基于图像处理的森林火灾检测系统的技术研究毕业论文

1、华东交通大学毕业设计图像预处理的主要方法有：灰度化、二值化、均值滤波、中值滤波、高斯滤波。本研究还将各向异性扩散方法应用于医学图像的去噪处理。采用基于各向异性扩散的偏微分方程，其初始值为输入图像，转化为差分格式迭代求解滤波结果。以在去除噪声的同时，保持重要的边缘、局部细节。在此基础上提出八向各向异性扩散和边缘增强各向异性扩散，取得了满意的结果。 均值聚类是一个快速收敛的算法。经典的 C-均值聚类算法是将图像分割成 C 再标定的过程，适合灰度图像中存在着模糊和不确定性的特点。但是这种算法存在不足，如聚类数无法自动确定，运算的开销太大。医学器官虚拟三维重构技术是现代外科计算机化，信息化发展的重要方

2、向，是计算机科学、数学、机械学、外科及生物医学工程学等多学科高技术的结晶。本文把各种图像预处理运用到三维医学重构上，使重构效果更好。关键词：森林火灾检测系统；图像处理；图像分割；华东交通大学毕业设计3D-ReconstructionAbstractIn this paper,firstly introduce image pre-processing,for example,gray-value,two-value,gaussian filters, anisotropic diffusion.To remove the speckle noise in medical images by u

3、sing anisotropic diffusion method.Basedon anisotropic diffusion,a partial differential equation,of which the initial data was the inputimages,was transformed into differential forms and solved with iterations.Anisotropic diffusioncan remove the speckle noise effedtively and has great potential in fi

4、ltering medical images. Itcan preserve edges and local detail.K-means is a fast segmentation process. Extensive experiments show it is fast and generic.The classical C-means clustering algorithm is a well-knowm clustering method to partitionan image into homogeneous regions.It is a procedure of the

5、label following an un supervisedfuzzy clustering that fuzzy c-means(FCM) algorithm is applied for intensity imagesegmentation,and it suits for the uncertain and ambiguous characteristic in intensityimage.However,there are some deficiencies in the algorithm,for example,the number ofclustering can not

6、 be determined automatically and the operational const,for large data sets ,istoo high;Medicinal organs dummy 3D-reconstruction is an important direction of the developmentin modern surgerys computerization and informationize field. Its a combination of the latesttechniques in computer science , mat

7、hematics , mechanics , surgery and biological engineering.3D-reconstruction,that make the result more better.Keywords: forest fire detection system; image processing; Partial Differential Equation;华东交通大学毕业设计摘要 Abstract 目录 第一章 课题的来源、目的和意义.错误！未定义书签。第二章 基于图像处理的森林火灾监测系统设计 错误！未定义书签。3l2122 华东交通大学毕业设计一、课题的

8、来源、目的和意义森林火灾是对社会、环境及经济发展影响范围最广、破坏性最大的灾害之一。森林经常遭到火灾的破坏，在危害森林的诸因子中火灾是一种最具破坏性的灾害，每次大火都直接地危及林木、上壤甚至于微生物和野生动物。为减少森林火灾的损失，世界各国都非常重视林火监测。及时监测到火灾可以使得灭火工作在火灾初期完成，这将极大的减少损失和灭火成本。最早的火灾监测主要是靠管理人员野外巡逻和建立监测站，后来配以飞机的定期巡航。但是对于大面积的森林，依靠地面人力和飞机监测，不但费用高，而且工作十分繁杂，特别是对于盲区的监测精度很低，所以现在森林火灾监测主要依靠电子设备配合人工操作实现。传统的火灾监测方法是感烟、感

9、温、感光探测器以及红外对射探测，还有现在比较流行的卫星监测。而对于森林这样的大空间火灾监测，传统的火灾监测方法都不适用，针对这一问题，经过多方面文献资料的查阅，结合自己的研究方向，由导师推荐，最终确定了本课题的研究。大空间的火灾监控技术是世界各国火灾科学及消防科技工作者关注的课题之一。最早的火灾监测主要是靠管理人员野外巡逻和建立监测站，后来配以飞机的定期巡航。但是对于大面积的森林，依靠地面人力和飞机监测，不但费用高，而且工作十分繁杂，特别是对于盲区的监测精度很低，因此大空间的火灾监测技术一直受到人们的普遍重视。鉴于大空间的环境的复杂性，传统的火灾报警系统误报率高，所以基于图像处理的森林火灾监测

10、技术成为当前的一大研究热点。基于图像处理的森林火灾监测技术利用摄像头对现场进行监视，同时对获得的图像进行图像处理和分析，通过早期的火灾火焰的特征来探测火灾，将大火扼杀在萌芽状态，同时火灾预测系统和森林 GIS(1) 图像型火灾监测系统国内外研究进展图像是一种包含对象强度、形体、位置等信息的信号。因此，利用图像进行火灾探测有自己独特的优势。在科学迅猛发展的今天，国外各大公司和科研机构的火灾探测技术也相应的快速发展，基于各种火灾识别模式的火灾探测器相继问世并在不断改进，在众多的 ECP 华东交通大学毕业设计用计算机视觉和模式识别的理论，采用模式识别算法，可以对4 千米以外的林火在短时间内进行识别并

