基于数字图像处理的森林防火识别的研究

张建群

【摘要】森林资源是地球上最重要的生态资源之一，森林火灾给森林资源带来了极大的损失。及时发现森林火灾并预防对保护森林资源具有非常重大的意义。本文通过使用数字图像处理来快速识别森林火灾发生时所产生出来的火焰和烟雾的图像特征，进而快速地识别出火灾发生的相关信息，降低了森林火灾带来的巨大的损失。为了提高森林防火识别的准确度，将人工神经网络的方法于森林防火识别中，经过不断的学习，森林防火识别将更加准确和高效。

【关键词】数字图像处理 图像分割 防火识别 火焰特征

森林资源是地球上最重要的生态资源之一。它能够为人类的生活提供各种宝贵的原材料，对于净化空气也起着非常重大的作用。森林资源的可再生的长期性和不可替代性促使人类要格外重视它的合理利用，这不仅要求有计划的砍伐和种植，更需要注意预防森林火灾[1]。森林火灾的发生可能是自然灾害引起的，也可能是人为引起的。森林火灾直接给社会带来巨大的经济损失，危害着生态环境。那么，为了减少森林火灾给人类带来的损失，需要及时发现森林火灾，只有

及时发现了森林火灾，人们才能够及时救援。因此，森林防火识别的研究是具有非常重大的意义。

本文通过使用数字图像处理的方法快速识别森林火灾是否发生，主要判断依据是森林火灾所产生出来的火焰和烟雾的图像特征，并使用神经网络的方法对森林防火识别的算法进行训练学习，进而快速地识别出图像中是否存在森林火灾，降低了森林火灾带来的巨大的损失。

1.森林火灾识别算法的概述

传统的森林火灾识别大多数采用基于感温、气体、感光等[2]这些传统的识别方法容易受到空间高度、空气流速、粉尘、温度、湿度等外界因素的干扰，因而影响检测森林火灾的准确度。

基于数字图像处理的森林防火识别最重要的任务就是发现森林火灾中的各种特征如何表现在图像上，并确保这些图像特征能够明显区别于图像中除火灾以外的其他譬如树木等的背景事物[2]对于基于数字图像处理的森林火灾识别算法来说，其核心问题就是要利用森林火灾的图像的典型特征来识别火灾的存在，而处理森林火灾的图像必然要使用数字图像处理技术[3]数字图像处理的常用方法主要有：图像變换、图像编码压缩、图像增强和复原、图像分割、图像描述和图像识别[4]。其中，数字图像处理中的图像识别主要是在提取了图像中的火灾或类似火灾的相关信息后，对这些信息加以分析，最终判断该图像中是否确实存在火灾现象。

在进行森林防火识别过程中，需首先对森林的数字图像进行图像分割处理；然后利用火灾图像特征识别图像中的目标物体。

在火灾发生的过程中，火焰和烟雾是最能表征火灾的物理现象。要实现森林防火识别必须由火灾图像预处理、分析火焰的特征提取方法、建立BP神经网络模式识别方法、训练BP网络，最后对实验结果进行分析。

2.森林防火识别的算法

2.1 图像分割处理

图像分割就是将图像中的目标与背景进行分离，从而检索出图像中需要进行处理或识别的部分[5]。在进行图像分割时，本文首先将所获得的连续帧的图像进行二值化，目的就是要获取图像的灰度图，减小处理的数据量，提高了识别速度。森林防火识别问题可以简要表述为：将图像分割后的对象根据RGB值使用灰度直方图取谷点进行二值化，在此使用matlab工具提供的方法实现。得到二值化图像后，就可以快速地计算出描述物体大小和形状的一些基本属性，如物体的面积、周长、宽度等。接下来就需要对此二值化后的图像进行图像分割处理。

图像分割的方法有很多种，常用的方法有灰度阈值分割法、区域分割法和边缘分割法。图像分割的一个重要途径是通过边缘检测的，即检测灰度级或者结构具有突变的地方，确定一个区域开始的地方。

对于森林火灾的图像，火灾发生的地方一般边界具有明显的边缘，本文主要采用靠阂值和边缘法相结合的方式实现图像分割。

2.2 森林防火识别算法

森林火灾识别算法最重要的是提取森林火灾的独特特征，即区别于其他事物的特征。提取森林火灾的特征是为图像进行森林防火识别打下了基础。通过将数字图像处理应用于森林防火识别之中，计算出森林火灾图像中的疑似火灾区域的特征，并将综合这些特征，进而达到识别火灾的目的。

本文结合面积变化和边缘抖动相结合的特征判断火灾的发生。在森林火灾发生时，往往会出现火焰不断蔓延起来，火焰的面积急速扩张。根据这个特性，在进行森林防火识别时，可通过面积的变化来初步判断森林火灾是否发生。对连续的几幅图像的各区域亮点数分别求平均值，看区域的面积是否有增大的趋势，火灾的增长率由像素点数的变化来衡量，增长率G的计算可以采用如下的表达式：G=size（bt）-size（bt0）/t-t0。

