低對比度火焰圖像增強和分割算法研究*

韓鋮惠，王慧琴，胡 燕

西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055

1 引言

圖像型火災(zāi)探測技術(shù)因不易受空間距離、粉塵、靜電等的干擾，可以解決大空間火災(zāi)探測的難題。將火焰圖像從背景中分離出來是火災(zāi)探測的基礎(chǔ)，關(guān)系到后續(xù)特征提取的可靠性和目標(biāo)識別的準(zhǔn)確度。目前已經(jīng)提出了很多類型的火焰圖像分割算法[1-3]。文獻(xiàn)[4-5]通過火焰在YCbCr顏色空間的分量比率和動態(tài)特征提取出候選火焰區(qū)域。文獻(xiàn)[6]使用背景減除法得到火焰的運動區(qū)域，在YCbCr顏色空間對運動區(qū)域進(jìn)行顏色分割。文獻(xiàn)[7]使用高斯混合模型提取視頻幀的前景，建立RGB顏色模型判斷前景中是否有火焰存在。文獻(xiàn)[8]提出了一種基于火焰顏色的累計差分法計算閃頻特征得到動態(tài)特征圖，并利用顏色區(qū)域的局部二值模式（local binary pattern，LBP）紋理特征得到靜態(tài)特征圖，加權(quán)組合靜態(tài)、動態(tài)顯著圖后得到綜合顯著圖提取火焰疑似區(qū)域。文獻(xiàn)[9]利用自適應(yīng)混合高斯模型檢測視頻幀中的火焰運動區(qū)域，再使用模糊C均值分割出疑似火焰區(qū)域和非火焰區(qū)域。雖然這些算法能很好地解決大部分火焰分割問題，可是對于高亮環(huán)境下的火焰或顏色特征不明顯的火焰，由于火焰與周圍環(huán)境融為一體，對這一類低對比度火焰圖像的分割效果不理想。

本文旨在利用圖像增強技術(shù)研究低對比度火焰圖像分割問題。傳統(tǒng)線性和非線性算法只能增強圖像某一類特征，Retinex增強算法可使圖像在動態(tài)范圍壓縮、顏色恒常和邊緣增強三方面達(dá)到平衡。因此本文通過Retinex算法增強彩色火焰圖像，提高火焰與背景的對比度，利用幀差法和基于YCbCr顏色空間的火焰模型對火焰圖像進(jìn)行粗分割，然后在粗分割區(qū)域內(nèi)設(shè)置CV（Chan-Vese）模型初始輪廓曲線，通過曲線演化進(jìn)一步分割得到火焰目標(biāo)輪廓。實驗結(jié)果表明，本文算法能有效地分割低對比度火焰，火焰邊緣規(guī)則信息保存完整，能排除與火焰顏色相似的靜態(tài)和動態(tài)干擾，有利于后期火焰圖像特征提取和識別。

2 低對比度火焰圖像增強

Retinex算法[10]將給定的圖像分解為光照圖像和反射圖像?；驹硎菑脑紙D像中估計出光照分量，然后在對數(shù)域中用原圖減去光照分量得到增強后的圖像。

文獻(xiàn)[11]在經(jīng)典Retinex算法基礎(chǔ)上，結(jié)合人眼視覺特性提出了一種彩色圖像增強算法，通過實驗發(fā)現(xiàn)此算法用于火焰圖像增強仍存在不足：當(dāng)火焰與背景對比不明顯時，圖像整體對比度有一定程度的提高，但是局部對比度效果比較差，尤其是火焰圖像部分增強效果并不明顯。因此，基于文獻(xiàn)[11]進(jìn)行了改進(jìn)，在YCbCr空間中構(gòu)造彩色雙邊濾波器，提取亮度分量Y，并利用Cb、Cr分量構(gòu)造彩色雙邊濾波器。

其中，σ3為控制參數(shù)；Cb和Cr表示原始圖像在YCbCr空間的兩個分量。

在YCbCr顏色空間中，對于火焰的像素點有Cr(x,y)＞Cb(x,y)，根據(jù)此特征構(gòu)造對比度調(diào)節(jié)函數(shù)作用于背景光照分量上。若當(dāng)前點為火焰像素點則增強該點亮度，反之則降低該點亮度。所構(gòu)造的局部對比度調(diào)節(jié)函數(shù)為：