11、发出警报；Bosque公司的 BSDS 系统采用红外和普通摄像机的双波段监控，在准确识别森林火灾的同时还可以区别其他现象的干扰，误报率较低。在大空间火灾监控方面有 ISL 公司和 Magnox Electric 公司联合开发的用于电站火灾监控的 VSD-8 系统。该系统以视频运动检测软件为主体，使用了各种滤波器技术，并与人工智能相结合，该系统可以用来对电站内的火灾进行监控。国内对于图像型火灾探测技术也进行了深入研究，其中上海交通大学、西安交通大学都在这方面进行了积极的研究，并在工程实践中提出了一些算法。其中西安交通大学图像处理与识别研究所研制的自动火灾监控系统采用了 950nm2000nm 波

12、段的红外 CCD 传感器，仅有该波段的红外辐射形成视频信号，火焰燃烧时的红外辐射主要集中于上述波段范围，其它波长的干扰信号被极大地衰减。当有火焰燃烧时，在经CCD 形成的视频信号中，除强烈的火焰辐射造成的高亮度信号外，仅有很少量的红外干扰信号，而这些信号往往表现为固定的图像模式，可以采用简单的算法加以分类，从而使火焰的识别率大大提高，并且减少了处理的数据量，提高了检测识别的速度，但其探测手段主要集中于使用红外型摄像机，并且，探测系统的算法抗干扰性还有待提高。中国科技大学的火灾科学国家重点实验室研制出的 LA-100 型双波段大空间早期火灾智能探测系统通过了有关方面的验收，已经在国内的一些单位使

13、用。该系统一部分的探测任务由红外摄像机来完成，采用人工神经网络技术对火灾进行识别，对于已经拥有闭路电视监控网络的单位，需要加装一定数量的红外摄像机或特制的感烟红外阵列器材，来实现图像型的火灾火焰和烟雾的探测。综上所述，当前图像型火灾探测还存在一些问题，尚待深入研究解决。例如一些己经具有完备视频监视系统的场合，这就对识别火灾的算法提出了较高要求。考虑用数字图像处理技术提取火灾图像深层次信息的特征，再对这些特征进行识别以判断火灾是否发生，将常规方法与人工智能结合以降低成本、实现火灾的早期报警。1）分割技术在国内外的发展目前，基于视频的火灾图像分割算法有帧差法、背景差分法等。帧差法的基本思想是通过前

14、后两帧图像相减来提取运动区域，但在火灾发生初期，火燃烧缓慢，使得前后相邻;背景差分法的基本思想是用当前帧图像与背景图像相减来实现运动区域的分割，但在光照变化、人的走动或车灯晃动等干扰存在的情况下会形成假的运动区域，从而导致火灾误报警。以上方法需要两帧或多帧图像，若背景图像选取的不合适，很难准确提取出火焰区域，而单帧图像分割法可以克服以上方法的不足。传统的单帧图像分割法主要有阈值分割法、边缘检测法、区域生长法和基于特征空间聚类分割法等。但是，这些方法在分割火灾图像时多数是在灰度化的基础上进行的，过早地丢弃了火焰的彩色信息，从而导致无法准确区分火与自然光等高亮物体。另有学者提出了基于彩色信息的火灾

15、图像分割算法，但这些算法大多数过分依赖经验阈值，如 W. B. Horng等人采用 HSI 彩色模型分割火焰图像，华东交通大学毕业设计对 H, S, I分量分别采用经验阈值来提取火焰区域。Tai-Fang Lu利用 HSI 空间的 I分量来区分火与非火区域，当背景亮度较低时才能取得较好的效果。Dengyi Zhang 等人采用 HSV颜色空间分割火焰区域，同样对 H, S, V 分量分别采用经验阈值分割。然而，经验阈值需阈值需要不断调整。若选取的阈值不合适，就很难准确地提取出火焰区域，给后续的火灾特征提取和识别增加难度。图像型火灾探测技术要求分割算法有较高的准确率和较好的实时性，如何利用火灾图

16、像的特点，研究出满足图像型火灾探测需求的分割算法将是今后的发展方向。 l 图1华东交通大学毕业设计在系统获取森林火灾图像后，为了将火灾图像中的敏感区域提取出来以便对后续的特征定义与识别过程做准备，在此把识别的前期工作都统称为图像的预处理过程，其中包括图像的分割等。由于多种因素的影响，图像的质量都会有所下降，为了消除对火灾图像正确识别的影响，需要对图像进行一些预处理。预处理的目的就是对其进行滤波（Filtering）或平滑（Smoothing做准备。图像平滑的目的是消除或尽量减少噪声的影响，改善图像的质量。在假定加性噪声是随机独立分布的条件下，利用邻域的平均或加权平均可以有效的抑制噪声干扰。从信

