【火灾检测】基于matlab实现图像特征火灾检测

1、【灾检测】基于matlab实现图像特征灾检测、简介1 颜特征 颜特征是图像检索中应最为泛的视觉特征。颜特征需进量计算。只需将数字图像中的像素值进相应转换，表现为数值即可。因此颜特征以其低复杂度成为了个较好的特征。在图像处理中，我们可以将个具体的像素点所呈现的颜分多种法分析，并提取出其颜特征分量。如通过标记区域提取个特定区域(region)的颜特征，该区域在个颜空间三个分量各的平均值表，或者可以建三个颜直图等法。颜直图： 颜直图以反映图像颜的组成分布，即各种颜出现的概率。从512x512的灰度图像中提取维度为k的颜直图，将256种灰度值分为k个区间，然后计算每个区间中像素点总数为多少。图像直图对

2、图像的物理变换是不敏感的。因此常提取颜特征并颜直图应于衡量和较两幅图像的全局差。 颜直图也有其缺点：由于颜直图是全局颜统计的结果，因此丢失了像素点间的位置特征。可能有幅图像具有相同或相近的颜直图，但其图像像素位置分布完全不同。因此，图像与颜直图得多对关系使得颜直图在识别前景物体上不能获得很好的效果。2 形状特征 形状特征的表达必须以对图像中物体或区域的分割为基础。 两种经典的算法是SIFT和HOG。 Sift是先找特征点，hog是对图进分割。SIFT在尺度空间中所提取的图像局部特征点。SIFT特征点提取较为便，对于图像的缩放等变换较鲁棒，得到了泛的应。SIFT算法的步骤：构造尺度空间 ，把图像

3、按例进缩 搜索尺度空间中的关键点 ，关键点就是点或者拐点 去除可能的噪点 ，极值抑制计算向构造128维的特征向量 ，计算每个特征点的向量，每个向量是128维。HOG (Histogram of Oriented Gradient)于检测物体的特征描述，通过计算图像局部区域的梯度向直图来构建特征。HOG特征特别适合于做图像中的体检测 ，由于HOG是在图像的局部格单元上操作，所以它对图像何的和光学的形变都能保持很好的不变性。 在粗的空域抽样、精细的向抽样以及较强的局部光学归化等条件下，只要体上能够保持直的姿势，可以容许有些细微的肢体动作，这些细微的动作可以被忽略不影响检测效果。HOG特征步骤：假设

4、每个区域都有关键的特征，所以是对每个区域都进操作。 输图 ，Gamma归化 计算梯度:通过差分计算出图像在平向上及垂直向上的梯度，然后得到各个像素点的梯度的幅值及向 将整个窗划分成相同互不重叠的细胞单元cell(如88像素)，计算出每个cell的梯度及向然后将每像素的梯度向在0 180(向：0-180，有向：0-360)平均分为9个bins，统计每个cell的梯度直图，即可形成每个cell的descriptor 将22个相邻的cell组成为1616的像素块即block依次将block的滑动窗从左到右从上到下滑动，求其梯度向直图向量,个block内所有cell的特征descriptor串联起来便

5、得到该block的HOG特征descriptor。Haar特征Haar特征分为三类：边缘特征、线性特征、中特征和对线特征，组合成特征模板。特征模板内有和两种矩形，并定义该模板的特征值为矩形像素和减去矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的些特征能由矩形特征简单的描述，如：眼睛要脸颊颜要深，梁两侧梁颜要深，嘴巴周围颜要深等。但矩形特征只对些简单的图形结构，如边缘、线段较敏感，所以只能描述特定向(平、垂直、对)的结构。 3 纹理特征 纹理是种反映图像中同质现象的视觉特征，它体现了物体表的具有缓慢变化或者周期性变化的表结构组织排列属性。纹理具有三标志。某种局部序列性不断重复；

6、 随机排列； 纹理区域内致为均匀的统体； 不同于灰度、颜等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。纹理特征体现全局特征的性质的同时，它也描述了图像或图像区域所对应景物的表性质。与颜特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进统计计算。在模式匹配中，这种区域性的特征具有较的优越性，不会由于局部的偏差法匹配成功。在检索具有粗细、疏密等较差别的纹理图像时，利纹理特征是种有效的法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不的时候，通常的纹理特征很难准确地反映出的视觉感觉不同的纹理