但是，如果仅仅使用面积变化和边缘抖动相结合的特征判断火灾的发生并不能避免一些干扰，譬如人工光源的移动。因此也将森林火灾的边缘抖动特征也利用起来。火焰的边缘抖动常常伴随着火焰的尖角数目呈现无规则的跳动，火焰抖动的判断就重点研究尖角的识别，主要步骤为尖角的分割、特征提取和识别。在计算机中尖角是用众多个点组成的。尖角狭长的计算可以通过使用f（n）/f（n-1）的值来实现，其中f（n）表示尖角汇中某一行的亮点数f（n-1）为上一行的亮点数。火焰的抖动性变现为：如对连续帧采集的图像分析，其尖角数目也在呈现不规则的变化。森林火灾的尖角个数都比较多，一般都在10个以上，可将其作为火灾的判断依据。

2.3 人工神经网络应用于森林防火识别算法

森林火灾的图像具有庞杂性和多变性，所以很难直接用精确的数学表达式表达火灾图像中的许多特征。而人工神经网络（Artificial Neural Networks，简写为ANNS）具有初步的自适应与自组织能力，可用于实现火灾发生概率与对应火焰特征之问的非线性映射关系[8]。人工神经网络具有很强的学习能力，能为新的输入产生合理的输出，可在学习过程之中不断完善自己，具有创新特点。森林防火识别应用人工神经网络的思想后，提高了森林防火识别的自适应性。经过不断的学习，森林防火识别的实现能够高效且更更准确的判断结果。

3 森林防火识别的实现

3.1 森林防火识别的实现流程

森林防火识别是一个复杂的过程，在此，将森林防火划分为几个步骤实现。森林防火识别的第一步是将所获得的图像转换成BMP格式，这样有助于程序对图像进行处理和识别森林火灾。为了加速识别，首先简单判断一下图像中是否存在红色区域，若不存在，就可以判断暂时没有森林火灾的发生。但若发现图像中存在红色区域，在此为了加速识别，采用将图像进行灰度化处理，并采用平均值法快速求出灰度值，即将彩色图像中的三分量亮度求平均得到一个灰度值，计算公式为：f（i，j）=（R（i，j）+G（i，j）+B（i，j））/3。然后在matlab中的实现该图像的二值化，步骤为：unread，rgb2gray，inebw。处理之后，就得到图像的二值化。

另外，为了减少图像中的数据量，也将对数据进行均值滤波处理，也叫平滑处理。具体的处理方法就是首先选择出某一像素值，然后以它为中心计算出邻域范围中的像素的平均值，再使用这个平均值代替这一像素的灰度值，计算公式为：

图像的准备工作完成后，接下来就是非常重要的一步：图像分割。图像分割就是将图像划分为若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程[5]。在此采用边缘分割的技术，即检测灰度级具有突变的地方，从而将森林的图像分割为不同的区域，进而为图像识别提供了基础。对于图像边缘处的像素的灰度值不连续问题，通过求导进行检测。

接下来就是提取图像中能代表火灾的相关信息，如前所示主要是考察面积变化和边缘抖动相结合的特征。但是由于火灾图像的复杂性和多变性，不能够直接用某一数据来标记，因此需要将神经网络的模式识别方法应用于森林防火识别之中。

3.2 森林防火实现的实例

利用前面介绍的方法，在Visual C++的平台上对森林防火识别进行了实验。

经过对比大约250幅连续帧的森林火灾发生的图像，观察火灾发生的面积变化如图3所示：其中，前50帧的图像是正常的森林图像，即没发生火灾时的图像，所得森林火灾的面积是为。的。在接下来的图像中，森林火灾的面积逐渐变大，变化的频率也在增大。这样的变化规律是符合森林火灾发生时的发展状况的。

本实验使用众多有关森林火灾的连续帧的图像进行如上的实验。由实验结果可知，将数字图像处理的相关方法应用于森林防火识别可以提高森林防火的准确率，由于增加了对图像的预处理，因此也提高了森林防火识别的速度。

5 总结

本文主要是在使用先进的数字图像处理技术中的图像分割、图像特征提取等方法的基础上进行研究，然后又进一步的使用人工神经网络对结果集进行训练，从而达到高效且精确的森林防火识别。这就实现了对森林防火自动，识别率高，保证了较低的误报率、火情虚报率，剔除了自然环境如云雾等、季节交替变化、光照变化以及动态目标干扰等因素造成的影响。

参考文献（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，陈晓玲，陆建忠，殷守敬，罗顺英.森林火灾遥感监测方法适用性研究[J].华中师范大學学报（自然科学版），2011.

[4]刘亮亮.基于视频监控的火灾图像识别研究[D].北京：华北电力大学，2007.

[5]王海涛，黄文杰，朱永凯，田桂云，姬建岗.基于聚类分析与神经网络的车牌字符识别[J].数据采集与处理，2008，23（2）：238-242.

[6]夏培容，许晓飞.基于混合智能算法的彩色图像模糊颜色聚类分割方法研究[J].湖南工业大学学报，2008.

[7]蒋先刚，梁青，沈涛.基于改进的均值漂移的森林火灾图像提取技术叶华东交通大学学报.2011.

[8]汪中，刘贵全，陈恩红.一种优化初始中心点的K-means算法.模式识别与人工智能.2009.22（2）.

[9]梁杰，张丽红，李林.HIS和区域生长结合的火灾图像分割方法[J].计算机技术与发展[J].计算机技术与发展.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.