17、号分析的观点看，图像平滑本质上是低通滤波。将信号的低频部分通过，而阻截高频的噪声信号。但是往往图像边缘也处于高频部分。 均值滤波均值滤波是一种在空间域上对图像进行平滑处理的最常用方法。图像中某一像素，求出以它为中心的一个邻域范围内的像素的平均值，用这个平均值来代替该中心点的灰度值。若一幅有M M 个像素的图像g(x,y)，经均值滤波后得到一幅图像h(x,y)，则：1N(m,ns其中，x,y 0 ,N 1，S 是(x,y)点邻域中心的点的集合，但是其中不包括(x,y)点，N是集合内点的总数。在选取邻域时，取上下左右时为四邻域，取周围八个点时为八邻域。八邻域效果比四邻域好。常用的模板有：1 1 1

18、1 1 1图 3.10 是用第三个模板对图 3.5 均值滤波的结果。华东交通大学毕业设计图 中值滤波所以，通过中值滤波，可以有效的消除高频和低频的噪声。图像中某一像素，把以它为中心的一个邻域范围内的像素的灰度值看成一列数列，求出这个数列的中间值，并用这个中间值值来代替该中心点的灰度值。一个点，和它周围的点形成N N 的窗口，把在窗口中的所有点的像素组成一个数列：12i9101112设x 是噪声，选取33的窗口，计算x 中值滤波的值，先把x ，x ，x ，x ，x ，x ，76123567x ，x ，x 九个点的灰度值看成一个数列3，2，4，4，3，10，3，4，3，排序2，3，910113，3

19、，3，4，4，4，10，取中值 3，x 的值为 3 。计算x 中值滤波的值，先把x ，x ，6723x ， x ，x ，x ， x ，x ，x 九个点的灰度值看成一个数列2453103，467810111234，排序2333444510，取中值4，x 的值为 4 。这样就把噪声x 平77滑掉了，但是不是噪声的x 的灰度值基本不变。6华东交通大学毕业设计图 采用高斯函数作为加权函数，有五个原因：1) 在二维空间中,果是均衡的。它不会对任一个边缘的方向进行弱化。2) 高斯函数只有一个波峰，这样对于像边缘这样的属性反而会有加强而不会有弱。3) 达到同样的效果。4) 平滑的程序是由高斯函数的方差决定的

20、。这样方差值与平滑的结果有直接的关系。5) 时间。x2y2G(,y)e 22设定 和 n，确定高斯模板权值。如 2和 n=5经计算可得：2i,j-2-1012-2-1012整数化和归一化后得：华东交通大学毕业设计i,j-2-10-21-122436124212图片 3.12 是图片 3.5 高斯滤波的结果。图像由彩色转化为灰度的过程叫做灰度化，由于位图为点阵图像，它的每一个像素点由 RB三个分量组成。根据YUVY分量的物理含义就是亮度，它含了灰度图的所有信息，只用YYUV和 RGB之间有着如下的对应关系：YR 0.100VB利用上式，可以求出：Y 0.299R0.587G 0.114B根据 R

21、、B的值求出 Y值后，将 R、B值都赋值成 ，就能表示出灰度图来，就能将 24 位真彩色图转灰度图。如图 2.1 经灰度化后变为图 2.2。华东交通大学毕业设计图 图 以二值图像处理实现构成的系统是很多的，要进行二值图像的处理与分析，首先需要把灰度图像二值化，得到二值图像，这样做的好处是：再对图像做进一步处理时，图像的几何性质只与 0 和 1 的位置有关，不再涉及到像素的灰度值，使处理变得简单，而且数据量的压缩量很大。图像的二值化的具体办法是：通过设定阈值，把灰度图像变换成仅用两个值来分别表示的图像目标和图像背景的二值图像，其中目标取值为 1，背景取值为 0。实际的位图中，0 对应于 RGB值

22、均为 0，1 对应于 RGB值均为 255，二值化图像的方法很多，阈值的选择是二值化图像的关键。阈值的选择主要可以分为两类，全局阈值和局部阈值。全局阈值是对整个图像采用一个阈值进行划分，例如固定阈值法二值化、判断分析法二值化、基于灰度差直方图的阈值法等。不同的灰度图像，其灰度深度是存在差异的。同一幅灰度图像，不同部位其明暗分可能是不同的。因此，在对灰度图像进行二值化的过程中，如果选用全局阈值法显然是不合适的。局部阈值是将图像分成一些子块，对于每一子块选定一下阈值。动态阈值法，仅是一个变换方法，即在一个 的子块中，所有具有灰度级n n超过平均灰度值到 255 的数据点变换 1，而另一些低于平均灰

