一種HSI空間基于模糊聚類的火災彩色圖像分割算法

周 鳳(綏化學院信息工程學院, 綏化,152061)

一種HSI空間基于模糊聚類的火災彩色圖像分割算法

周 鳳*
(綏化學院信息工程學院, 綏化,152061)

針對通用模糊聚類算法進行彩色圖像分割存在對初值敏感，迭代過程耗時等問題，在HSI空間結(jié)合火焰圖像分布特征，采用平均值法進行初值優(yōu)選，構(gòu)造抑制算子和抑制因數(shù)對火焰無關(guān)區(qū)域S和I分量進行有效抑制，采用直方圖聚類后進行數(shù)據(jù)融合等方式，最終實現(xiàn)彩色火災圖像分割。實驗表明，該算法提高了彩色火災圖像分割的準確性和收斂速度。

火災圖像分割；模糊均值聚類；無關(guān)區(qū)域抑制；直方圖

0 引言

火災圖像分割作為火災探測識別的關(guān)鍵技術(shù)，一定程度上決定了火災探測識別的快速性和準確性。隨著計算機硬件及傳感器技術(shù)的不斷進步，進行火災彩色圖像分割，從而在保證時效性基礎上提高火災探測識別的準確性成為圖像火災探測領(lǐng)域的必然發(fā)展趨勢。

模糊C均值圖像分割算法[1](FCM，F(xiàn)uzzy C-Means)以其無需訓練樣本，對復雜圖像適應度高，因此得到廣泛的應用，而彩色圖像分割更成為近年來研究的熱點[2]。但通用FCM算法存在諸多缺陷，如對初始值敏感，迭代過程耗時，在進行圖像聚類時未考慮空間信息應用等[3]，因此多數(shù)具體應用中均采用不同方法優(yōu)化FCM，以提高分割的準確性和收斂速度。本文正是針對火災圖像分割具體應用，在HSI色彩空間優(yōu)化FCM初值選取，對無關(guān)區(qū)域進行抑制，采用直方圖聚類化簡迭代過程以提高火災圖像分割的準確性和時效性。

1 降噪濾波與無關(guān)區(qū)域抑制

為降低噪聲對FCM的影響，應當對圖像進行降噪濾波。首先將RGB圖像映射到HSI色彩空間[4]，其次使用方形3×3模板對圖像進行中值濾波，在保留圖像邊緣的同時濾除噪聲。濾波公式如下：

(1)

在進行圖像分割時，由于主要目標為分離火焰區(qū)域，因此，在圖像預處理時，結(jié)合FCM算法思想，對火焰區(qū)域進行色彩和亮度增強，而對其他火焰無關(guān)區(qū)域進行抑制。由參考文獻[5]，火焰的H、S、I值一般如表1所示，本文采用該數(shù)據(jù)對圖像進行無關(guān)區(qū)域抑制。

表1 火焰的HSI分布

無關(guān)區(qū)域抑制可看作對火焰區(qū)域的變相增強，包括飽和度抑制和亮度抑制。在HSI空間中，色度H在[0,2π]區(qū)間中周期連續(xù)變化，構(gòu)成一個“圓環(huán)”，而亮度I和飽和度S在[0,1]區(qū)間中近似線性變化，參考表1本文構(gòu)造抑制算子如下：

(2)

其中，S0=0.3,I0=0.445，抑制結(jié)果見圖1、圖2。

圖1 S分量抑制算子抑制曲線Fig.1 Curves of S attenuation operator

圖2 I分量抑制算子抑制曲線Fig.2 Curves of I attenuation operator

圖1為S分量抑制曲線，橫軸為原始Sij分量，縱軸為按公式(2)進行抑制后Sij′取值，實線為參考線，表征前后取值不變，虛線為抑制后取值。由圖1可以看出，該算子對圖像“較暗”部分的飽和度進行了抑制，而對圖像中“較亮”部分進行了增強，有利于在聚類運算中增加火焰區(qū)域與其他無關(guān)區(qū)域的歐氏距離。

圖2為I分量抑制曲線，橫軸為原始Iij分量，縱軸為按公式(2)進行抑制后I′ij取值，實線為參考線，表征前后取值不變，虛線為抑制后取值。由圖2可以看出，該算子對圖像整體亮度進行了抑制，對“較暗”部分的亮度抑制作用較強，而對圖像中“較亮”部分抑制作用逐步減弱，為后續(xù)處理提供便利。

為進一步分離火焰區(qū)域，應對火焰區(qū)以外區(qū)域的亮度進行進一步抑制，由表1可知，H分量對圖像火焰區(qū)部分區(qū)分較為穩(wěn)定，由此可設H為自變量，構(gòu)造I分量抑制因子如下：

(3)

其中θ表征火焰色度中心，取值π/6，α表征保留/抑制的比例，該值越大，火焰區(qū)域亮度保留越多，同時對非火焰區(qū)域抑制作用越強。由圖3可知，越接近火焰色度中心，I分量抑制因子抑制越弱，而越遠離火焰色度中心，I分量抑制因子抑制越強。

圖3 I抑制因子函數(shù)曲線Fig.3 Curves of I Attenuation factor

由于在圖像高亮區(qū)域H分量噪聲因素的影響，在使用抑制因子K進行亮度抑制時，可能會對原本屬于火焰區(qū)域的高亮區(qū)域進行抑制從而造成錯誤，所以應使用式(4)的方法進行亮度抑制。

(4)

其中，δ為區(qū)分閾值。為有效抑制圖像中直高亮區(qū)域，并保留火焰區(qū)域中高亮區(qū)域，經(jīng)實驗統(tǒng)計，δ取0.9時，火焰圖像處理可取得較好效果。

