一種森林火災(zāi)紅外熱成像圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種森林火災(zāi)紅外熱成像圖像分割方法。
【背景技術(shù)】
[0002] 圖像分割是圖像處理領(lǐng)域的一個基本問題，其目的是將目標(biāo)和背景分離，為后續(xù) 的目標(biāo)特征提取、識別和跟蹤提供依據(jù)。
[0003] 在圖像分割的眾多處理方法中，閾值分割方法由于其簡單有效的特點，在重視運(yùn) 算效率的場合應(yīng)用比較廣泛。它把圖像視為具有不同灰度級特性的兩類區(qū)域（目標(biāo)和背 景）的組合，根據(jù)選取的閾值將圖像中的每個像素點區(qū)分為目標(biāo)和背景，產(chǎn)生二值圖像。閾 值分割的關(guān)鍵技術(shù)在于最優(yōu)閾值的選取，否則會出現(xiàn)欠分割或過分割等問題，影響后續(xù)處 理。
[0004] 經(jīng)典的閾值方法有雙峰法、最大類間方差法（Otsu算法）、最小誤差閾值法、最大 熵分割法等，其中由Kapur等人提出的最佳熵閾值法，可以對非理想雙峰直方圖進(jìn)行分割， 但是這種方法在確定閾值時計算量很大，在實時性方面很難達(dá)到要求，效率比較低。針對這 種情況，有學(xué)者提出了改進(jìn)方法，即將遺傳算法與最大熵相結(jié)合，采用遺傳算法進(jìn)行閾值的 搜索。遺傳算法是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)化搜索算法，具有魯棒性、并行 性和自適應(yīng)性等優(yōu)點，用遺傳算法來實現(xiàn)最佳熵閾值的確定，可以縮短尋找閾值的時間。
[0005] 森林火災(zāi)是危害森林的一個重要自然因子之一，它具有突發(fā)性、災(zāi)害發(fā)生地的隨 機(jī)性、短時間內(nèi)造成重大損失的特點。森林火災(zāi)不僅會燒毀林木及林下植物資源，還會毀壞 自然資源，破壞生態(tài)系統(tǒng)和生態(tài)環(huán)境，危害野生動物，甚至威脅人類，造成嚴(yán)重的人員和財 產(chǎn)損失。
[0006] 森林防火行業(yè)急需能快速發(fā)現(xiàn)火源、誤報率低和漏報率低的設(shè)備和系統(tǒng)，并且能 指導(dǎo)滅火人員快速到達(dá)火源地進(jìn)行滅火。這就需要尋找一種行之有效的技術(shù)來配合傳統(tǒng)可 見光技術(shù)來降低誤報率和漏報率，紅外熱成像技術(shù)正是最佳的選擇。紅外熱成像技術(shù)是一 種通過被動接收物體熱輻射的紅外線信號進(jìn)行成像的技術(shù)，而森林火災(zāi)的初發(fā)期即會產(chǎn)生 熱輻射，所以將紅外熱成像技術(shù)運(yùn)用于林火安防預(yù)警是非常合適的。它具有可晝夜工作，較 強(qiáng)的穿透煙、霧、雪的能力，識別偽裝目標(biāo)的能力等。
[0007] 在對林火紅外熱成像圖像進(jìn)行處理時，由于后續(xù)工作的需要，往往需要將紅外熱 成像圖像中發(fā)熱區(qū)域以及異常發(fā)熱的區(qū)域分別分割出來。有文獻(xiàn)提出了利用最大熵對圖像 進(jìn)行雙閾值分割，并用遺傳算法進(jìn)行最佳雙閾值搜索的方法來進(jìn)行紅外熱成像圖像分割， 但這種方法計算量比較大，不易滿足實時性要求。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明所要解決的技術(shù)問題是，提供一種紅外熱成像圖像分割方法，可以提高圖 像分割的精確度。
[0009] -種森林火災(zāi)紅外熱成像圖像分割方法，其特征在于：包括以下步驟：
[0010] (1)獲取紅外熱成像圖像；
[0011] (2)通過最大類間方差法對R通道下紅外熱成像圖像閾值分割得到的閾值作為最 小閾值t_;