23、度值的数据点则变换到 0。具体做法如下：图像分为 的方块，对于每一个子块计算其平均灰度值，然后将方块中n n每个像素点的灰度值与平均灰度值进行比较，若大于平均值，则将该像素点的灰度值置为255，反之则置为 0。采用固定阈值的方法进行二值化也可以取得较好效果，但当灰度图像灰度不均匀时，判断分析法二值化效果与固定阈值法相差较小。相比之下，动态阈值能根据图像的局部自将灰度图像分成若干个1616的子区。先计算各子区的灰度平均值，以此平均值作为该子区的阈值。另外为了防止背景子区由于这种方法求出的阈值过低而引入噪声，还加入一个判定条件，即某块的阈值保证了背景块能够从前景中分离出来。这种以区域灰度幅度为函数

24、的自适应阈值法，完全适合用于对锐化后的灰度图像进行二值化处理，另外，可使用小波分析知识来选择自适应的阈值进行二值化，可用浮动阈值法进行二值化处理。图 2.2 经过二值化后变为图 2.3。华东交通大学毕业设计3.1 二值化图像的腐蚀、膨胀、开运算、闭运算a设有图像 。若存在这样一个点，它既是A的元素，又是X的元素，则称A击中X.设有图像 。若不存在任何一个点，它既是A的元素，又是X的元素，即A和 X的交集是空，则称 A不击中 。c设有图像 ，将 A 中所有元素的坐标取反，即令(x,y)变成(x,y)，所有这些点构成的新的集合称为 A 的对称集。设有图像 ，有一个点a(x ,y )，将A平移后的结

25、果是，把A中所有元素的横坐标加00 x ，纵坐标加y ，即令(x,y)变成(x x ,y y )，所有这些点构成的新的集合称为A的平0000把结构元素 A 平移 后得到Aa，若Aa 包含于 ，我们记下这个 点，所有满足上述aa条件的 点组成的集合称为被 A腐蚀的结果。用公式表示为：E(X) a| A。a膨胀可以看作是腐蚀的对偶运算，其定义是：把结构元素 A平移后得到Aa，若Aa击中 ，我们记下这个 点，所有满足上述条件的 点组成的集合称为 X被 A膨胀的结果，aa华东交通大学毕业设计开运算是先腐蚀后膨胀，即(X) ( ( 。作用：能够去除孤立的小点、毛刺D E X闭运算是先膨胀后腐蚀，即(X)

26、 ( ( 。作用：能够填平小孔，弥合小缝，E D X而总的位置和形状不变。对于图片 2.3，图 3.1 是它的腐蚀结果，图 3.2 是它的膨胀结果，图片 3.3 是它的开运算结果，图 3.4 是它的闭运算结果。图 图 数学形态学的基础是集合论。通过集合论的术语以及图形描述就可以表示形态学的各种处理过程。基本的形态学图像处理主要包括图像的膨胀、腐蚀、开运算、闭运算。形态学处理表现为一种邻域运算的形式。我们把一种特殊定义的邻域称之为 “结构元素（Structure 的结果为相应像素的输出图像。形态学运算的效果取决于结构单元的大小、内容以及逻辑运算的性质。结构单元在形态学处理中的作用相当于信号处理中

27、的“滤波窗口。一般的形态学图像处理的对象是二值图像，而将这个概念扩展到灰度图像，即用灰度形态学处理技术，将达到更佳的图像预处理效果。假设在此处理的是可以表示成 f(x, 和 b(x, 的数字图像函数，f(x, y)是输入图像，b(x, y)是结构元素。b(x, y)在某种意义上可以看成是一个子图像函数，而 f和 b 代表图像中每一个(x, 坐标的灰度值。(1) 膨胀(Dilation)(f b)(s,t)maxf(sx,t y)b(x,y)|(sx),(ty)D ;(x,y)D fb其中D 和D 分别是 f和 b 的定义域。fb从上式中可以看出，如果结构元素 b(x, y)为正值，图像的灰度值

28、趋向于变大。所以输出图像会比输入图像看上去更加明亮，并且能减弱或者消除一些比结构元素面积小的、暗的细节部分。图像明亮的程度与结构元素的大小以及形状有很大关系。(2) 腐蚀(Erosion)华东交通大学毕业设计(fb)(s,t)minf(sx,t y)b(x,y)|(sx),(t y)D ;(x,y)D fbf从上式中同样可看出，如果结构元素 b(x, y)为正值，图像的灰度值趋向于减小。所以输出图像会比输入图像看上去更加阴暗，并且能减弱或者消除一些比结构元素面积小的、亮的细节部分。图像阴暗的程度同样取决于结构元素的大小及形状。图 图 开运算操作就是对图像先进行腐蚀后膨胀。先进行的腐蚀可以去除一

29、些小的亮的细节同时会让图像更加阴暗；其后的膨胀操作又去除一些小的暗的细节，并且会增加图像的亮度，但不会引入前一腐蚀操作所去除的部分。其方法经常用于去除较小的明亮细节，而且能够相对地保持整体的灰度级和较大的明亮区域不变。可以用来消除细小物体、平滑较大物体的边界的同时并不明显改变其面积。闭运算操作就是对图像先进行膨胀后腐蚀。先进行的膨胀可以去除一些小的暗的细节同时会让图像更加明亮；其后的腐蚀操作又去除一些小的亮的细节，并且会减小图像的亮而相对地保持明亮部分不受影响。可以用来填充物体内细小空洞、平滑其边界的同时并不明显改变其面积。灰度图像的开运算和闭运算在几何上可以理解为把由结构元素 b(x, 表示

