張建群

【摘要】森林資源是地球上最重要的生態(tài)資源之一，森林火災(zāi)給森林資源帶來(lái)了極大的損失。及時(shí)發(fā)現(xiàn)森林火災(zāi)并預(yù)防對(duì)保護(hù)森林資源具有非常重大的意義。本文通過(guò)使用數(shù)字圖像處理來(lái)快速識(shí)別森林火災(zāi)發(fā)生時(shí)所產(chǎn)生出來(lái)的火焰和煙霧的圖像特征，進(jìn)而快速地識(shí)別出火災(zāi)發(fā)生的相關(guān)信息，降低了森林火災(zāi)帶來(lái)的巨大的損失。為了提高森林防火識(shí)別的準(zhǔn)確度，將人工神經(jīng)網(wǎng)絡(luò)的方法于森林防火識(shí)別中，經(jīng)過(guò)不斷的學(xué)習(xí)，森林防火識(shí)別將更加準(zhǔn)確和高效。

【關(guān)鍵詞】數(shù)字圖像處理 圖像分割 防火識(shí)別 火焰特征

森林資源是地球上最重要的生態(tài)資源之一。它能夠?yàn)槿祟?lèi)的生活提供各種寶貴的原材料，對(duì)于凈化空氣也起著非常重大的作用。森林資源的可再生的長(zhǎng)期性和不可替代性促使人類(lèi)要格外重視它的合理利用，這不僅要求有計(jì)劃的砍伐和種植，更需要注意預(yù)防森林火災(zāi)[1]。森林火災(zāi)的發(fā)生可能是自然災(zāi)害引起的，也可能是人為引起的。森林火災(zāi)直接給社會(huì)帶來(lái)巨大的經(jīng)濟(jì)損失，危害著生態(tài)環(huán)境。那么，為了減少森林火災(zāi)給人類(lèi)帶來(lái)的損失，需要及時(shí)發(fā)現(xiàn)森林火災(zāi)，只有

及時(shí)發(fā)現(xiàn)了森林火災(zāi)，人們才能夠及時(shí)救援。因此，森林防火識(shí)別的研究是具有非常重大的意義。

本文通過(guò)使用數(shù)字圖像處理的方法快速識(shí)別森林火災(zāi)是否發(fā)生，主要判斷依據(jù)是森林火災(zāi)所產(chǎn)生出來(lái)的火焰和煙霧的圖像特征，并使用神經(jīng)網(wǎng)絡(luò)的方法對(duì)森林防火識(shí)別的算法進(jìn)行訓(xùn)練學(xué)習(xí)，進(jìn)而快速地識(shí)別出圖像中是否存在森林火災(zāi)，降低了森林火災(zāi)帶來(lái)的巨大的損失。

1.森林火災(zāi)識(shí)別算法的概述

傳統(tǒng)的森林火災(zāi)識(shí)別大多數(shù)采用基于感溫、氣體、感光等[2]這些傳統(tǒng)的識(shí)別方法容易受到空間高度、空氣流速、粉塵、溫度、濕度等外界因素的干擾，因而影響檢測(cè)森林火災(zāi)的準(zhǔn)確度。

基于數(shù)字圖像處理的森林防火識(shí)別最重要的任務(wù)就是發(fā)現(xiàn)森林火災(zāi)中的各種特征如何表現(xiàn)在圖像上，并確保這些圖像特征能夠明顯區(qū)別于圖像中除火災(zāi)以外的其他譬如樹(shù)木等的背景事物[2]對(duì)于基于數(shù)字圖像處理的森林火災(zāi)識(shí)別算法來(lái)說(shuō)，其核心問(wèn)題就是要利用森林火災(zāi)的圖像的典型特征來(lái)識(shí)別火災(zāi)的存在，而處理森林火災(zāi)的圖像必然要使用數(shù)字圖像處理技術(shù)[3]數(shù)字圖像處理的常用方法主要有：圖像變換、圖像編碼壓縮、圖像增強(qiáng)和復(fù)原、圖像分割、圖像描述和圖像識(shí)別[4]。其中，數(shù)字圖像處理中的圖像識(shí)別主要是在提取了圖像中的火災(zāi)或類(lèi)似火災(zāi)的相關(guān)信息后，對(duì)這些信息加以分析，最終判斷該圖像中是否確實(shí)存在火災(zāi)現(xiàn)象。

