英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于YCbCr色彩模型的森林火灾探测图像处理
C.艾美Prema1 * SS Vinsley
欧洲经委会部门，Bethlahem工程学院，
Karungal，泰米尔纳德邦，印度。 emmyprema@yahoo.com
欧洲经委会部，
LMC工程技术公司，印度泰米尔纳德邦Marthandam， vinsleyss@gmail.com
摘要 - 本文提出了基于YCbCr色彩模型的森林火灾探测图像处理方法。 该方法由于其复杂性和有效性较低，采用基于规则的颜色模型。 YCbCr色彩空间与RGB和rgb（归一化RGB）等其他色彩空间相比，有效地分离亮度和色度。 该方法不仅可以分离火焰像素，还可以通过考虑YCbCr颜色空间中火焰图像的统计参数（如均值和标准差）来分离高温火焰中心像素。 在这种方法中，形成四条规则来分隔真火区域。 两个规则用于分割火灾区域，另外两个规则用于分割高温火灾中心区域。 获得的结果与文献中的其他方法进行比较，显示出更高的真火检测率和更少的错误检测率。 该方法可用于移动摄像机实时森林火灾探测。
关键词：火灾探测，YCbCr颜色模型，图像处理，均值，标准差。
- 介绍
森林中最常见的危害是森林火灾。 森林火灾对森林造成极大的危害，造成非常严重的经济损失。 如今几乎所有的火灾探测系统都使用传感器。 传感器的准确性，可靠性和位置分布决定了改进
的系统。 对于高精度的火灾探测系统，在室外应用中需要大量的传感器。 传感器还需要频繁的电池充电，这在一个大型的开放空间中是不可能的。 传感器只在靠近火源时检测到火灾。 这会导致传感器损坏。
由于数码相机技术和视频处理的快速发展，基于计算机视觉的系统取代了传统的火灾探测系统。 基于计算机视觉的系统使用三个阶段[1-4]。 1.火焰像素分类。
2.移动物体的分割。 3.候选区域分析。 火灾探测系统的性能取决于火灾像素分类器的性能，火灾像素分类器产生系统其余部分运行的主要区域。 因此，需要一个精确的火灾像素分类器，具有较高的真实检测率和较少的错误检测率。 然而，存在一些直接处理火像素分类的算法。 可以在灰度和彩色视频序列中考虑火像素分类。
低射程CCD摄像机被用来探测远程客机的火灾[5]。 该方法采用统计特征平均值，标准偏差和二阶矩以及非图像特征，例如湿度和温度。 该系统也可以用于烟雾中
探测器来减少虚警。 该系统还提供视觉检查功能，以确认飞机机组人员是否存在火灾。
T.Chen等人 [1]，开发了一套规则来分离使用R，G和B信息的火灾像素。 BU Totryin等人 [2]在RGB色彩空间中使用高斯混合，该色彩空间是从训练集中的火灾像素开发的，而不是使用[1]中的基于规则的颜色模型。 BU Totryin等人[3] 采用隐马尔可夫模型来检测火焰闪烁的火焰火焰的运动特征以及火焰像素分类。 G. Marbacr等人[6] 使用YUV颜色空间来表示视频数据，其中通过亮度分量Y的导数获得候选火焰像素，并且通过使用来自色度分量U和V的信息来确认候选火焰像素。但是在该方法中，没有提到进行测试的次数。 Wen-Homg等人 [7]，用HSI颜色模型来分离火灾像素。 他们制定了更明亮，更黑暗环境的规则。 在根据HSI规则分割火区域之后，移除较低强度和较低饱和度像素以避免火灾混淆（火区域）。 他们还根据二进制计数器差异图像形成了一个度量标准，以测量诸如无火，小火，中火和大火等火焰的燃烧程度。 他们的结果包括误报和误报。 但是没有办法通过改变阈值来减少误报和漏报。 T. Celik等人 [4]使用归一化（rgb）值形成了一些规则，以避免变化照明的影响。 在这种方法中，统计分析是在rg，rb和gb平面上进行的。 在每个平面中，使用三条线来指定代表火象素感兴趣区域的三角形区域。 如果像素落入rg，rb和gb平面的三角形区域，则将像素声明为像素点。 即使归一化的RGB颜色
空间通过使用将亮度与色度分开的YCbCr色彩空间来在一定程度上克服照明变化的影响。 图尔盖塞利克等人。 [8]提出了一种通用的颜色模型，使用YCbCr颜色模型从背景中分割出火焰像素。 该方法分割除火焰中心以外的火焰区域。 但是这种方法只根据颜色信息对火象素进行分类。 Vipin V [9]提出了一个模型，用于从使用RGB和YCbCr色彩空间的图像中分割出火焰。 这种方法在所有环境条件下都不能很好地工作，并且不可靠。
本文提出了YCbCr火焰像素分类的颜色模型，该模型使用火灾图像的统计特征，即平均值和标准偏差，因为在YCbCr色彩空间中，像素之间的关系与其他色彩模型的关系较多。 火焰的中心像云一样是白色的。 我们制定了一条新规则，在YCbCr色彩空间中从背景中分割消防中心。 所提出的方法被测试了从互联网收集的近800幅具有不同照明的图像。 与之前引入的火焰像素分类方法相比，所提出的方法以高真实检测率和低错误检测率检测火灾。 该方法提供了99.2％的真实检测率。 所提出的方法比文献中使用的其他方法提供了显着的改进。
- 提议的森林火灾探测方法
本节介绍了所提出的火灾像素分类方法。 下面给出了该方法的流程图。 它使用YCbCr颜色空间。 由于YCbCr色彩空间将色度信息的亮度信息与其他色彩空间分开。 对于火像素分类，四条规则（规则I，规则II，规则III，