30、的曲面沿着由 f(x, f(x, f(x, y)曲面的上侧面滚动。经过开运算，f(x, 曲面中所有比结构元素范围小的波峰和尖锐程度都减小了，从而能够删除图像中在尺度上小于结构元素的几何结构，起到了平滑图像的外凸边缘的作用；经过闭运算，f(x, 曲面中所有比结构元素范围小的波谷都被平滑，从而具有填充图像中那些比结构元素小的断裂或凹入部分的功能，起到了平滑图像的内凸部分华东交通大学毕业设计的作用。所以从直观上看，灰度图像的开运算和闭运算具有聚类的功能，即能够把图像中某个范围内灰度相近、数量占优势的图像信息聚到一起，从而使得图像信息不易丢失。在灰度级形态学中实现图像平滑处理的一种途径是先使用形态学开

31、运算操作，而后进行闭运算操作。进行这两种操作后的最终结果是除去或减少了局部亮的和暗的影响因素或噪声。相应的各种图像处理方式的实现效果如上图所示。我们在此采用的结构元素 b(x, y)是一个具有单位高度的 3*3 像素的平行六面体，使用上述方法对一个灰度图像进行处理。从形态学操作的效果图中可以看出，腐蚀操作缩小了图像中物体的轮廓且图像变得更暗，图像中较暗的空洞也变大了；膨胀操作扩大了物体的轮廓且图像变得更亮，图像中的许多空洞已经没有了；经过开运算操作，图像中那些小的、明亮细节尺寸变小了而暗的、灰度的效果没有明显变化，因此图像略有变暗且轮廓基本没变；经过闭操作，小的、暗的细节尺寸变小了而明亮的部分

32、的效果没有明显变化，因此图像略有变亮但轮廓基本没变。华东交通大学毕业设计n k t 0.16k t n图灰度化开运算去除了较小的明亮细节，而且相对地保持整体的灰度级和较大的明亮区域不变，消除了细小物体、平滑较大物体的边界的同时并不明显改变其面积；灰度化闭运平滑其边界的同时并不明显改变其面积；中值滤波和均值滤波对噪声和边缘信息不加区分，去除了一定的噪声，同时使边缘变模糊了；高斯滤波是各向同性的扩散，使用模板对原始图像卷积运算，去除了噪声，边缘也模糊了，图像整体变白了；各向异性扩散有效的平滑了噪声，保持了边缘信息，可以控制各向异性扩散强度，八向各向异性扩散比四向各向异性扩散效果好；边缘增强改进各向

33、异性扩散不仅在同质区域内滤除了噪声，同时使边可以调节边缘增强系数，使边缘增加得很强，当边缘增强系数为绝对值很小的负数时，图像边缘被模糊了。(1) 基于彩色传递的掩摸分割法鉴于云台监测采集图像时俯角和转角不断的变化，目前国内外的一些分割技术无法适用，比如帧差法。还有一些分割技术比如阈值分割法、边缘检测法、区域生长法和基于特征空间聚类分割法等，这些方法在分割火灾图像时多数是在灰度化的基础上进行的，过早地丢弃了火焰的彩色信息，从而导致无法准确区分火与自然光等高亮物体。所以在 RGB空间中，考虑将疑似火的彩色区域通过 R经验阈值分割出来，再进一步进行特征提取。RTTg(x,y) 、 12120(2)

34、基于YCrCb区域颜色分量加强分割法文献1中对人脸的识别检测，通过分析人眼与嘴的颜色在 YCrCb 空间的分布情况，根据人眼具有很强的 Cr 分量，嘴含有更高的 Cb 分量较低的 Cr 分量而构造区域颜色分量华东交通大学毕业设计调整函数如下：EyeImageCb (255Cr) CbCr) )/3222222(x,y)2 其中Cr, 。 Cr造相应的颜色分量调整函数放大 Cr，Cb 之间的对比度突出疑似火焰区域，从而达到敏感区域分割定位的目的。(3) 基于 空间的颜色迁移分割法l空间相对其它颜色空间来说，更适合人类视觉感知系统， 空间与设备无关的ll颜色空间。它本身还是一个抗相关的颜色空间，将

35、一个通道的改变对另一个通道的影响减到最小，这使得我们可以对它的各个通道进行独立的计算，而不会引起人为的痕迹。文献2灰度的分割方法而得到的灰度疑似火区域图进行上色，这样就可以解决基于灰度分割方法过早丢失火焰彩色信息的缺点。下面给出颜色迁移算法的基本实现：假设源彩色图像为 src,尺寸为i j ，分割后目标灰度图为 尺寸也为i j ,算法的具体过程如下：1) 用 Reinhard的方法将源图像和目标图像从 RGB空间转换到空间，并使用以下公式对源图像的每个像素进行亮度重映射：DsrcDsrcsrcsrc其中M 、Msrc分别为源图像和目标图像所有像素亮度的平均值，D 、D 分别src为源图像和目标