在進(jìn)行森林防火識(shí)別過(guò)程中，需首先對(duì)森林的數(shù)字圖像進(jìn)行圖像分割處理；然后利用火災(zāi)圖像特征識(shí)別圖像中的目標(biāo)物體。

在火災(zāi)發(fā)生的過(guò)程中，火焰和煙霧是最能表征火災(zāi)的物理現(xiàn)象。要實(shí)現(xiàn)森林防火識(shí)別必須由火災(zāi)圖像預(yù)處理、分析火焰的特征提取方法、建立BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法、訓(xùn)練BP網(wǎng)絡(luò)，最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。

2.森林防火識(shí)別的算法

2.1 圖像分割處理

圖像分割就是將圖像中的目標(biāo)與背景進(jìn)行分離，從而檢索出圖像中需要進(jìn)行處理或識(shí)別的部分[5]。在進(jìn)行圖像分割時(shí)，本文首先將所獲得的連續(xù)幀的圖像進(jìn)行二值化，目的就是要獲取圖像的灰度圖，減小處理的數(shù)據(jù)量，提高了識(shí)別速度。森林防火識(shí)別問(wèn)題可以簡(jiǎn)要表述為：將圖像分割后的對(duì)象根據(jù)RGB值使用灰度直方圖取谷點(diǎn)進(jìn)行二值化，在此使用matlab工具提供的方法實(shí)現(xiàn)。得到二值化圖像后，就可以快速地計(jì)算出描述物體大小和形狀的一些基本屬性，如物體的面積、周長(zhǎng)、寬度等。接下來(lái)就需要對(duì)此二值化后的圖像進(jìn)行圖像分割處理。

圖像分割的方法有很多種，常用的方法有灰度閾值分割法、區(qū)域分割法和邊緣分割法。圖像分割的一個(gè)重要途徑是通過(guò)邊緣檢測(cè)的，即檢測(cè)灰度級(jí)或者結(jié)構(gòu)具有突變的地方，確定一個(gè)區(qū)域開(kāi)始的地方。

對(duì)于森林火災(zāi)的圖像，火災(zāi)發(fā)生的地方一般邊界具有明顯的邊緣，本文主要采用靠閡值和邊緣法相結(jié)合的方式實(shí)現(xiàn)圖像分割。

2.2 森林防火識(shí)別算法

森林火災(zāi)識(shí)別算法最重要的是提取森林火災(zāi)的獨(dú)特特征，即區(qū)別于其他事物的特征。提取森林火災(zāi)的特征是為圖像進(jìn)行森林防火識(shí)別打下了基礎(chǔ)。通過(guò)將數(shù)字圖像處理應(yīng)用于森林防火識(shí)別之中，計(jì)算出森林火災(zāi)圖像中的疑似火災(zāi)區(qū)域的特征，并將綜合這些特征，進(jìn)而達(dá)到識(shí)別火災(zāi)的目的。

本文結(jié)合面積變化和邊緣抖動(dòng)相結(jié)合的特征判斷火災(zāi)的發(fā)生。在森林火災(zāi)發(fā)生時(shí)，往往會(huì)出現(xiàn)火焰不斷蔓延起來(lái)，火焰的面積急速擴(kuò)張。根據(jù)這個(gè)特性，在進(jìn)行森林防火識(shí)別時(shí)，可通過(guò)面積的變化來(lái)初步判斷森林火災(zāi)是否發(fā)生。對(duì)連續(xù)的幾幅圖像的各區(qū)域亮點(diǎn)數(shù)分別求平均值，看區(qū)域的面積是否有增大的趨勢(shì)，火災(zāi)的增長(zhǎng)率由像素點(diǎn)數(shù)的變化來(lái)衡量，增長(zhǎng)率G的計(jì)算可以采用如下的表達(dá)式：G=size（bt）-size（bt0）/t-t0。

