基于小波融合的双色空间火焰分割方法

2019-10-09宋晓茹

自动化与仪表 2019年9期

吴雪，宋晓茹，高嵩

（西安工业大学电子信息工程学院，西安710021）

火灾作为突发性和破坏性的灾害之一，每年都会使经济和环境造成很大的损失。因此，火灾的初期识别对提高火灾探测系统的可靠性起着非常重要的作用。火焰图像的分割质量是火灾探测系统的重要一步，能够为火焰图像特征提取和判断火灾的真假提供重要的依据。

1 火焰图像分割法的研究现状

随着计算机技术的不断发展，火焰图像分割方法发展迅速。文献[1]利用最大类间方差Otsu 法，以灰度值和红色值为输入，对火焰图像进行分割。文献[2]针对现有分割算法的抗噪性差和计算时间长的缺点，提出了改进斜分最大类间方法，该算法提高了图像分割的抗噪性。文献[3]针对Otsu 法依赖于双峰直方图的缺点，提出了基于灰度积分投影法的火焰图像分割。文献[4]提出了基于火焰闪点位置的交叉性与聚合性的侦差算法，实现了火焰目标区域的分割识别。文献[5-6]分别改进了Otsu 法，以提高其最优阈值精度。以上方法的缺点是丢失了大部分火焰的彩色信息，造成分割精度的下降。

近些年来，研究学者根据火焰含有大量的彩色信息，提出了许多基于彩色空间[7]的火焰图像分割方法。文献[8]使用HSV 空间中的强度值和颜色分布2 种特征进行火焰图像分割，取得了令人满意的结果。文献[9]提出了基于局部分形维数的林火图像火焰分割算法，先提取图像的RGB 三通道分量，然后对每一个分量图采用四棱柱模型计算局部分形维数，完成对分量图的分割。文献[10]采用基于多尺度颜色特征和小波纹理征的无监督火焰图像分割方法，来提高火焰图像分割的质量和速度。但基于彩色信息分割的方法多采用单色空间，在背景复杂、干扰较多的情况下，分割精度低。

基于此，文中提出基于小波融合的双色空间火焰分割方法，将根据火焰在不同颜色空间的特性，通过分析火焰在HSI 空间和RGB 空间的颜色直方图，单独提取出在HSI 和RGB 的可疑区域；利用小波变换的方法对已单独分割出来的火焰区域进行融合，得到融合后的分割图像。

2 火焰分割模型的设计

2.1 RGB 彩色模型

颜色在计算机中有不同的表达方式，可以形成不同的颜色空间。

RGB 模型是一类面向显示和打印的模型，其以R（red 红），G（green 绿），B（blue 蓝）作为彼此独立的三基色。 RGB 所构成的颜色空间模型如图1 所示。图中，原点代表黑色；3 个坐标轴上的点分别代表R，G 和B；离原点最远的点代表白色；其他的颜色都可以由这3 种颜色表达。

图1 RGB 彩色空间模型Fig.1 RGB color space model

2.2 HSI 模型

HSI（hue-saturation-intensity）模型是另一种常用的彩色图像格式，其中H 为色度、S 为饱和度、I 为度。该彩色空间模型可由图2 所示椎体来表示。

图2 HSI 彩色空间模型Fig.2 HSI color space model

图中，模型的下顶点代表黑色，上顶点代表白色；H 可由绕圆锥中心轴的角度表示；S 可由一个点到圆锥的横截面圆心的距离表示，距离越大饱和度S 越大；I 可由圆锥横截面到顶点的距离表示。该模型更加适合人的视觉系统。

2.3 基于小波融合的火焰分割模型设计

由于RGB 模型易受到光照变化的影响，直接采用RGB 模型对彩色图像进行分割，往往达不到很好的效果，而HSI 空间更加符合人的视觉特性。故在此对2 种空间颜色的信息进行融合，实现了2 种颜色空间信息的互补。所采用的分割模型如图3 所示。

图3 火焰分割模型Fig.3 Flame splitting model

先分别对RGB 空间和HSI 空间进行单独分割，然后利用小波方法对2 种分割后的图像进行融合，得到最终的火焰分割图。

2.4 小波融合算法的设计

图像融合算法是将获得的同一目标的2 幅或者多幅图像，通过一种特定算法合成为一种新的图像的方法。图像融合可以分为像素级融合、特征级融合和决策级融合等3 个等级。

基于小波变换的图像融合是一种像素级的融合方法，由小波正变换和小波逆变换组成。其中，小波正变换能够把图像分解成水平、垂直和对角的高频分量与低频分量，分别对应于图像的不同结构。小波变化的二级分解由图4 所示。小波的逆变换变换能够对图像进行重构，保证在分解的过程中没有信息的损失。

图4 小波分解过程Fig.4 Wavelet decomposition process

利用小波的特性，对经过HSI 空间和RGB 空间分割后的图像进行融合，模型如图5 所示。具体方法如下：对经过HSI 彩色空间和RGB 彩色空间分割后的源图像，分别进行一级小波分解，得到相应源图像的近似低频分量和3 个高频分量；对分解后的低频分量和高频分量，采用不同的融合规则进行融合；利用小波逆变换重构图像，得到最终的分割图像。

图5 小波融合方法Fig.5 Wavelet fusion method

3 试验结果与分析

所做试验选取一幅图像中含有多前景，且背景复杂的火灾图像作为研究对象，所选图像如图6 所示。为了说明提出算法的有效性，利用融合后的分割图像，分别与单独采用HSI 彩色空间和RGB 彩色空间的火焰区域进行分割后的图像做比较。

图6 火焰原图Fig.6 Flame artwork

3.1 HSI 空间的火焰图像分割

火焰具有色调特性和饱和度较高的特性。因此，为了分析火焰在HSI 彩色空间的像素值分布特点，对HSI 彩色空间的H，S 和I 空间进行分离，并分析其H 和S 分量的直方图，如图7（a）和（b）所示。火焰的色度一般在0～60 度之间，饱和度在0.6～1 之间。通过分析原图的直方图，试验将选取H 通道阈值为0.2 和饱和度空间阈值为0.6 进行HSI 空间的火焰区域分割。经过HSI 彩色空间分割后的火焰区域图像如图7（c）所示。

图7 HSI 空间分割Fig.7 HSI space segmentation

3.2 RGB 空间的火焰图像分割

火焰在燃烧时具有发光发亮的特性，一般的变化范围在红色与黄色之间，存在很明显的偏色现象。该特性在图像上表现为红色分量像素值高，绿色和蓝色通道的像素值比较低。该试验将同样分析原图在RGB 空间上的红色通道直方图和蓝色通道直方图，如图8（a）和（b）所示。将R 通道阈值设定为180，蓝色通道阈值设定为50。经过HSI 彩色空间分割后的火焰区域图像如图8（c）所示。