图像去噪在火焰识别中的应用研究.docx

《图像去噪在火焰识别中的应用研究.docx》由会员分享，可在线阅读，更多相关《图像去噪在火焰识别中的应用研究.docx（5页珍藏版）》请在优知文库上搜索。

1、摘要：针对火灾现场视频中有可能存在的图像噪声的情况，文章通过中值滤波、均值滤波、理想低通滤波和小波变换去噪等方法处理含噪火焰图像，分析其峰值信噪比（PSNR）和去噪图像等特征，选择处理效果较好的均值滤波和小波变换阈值去噪;并进一步对均值滤波图像、小波变换的软阈值去噪和硬阈值去噪图像进行火焰分割，分析去噪效果在火灾识别中的应用效果。经实验知，均值滤波在分割火焰的面积识别上更接近无噪声的火焰分割面积，小波变换的去噪火焰分割视觉效果上更贴合无噪声火焰图像。关键词：均值滤波;小波变换;图像去噪;火焰识别火灾一直以来都严重威胁着人类的生命和财产安全，影响着社会的稳定。在火灾事故中，现场调查人员通过对火灾

2、现场的调查可以帮助查明火灾原因，总结火灾经验,对于预防火灾有着极其重要的作用。随着社会和科技的发展,近年来，视频火灾的侦查技术成为火灾调查新的研究热点。调查人员通过对火灾现场相关的视频和图像进行技术分析，进一步判断火灾起火点、起火原因以及火灾发展过程。而现场采集的视频图像在拍摄、采集、传输、处理等过程中，会因为各种不可避免的原因引入噪声，从而导致采集到的火灾现场图像不清晰，造成图像质量下降，影响计算机对现场火焰的提取和分析1。图像去噪在有效去除图像噪声的基础上,可以较好地保留图像原有信息，目前常见的图像去噪方法有中值滤波、均值滤波、理想低通滤波等，这些算法对图像去噪都有一定的效果，但是在处理过

3、程中会造成高频细节成分缺失，丢失图像边缘细节信息。基于小波变换的图像去噪，可以随着小波分解尺度实时改变，适应性强，但是在阈值的选取上要求较高，重构后的图像精度会有所降低2。一、图像滤波中值滤波和均值滤波为传统的空间域滤波，是通过对含噪图像的像素点直接进行抑制来消除图像中噪点的;理想低通滤波为频率滤波，由于图像中灰度变化较为剧烈的点一般为图像轮廓或者是噪声，理想低通滤波通过滤掉高频部分，仅允许低频通过来去除噪声，使图像平滑，但同时会丢失部分边缘信息。（一）中值滤波中值滤波主要采用灰度值排序，把数字图像中一点的值用该点的一个邻域中各个点值的中值代替，依次取代像素中心的灰度值，让原本与周围像素灰度值

4、相差较大的像素值更改为与周围像素值比较接近的值，从而消除孤立点。设f（X,y）表示一幅大小MXN的图像，则中值滤波算法的公式见式（1）：式中，f（x,y）表示中值滤波的输出图像，Sxy表示图像中心在（x,y）处。（二）均值滤波均值滤波是将图像中某点周围邻域中所有像素值的灰度值相加求平均值，用所求的平均值来代替原来该点的灰度值。设A为包含像素（i,j）在内的邻域点的集合，（x,y）为集合中的像素，f（x,y）为像素（x,y）处的灰度值，则均值滤波后在像素（x,y）处的灰度值可表示见式（2）3：式中，M是邻域像素点总数。（三）理想低通滤波在频率域中，通过滤波器函数衰减高频信息而使低频信息畅通无阻的

5、过程被称为低通滤波。图像的细节和噪声多存在于高频部分，对图像进行低通滤波可以起到平滑抑躁的作用。理想的低通滤波传递函数见式（3）4：（四）去噪结果分析对于以上三种去噪方法，文章在Matlab202Oa环境下，选取木材燃烧的火焰图像作为实验对象进行去噪处理。第一，选取木材燃烧图像作为实验图像，进行灰度处理作为对比图像（如图Ia所示），然后加入方差为0.01的高斯噪磬，获得含噪图像（如图Ib所示）；第二，对含高斯噪声的图像分别进行中值滤波（如图IC所示）、均值滤波（邻域空间3*3）（如图Id所示）和理想低通滤波（截止频率80）（如图Ie所示）处理，得到不同处理的去噪图像；第三，对去噪后图像进行画面

6、的直观对比，并进一步计算其峰值信噪比（PSNR）（如表1所示），进行深入比较。从图1可以看出，中值滤波去噪效果不明显，图像中噪声仍然很明显，均值滤波和理想低通滤波去噪效果优于中值滤波，但均值滤波去噪图像中仍然有噪声存在，低通滤波由于处理中过渡较为急峻，所以会产生振铃现象，导致去噪后的图像火焰边缘模糊，丢失部分图像信息。从表1可以看出，均值滤波和理想低通滤波的峰值信噪比均达到19以上，而中值滤波的峰值信噪比仅为12.4668,与含噪图像的11.11相差无几。综合来看，均值滤波的去噪效果更好。二、小波变换去噪小波变换是一种较为理想的时间-频率分析方法,在时域和频域空间内都可以较好地表征图像局部特征