但是，如果僅僅使用面積變化和邊緣抖動(dòng)相結(jié)合的特征判斷火災(zāi)的發(fā)生并不能避免一些干擾，譬如人工光源的移動(dòng)。因此也將森林火災(zāi)的邊緣抖動(dòng)特征也利用起來(lái)。火焰的邊緣抖動(dòng)常常伴隨著火焰的尖角數(shù)目呈現(xiàn)無(wú)規(guī)則的跳動(dòng)，火焰抖動(dòng)的判斷就重點(diǎn)研究尖角的識(shí)別，主要步驟為尖角的分割、特征提取和識(shí)別。在計(jì)算機(jī)中尖角是用眾多個(gè)點(diǎn)組成的。尖角狹長(zhǎng)的計(jì)算可以通過(guò)使用f（n）/f（n-1）的值來(lái)實(shí)現(xiàn)，其中f（n）表示尖角匯中某一行的亮點(diǎn)數(shù)f（n-1）為上一行的亮點(diǎn)數(shù)。火焰的抖動(dòng)性變現(xiàn)為：如對(duì)連續(xù)幀采集的圖像分析，其尖角數(shù)目也在呈現(xiàn)不規(guī)則的變化。森林火災(zāi)的尖角個(gè)數(shù)都比較多，一般都在10個(gè)以上，可將其作為火災(zāi)的判斷依據(jù)。

2.3 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于森林防火識(shí)別算法

森林火災(zāi)的圖像具有龐雜性和多變性，所以很難直接用精確的數(shù)學(xué)表達(dá)式表達(dá)火災(zāi)圖像中的許多特征。而人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡(jiǎn)寫(xiě)為ANNS）具有初步的自適應(yīng)與自組織能力，可用于實(shí)現(xiàn)火災(zāi)發(fā)生概率與對(duì)應(yīng)火焰特征之問(wèn)的非線性映射關(guān)系[8]。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，能為新的輸入產(chǎn)生合理的輸出，可在學(xué)習(xí)過(guò)程之中不斷完善自己，具有創(chuàng)新特點(diǎn)。森林防火識(shí)別應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的思想后，提高了森林防火識(shí)別的自適應(yīng)性。經(jīng)過(guò)不斷的學(xué)習(xí)，森林防火識(shí)別的實(shí)現(xiàn)能夠高效且更更準(zhǔn)確的判斷結(jié)果。

3 森林防火識(shí)別的實(shí)現(xiàn)

3.1 森林防火識(shí)別的實(shí)現(xiàn)流程

森林防火識(shí)別是一個(gè)復(fù)雜的過(guò)程，在此，將森林防火劃分為幾個(gè)步驟實(shí)現(xiàn)。森林防火識(shí)別的第一步是將所獲得的圖像轉(zhuǎn)換成BMP格式，這樣有助于程序?qū)D像進(jìn)行處理和識(shí)別森林火災(zāi)。為了加速識(shí)別，首先簡(jiǎn)單判斷一下圖像中是否存在紅色區(qū)域，若不存在，就可以判斷暫時(shí)沒(méi)有森林火災(zāi)的發(fā)生。但若發(fā)現(xiàn)圖像中存在紅色區(qū)域，在此為了加速識(shí)別，采用將圖像進(jìn)行灰度化處理，并采用平均值法快速求出灰度值，即將彩色圖像中的三分量亮度求平均得到一個(gè)灰度值，計(jì)算公式為：f（i，j）=（R（i，j）+G（i，j）+B（i，j））/3。然后在matlab中的實(shí)現(xiàn)該圖像的二值化，步驟為：unread，rgb2gray，inebw。處理之后，就得到圖像的二值化。

另外，為了減少圖像中的數(shù)據(jù)量，也將對(duì)數(shù)據(jù)進(jìn)行均值濾波處理，也叫平滑處理。具體的處理方法就是首先選擇出某一像素值，然后以它為中心計(jì)算出鄰域范圍中的像素的平均值，再使用這個(gè)平均值代替這一像素的灰度值，計(jì)算公式為：

圖像的準(zhǔn)備工作完成后，接下來(lái)就是非常重要的一步：圖像分割。圖像分割就是將圖像劃分為若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程[5]。在此采用邊緣分割的技術(shù)，即檢測(cè)灰度級(jí)具有突變的地方，從而將森林的圖像分割為不同的區(qū)域，進(jìn)而為圖像識(shí)別提供了基礎(chǔ)。對(duì)于圖像邊緣處的像素的灰度值不連續(xù)問(wèn)題，通過(guò)求導(dǎo)進(jìn)行檢測(cè)。

