通道分量图；

图15是rgb颜色空间夜间火灾g通道分量图；

图16是rgb颜色空间夜间火灾b通道分量图；

图17是ycbcr颜色空间夜间火灾图；

图18是ycbcr颜色空间夜间火灾y通道分量图；

图19是ycbcr颜色空间夜间火灾cb通道分量图；

图20是ycbcr颜色空间夜间火灾cr通道分量图；

图21是hsi颜色空间夜间火灾图；

图22是hsi颜色空间夜间火灾h通道分量图；

图23是hsi颜色空间夜间火灾s通道分量图；

图24是hsi颜色空间夜间火灾i通道分量图；

图25是hsi颜色空间夜间火灾i通道分量图；

图26是hsi颜色空间夜间火灾i通道分量图；

图27是本发明与其他火灾识别方法近景效果对比图；

图28是第二组本发明与其他火灾识别方法夜间效果对比图；

图29是第三组本发明与其他火灾识别方法远景效果对比图。

具体实施方式

以下将结合附图对本发明进行详细说明。

具体实施方式一

一种基于改进颜色模型的森林火灾图像检测方法，包括以下步骤：

步骤a、采集森林在日间和夜间发生火灾时的图像，所述图像包含火焰正样本和非火焰负样本；

步骤b、对所述图像提取rgb、ycbcr和hsi颜色空间各个通道分量灰度图像，如图1-24所示；

步骤c、对所述通道分量灰度图像采用pca方法提取主成分颜色通道特征信息，得到各通道特征间的线性组合；

步骤d、根据所述主成分颜色通道特征信息通过rgb颜色空间进行初步火焰识别判据，排除非火焰的像素点；

步骤e、通过ycbcr颜色空间亮度最大特征和色度差定阈特征进行火焰识别判据；

步骤f、通过his颜色空间的色度、亮度及饱和度进行火焰识别判据；

步骤g、根据主成分颜色通道特征信息提取同一图像的r通道值和y通道值，得到差图，火焰部分灰度值小于某一特定阈值t，公式如下：

|r-y|≤t(1)

对所述图像中的火焰区域做标记；

步骤h、将步骤d、步骤e、步骤f和步骤g判据中的常数分别从1取到100作为识别判据来对图像进行分类识别，建立roc曲线图，如图26所示，a点为最佳点，对应t取40，识别率为93.5％，误判率为15.5％。

本发明用于将火焰部分与类似火焰颜色部分区分开，应用到本实施例的图像集中，使得误判率由19％下降到了15.5％。

本实施例采用包含2000幅火灾图像的样本集，对本发明进行检测，样本包括夜间、白天、不同光照条件以及包含火灾像素的正样本和不包含火灾像素的负样本等多种不同外界环境下的图像，并对检测结果与其他火焰检测方法进行比较。

图27、图28和图29分别给出了三个图像识别结果对比图，这三个图像是具有代表性的远景、近景及夜间三种森林火灾场景。图27a是近景原始图；图27b是第一种颜色模型近景效果图；图27c是第二种颜色模型近景效果图；图27d是本发明近景效果图；图28a是夜间原始图；图28b是第一种颜色模型夜间效果图；图28c是第二种颜色模型夜间效果图；图28d是本发明夜间效果图；图29a是远景原始图；图29b是第一种颜色模型远景效果图；图29c是第二种颜色模型远景效果图；图29d是本发明远景效果图；

识别率和误报率对比分析如表1所示。

表1三种颜色模型的识别率和误报率比较

表1中的数据表明改进的颜色模型在提高准确率的同时，减少了误报率。

为提高森林火灾图像检测算法的识别率，降低误报率，本发明提出了一种基于改进颜色模型的森林火灾图像检测方法，基于rgb、ycbcr、hsi三种颜色模型，减少了光照强度的干扰，可以准确识别不同色度及饱和度的图像。实验结果表明：本发明的判据计算量较小，在保证高识别率和低误报率的同时，提高了识别效率，符合森林火灾检测对于实时性、准确性的要求。

具体实施方式二

具体地，所述pca方法包括下列步骤：

步骤c1、获取图像中的r、g、b、y、cb、cr、h、s以及i通道数据，依照此顺序将所有通道的数据按列排列，得到归一化处理的数据，图像矩阵为i＝[i1,i2,…,in]^mn；