36、图像中所有像素亮度值的标准偏差， L 为源图像被处理像素的亮度值，srcL 为重映射后该像素的亮度值。src2) 对于源图像和目标图像上的每一个像素，计算以该像素为中心的一个矩形 (一般为55像素邻域上各像素亮度值的标准差，分别存入矩阵D 和3) 使用矩阵M 为源图像上随机的有效位置。4) 用扫描线扫描目标图像，目标图像中任意一点与源图像中每次随机生成有效位置的300华东交通大学毕业设计个点 p 进行下面式子计算：i12iii其中Err为各候选像素与目标图像像素的匹配误差， p 为源图像上的候选像素，targ 为etii目标灰度图 ( ) L target)分别为 pL p 、 的亮度值 D

37、(p ) D t)分、t；、srcitargetisrcitarget 点的邻域所有像素亮度值的标准偏差。、ti5) 选出候选像素集合P 中各像素匹配误差Err 中的最小值Err min，则将Err min对应的i像素点 p 存入M 中。iij6) 根据目标图得到输出图像上各点的l分量、根据M 得到源彩色图像上与它匹配ij华东交通大学毕业设计23目前用于图像识别的特征主要有形状特征、颜色特征、纹理特征等。形状特征主要描述目标区域的几何性质，物理意义明确，计算简单。纹理特征反映了一个区域中像素灰度级的空间分布属性。华东交通大学毕业设计、 (1) 颜色空间1) 目前森林火灾的监视图像大多是彩色的,

38、它们存储的相应图片都是 R 、G 、B 色彩空间描述的 24 位真彩色图片.经查阅文献发现,这些图片的火焰色彩在 、 、 空间上Y 分布比较均匀, R、G 、B空间转换到Y 、 、 空间的公式是：Y 0.1140R G 2) RGB与空间的相互转换的转换过程如下：第一步：RGBXYZZB SZ第三步：RGBLMSM GS13 1 1 11 02M 6S 10 02 RGB空间的转换如下：l 第一步：LMS华东交通大学毕业设计3366S22LG MBS 表达和分析颜色分布特征的另一种方法是颜色矩的计算。这种方法的数学基础在于图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中

39、在低阶矩中，因此仅采用颜色的一阶矩、二阶矩和三阶矩就足以表达图像的颜色分布。与颜色直方图相比，该方法的简便之处在于无需对颜色特征进行向量化。颜色的三个低次矩在数学上表达为：1NpNjA）1 12N2Njj1A1 1N(s3Njj1ANjA结合火灾图像的特点，我们定义几种反映物体形状特征的形状参数，然后再根据具体问题考虑度量方法和采用什么样的特征向量。定义1 未校准面积计算方法是统计边界内部也包括边界上)的像素的数目。与这个定义相对应，周长就是围绕所有这些像素的外边界的长度。通常，测量这个距离时包含了许多 90的转弯，从而夸大了周长值。定义 2 各边界像素中心为顶点的多边形，相应的周长就是一系列

40、横竖向 (p和对角线方向华东交通大学毕业设计p N 1/2NeOeo另一种表达形式为P l 2/2i1ii定义 3 C P2/ A的平方与面积的比，这个特征对圆形形状取最小值4 ，物体形状越复杂其值越大。3 彩色分割的目的是把图像分成互不相干的几个区域，每个区域有着均匀一致的性质。56机模型的方法 。彩色图像的分割主要有两个方面，一是选择合适的彩色空间；二是采用784.1.1 引言图像分割是图像处理和视觉研究中的基本技术 ,是大多数图像分析及视觉系统的重要组成部分。通常的彩色图像分割或者利用颜色信息进行分割或者利用亮度信息进行分割 ,这两者都未充分考虑彩色图像的整体信息,从而影响了分割效果。4

41、.1.2K-均值聚类算法(1)选取 K 个聚类中心:v ,v , ,v (上角标记为聚类中的迭代次数)。1k(2)对于样本X(设进行到第K次迭代)如果| X v | X v | X S S 是以vkkjkji为集类中心的样本集。华东交通大学毕业设计(3) 计算各聚类中心的新向量值:1v kk1njj Xjjj(4) 如果v v ,( j ,k)(2)步,将全部样品重新分类,重新迭代计算；k1j如果v v ,( j ,k)，则结束。k1kjj对医学图像进行分析，发现分成骨头、肌肉、皮下组织、背景四类比较好，灰度值分别约为 230、130、50、0。 n k t 0.16n k t 0.16k t