接下來(lái)就是提取圖像中能代表火災(zāi)的相關(guān)信息，如前所示主要是考察面積變化和邊緣抖動(dòng)相結(jié)合的特征。但是由于火災(zāi)圖像的復(fù)雜性和多變性，不能夠直接用某一數(shù)據(jù)來(lái)標(biāo)記，因此需要將神經(jīng)網(wǎng)絡(luò)的模式識(shí)別方法應(yīng)用于森林防火識(shí)別之中。

3.2 森林防火實(shí)現(xiàn)的實(shí)例

利用前面介紹的方法，在Visual C++的平臺(tái)上對(duì)森林防火識(shí)別進(jìn)行了實(shí)驗(yàn)。

經(jīng)過(guò)對(duì)比大約250幅連續(xù)幀的森林火災(zāi)發(fā)生的圖像，觀察火災(zāi)發(fā)生的面積變化如圖3所示：其中，前50幀的圖像是正常的森林圖像，即沒(méi)發(fā)生火災(zāi)時(shí)的圖像，所得森林火災(zāi)的面積是為。的。在接下來(lái)的圖像中，森林火災(zāi)的面積逐漸變大，變化的頻率也在增大。這樣的變化規(guī)律是符合森林火災(zāi)發(fā)生時(shí)的發(fā)展?fàn)顩r的。

本實(shí)驗(yàn)使用眾多有關(guān)森林火災(zāi)的連續(xù)幀的圖像進(jìn)行如上的實(shí)驗(yàn)。由實(shí)驗(yàn)結(jié)果可知，將數(shù)字圖像處理的相關(guān)方法應(yīng)用于森林防火識(shí)別可以提高森林防火的準(zhǔn)確率，由于增加了對(duì)圖像的預(yù)處理，因此也提高了森林防火識(shí)別的速度。

5 總結(jié)

本文主要是在使用先進(jìn)的數(shù)字圖像處理技術(shù)中的圖像分割、圖像特征提取等方法的基礎(chǔ)上進(jìn)行研究，然后又進(jìn)一步的使用人工神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)果集進(jìn)行訓(xùn)練，從而達(dá)到高效且精確的森林防火識(shí)別。這就實(shí)現(xiàn)了對(duì)森林防火自動(dòng)，識(shí)別率高，保證了較低的誤報(bào)率、火情虛報(bào)率，剔除了自然環(huán)境如云霧等、季節(jié)交替變化、光照變化以及動(dòng)態(tài)目標(biāo)干擾等因素造成的影響。

參考文獻(xiàn)（References）：

[1]Young Neil. Fire detection and alarm systems[J].FirePrevention and Fire Engineers Journals，2004（5）：53-55.

[2] Kempka Thorsten，Kaiser Thomas，Solbach Klaus. Microwavesin fire detectionU. Fire Safety jouma1，2006（41）：327-333.S.

[3]李建，陳曉玲，陸建忠，殷守敬，羅順英.森林火災(zāi)遙感監(jiān)測(cè)方法適用性研究[J].華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2011.

[4]劉亮亮.基于視頻監(jiān)控的火災(zāi)圖像識(shí)別研究[D].北京：華北電力大學(xué)，2007.

[5]王海濤，黃文杰，朱永凱，田桂云，姬建崗.基于聚類(lèi)分析與神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別[J].數(shù)據(jù)采集與處理，2008，23（2）：238-242.

[6]夏培容，許曉飛.基于混合智能算法的彩色圖像模糊顏色聚類(lèi)分割方法研究[J].湖南工業(yè)大學(xué)學(xué)報(bào)，2008.

[7]蔣先剛，梁青，沈濤.基于改進(jìn)的均值漂移的森林火災(zāi)圖像提取技術(shù)葉華東交通大學(xué)學(xué)報(bào).2011.

[8]汪中，劉貴全，陳恩紅.一種優(yōu)化初始中心點(diǎn)的K-means算法.模式識(shí)別與人工智能.2009.22（2）.

[9]梁杰，張麗紅，李林.HIS和區(qū)域生長(zhǎng)結(jié)合的火災(zāi)圖像分割方法[J].計(jì)算機(jī)技術(shù)與發(fā)展[J].計(jì)算機(jī)技術(shù)與發(fā)展.2012（01）.

[10] Xia Donghai，Wang shu，Ming Zhu. Research on detectionmethod of uncertainty fire signal based on fire scenario[J].Proceedings of the World Congress on Intelligent Control andAutomation，2006（1）：4185-4189.