基于火焰图像动态特征的火灾识别算法

提出了一种基于火焰图像动态特征的火灾识别算法.首先在HSI空间对捕捉的图像进行彩色分割,通过相邻两帧图像判断视频中是否存在可疑火焰.当有可疑火焰存在时,再连续捕捉多帧图像,进行火焰中心定位并提取火焰动态特征,最后判断是否发生火灾.实验结果表明,该算法具有比较好的鲁棒性,能够有效地提高火灾识别的准确率、降低误报漏报率.     

基于多尺度颜色小波纹理特征的火焰图像分割

火焰图像分割质量对基于数字成像的燃烧监测十分重要。受炉膛背景及燃烧工况的影响,难以同时满足火焰图像分割速度和准确度（即火焰图像分割结果与真实火焰接近程度）的需求。提出一种基于多尺度颜色特征和小波纹理特征（MCWT）的无监督火焰图像分割方法,用于提高火焰图像分割的质量和速度。结合火焰图像颜色特征及小波纹理特征构建特征矩阵,对特征矩阵进行压缩并初步检测压缩尺度火焰区域。根据压缩尺度火焰边缘确定原始尺度火焰边缘区域并构建火焰边缘区域特征矩阵,进一步分割得到准确火焰图像分割结果。采用该方法对某工业煤燃烧实验炉内不同燃烧工况下的火焰图像进行分割,并与传统分割方法对比。实验结果表明与其他传统分割方法相比,提出方法能够更准确且快速地实现不同燃烧工况下火焰图像的分割,并且其对于含有高斯噪声和椒盐噪声的火焰图像都具有更好的分割效果。     

数字式图像火焰检测系统

图像型火焰检测技术是基于火焰电视、综合多媒体计算机和数字图像处理技术发展起来的一项新兴技术,它继承了火焰电视直观形象的优点,又充分发挥计算机强大的处理计算能力,使火焰检测功能得到了质的提高.本文首先简单介绍了各类传统火焰检测器的工作原理、性能比较、火焰检测器选型原则,以及在实际应用中存在的问题,重点介绍了数字式图像火焰检测系统的基本构成、工作原理和燃烧器火焰熄火、着火判据的分析.全炉膛火焰图像的数据分析方法也作了介绍.     

基于视频图像的火焰多特征检测

根据火灾发生时火焰的颜色、面积变化和火焰的纹理特征,提出一种基于视频图像的火焰多特征检测方法.着重介绍了对采集到的视频图像中的火焰进行颜色、面积变化的分析,并通过BP神经网络进行火焰纹理相似性的识别,以便得到更准确的火焰识别效果.     

基于图像显著性检测的图像分割

图像分割在许多图像处理和机器视觉问题中是一个非常重要的过程,是将一幅图分割成几个显著的区域,然而不能将其中最显著的目标直接分割出来,需要进一步处理。为此本文采用显著性检测的算法实现了对目标的分割。显著性区域检测可以应用于目标检测、图像检索、图像分割等机器视觉问题。使用杨等人提出的基于图论的流形排序算法检测显著性算法得到显著性图,再结合mean-shift分割算法,实现了对视觉显著性目标分割提取,可获得可观的图像分割结果,并将此算法应用到了森林火灾检测中,能对图像中的火焰部分进行有效的分割提取。     

基于图像特征的火焰识别与检测技术研究

提出了一种基于火焰图像特征的火灾火焰检测及识别算法。将火焰颜色、变化率作为火灾火焰检测与识别的判据,在火焰颜色模型和变化率的基础上引入火焰尖角以及圆形度对火灾火焰图像进行进一步判定。实验结果表明,该算法能有效提高火灾火焰检测与识别的准确率,排除干扰源。     

