主权项 |
一种基于图像智能分析的山火检测方法,其特征是,包括以下步骤:(1)训练阶段,该阶段分为以下三个步骤:步骤一、构建数据库:从网上搜集关于山火的图片,用手工标注的方法标定山火的位置,并标注每张图片的类别;步骤二、SLIC得到超像素:给定一张训练图片,用SLIC的方法提取图像的超像素,针对每个超像素块,找到其中标定为山火的像素的个数,如果其与超像素块总数的比例大于0.7,则将该超像素块设定为山火的正样本,否则,设定为山火的负样本;步骤三、训练颜色特征的聚类中心:针对每一张训练图片,提取每一个像素的颜色特征,如公式(1):F<sub>c</sub>=[r,g,b<sub>1</sub>,r‑g,g‑b<sub>1</sub>,l,a,b<sub>2</sub>] (1)其中,r代表RGB颜色空间中红色通道,g代表RGB颜色空间中绿色通道,b<sub>1</sub>代表RGB颜色空间中蓝色通道,r‑g代表RGB颜色空间中红色通道与绿色通道的差值,g‑b<sub>1</sub>代表RGB颜色空间中绿色通道与蓝色通道的差值,l代表亮度,a代表在红色和绿色之间的位置,b<sub>2</sub>代表在黄色和蓝色之间的位置,从训练图片的所有像素的颜色特征中随机选取多个颜色特征,用KMEANS方法进行聚类;步骤四、训练纹理特征的聚类中心:针对每一张训练图片,将图片分为4*4的块,每个块的间隔设为4个像素,从每个小块中提取纹理特征,从训练图片的所有小块对应的纹理特征中随机选取多个特征,用KMEANS方法进行聚类;步骤五、得到颜色特征的直方图:给定一张训练图片,首先用SLIC的方法将图片分为多个超像素,每个超像素的每个像素提取步骤三的颜色特征,针对每个颜色特征,用步骤三训练的颜色特征聚类中心找到与之最接近的颜色聚类中心,用此颜色聚类中心代表该颜色特征,统计所有颜色聚类中心在该超像素出现的次数,得到颜色特征的直方图;步骤六、得到纹理特征的直方图:给定一张训练图片,得到SLIC生成的超像素,将每个超像素分为4*4的小块,每个块的间隔设为4个像素,从每个小块中提取纹理特征,用步骤四训练的纹理特征聚类中心找到与该纹理特征最靠近的纹理聚类中心,用此纹理聚类中心代表该纹理特征,统计所有纹理聚类中心在该超像素出现的次数,得到纹理特征的直方图;步骤七、训练RBF核的SVM:将步骤五生成的颜色特征直方图与步骤六生成的纹理特征直方图串联起来,作为超像素的特征,给定山火的正样本和负样本,对每一个样本对应的超像素,提取其颜色和纹理特征,训练RBF核的SVM训练器,如公式(2):<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>g</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>a</mi><mi>i</mi></msub><msub><mi>y</mi><mi>i</mi></msub><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000649804160000021.GIF" wi="1241" he="157" /></maths>其中,x为超像素块串联起来的颜色和纹理直方图,n代表的是训练样本的总数,y代表的是样本的类别,a和b均为常数,K代表的是核函数;(2)测试阶段,该阶段分为以下三个步骤:步骤一、SLIC得到超像素:给定一张测试图片,首先用SLIC的方法生成多个超像素,将SLIC的规范化阈值设定为0.01,使得超像素的边缘吻合目标的边缘;步骤二、得到颜色聚类中心的直方图:针对每个超像素,提取每个像素的颜色特征,用训练阶段中步骤三训练的颜色聚类中心找到与该颜色特征最接近的颜色聚类中心,用此聚类中心表示该颜色特征,统计超像素区域内所有颜色聚类中心出现的次数,得到颜色聚类中心的直方图;步骤三、得到纹理聚类中心的直方图:给定一个超像素区域,将超像素分为4*4的规范化小块,每个小块的间距为4个像素,从每个小块提取纹理特征,从训练步骤四训练得到的纹理聚类中心找到与该纹理特征最靠近的纹理聚类中心,用此聚类中心表示该纹理特征,统计超像素区域内所有纹理聚类中心出现的次数,得到纹理聚类中心的直方图;步骤四、用训练的RBF核的SVM分类器对特征分类:将步骤二和步骤三的直方图串联起来表示超像素区域的特征,用训练的RBF核的SVM分类器对该特征进行分类,得到超像素属于山火的概率;步骤五、对山火待定区域后处理:将概率小于0.3的区域设定为非山火确定区域,将概率大于0.7的区域设定为山火确定区域,其余部分为山火待定区域,针对分为山火待定区域的每个超像素块,统计其周围分为山火确定区域和非山火确定区域的超像素的个数,若山火确定区域超像素个数大于非山火确定区域超像素的个数,则将该山火待定区域分为山火确定区域。 |