步骤c2、计算i的协方差矩阵，并求特征向量ωi及特征值λi，求得9个通道的特征值为(0.1085，0.0071，0.00074，0.00054，2.12e-7，0.0851，1.25e-14，0.0182，0.056)，该数据反映了火焰图像中火焰区域在各通道图像中的体现程度，说明r、cr以及s分量对火焰区域具有较强的特异性，而b、y、cb、h的特异性较小。

观察并分析图像通道的灰度值还会发现两个相关性非常强的组合，一个是cr和cb，两者的差值具有非常大的区分性，可以作为判据来识别火焰；另一个是r和y，两者的数值非常相近，对于火焰区域，r值和y值都非常大，因此也可作为判据来区分火焰区域和类似火焰区域。

具体实施方式三

一幅彩色图像由大量像素组成，每个像素由该图像的矩形网络中的一个空间位置表示，一个色彩矢量(r(x,y),g(x,y),b(x,y))与一个空间位置(x,y)相对应，具体地，所述通过rgb颜色空间进行初步火焰识别判据的方法如下所示：

火焰图像在rgb颜色空间中识别判据如式(2)和式(3)所示：

r(x,y)＞g(x,y)＞b(x,y)(2)

r(x,y)＞rmean(3)

其中，r(x,y)、g(x,y)、b(x,y)分别代表在(x,y)空间位置的像素点的红、绿、蓝三个分量的值。这一判据为进一步的处理起到了简化的作用，在后续的识别处理中可以忽略经这一判据识别出来的不是火焰的像素点。

具体实施方式四

对于任意一幅候选火灾图像，首先给出ycbcr色彩空间三个通道平均值的定义。

其中，(xi,yi)是像素的空间位置；ymean、cbmean、crmean分别是y、cb、cr三个分量对应的平均值，k代表整个图像像素点个数。

具体地，所述通过ycbcr颜色空间亮度最大特征进行火焰识别判据的方法如下：

火焰图像在ycbcr颜色空间中识别判据如式(4)和式(5)所示：

y(x,y)＞ymean&cb(x,y)＜cbmean

&cr(x,y)＞crmean(4)

y(x,y)＞cb(x,y)&cr(x,y)＞cb(x,y)(5)

其中，y(x,y)，cb(x,y)和cr(x,y)分别代表在(x,y)空间位置的像素点在ycbcr颜色空间的亮度分量、蓝色色度分量与亮度y的差值、红色色度分量与亮度y的差值。

如图5至图8和图17至图20所示，火焰区域像素的y通道值明显高于平均值ymean；火焰区域像素的cb通道值明显低于平均值cbmean；同理可得，cr通道的值高于平均值crmean。

具体实施方式五

具体地，所述通过ycbcr颜色色度差定阈特征进行火焰识别判据的方法如下：

在火焰区域，像素的cb和cr通道有显著的区别，cb通道是显著的“黑色”，cr通道是显著的“白色”，用式(6)表示：

|cr(x,y)-cb(x,y)|≥τ(6)

其中，τ是指定的常数。

通过对包含2000幅图像的图像数据集进行分类分析来确定τ值，此数据集包含了多种亮度和色度的火焰正样本和非火焰负样本。

对样本图片中的火焰区域做标记，再把式(2)、(3)、(4)、(5)、(6)以及式(7)中的常数分别从1取到100作为识别判据来对图像集进行分类识别，可建立roc(接收者操作特征曲线)曲线如图25所示。

实际火灾检测时，宁可误报不能漏报，但由roc曲线可以看出，识别率越高，误报率也随之升高。图3中a点为临界点，在这点之后随着误判率的增大识别率变化不大，对应τ值为70，识别率接近92％，误报率为19％。

具体实施方式六

在hsi空间中，火焰的h值在[0,60]之间，s值在[20,100]之间，i值在[100,255]之间，满足三个阈值限定的则提取为火焰候选区域。

具体地，所述通过his颜色空间的色度、亮度及饱和度进行火焰识别判据的方法如下：

0≤h(x,y)≤60&20≤s(x,y)≤100

100≤i(x,y)≤255(7)

其中，h、s、i分别代表色度、亮度、饱和度，取值范围分别是0°≤h≤360°，纯红色为0，纯绿色为2π/3，纯蓝色为4π/3，0≤s≤100，表示颜色的纯度，饱和度越大颜色越鲜艳，0≤i≤255，表示颜色的明亮程度，h、s、i满足式(7)为火焰候选区域。