圖4 算子和抑制因子處理結(jié)果Fig.4 Processing results by attenuation operators and attenuation factor

2 初值選取與直方圖量化

傳統(tǒng)FCM算法對初值較為敏感，類似火焰圖像分割這類最終只將圖像劃分為兩個聚類的應用，如果采用隨機初始化，很可能會造成火焰區(qū)域分割錯誤，因此應當針對火焰圖像根據(jù)火焰特征進行初值選取，以提高FCM的準確性和迭代收斂速度。本文使用表1數(shù)據(jù)采用基于平均值的初始聚類中心選取方法，從視覺及處理效率角度考慮，用色度閾值進行簡單劃分即可完全滿足需要。

設圖像所有點的集合為S，火焰區(qū)域聚類中心為(H0,S0,I0)，非火焰區(qū)域聚類中心為(H1,S1,I1)，所以有：

(5)

由于要大量迭代計算每一像素點的隸屬度，因此傳統(tǒng)的FCM速度相對不高。為降低計算復雜度，應將圖像各分量映射到直方圖[6]上，基于直方圖進行聚類，設圖像為M×N的像素矩陣，直方圖量化階數(shù)為L，本文采用一維直方圖，每分量為l(i)(i=0…L-1)，對H、I分量分別統(tǒng)計直方圖，則有：

(6)

3 基于改進的FCM火災圖像分割

利用經(jīng)驗數(shù)據(jù)對原始圖像進行預處理，在保留火焰區(qū)域信息的基礎上對無關(guān)區(qū)域進行抑制，提高FCM隸屬度的差異，并采用平均值方法確定初始聚類中心；根據(jù)采用一維直方圖在(H,S)和I分量上分別進行聚類，并進行綜合處理，極大降低迭代的計算量和迭代次數(shù)，考慮鄰域均分改進隸屬度函數(shù)，提高分割準確度，在此基礎上，實現(xiàn)在HSI空間中的FCM火災圖像分割。算法流程如圖5。

圖5 算法流程圖Fig.5 Algorithm flow diagram

4 實驗結(jié)果及分析

為驗證算法的有效性，采用標準FCM算法和本文算法進行分割處理，算法測試平臺為Window7、Intel-i7 3770K、內(nèi)存8G的PC機。對比如圖6所示 。

圖6 圖像處理結(jié)果對比Fig.6 Comparison of fire image processing result

圖6(a)為原始火災圖像；(b)為標準FCM分割結(jié)果，由于天空背景及其他無關(guān)區(qū)域亮度和火焰近似，故而未將火焰和背景高亮部分區(qū)分開；(c)為對原始圖像進行無關(guān)區(qū)抑制的結(jié)果；(d)為本文算法的分割結(jié)果，相比標準FCM，本文算法針對復雜背景火災圖像，可有效抑制了火焰無關(guān)區(qū)域?qū)垲惖挠绊?，準確分割出了火焰區(qū)域。

從處理時間對比看，本文算法相比標準FCM耗時更短，實時性更強。

5 結(jié)論

本文結(jié)合火災圖像的特征，提出了一種FCM彩色火焰圖像分割方法，通過初值優(yōu)選、構(gòu)造抑制函數(shù)和抑制因子對無關(guān)區(qū)進行抑制、采用直方圖聚類等手段，提升了火災圖像模糊聚類分割的準確性，為后續(xù)的火災特征提取和分析提供了有利支撐。

[1] 朱小雨. 基于FCM聚類的彩色圖像分割算法研究[D]. 吉林: 吉林大學, 2011: 23-31.

[2]JiZx,etal.Fuzzyc-meansclusteringwithweightedimagepatchforimagesegmentation[J].AppliedSoftComputing, 2012, 12(6): 1659-1667.

[3] 楊潤玲. 基于FCM類型算法的自動圖像分割方法研究[D]. 西安: 西安電子科技大學, 2006: 13-21.

[4]GonzalezRC. 數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社, 2005: 144-320.

[5]HorngWB,etal.Anewimagebasedreal-timeflamedetectionmethodusingcoloranalysis[J].inConfICNSC, 2005,IEEE, 2005: 100-105.

[6]LanJH,ZengYL.Multi-thresholdimagesegmentationusingmaximumfuzzyentropybasedonanew2Dhistogram[J].Optik-InternationalJournalforLightandElectronOptics, 2013, 124(18): 3756-3760.

A fire color image segmentation algorithm base on fuzzy C-means clustering in HSI space

ZHOU Feng
(Sui Hua University, Suihua 152061, China)

The general fuzzy clustering algorithm for color image segmentation is sensitive to initial value and the iterative process is time-consuming. In this paper, a fire color image segmentation algorithm base on fuzzy C-means clustering in HSI space is developed. In HSI color space, with flame image distribution, the average value method is used for optimization of initial value, thereby attenuation operator and attenuation factor are constructed to attenuate the flame unrelated region on S and I component effectively. The data are clustered and integrated base on the histogram, and the color fire image segmentation is finally realized. Experiments show that this algorithm improves the accuracy and convergence rate of color fire image segmentation.

Fire image segmentation; Fuzzy C-means clustering; Irrelevant area attenuation; Histogram

2016-04-21；修改日期：2016-07-22

綏化學院2015年科學技術(shù)研究項目“基于嵌入式視覺的火災檢測的研究”(No:K1502003)

周鳳(1980-)，講師，綏化學院，教師，從事計算機應用方面研究。

周鳳，E-mail:36272828@qq.com

1004-5309(2017)-0049-05

10.3969/j.issn.1004-5309.2017.01.07

TP391.41; X915.5

A