7、，在图像去噪、图像融合、边缘检测等方面都有较好的效果。基于小波变换去噪的方法是利用多分辨分析技术，利用小波变换将含噪图像进行多层分解，得到小波高频系数和小波低频系数，其中噪声信息主要存在于高频系数中，图像的有效信息存在于低频系数中。通过设置合适的阈值将小波高频系数中的噪声信息分离并置零，再利用小波阈值函数对小波高频系数进行重建,得到去噪后的图像。常用的阈值函数包括硬阈值函数和软阈值函数两大类。（一）硬阈值去噪当小波系数小于某个临界阈值时，认为当时的小波系数主要是由噪声引起的,应该舍弃;当小波系数大于这个临界阈值时，认为这时的小波系数主要是由信号引起的，应该把小波系数直接保留下来。函数表示为：（

8、二）软阈值去噪进行比较含噪信号的小波系数与选定阈值大小，大于阈值的点收缩为该点值与阈值的差值，小于阈值相反数的点收缩为该点值与阈值和，绝对值小于等于阈值的点为C）C函数表示为：（三）阈值的选择选择合适的阈值，是小波去噪的重要步骤，目前常见的阈值计算方法为：（四）去噪结果分析090979A1-7C53-485B-A43A-B8E55FEBACCD对于以上小波变换的阈值去噪方法，文章在MatIab202Oa环境下，选取木材燃烧的火焰图像作为实验对象进行去噪处理。第一，选取木材燃烧图像作为实验图像，进行灰度处理作为对比图像（如图2a所示），然后加入方差为0.01的高斯噪声，获得含噪图像（如图2b所示

9、）；第二，对含高斯噪声的图像选取sym3小波基对图像分别进行软阈值（如图2c所示）和硬阈值（如图2d所示）的分解和重构，获得不同处理的去噪图像；第三，对去噪后图像进行画面的直观对比，并进一步计算其峰值信噪比（PSNR）（如表2所示），进行深入比较。从图2可以看出，小波变换阈值去噪对于高斯噪声有较强的去噪效果，软阈值去噪处理结果较为平滑但是会造成边缘失真现象;硬阈值去噪可以很好地保留图像边缘信息的局部特征，但重构的信号会产生一些振铃，导致视觉失真。从表2峰值信噪比可知，软阈值去噪的信噪比达到21.4668,硬阈值去噪的信噪比达到19.6371,两种方法均有较好的去噪效果。三、应用实验结果火焰目标

10、提取和分割是火灾识别的关键环节，当前对于火焰的识别主要是基于面积变化、火焰色彩、纹理等特征，在火灾调查中，快速准确的识别到视频中火焰形态及火焰面积变化，对火灾的识别和认定至关重要。文章选择在均值滤波和小波变换去噪的基础上，通过对火焰面积的分割与识别来检验图像处理效果并进行火焰识别对比。第一，基于MatIab202Oa软件，对火焰灰度图像（如图3a所示）加入0.01的高斯噪声，获得含噪图像（如图3c所示）；第二，对含噪火焰图像分别进行均值滤波去噪和小波变换阈值去噪，获得去噪图像；第三，对以上去噪图像进行全阈值迭代法分割（如图3b、3d、3f、3h、3j所示），实现图像中火焰的分割提取；第四，基于

11、MatIab计算图像分割后火焰面积（分割图像像素和）（如表3所示）。从图3可以看出，均值去噪后的火焰图像分割后，边缘仍然较为粗糙，画面中噪点没有很好的去除，软阈值分割和硬阈值分割的图像边缘较为顺滑，从形态上来看更贴近火焰的形态，但是丢失了一部分细节;从分割图像的面积上来看，均值去噪的分割面积更接近原图分割面积，而软阈值去噪的分割和硬阈值去噪的分割面积分别高于和低于原图的分割面积。故从火焰形态上来看，软阈值分割和硬阈值分割更接近原火焰形态，从面积上来说，均值滤波分割的面积和原火焰分割面积更接近。四、结论文章采用均值滤波、小波变换阈值去噪等多种常见图像去噪方法来处理火焰含噪图像，并通过火灾检测中常

12、用的图像分割和面积计算的方法检验图像去噪效果。实验表明，均值滤波和小波变换阈值去噪对含噪火焰图像均有较好的去噪效果。同时，均值滤波图像的分割面积更接近无噪声火焰图像分割面积，表明均值滤波对火焰边缘的模糊程度较轻，但同时保留了部分火焰边缘噪声，导致分割图像边缘粗糙。而小波变换阈值分割的火焰图像分割面积与无噪声分割面积相比有点偏差，但分割火焰形态更接近于火焰本来形态。文章从火焰面积和火焰形态的角度去考量图像去噪效果，均值滤波和小波变换均有不错的效果，但是计算火焰面积丢失了火焰的二维信息，较为片面，而火焰形态的判断则没有固定标准。在火袋调查中，图像去噪效果对火焰识别的影响还需要从更多方面进一步探究。