本發(fā)明創(chuàng)造涉及圖像處理領(lǐng)域，具體涉及一種高效的森林火災(zāi)探測(cè)系統(tǒng)。

背景技術(shù)：

森林作為最大的陸地生態(tài)系統(tǒng)，資源儲(chǔ)量豐富，可以為人類提供多種生活用品，創(chuàng)造巨大的經(jīng)濟(jì)效益。更重要的是，森林是生態(tài)多樣性的基礎(chǔ)，是大量動(dòng)植物賴以生存的家園。此外，森林還具有減少土壤流失，保護(hù)環(huán)境，防治自然災(zāi)害等作用，然而，近幾年，森林火災(zāi)的頻發(fā)正在侵蝕著寶貴的森林資源，因此，在森林火災(zāi)有效防治的同時(shí)，如果能及早發(fā)現(xiàn)森林火災(zāi)并進(jìn)行預(yù)警將大大減少森林火災(zāi)所帶來(lái)的損失。近年來(lái)，數(shù)字圖像處理技術(shù)逐漸用于森林火災(zāi)的探測(cè)中，森林火災(zāi)圖像分割是火災(zāi)特征和識(shí)別的重要前提，其分割結(jié)果將直接影響到火災(zāi)識(shí)別的準(zhǔn)確率，本發(fā)明提供一種高效的森林火災(zāi)探測(cè)系統(tǒng)，采用改進(jìn)的粒子群優(yōu)化算法對(duì)森林圖像進(jìn)行搜索，尋找分割圖像的最佳閾值組合，實(shí)現(xiàn)森林圖像中火災(zāi)區(qū)域和背景區(qū)域的有效分割，為火災(zāi)識(shí)別奠定基礎(chǔ)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明旨在提供一種高效的森林火災(zāi)探測(cè)系統(tǒng)。

本發(fā)明創(chuàng)造的目的通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種高效的森林火災(zāi)探測(cè)系統(tǒng)，包括圖像采集模塊、圖像預(yù)處理模塊、圖像分割模塊、火災(zāi)識(shí)別模塊和自動(dòng)預(yù)警模塊，所述圖像采集模塊通過(guò)一個(gè)紅外攝像機(jī)對(duì)森林進(jìn)行全天候監(jiān)控,采集森林的紅外圖像,所述圖像預(yù)處理模塊用于對(duì)采集得到的原始紅外圖像進(jìn)行濾波處理和圖像增強(qiáng),去除圖像中的噪聲干擾并且增強(qiáng)圖像的對(duì)比度,所述圖像分割模塊用于在處理后的圖像中分割出火焰區(qū)域和背景區(qū)域,所述火災(zāi)識(shí)別模塊用于提取所述火焰區(qū)域的特征參數(shù),采用多特征融合識(shí)別火焰,從而判斷是否有火災(zāi)發(fā)生,所述自動(dòng)預(yù)警模塊用于在判斷有火災(zāi)發(fā)生時(shí)即進(jìn)行預(yù)警。

本發(fā)明創(chuàng)造的有益效果：本發(fā)明采用多閾值分割方法對(duì)森林圖像進(jìn)行分割，在閾值的選擇過(guò)程中采用改進(jìn)的粒子群優(yōu)化算法進(jìn)行閾值選擇，能夠快速而準(zhǔn)確地搜索到最佳的閾值組合，使圖像分割結(jié)果更準(zhǔn)確，從而滿足了圖像分割對(duì)實(shí)時(shí)性的要求。

附圖說(shuō)明

利用附圖對(duì)發(fā)明創(chuàng)造作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明創(chuàng)造的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明結(jié)構(gòu)示意圖；

圖2是本發(fā)明圖像預(yù)處理模塊的結(jié)構(gòu)示意圖；

圖3是本發(fā)明圖像分割模塊的結(jié)構(gòu)示意圖。

附圖標(biāo)記：

圖像采集模塊1；圖像預(yù)處理模塊2；圖像分割模塊3；火災(zāi)識(shí)別模塊4；自動(dòng)預(yù)警模塊5；圖像濾波單元21；圖像增強(qiáng)單元22；閾值尋找單元31；閾值分割單元32。

具體實(shí)施方式

結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。

參見(jiàn)圖1、圖2和圖3，本實(shí)施例的一種高效的森林火災(zāi)探測(cè)系統(tǒng)，包括圖像采集模塊1、圖像預(yù)處理模塊2、圖像分割模塊3、火災(zāi)識(shí)別模塊4和自動(dòng)預(yù)警模塊5，所述圖像采集模塊1通過(guò)一個(gè)紅外攝像機(jī)對(duì)森林進(jìn)行全天候監(jiān)控,采集森林的紅外圖像,所述圖像預(yù)處理模塊2用于對(duì)采集得到的原始紅外圖像進(jìn)行濾波處理和圖像增強(qiáng),去除圖像中的噪聲干擾并且增強(qiáng)圖像的對(duì)比度,所述圖像分割模塊3用于分割處理后的圖像中的火焰區(qū)域和背景區(qū)域,所述火災(zāi)識(shí)別模塊4用于提取所述火焰區(qū)域的特征參數(shù),采用多特征融合識(shí)別火焰,從而判斷是否有火災(zāi)發(fā)生,所述自動(dòng)預(yù)警模塊5用于在判斷有火災(zāi)發(fā)生時(shí)即進(jìn)行預(yù)警。