42、 powern华东交通大学毕业设计 k t 0.8n图从图 4.1 可得：原图皮下组织中有很多孔，骨头中有骨髓；灰度化开运算的孔减少了，骨头中全部归为骨头一类；灰度化闭运算图像整体较暗，部分皮肤边界不存在；中值滤波孔也多，但没有一个点的孔；中值滤波在一定程度上减少了孔，但边缘被模糊了；高斯整个图像变亮了，边缘保持得不好；各向异性扩散所减少很多，边缘保持得相当完整；改进各向异性扩散效果更佳；边缘增强改进各向异性扩散中有噪声；改进边缘增强改进各向异性扩散的边缘增加得太强，以至把皮肤归为骨头一类。4.1.4K-均值聚类算法分析预处理方法高斯滤波均值聚类运行时间15151616151615151516

43、(ms)K-均值聚类算法的优点是:它能够动态聚类,具有一定的自适应性。但是,K-均值聚类的结果易受聚类中心的个数 k 及初始聚类中心的影响,同时也受样本的几何形状及排列次序的影响。因此,算法能否收敛取决于样本的特性和其能够形成不同区域的个数。华东交通大学毕业设计4.2C-均值模糊聚类4.2.1C-均值模糊聚类原理根据某种相似性准则把一幅图像的点分类叫图像分割。模糊聚类图像分割的优点是直观、实现容易。模糊 C 均值聚类(FCM)算法是聚类方法中最为著名的,它是 Dunn 在推广硬C 均值(HCM)算法的基础上提出的 ,Bezdek 把这一工作进一步推广到一个模糊目标函数1011XR12nikk的

44、隶属度，用一个模糊隶属度矩阵 U uiku 0i c,0 k nu k nik通过最小化关于隶属度矩阵U 和聚类中心V 的目函数J U,V)来实现：mnc ( )udm2Mikki其中，U u 为满足条件(1)的隶属度矩阵，V v ,v , ,v R 为 个聚类中心点集，cpc12cikm)为加权指数，当m 1时，模糊聚类就退化为硬 C 均值聚类。第 k 个样本到第 i 类中心的距离定义为：TkikikikiA其中，A为 的正定矩阵，当A I 时，即为欧氏距离。p p4.2.2C-均值聚类算法12c华东交通大学毕业设计1cj1jkknmk，ik1nikk1重复步骤(3)、直至式收敛。当 ( ,

45、 )0时，会出现奇异值，隶属度不能用(3)式计算。对非奇异值的类，其对d2ki4.2.3C-均值聚类实验华东交通大学毕业设计n k t 0.16n k t 0.16n图C-均值聚类分类后，图的颜色会变，图 4.2 中的背景变白了，即灰度增加了。分类准确率高，其中改进各向异性扩散的效果最好。4.2.4C-均值聚类算法分析各种图像预处理再用 C-均值聚类的运行时间如下：3875 1687 1688 1953 3250 5610 16724641193827344.3K-均值聚类与均值聚类效果比较华东交通大学毕业设计从表中可以看出，均值聚类比 C-均值聚类快 100 均值聚类需要给出分类数，而且初始

46、化每个类的中心；C-均值聚类只需给出分类数，可自动确定分类中心。华东交通大学毕业设计所谓图像分割是指将图像中具有特殊意义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。从处理对象角度来讲，分割是在图像矩阵中对所关心的目标的定位。显然，只有用这种方法把“感兴趣的目标物体”从复杂的影像中提取出来，才有可能进一步对各个子区域进行定量分析或者识别，进而对图像进行理解。图像分割可用的特征包括图像灰度、着色、纹理、局部统计特征或频谱特征等，利用这些特征的差别可以区分图像中不同目标物体，由于我们不能利用图像信息中某些部分特征分割区域，那么，各种方法必然带有局限性和针对性，只能针

47、对各种实际应用领域的需求来选择合适的分割方法。图像分割在不同领域中有不同的叫法，如目标轮廓技术、闽值化技术、图像区分、求差技术、目标检测技术、目标识别技术、目标跟踪技术等，这些技术本身或核心实际上也是图像分割技术。图像分割是图像工程框架中的组成部分，具体地属于图像分析层次。图像工程是一个对整个图像领域进行研究应用的新学科，它的内容非常丰富，根据抽象程度和研究方法等的不同可分为三个各有特点的层次：图像处理、图像分析和图像理解。图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。这是因为一方面，它是目标表达的基础，对特征测量、特征提取及度量有重要的影响；另一方面，因为图像分割及其

48、基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使更高层次的图像分析和理解成为可能。这里用集合概念给出图像分割的定义:令集合RR的分割可以看作是将R 分成N 个满足以下条件的非空子集子区域) R,R ,.R 。12NN R Rii1iji对i j P(R R )有iji条件指出在对一幅图像的分割结果中全部子区域的总和并集应能包括图像中所有的像素。或者说分割应将图像中的每个像素都分进某个区域中。条件指出在分割结果中各个子区域是互不重叠的，或者说在分割结果中一个像素不能同时属于两个区域。条件指出在分割结果中每个小区域都有独特的特性，或者说属于同一个区域的像素应是有某些华

