[发明专利]基于小波变化图像增强与多特征的森林火灾烟雾检测方法

说明书

基于小波变化图像增强与多特征的森林火灾烟雾检测方法，属于火灾烟雾检测方法领域。现有的森林火灾烟雾检测方法，存在漏报或误报现象的问题。基于小波变化图像增强与多特征的森林火灾烟雾检测方法，对烟雾图像进行小波分解，并对小波系数进行灰度关联度计算和小波系数修正，抑制复杂背景下的烟雾图像噪声，对烟雾图像进行增强，通过计算烟雾图像的分形特征和基于灰度共生矩阵的图像纹理特征，利用图像烟雾区域与非烟雾区域在分形特征和纹理特征上的不同，并把特征输入SVM进行训练，通过机器学习和大样本量实现森林火灾烟雾区域的有效检测。本发明火灾烟雾视频检测中的表现稳定、漏报率低、准确度高。

技术领域

本发明涉及基于小波变化图像增强与多特征的森林火灾烟雾检测方法。

背景技术

森林火灾破坏力极强，具有难预测、难扑救等特点。森林火灾是国家公共应急体系建设的重要方面，对森林火灾的实时监控非常重要，确保在火灾发生的初期就能有效发现并及时扑灭是火灾防范的重点。目前的森林火灾检测是以地面巡查、卫星探测、电子监控等手段为主，这些手段都有一定的优势，但同时也都存在一些火情发现不及时、人力物力耗费大、灵活性差等缺陷，在火灾实时监测中不能高效发挥作用。

智能图像处理技术给森林火灾的监测提供了新的途径，基于图像处理的森林火灾检测可以部署在现有的森林监控系统上，通过监控摄像头及时检测火情，可以实现无人值守的全方位、无死角火灾自动检测。所以，基于数字图像的森林火灾检测算法成为目前森林火灾检测领域的研究热点。

有的通过背景差分法提取视频中的烟雾部分，再通过颜色和纹理信息实现烟雾的检测；有研究者提出了一种基于非参数特征提取的早期森林火灾烟雾检测方法。这些算法在背景干扰小的实验环境中均能取得较好的效果。由于烟雾本身扩散性较强、烟雾图像对比度低等特点，在实际场合中的应用效果与实验环境有比较大的差别，会存在漏报或误报现象。

发明内容

本发明的目的是为了解决现有的森林火灾烟雾检测方法，由于烟雾本身扩散性较强、烟雾图像对比度低等特点，在实际场合中的应用效果与实验环境有比较大的差别，会存在漏报或误报现象的问题，而提出基于小波变化图像增强与多特征的森林火灾烟雾检测方法。

基于小波变化图像增强与多特征的森林火灾烟雾检测方法，所述方法包括：

对烟雾图像进行小波分解，并对小波系数进行灰度关联度计算和小波系数修正，抑制复杂背景下的烟雾图像噪声，对烟雾图像进行增强，通过计算烟雾图像的分形特征和基于灰度共生矩阵的图像纹理特征，利用图像烟雾区域与非烟雾区域在分形特征和纹理特征上的不同，并把特征输入SVM进行训练，通过机器学习和大样本量实现森林火灾烟雾区域的有效检测。

优选地，所述方法包括具体步骤如下：

步骤1，选择haar小波基，对图像进行小波分解，得到小波分解后的低频分量以及水平、垂直、对角线三个方向的高频分量；

步骤2，利用图像不同尺度上高频分量之间的灰色关联度对图像小波系数进行修正；

步骤3，通过haar小波逆变换得到增强后的图像；

步骤4，选择5×5的图像滑窗,计算增强后图像的分形特征；

步骤5，计算增强后基于灰度共生矩阵的图像能量、熵、对比度特征；

步骤6，将图像特征输入SVM进行模型训练并对烟雾图像进行识别。

本发明的有益效果为：

本发明充分利用了小波和分形在信号非线性处理领域的优势，基于支持向量机的方法进行火灾烟雾检测训练，有效利用了机器学习算法在图像分类中的优异性能。

本文设计算法充分利用了森林烟雾图像在小波不同尺度下的纹理特征，增强了烟雾区域对比度,确保烟雾特征具有更高的可识别性。