3 火焰圖像分割

3.1 火焰粗分割

幀差法通過將視頻中的相鄰兩幀相減，得到運動物體的輪廓，如果視頻中出現(xiàn)異常的運動物體，相鄰兩幀差別會比較明顯。當(dāng)視頻中運動目標(biāo)除了火焰，還有行人、汽車等，幀差法會將非火干擾物也檢測出來。顏色特征是火焰圖像的一個重要信息，在同一幅圖像中，火焰和其他物體相比，顏色特征比較明顯[12]。因此本文結(jié)合幀差法與顏色空間模型對火焰圖像進(jìn)行粗分割。

在YCbCr顏色空間，火焰的顏色模型為：

其中，Y、Cb、Cr是火焰的亮度分量、藍(lán)色色度分量和紅色色度分量；Ymean、Cbmean、Crmean分別是它們的均值。

3.2 火焰目標(biāo)區(qū)域分割

1988年，Osher和Sethian最先提出了水平集的概念[13]。CV模型以曲線演化理論和水平集方法作為理論基礎(chǔ)[14]。CV模型是基于能量最小化的圖像分割模型[15]，能量函數(shù)為：

活動輪廓曲線C把輸入圖像u劃分為inside(C)和outside(C)兩個區(qū)域，演化曲線C內(nèi)部和外部的圖像灰度均值分別是c1和c2，其中μ、λ1和λ2均為權(quán)重系數(shù)，L(C)表示閉合輪廓曲線的長度。能量函數(shù)的第一項和第二項合稱為保真項，用于將演化曲線C吸引到目標(biāo)輪廓上來，第三項是規(guī)則化項，負(fù)責(zé)規(guī)整演化曲線C。

為了求得能量ECV(c1,c2,C)的最小值，根據(jù)水平集的思想，即用水平集函數(shù)φ(x,y)來代替未知的演化曲線C。并且設(shè)定曲線C外部的水平集函數(shù)為φ(x,y)＜0；曲線C內(nèi)部的水平集函數(shù)為φ(x,y)＞0；曲線C上的水平集函數(shù)為φ(x,y)=0。為了建立變分水平集模型，引入正則化后的海氏函數(shù)H(z)和狄拉克函數(shù)δ(z)，即：

能量泛函ECV可被重新表示為：

上述能量最小化問題可以通過求解能量泛函對應(yīng)的歐拉-拉格朗日方程來實現(xiàn)，可以得到水平集演化方程：

式（8）中灰度均值c1和c2在每次迭代中需要進(jìn)行 更新：

本文低對比度火焰圖像分割算法如圖1所示。

Fig.1 Block diagram of flame image segmentation algorithm in this paper圖1 本文火焰圖像分割算法框圖

將幀差法分割得到的區(qū)域和顏色空間分割得到的區(qū)域做與運算，作為火焰圖像的粗分割結(jié)果。通過計算粗分割區(qū)域邊界點最大和最小坐標(biāo)值獲取粗分割區(qū)域的中心坐標(biāo)點。在粗分割區(qū)域內(nèi)根據(jù)所得中心坐標(biāo)點，并利用Retinex增強后的結(jié)果設(shè)置CV模型的初始輪廓曲線，建立初始輪廓曲線的能量函數(shù)，通過最小化能量函數(shù)使輪廓曲線逐漸逼近目標(biāo)邊緣，當(dāng)能量達(dá)到最小時，閉合曲線即為目標(biāo)輪廓（火焰區(qū)域）。最后對分割結(jié)果進(jìn)行形態(tài)學(xué)處理，去除噪聲干擾。

4 實驗結(jié)果與分析

為了驗證本文算法的性能，在Matlab環(huán)境下進(jìn)行了仿真實驗。視頻測試集來源于http://signal.Ee.bilkent.edu.tr/VisiFire/Demo/（1、3、5）和課題組拍攝（2、4）。測試視頻描述如表1所示，實驗中選取的火焰圖像大小為255×255像素。

Table 1 Test video description表1 測試視頻描述

通過實驗發(fā)現(xiàn)，對于彩色雙邊濾波器中參數(shù)的選擇，當(dāng)參數(shù)Ωi的窗口大小為 3，σ1=20，σ2=10，σ3=5時是最合適的。圖2為3種算法的火焰圖像增強對比結(jié)果。