7、之间的差别。优点：1. 具有旋转不变性2. 具有良好的抗噪性能。 缺点：3. 当图像的分辨率变化的时候，所计算出来的纹理可能会有较偏差4. 有可能受到光照、反射情况的影响5. 从2-D图像中反映出来的纹理不定是3-D物体表真实的纹理 统计法：灰度共矩阵(GLCM)，灰度共矩阵中的四个关键特征：能量、惯量、熵和相关性。 其他的统计法，还包括图像的相关函数，半差图等。图像局部区域的相关函数、灰度游程矩阵以及灰度分布的各种统计量，是常的数字纹理特征。LBP LBP(Local Binary Pattern，局部值模式)是种来描述图像局部纹理特征的算；它具有旋转不变性和灰度不变性等显著的优点。它是先由

8、T. Ojala, M.Pietik inen, 和D. Harwood 在1994年提出，于纹理特征提取。且，提取的特征是图像的局部的纹理特征。 原始的LBP算定义为在33的窗内，以窗中像素为阈值，将相邻的8个像素的灰度值与其进较，若周围像素值于中像素值，则该像素点的位置被标记为1，否则为0。这样，33邻域内的8个点经较可产8位进制数(通常转换为进制数即LBP码，共256种)，即得到该窗中像素点的LBP值，并这个值来反映该区域的纹理信息。灰度共矩阵 共矩阵两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特征，也反映具有同样亮度或者接近亮度的像素之间的位置分布特性，是有关图像亮度变化的

9、阶统计特征。灰度共矩阵(GLCM)是定义组纹理特征的基础。 取图像(NN)中任意点 (x，y)及偏离它的另点 (x+a，y+b)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画上移动，则会得到各种 (g1，g2)值，设灰度值的级数为 k，则(g1，g2) 的组合共有 k2种。对于整福图像，统计出每种(g1，g2)值出现的次数，然后排列成个阵，在(g1，g2) 出现的总次数将它们归化为出现的概率P(g1，g2)，这样的阵称为灰度共矩阵。 距离差分值(a，b) 取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)

10、、(1，1)、(2，0)等的差分值。当 a=1，b=0时，像素对是平的，即0度扫描；当a=0，b=1 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对线的，即45度扫描；当 a=-1，b=-1时，像素对是左对线，即135度扫描。 若将图像的灰度级定为N级，那么共矩阵为NN矩阵，可表为M(x，y)(h,k)，其中位于(h,k)的元素的值表个灰度为h另个灰度为k的两个相距为(x，y)的像素对出现的次数。 共矩阵实际上是两个像素点的联合直图，对粗纹理的区域，其灰度共矩阵的值较集中于主对线附近。因为对于粗纹理，像素对趋于具有相同的灰度。对于细纹理的区域，其灰度共矩阵中的值则散布在各

11、处。下图为个简单的例： 图a为原图像，最灰度级为16。为表便，这将灰度级数减为4级，图a变为图b的形式。这样(f1,f2)取值范围便为0,3。取不同的间隔，将(f1,f2)各种组合出现的次数排列起来，就可得到图eg所的灰度共矩阵。 图e表图b中(x,y)与偏离它的(x+1,y+0)构成点对时，(f1,f2)取值的情况(填充黄部分为f1取0，f2取1时的情况，由图b填充易知共10种)。同理，f,g分别表图c，d中(x,y)分别于点(x+1,y+1),(x+2,y+0)构成的点对(f1,f2)出现的情况(图c填充黄部分表f1取0，f2取0时，对线点对(0,0)出现的情况，共8种：图d填充黄部分表f

12、1取0，f2取2时平点对(0,2)出现的情况，共9种)。例如，对于a=1，b=0，点对中(0,1)的组合共出现了10次。对可以看出，(0,1),(1,2),(2,3)和(3,0)均有较的出现频数。图b表明，图像中存在明显的左上右下向的纹理。距离(a,b)的取值不同，灰度共矩阵中的值不同。a和b的取值要根据纹理周期分布的特征来选择，对于较细的纹理，选取(1,0),(1,1),(2,0)等这样的值是有必要的。a,b取值较对应于变化缓慢的纹理图像，其灰度共矩阵对线上的数值较。纹理的变化越快，则对线上的数值越，对线两侧的值增。为了能更直观地以共矩阵描述纹理状况，从共矩阵导出些反映矩阵状况的参数，典型的