和规则IV）。 高温中心区域的火灾颜色为白色。 然而，除中心区域外，该区域内的火焰颜色是从红色变为黄色的颜色。 在所提出的方法中使用的四个规则中，规则I和规则II用于分割火焰区域。 规则III和规则IV用于分割中心点像素（高温区域）。 最后，通过满足规则I和2获得的图像以及通过满足规则III和IV获得的图像被添加以获得真实的火焰图像。
输入RGB图像
RGB到YCbCr的转换
是
IF
规则一
没有
是
IF
规则二
IF
规则三
没有
是
没有
没有
IF
规则四
是
消防中心的白色彩色消防像素
非火像素
火焰区域的像素
在Y，Cb和Cr平面中查找图像的平均值和标准偏差
真正的火灾地区
图1拟议的火灾探测系统的流程图
火警
- 真火区的分割
它包括低温火焰像素的分类，其颜色从红色变为黄色（而不是高温火焰中心）。 每个数字彩色图像有三个颜色平面：红色（R），绿色（G）和蓝色（B）。 每个色彩平面被量化到离散的等级，对于每个平面通常使用256个（每个色彩平面8个比特）量化等级。 白色用（R，G，B）=（255,255,255）表示。 黑色由（R，G，B）=（0,0,0）表示。 由矩形网格中的空间位置来表示由h像素组成的彩色图像。 （R（x，y），G（x，y），B（x，y））是对应于空间位置（x，y）的颜色矢量。
在数字火灾图像的火灾区域，红色通道（R）的值大于绿色通道（G）的值[1，4]。 为了清楚地解释这个概念，我们选取了一些示例图像，如图所示。 2（a）。 我们已经分离出了R分量，G分量和B分量。 从图1（bd）可以看出，在火区， 2b（R分量）大于图2。 2（c）（G部分）。 为了更好地解释这个想法，从图2中选取了两个样本。 如图3（a）所示，然后对其原始像素进行分段，如图3所示。然后计算原始图像的分段火域的平均值。 结果如表1所示。从表中可以清楚地看出，平均而言，火灾像素显示出其R强度值大于G且G强度值大于B的特征。许多规则形成于RGB色彩空间[1]来分类火灾像素。 当照明的时候
表1.图3的手动分段火灾区域的R，G和B分量的平均值。
|
行 指数 |
Rmean |
Gmean |
Bmean |
|
1 2 |
251 243 |
237 212 |
154 139 |
(a) (b) (c) (d)
图2.列（b） - （d）中列（a），红（R），绿（G）和蓝（B）分量的原始RGB图像。
-
- (b)
图3（a）输入RGB图像（b）手动分割的火区显示为绿色。
(a) (b) (c) (d)
图4（a）输入RGB图像（b）Y分量（c）Cb分量（d）Cr分量
输入图像改变它不能执行。 同样在RGB色彩空间中，不可能将像素值分成强度和色度。 色度可以用于建模火的颜色，而不是模拟其强度。 这给了一个
对于给定的图像，可以在YCbCr色彩空间中找到三个分量（Y，Cb和Cr）的平均值作为
M times; N
非常强烈的像素代表。 所以有
需要将RGB色彩空间转换为一个
Cb（x，y）
的颜色空间之间的分离
强度和色度更加区分。
基于上述概念，我们选择YCbCr色彩空间用于火灾像素的分类。
hellip;.(2)
从RGB到YCbCr色彩空间的转换也是线性的。 从RGB到YCbCr色彩空间的转换如下所示。
在Y（x，y），Cb（x，y）和Cr（x，y）是Y的情况下，
在每个空间位置（x，y）处的像素的Cb和Cr分量。 Y意思，Cb意思和Cr意思都是
hellip;(1)
亮度的平均值，像素的色度蓝和色度红色分量。 Mtimes;N是输入图像中的总像素数。 运用
这里Y是亮度分量，Cb是色度蓝色分量，Cr是色度红色分量。 Y的范围是[16 235]。 Cb和Cr的范围是[16 240]。图像在Y，Cb和Cr平面上的偏差。 提出的方法使用Cr平面的标准偏差。 它可以被确定如下
含有火灾区域。 从这些观察
规则二是可以制定的。 规则二适用于
hellip;(3)
满足规则I的像素。
R（x，y）=RI（x，y），如果Y（x，y）gt; Y意思，Cr（x，y）gt; Cr意思 Otℎerwise
II
hellip;(5)
- 火焰区域的分割
规则I：
在RGB色彩空间（即Rgt; Ggt; B）中定义的规则可以被转换为YCbCr色彩空间，如Ygt; Cb，即Y分量的强度大于Cb分量的强度。 因此，规则I可以解释如下
其中，RII（x，y）是输入图像中满足规则I和规则II的像素。 输入图像中满足规则I和规则II的像素被认为是火焰像素。 图5通过应用规则I和规则II来显示分段图像。
|
行 指数 |
Ymean |
Cbmean |
Crmean |
|
1 |
78 |
152 |
138 |
|
2 |
90 |
162 |
143 |
|
3 |
94 |
160 |
143 |
表2：Y，Cb和Cr组分的平均值
hellip;(4)
其中I（x，y）表示输入的RGB图像。 Y（x，y）和Cb（x，y）是不同空间位置（x，y）处的亮度和色度蓝值。 RI（x，y）是满足规则I的像素。图3示出了RGB输入图像及其对应的Y，Cb和Cr分量。 规则I的有效性很容易从图1的火区域观察到。 也就是说，观察到Y分量的强度大于Cb分量的强度。
规则二
由于火焰区域是场景中最亮的区域，火焰区域中的色度红（Cr）分量更多，因此整个图像（Y意思和
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[21665]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