從圖2中可以看出，3種算法均取得了一定的增強效果，但本文算法增強效果優(yōu)于另外兩種算法，尤其是在火焰圖像的邊界處，既能很好地凸顯邊緣輪廓，又提升了火焰與背景的對比度，火焰明亮的顏色特征更加突出，這與構(gòu)造彩色濾波器所使用的顏色信息有關(guān)；文獻(xiàn)[11]算法也有一定的增強效果，但不如本文算法明顯；直方圖均衡化方法提高了火焰亮度，而且圖像的整體亮度也有所提高，但是它對處理的數(shù)據(jù)不加選擇，因此丟失了火焰的一些細(xì)節(jié)信息，不利于后續(xù)做后焰分割。

將均值（圖像整體亮度）和對比度提升系數(shù)（CI）作為對比度圖像增強效果量化評價標(biāo)準(zhǔn)，對比度提升系數(shù)定義為CI=C′/C，將圖像分為4×4小塊，并計算增強前后圖像中每個小塊圖像對比度均值C和C′。小塊對比度定義為(Max-Min)/(Max+Min),其中Min和Max分別代表小塊的最小值和最大值，C和C′分別表示增強前后的圖像。將計算圖像的均方誤差（mean squared error，MSE）和峰值信噪比（peak signal to noise ratio，PSNR）作為增強后火焰圖像質(zhì)量的評價標(biāo)準(zhǔn)，分別定義為：

Fig.2 Contrast results of flame enhancement algorithms圖2 火焰增強算法對比結(jié)果

其中，L為圖像的最大灰度值（通常取255）；Iij和Iij′分別為增強前后圖像的灰度值。計算結(jié)果如表2所示。

從表2中可以得到，3種算法的客觀性能與主觀視覺感受是一致的，原圖像整體偏亮，增強后的算法亮度有所降低，但是本文算法比文獻(xiàn)[11]算法的對比度提升系數(shù)高。結(jié)合火焰圖像在YCbCr顏色空間分布的特點，重點增強了與火焰顏色相似的像素，使得圖中火焰的整體顏色、亮度與背景的對比更加明顯；濾波器的距離核函數(shù)是由幾何空間距離決定濾波器系數(shù)，灰度值高斯核函數(shù)是由像素差值決定濾波器系數(shù)，因此文中構(gòu)造的彩色雙邊濾波器對圖像同時進(jìn)行增強和去噪預(yù)處理，對火焰圖像的質(zhì)量并無影響。直方圖均衡化增強算法也有一定的增強效果，但是通過計算MSE和PSNR,增強后的圖像質(zhì)量有所下降。

圖3為幾種分割算法對比結(jié)果。本文算法參數(shù)

的設(shè)置為：時間步長Δt=0.1，網(wǎng)格間隔h=1,正則化參數(shù)ε=1，輪廓線權(quán)重長度系數(shù)為μ=0.001×2552。

Table 2 Performance evaluation results of two enhancement algorithms表2 兩種增強算法性能評價結(jié)果

Fig.3 Contrast results of flame segmentation algorithms圖3 火焰分割算法對比結(jié)果

Table 3 Evaluation results of segmentation algorithms表3 分割效果評價

從圖3的分割結(jié)果可以看出，文獻(xiàn)[6]僅采用背景減除法和YCbCr顏色空間對火焰顏色不明顯的圖像發(fā)生漏分割，對高亮環(huán)境下火焰圖像出現(xiàn)過分割；Ostu分割算法雖然可以將圖像中的火焰部分分割出來，但是由于火焰周圍亮度高，以及室外白天環(huán)境也存在其他高亮度物體，Ostu算法同時也分割出圖像中其他亮度成分；而本文算法是在增強圖像的基礎(chǔ)上進(jìn)行分割，增強后的圖像對比度提升，且火焰明亮，顏色鮮艷，細(xì)節(jié)信息更清晰，使火焰分割更完整。

每組視頻分別選取20幅圖像進(jìn)行分割評價標(biāo)準(zhǔn)統(tǒng)計，得到誤分率的平均值，如表3所示。本文算法在粗分割區(qū)域內(nèi)設(shè)置CV模型的初始輪廓曲線，比使用傳統(tǒng)CV模型進(jìn)行火焰圖像分割要快，平均運行時間為3.4 s，比CV模型運行時間減少一半。雖然Ostu分割算法的運行時間短，但是分割準(zhǔn)確性較低。在與文獻(xiàn)[6]運行時間大致相同的前提下，本文算法的誤分率低，分割準(zhǔn)確性高。

5 結(jié)束語

本文將Retinex圖像增強算法和CV模型結(jié)合提出了低對比度火焰圖像分割算法。首先通過Retinex彩色圖像增強算法提高火焰圖像與背景的對比度；然后利用幀差法和火焰顏色空間模型對火焰進(jìn)行粗分割，并確定CV模型初始輪廓曲線位置；最后通過CV模型中水平集函數(shù)的不斷演化進(jìn)行火焰的分割，較好地解決了低對比度火焰分割不完整、不準(zhǔn)確的問題。

[1]Gottuk D T,Dinaburg J B.Video image detection and optical flame detection for industrial applications[J].Fire Technology,2012,49(2):213-251.