数字式图像型火焰检测系统

图像型火焰检测技术是基于火焰电视、综合多媒体计算机和数字图像处理技术发展起来的一项新兴技术,它继承了火焰电视直观形象的优点,又充分发挥计算机强大的处理计算能力,使火焰检测功能得到了质的提高。本文首先简单介绍了各类传统火焰检测器的工作原理、性能比较、火焰检测器选型原则,以及在实际应用中存在的问题,重点介绍了数字式图像火焰检测系统的基本构成、工作原理和燃烧器火焰熄火、着火判据的分析。全炉膛火焰图像的数据分析方法也作了介绍。     

锅炉火焰图像特征分析

当今国内电站锅炉和大型工业锅炉的火焰监测直接影响钢材料生产质量,而近年来考虑到锅炉内传感器的频繁更换,人工看火的可靠性,工业生产的智能化管理等[1-2],以火焰图像为研究对象,提取火焰图像多种特征值(平均亮度、平均对比度、平滑度、第3阶矩、一致性和熵).基于灰度共生矩阵的统计方法,通过图像预处理,图像纹理特征提取,对火焰硬图像、软图像进行对比分割实验,可有效地判别图像的硬、软.     

基于数字图像处理的大范围区域的火焰识别

传统的检测火焰的方法并不能发挥很好的作用,近些年,随着计算机以及基于视频图像序列处理的数字图像处理技术的发展,基于视觉火焰检测技术在大范围空间具有十分实用的价值。通过数字彩色CCD摄像机获得连续的图片,我们可以通过图像利用数字图像处理的算法来获得所感兴趣区域的形状特征,静态动态特征以及颜色信息,从而来判断是否发生了火灾。将摄像系统装配在所需检测的位置从而达到对检测区域自动防火的功能。简便的算法也可以减少对数据处理的时间。实验的结果说明了我们的方法可以准确地确认火焰。     

基于YCbCr颜色空间的火焰图像分割方法

视频火焰检测对消防安全具有重要的实际意义.火焰颜色信息在视频火灾检测中起着举足轻重的作用,众多学者提出了基于不同颜色空间的多种火焰颜色检测算法.针对目前视频火焰颜色检测算法检测率低、误检率高、适应性差等不足,提出基于颜色空间的火焰图像分割方法.通过研究火焰图像在颜色空间上的分布情况,分析火焰像素对应的Y,Cb和Cr分量...     

基于角点的蛇模型在图像分割中的研究

主要应用基于MIC角点检测的snake模型进行图像分割研究。传统的snake算法只考虑曲线本身的特征,并没有充分的利用被拟合图像本身的特征,而此算法首先检测被拟和目标的角点,然后以这些角点为基准进行曲线初始化,最后根据snake算法进行目标拟和;较好地解决了传统snake模型对初始化位置敏感、对有角点和凹陷的图像收敛效果差的缺点。实验表明此算法达到了很好的效果。     

基于火焰图像特征与GRNN的转炉吹炼状态识别

随着转炉冶炼过程的推进,炉口火焰图像在不同的冶炼阶段呈现较为明显的差别。根据火焰图像判断冶炼所处阶段的问题,其关键在于如何准确提取火焰的主要特征,提出了火焰边缘线不变矩特征,火焰图像Laws纹理能量特征,以及图像色彩特征,并研究了它们的变化过程。最后,利用广义回归神经网络（GRNN）建立图像特征和冶炼阶段之间的分类模型。实验结果表明,该方法能有效进行基于图像识别的转炉冶炼状态判断,具有较高的实用价值。     

火焰特性识别的Matlab实现方法

图像型火灾探测技术较传统的粒子、烟雾、光电等传感器探测技术,具有信息量丰富、实时性好等优点,是火灾防治技术领域的研究重点.通过硬件滤光的方式来滤除监控现场的可见光,有效地减少了干扰,降低信息处理的复杂性.根据火焰燃烧时的多项特征,在检测准确度的范围内,选定火焰的圆形度、跳动频率、尖角,以及面积增长和质心移动特性作为特征提取对象.利用Matlab强大的图像处理和计算能力,对火焰的特征进行研究分析,并成功提取了所需参数,为火灾的准确判断奠定了基础.实验结果表明,该识别方法判定可靠、计算量小、运算速度快,满足火灾判断的实时性需要.     