49、东交通大学毕业设计相同特性。条件指出在分割结果中，不同的子区域有不同的特性，没有公共元素，或者说属于不同区域的像素应该具有一些不同的特性。条件要求分割结果中同一个子区域内的像素应当是连通的，即同一个子区域内的任两个像素在该子区域内互相连通。、识别方法预处理B-P(Back-Propagation) 华东交通大学毕业设计） ） jij pji jw i jpij y n f s njjj f n jj1y n jj y n jexp(s (n)j2jjje (n) e(n)d (n) y (n)为 djjijj1q22jNn1w ij ( ) ( )n x nwijjiij jjjjjn d n

50、 y n f s njjjjj j( ( )w n njjjjkk j wkij）nn1 AV华东交通大学毕业设计华东交通大学毕业设计第二章是介绍数字图像处理的基本运算，为后面几章的知识做辅垫。第三章详细介绍二值化开运算、二值化闭运算、灰度化开运算、灰度化闭运算、均值滤波、中值滤波、高斯滤波、各向异性扩散滤波等图像预处理，各向异性扩散还有很多值得改进的地方，如本论文使用的是前向差分迭代格式来代替连续的微分，若把它改成后向的或者两者结合，可能效果更好。第四章论述 均值聚类和 C-均值聚类模糊聚类分类算法。预先给定分类数和每一个类的初始中心；C-均值聚类只需给定分类数就可以了，但是速度很慢，可以再

51、在算法上加以改进。先对图像进行预处理再分类，可以使分类更准确。但试想一下，原始图像上把各种图像预处理排列组合都用上，将会得到很多不同结果，这方面还有待于研究。第五章是把各种图像预处理和分类用到三维重构的技术上，改进三维重构的效果。在对重构的切片进行 C- 288 之久，让人难以忍受，这说明 C-均值聚类算法需要改进。 deng8bing.华东交通大学毕业设计首先，要感谢蒋先刚教授，作为我的指导老师，为我选择了一个相当有工程应用意义的课题，提供了大量有关资料，在我设计中遇到困难时，他悉心指导，提出了很多意见，使我的设计逐渐完善。其次要感谢大学四年里教过我的老师，值得一提的是盛梅波、邓志国、廖维川

52、等老师，是他们释解了我在数学、数字图像处理、编程上的不少疑问。此外要感谢呙长伟同学，是他那台奔四的电脑帮我顺利完成了毕业设计。同时感谢在我设计的过程中给予了不少方便的同学。最后要感谢我深爱的亲人，是他们无私的帮助使我完成了大学学业。华东交通大学毕业设计5. J , . : , , . : , 华东交通大学毕业设计 : . : , , , , , . , . , , . , . . . . , , 陈秀新, 苏维均. , 王海涛, 黄文杰, 朱永凯, 田贵云, 姬建岗. , , . A 华东交通大学毕业设计 , . , , . , , , . , . a . , 杨家辉, 土建英. 基于色彩分割

53、与体态纹理分析的车牌定位方法 计算机与现代化, , . , . . 华东交通大学毕业设计附录AA to General purposed color image segmentation is a challenging and important issue in imageprocessing related applications.However, few systems successfully handle this issue within abroad diversity of images.In this paper, we are seeking for a practic

54、al and generic solution toimage segmentation. As a fast segmentation process, K-means based clustering is employed infeature space first.Then, in image plane, the spatial constrains are adopted into the hierarchicalK-means clusters on each level. The two processes are carried out alternatively and i

55、teratively.Also, an effective region merging method is proposed to handle the over segmentation.Extensiveexperiments show the proposed approach is fast and generic, thus practical in applications.1. IntroductionColor image segmentation plays a key role in many visual applications. For example, inCBI

56、R (content-based image retrieval)system, region-based image retrieval attempts to overcomethe deficiencies of low-level feature based approaches, such as color histogram,color layout,andtexture1.The MPEG-4 standard also advocates object-based video compression for highcompression efficiency 2. In fa

57、ct, image segmentation is a key step for image understanding,which is a natural manner to obtain high-level semantic3.However,due to lacking of effectiveand practical approach to image segmentation,these important applications undergo a slowprogress.In this paper,we attempt to provide a generic inte

58、rmediate segmentation of images,instead of aiming at pixel-based precision, or object-based segmentation. Such intermediateresults can be reused by all kinds of high-level applications according to their own requirements.There existed a number of image segmentation methods in literatures. However, t

59、heyare suffering from their own problems respectively. JSEG approach 4proposes a notion of “Jimage” to measure the confidence of pixels to be boundaries orinteriors of color-texture regions, and uses a region growing method to segment theimage based on the J-images. One major problem in JSEG is caus

60、ed by the varying shades due tothe illumination. Some stochastic model based approaches 5 have strong assumptions onfeature distribution. But it is hard to prove the correctness of those assumptions, whendealing with thousands of diverse natural images. The approach proposed in 6 takesadvantage of r