[2]Mueller M,Karasev P,Kolesov I,et al.Optical flow estimation for flame detection in videos[J].IEEE Transactions on Image Processing,2013,22(7):2786-2797.

[3]Yan Yunyang,Wu Xiyin,Du Jing,et al.Video fire detection based on color and flicker frequency feature[J].Journal of Frontiers of Computer Science and Technology,2014,8(10):1271-1279.

[4]Wang Dechang,Cui Xuenan,Park E,et al.Adaptive flame detection using randomness testing and robust features[J].Fire Safety Journal,2013,55(328):116-125.

[5]Kong S G,Jin Donglin,Li Shengzhe,et al.Fast fire flame detection in surveillance video using logistic regression and temporal smoothing[J].Fire Safety Journal,2016,79:37-43.[6]Shon D,Kang M,Seo J,et al.Early fire detection using multistage pattern recognition techniques in video sequences[M]//Park J J,Zomaya A,Jeong H Y,et al.Frontier and Innovation in Future Computing and Communications.Berlin,Heidelberg:Springer,2014:161-168.

[7]Kim Y H,Kim A,Jeong H Y.RGB color model based the fire detection algorithm in video sequences on wireless sensor network[J].International Journal of Distributed Sensor Networks,2014(1):1-10.

[8]Du Jing,Yan Yunyang,Gao Shangbing,et al.Flame detection in videos with temporal-spatial visual selective attention[J].Journal of Computer-Aided Design&Computer Graphics,2014,26(3):479-485.

[9]Li Qinghui,Li Aihua,Su Yanzhao,et al.Fire detection algorithm using FCM clustering and SVM[J].Infrared and Laser Engineering,2014,43(5):1660-1666.

[10]Land E H.The Retinex theory of color vision[J].Scientific American,1977,237(6):108-128.

[11]Xiao Quan,Ding Xinghao,Wang Shoujue,et al.A halo-free and hue preserving algorithm for color image enhancement[J].Journal of Computer-Aided Design&Computer Graphics,2010,22(8):1246-1252.

[12]Verstockt S,Hoecke S V,Beji T,et al.A multi-modal video analysis approach for car park fire detection[J].Fire Safety Journal,2013,57(4):44-57.

[13]Osher S,Sethian J A.Fronts propagating with curvaturedependent speed:algorithms based on Hamilton-Jacobi formulations[J].Journal of Computational Physics,1988,79(1):12-49.

[14]Wang Xiaofeng.The study of level set method and their applications in image segmentation[D].Hefei:University of Science and Technology of China,2009.

[15]Bai Xuefei,Wang Wenjian.Chan-Vese model with adaptive initial contour for image segmentation[J].Journal of Frontiers of Computer Science and Technology,2013,7(12):1115-1124.

附中文參考文獻(xiàn)：

[3]嚴(yán)云洋,吳茜茵,杜靜,等.基于色彩和閃頻特征的視頻火焰檢測[J].計算機科學(xué)與探索,2014,8(10):1271-1279.

[8]杜靜,嚴(yán)云洋,高尚兵,等.時空視覺選擇性注意機制的視頻火焰檢測[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2014,26(3):479-485.

[9]李慶輝,李艾華,蘇延召,等.結(jié)合FCM聚類與SVM的火焰檢測算法[J].紅外與激光工程,2014,43(5):1660-1666.

[11]肖泉,丁興號,王守覺,等.有效消除光暈現(xiàn)象和顏色保持的彩色圖像增強算法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2010,22(8):1246-1252.

[14]王曉峰.水平集方法及其在圖像分割中的應(yīng)用研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2009.

[15]白雪飛,王文劍.自適應(yīng)初始輪廓的Chan-Vese模型圖像分割方法[J].計算機科學(xué)與探索,2013,7(12):1115-1124.