優(yōu)選地，所述自動(dòng)預(yù)警模塊5包括聲音預(yù)警和光電預(yù)警。

優(yōu)選地，所述圖像預(yù)處理模塊2包括圖像濾波單元21和圖像增強(qiáng)單元22，所述圖像濾波單元21用于對(duì)所述原始紅外圖像進(jìn)行濾波處理，去除圖像中的噪聲干擾，所述圖像增強(qiáng)單元22用于對(duì)濾波后的圖像進(jìn)行增強(qiáng)，從而增強(qiáng)圖像的對(duì)比度。

本優(yōu)選實(shí)施例采用多閾值分割方法對(duì)森林圖像進(jìn)行分割，在閾值的選擇過(guò)程中采用改進(jìn)的粒子群優(yōu)化算法進(jìn)行閾值選擇，能夠快速而準(zhǔn)確地搜索到最佳的閾值組合，使圖像分割結(jié)果更準(zhǔn)確，從而滿足了圖像分割對(duì)實(shí)時(shí)性的要求。

優(yōu)選地，所述圖像分割模塊3包括閾值尋找單元31和閾值分割單元32，所述閾值尋找單元31采用改進(jìn)的粒子群優(yōu)化算法尋找圖像的分割閾值，從而使得分割后的圖像的總熵最大，所述閾值分割單元32采用計(jì)算所得的分割閾值對(duì)圖像的火焰區(qū)域和背景區(qū)域進(jìn)行分割。

優(yōu)選地，所述閾值尋找單元31采用改進(jìn)的粒子群優(yōu)化算法尋找圖像的分割閾值，從而使得分割后的圖像的總熵最大，具體包括：

(1)改進(jìn)粒子群的速度和位置更新公式，用于通過(guò)改進(jìn)粒子的速度和位置更新公式，從而提高粒子群算法的搜索效率，具體為：

skx(r+1)＝vks(r+1)*tr+sks(r)

式中，tr是粒子飛行所用的時(shí)間，xks(r+1)為粒子k的第s維在r+1次迭代時(shí)的位置，xks(r)為粒子k的第s維在r次迭代時(shí)的位置，tmax為粒子飛行的最長(zhǎng)時(shí)間，r為粒子的當(dāng)前迭代次數(shù)，rmax為粒子的最大迭代次數(shù)，c1、c2和c3是加速度因子，是粒子k在r次迭代時(shí)的慣性權(quán)重，vks(r)是粒子k的第s維的速度，pks(r)是粒子k的第s維的最優(yōu)位置,pw(r)是粒子k的第s維的最差位置，pgs(r)是全體粒子的第s維的最優(yōu)解，r1、r2和r3是0到1之間的隨機(jī)數(shù)；

(2)改進(jìn)慣性權(quán)重因子，用于通過(guò)改進(jìn)慣性權(quán)重因子的計(jì)算方法，使得粒子群優(yōu)化算法具有動(dòng)態(tài)適應(yīng)性，具體為：

式中，是第r次迭代時(shí)第粒子k的進(jìn)化速度因子,j^r是第r次迭代時(shí)種群的聚集度因子，是第r-1次迭代時(shí)粒子k的最佳位置的適應(yīng)度，是第r次迭代時(shí)粒子k的最佳位置的適應(yīng)度，fk是粒子k的適應(yīng)度，是第r次迭代時(shí)的平均適應(yīng)度，w0是慣性權(quán)重的初值，δ和μ分別是進(jìn)化速度因子和聚集程度因子的權(quán)重，且δ+μ＝1；

(3)定義粒子群優(yōu)化算法的適應(yīng)度函數(shù)為f，紅外圖像的灰度范圍為{0,1,2,…,k-1}，設(shè)圖像的分割閾值為[l1,l2,…,lc]，則適應(yīng)度函數(shù)f為：

式中，pi為灰度級(jí)i的像素點(diǎn)的概率，d0為分割閾值(0～l1)范圍內(nèi)的像素點(diǎn)總數(shù)，d1為分割閾值(l1～l2)范圍內(nèi)的像素點(diǎn)總數(shù)，dc-1為分割閾值(lc-1,k-1)范圍內(nèi)的像素點(diǎn)總數(shù)。

本優(yōu)選實(shí)施例在粒子群的速度和位置更新公式中引入了動(dòng)態(tài)飛行時(shí)間和粒子的最差位置作為影響因素，對(duì)著迭代次數(shù)的增加，使得粒子的飛行時(shí)間逐漸減小，并且使得粒子在更新的過(guò)程中盡快原來(lái)這些較差的位置，從而提高了算法的搜索效率，加快了算法的收斂速度；在慣性權(quán)重因子的計(jì)算過(guò)程中，使得慣性權(quán)重隨著粒子的進(jìn)化速度因子和聚集程度因子的變化而動(dòng)態(tài)變化，從而避免了傳統(tǒng)的粒子群優(yōu)化算法容易陷入局部最優(yōu)以及后期收斂速度迅速減小等缺點(diǎn)；在閾值的選擇過(guò)程中采用改進(jìn)的粒子群優(yōu)化算法進(jìn)行閾值選擇，能夠快速而準(zhǔn)確地搜索到最佳的閾值組合，使圖像分割結(jié)果更準(zhǔn)確，從而滿足了圖像分割對(duì)實(shí)時(shí)性的要求。最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。