[0012] (3)通過最大類間方差法（Otsu)對G通道下紅外熱成像圖像閾值分割得到最大閾 值 tnax;
[0013] (4)設(shè)初始迭代次數(shù)Y為1，在[t_，t_]范圍內(nèi)隨機(jī)產(chǎn)生M個個體作為初始群體；
[0014] (5)根據(jù)最大熵算法計算每個個體的適應(yīng)度值；
[0015] (6)判斷種群是否滿足終止條件，若滿足則結(jié)束，確定最優(yōu)個體，并將最優(yōu)個體的 值作為分割閾值，否則，進(jìn)入步驟（7);
[0016] (7)對各個個體編碼，進(jìn)行遺傳操作，包括順次執(zhí)行的選擇操作、交叉操作和變異 操作；
[0017] (8)對變異后的個體解碼，剔除[t_，t_]范圍外的個體，轉(zhuǎn)至步驟（5)。
[0018] 本發(fā)明將遺傳算法和最大熵結(jié)合對圖像進(jìn)行分割，首先獲取紅外熱成像圖像，分 別在R通道和G通道下確定最小閾值t_和最大閾值t _，來達(dá)到縮小搜索范圍的目的，在 [t_，t_]范圍內(nèi)產(chǎn)生M個初始群體，將個體分別代入最大熵準(zhǔn)則函數(shù)，計算當(dāng)代種群中各 個體的適應(yīng)度值，然后判斷是否滿足終止條件，若滿足則結(jié)束，確定最優(yōu)個體并進(jìn)行閾值分 害J，否則擇優(yōu)秀的個體組成新的種群，對新種群中的個體依次進(jìn)行交叉操作和變異操作，然 后對變異后的個體解碼，剔除[t_，t_]范圍外的個體，從計算各個體適應(yīng)度值開始，循環(huán) 執(zhí)行，直至滿足終止條件。
[0019] 本發(fā)明在將遺傳算法與最大熵準(zhǔn)則相結(jié)合對圖像進(jìn)行分割的基礎(chǔ)上，先確定一個 最小閾值和一個最大閾值，使得遺傳算法搜索閾值的范圍盡可能小，從而提高閾值分割的 速度。同時在G通道下確定異常發(fā)熱區(qū)域的分割閾值，避免了通過遺傳算法搜索最佳雙閾 值時產(chǎn)生的較大的計算量，也提高了異常發(fā)熱區(qū)域閾值分割的精確度。
【附圖說明】
[0020] 圖1是本發(fā)明的一種紅外熱成像圖像分割法的流程圖；
[0021] 圖2是本發(fā)明遺傳操作的具體流程圖。
【具體實施方式】
[0022] 有關(guān)本發(fā)明的詳細(xì)內(nèi)容和技術(shù)，茲配合圖式說明如下：
[0023] 本發(fā)明的實施示意圖如圖1所示，其具體步驟依次為：
[0024] (1)獲取紅外熱成像圖像；
[0025] (2)通過最大類間方差法對R通道下紅外熱成像圖像閾值分割得到的閾值作為最 小閾值t_;
[0026] (3)通過Otsu準(zhǔn)則對G通道下的圖像進(jìn)行分割，分割閾值記為ta，分割得到的二 值圖像標(biāo)記為g，再尋找二值圖像中像素值為1的區(qū)域在R通道灰度圖像中的位置，并計算 R通道下所述位置區(qū)域像素的最小值，作為最大閾值
[0027] (4)設(shè)初始迭代次數(shù)Y為1，同時在[t_，t_]范圍內(nèi)隨機(jī)產(chǎn)生M個個體作為初始 群體；
[0028] (5)根據(jù)最大熵算法計算每個個體的適應(yīng)度值，
[0029] 在步驟（5)中，所述最大熵算法即計算總熵的方法，圖像的總熵為
[0030] .i. l x. t a
-vu -Jh- I a
[0031] 其中，
i為灰度值為i的像素出現(xiàn)的概率，t為遺傳 算法中產(chǎn)生的個體的值。
[0032] (6)判斷種群是否滿足遺傳操作的終止條件，若滿足則結(jié)束，確定最優(yōu)個體并將最 優(yōu)個體的值作為分割閾值，否則，繼續(xù)下面遺傳操作；所述終止條件是算法執(zhí)行次數(shù)達(dá)到最 大迭代次數(shù)或者連續(xù)三代種群中個體的最大適應(yīng)度值變化率小于5%。
[0033] (7)對各個個體編碼，進(jìn)行遺傳操作，具體如圖2所示