基于马尔科夫随机场的炉膛火焰图像分割

提出一种基于马尔科夫随机场模型的火焰图像分割算法。将由系统装置获取的原始火焰图像从RGB空间变换到HSV颜色空间,以提取颜色特征。分别对原始图像建立Potts标记场模型和有限正态混合观测场模型(FGMM),结合颜色特征,运用贝叶斯估计和ICM算法,计算最大后验概率(MAP),并完成图像分割。实验证明,该算法可以有效地分割炉膛火焰图像,为之后的工作奠定了基础。     

基于视频的烟焰检测方法研究

烟焰作为火灾最为明显的标志,对于其进行实时检测,在火灾监控方面有着重要的意义.传统的离子式、光电式、吸烟式等烟雾探测器受到空间和时间的限制,不能进行实时全面的探测[1].本文提出了一种基于视频的烟焰检测算法,采用帧差法提取出差值图像,经过图像处理,获得了理想的烟焰轮廓,根据轮廓大小来确定被监测区域是否有火灾的发生.实验证明,该方法实时准确、灵敏度高、抗干扰能力强、适用范围广,具有广阔的应用前景.     

基于边缘检测与分裂合并的图像分割算法

针对传统分裂合并算法容易产生方块效应与过分割的缺点,提出了一种结合边缘检测和分裂合并的图像分割算法.该算法直接利用图像的边缘信息进行分裂,不断将图像分裂为一些不规则形状的一致性区域,然后根据一定规则将相似的区域合并.实验表明,该算法能大幅减少分裂次数,并有效克服方块效应和过分割等缺点,图像分割效果较好.     

基于分形的图像分析方法综述

根据分形擅长描述自然不规则物体对象的特点,论述了盒维、FBR模型和LIFS分形编码等基于分形理论的图像分析原理和方法,讨论了国内的研究情况。从相应的研究得知,利用图像的分形维数特征,进行边缘检测和纹理分割,是可行和有效的。     

采用改进Canny算子分割尿沉渣图像

作为尿沉渣自动识别的关键一部分,尿沉渣图像的准确分割具有非常重要的意义。用Canny算子检测尿沉渣图像的过程中存在双阈值的选取不能自适应、检测出的边缘不闭合等不足。为改进这些不足,先对经过非最大值抑制后得到的候选边缘点用一个小的结构元素进行一次形态学膨胀,为提取闭合的边缘打下基础,然后提出了利用梯度图像的最高梯度来确定高阈值和利用梯度图像的局部梯度信息来确定低阈值的方法,该双阈值的选取方法自适应性强。实验结果表明,改进的Canny算子能够自动地分割尿沉渣图像,分割精度高,抗噪声干扰性强。     

基于图像区域特征的自适应边缘检测

边缘检测技术的关键在于检测前的图像去噪问题。Madenda方法考虑了尖锐、模糊、噪声的影响,但在全图像范围内采用的是统一的噪声抑制参数和模糊控制参数,从而缺乏对不同区域内噪声抑制的针对性。为此,提出基于图像区域特征的自适应边缘检测方法,通过熵和对比度的计算,将原始图像逐级分解,直到达到预先设定的阈值条件。然后根据各个区域的特点,自适应地计算出相应的噪声抑制参数和模糊参数,从而达到对该区域噪声最合理的抑制,以达到最佳的边缘检测效果。实验结果表明,该方法可以有效地抑制噪声的影响,获得高质量的边缘检测图像。     

基于改进梯度算法的纹理特征图像识别

针对纹理特征的方向无序性,提出了一种基于多向梯度模算子的快速算法。在图像预处理的基础上对亮度进行修正,消除亮度的非均匀性对纹理特征提取造成的干扰。利用多向梯度算子在局部区域运算确定梯度方向,并构建二维灰度梯度矩阵。最后,通过统计矩阵灰度信息建立分级模型。实验结果表明,该方法能较好地提取羽毛的纹理特征并进行分级,可以满足实时检测应用的需要。