13、有以下种： (1)能量：是灰度共矩阵元素值的平和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。若灰度共矩阵的元素值相近，则能量ASM较，表纹理细致；相反，如果其中些值其它值，则ASM值。当共矩阵中元素集中分布时，此时ASM值,表明种较均和规则变化的纹理模式。 (2)对度：反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对度越，视觉效果越清晰；反之，对度，则沟纹浅，效果模糊。 (3)相关：它度量空间灰度共矩阵元素在或列向上的相似程度，因此，相关值反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就;相反，如果矩阵像元值相差很则相关值。如果图像中有平向纹理，则平向矩阵的C

14、OR于其余矩阵的COR值。 (4)熵：是图像所具有的信息量的度量，纹理信息也属于图像的信息，是个随机性的度量，当共矩阵中所有元素有最的随机性、空间共矩阵中所有值乎相等时，共矩阵中元素分散分布时，熵较。它表了图像中纹理的均匀程度或复杂程度。 (5)逆差距： 反映图像纹理的同质性，度量图像纹理局部变化的多少。其值则说明图像纹理的不同区域间缺少变化，局部常均匀。4、边缘特征 边缘检测旨在检测张数字图像中有明显变化的边缘或者不连续的区域。边缘是幅图像中不同区域之间的边界线，通常个边缘图像是个值图像。边缘检测的的是捕捉亮度急剧变化的区域，这些区域通常是我们关注的。理想情况下，对所给图像应边缘检测器可以得

15、到系列连续的曲线，于表对象的边界。应边缘检测将会减少图像数据量，留下图像的重要结构。然，从普通图上提取的边缘往往被图像的分割所破坏，这就需要边缘检测算法的准确性。常见的边缘检测算法：canny算和sobel算。、源代码 % 程序名称: 主程序 %main() %9.4.7clc ,clear all, close all% 读取图像件%imgsarray = readimages();% 彩图像灰度化%colorflameimg1 = imgsarray(1).img; %选择K值，表读取该件夹下随意的第幅图像。 GrayImg =RGBtoGray(colorflameimg1);figur

16、e(10),imshow(colorflameimg1),title(原始图像) %第幅图像 figure(11),imshow(uint8(GrIamyg.MaxIntensity),title(最值法) figure(12),imshow(uint8(GraIymg.MeanIntensity),title(平均值法)figure(13),imshow(uint8(GrayImg.WeightIntensity),title(加权平均值法)% 利5种边缘检测算进边缘检测%ExtraEdge = operator5(colorflameimg1); figure(14),imshow(Ext

17、raEdge.sobeledge),title(边缘提取(sobel算)figure(15),imshow(ExtraEdge.prewittedge),title(边缘提取(prewitt算) figure(16),imshow(ExtErdage.robertsedge),title(边缘提取(roberts算) figure(17),imshow(ExtrEadge.logedge),title(边缘提取(log算)figure(18),imshow(ExtraEdge.cannyedge),title(边缘提取(canny算) function RGBPixDei sl = RGBdi

18、stribution() %9.4.4 % 函数功能：估计RGB分量的分布 % 输参数：不需要输参数 % 输出参数：RGBPDi xi se结l 构体，包含 RGB三分量的分布 RPixelDisGPixelDis BPixel_Dis%获取各种类型的图 ,pathname = uigetfile(.jpg;.bmp;.tif;.png;.gif,All Image Files.;,All Files); cd(pathname); %获取当前路径下的所有jpg件 files = dir.(j p g); %获取当前jpg类型图的个数 K = size(files,1); %三通道初始值 RP

19、ixelDis = 0; GPixeDl is = 0;BPixel_Dis = 0;for i=1:K %2024：对若张图，依次获取三通道分量 temp = imread(files(i).name); R = temp(:,:,1); G = temp(:,:,2); B =temp(:,:,3);% x是各个像素级 0256，counts 是每个像素级出现的次数%综合起来的意思就是:counts和x分别是直图 (像素级出现次数)和(像素级)counts,x = imhist(R);% 红分量分布加上每个像素级出现的次数RPixel_Dis = RPixel_Dis + counts;counts,x = imhist(G);GP