CN108765335A - 一种基于遥感图像的森林火灾检测方法 - Google Patents

一种基于遥感图像的森林火灾检测方法 Download PDF

Info

Publication number
CN108765335A
CN108765335A CN201810512059.7A CN201810512059A CN108765335A CN 108765335 A CN108765335 A CN 108765335A CN 201810512059 A CN201810512059 A CN 201810512059A CN 108765335 A CN108765335 A CN 108765335A
Authority
CN
China
Prior art keywords
image
pixel
binary
structural elements
obtains
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810512059.7A
Other languages
English (en)
Other versions
CN108765335B (zh
Inventor
彭真明
黄景雨
汪春宇
张天放
陶冰洁
刘雨菡
黄苏琦
张兰丹
张鹏飞
梁航
贲庆妍
杨春平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810512059.7A priority Critical patent/CN108765335B/zh
Publication of CN108765335A publication Critical patent/CN108765335A/zh
Application granted granted Critical
Publication of CN108765335B publication Critical patent/CN108765335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于遥感图像的森林火灾检测方法，涉及机器视觉工业应用中的智能识别技术领域，本发明包括读入初始图像，进行中值滤波得到去噪图；计算局部熵并归一化，得到局部熵图像；对局部熵图像进行形态学闭操作，再进行腐蚀，得到腐蚀图像；去噪图进行对数变换得到对数变换图像；计算对数变换图像中每个像素点的灰度共生矩阵，得到随机性，并对随机性进行归一化，得到随机性归一化图像；使用最大类间方差法对腐蚀图像和随机性归一化图像分别进行阈值分割，得到两个特征二值化图像；将两特征二值化图像中相对应的像素点分别进行与操作，得到最终输出图像，本发明不仅高效快捷，而且能够保证较高的准确度，具有实用价值。

Description

一种基于遥感图像的森林火灾检测方法
技术领域
本发明涉及机器视觉工业应用中的智能识别技术领域，更具体的是涉及一种基于遥感图像的森林火灾检测方法。
背景技术
森林火灾是一种年年发生的世界性的、危害森林资源的重大灾害，每一次森林大火都给森林植被、森林生态***、全球生态环境和人类生命财产带来严重危害和损失。我国是重、特大森林火灾高发区，特别是在东北森林与华南森林，已引起政府的高度重视。因此，对于森林火灾的监控至关重要，如何及时、准确地检测到森林火灾的发生已经成为了国内外研究热点之一。
森林火灾一般都发生在人迹罕至的区域，难以实现人工检测。而卫星遥感技术在监测森林火灾方面具有极大的优势，遥感检测面积广，时间、空间分辨率高，成本低廉，非常适合火灾的相关信息提取，在森林火灾检测工作中具有特殊的能力和潜力。自二十世纪七十年代初，国内外学者研究形成了多种在卫星红外图像中检测森林火灾的算法，并应用于全球区域的火情监测、过火区制图和森林火灾受害程度评价，例如基于林火红外光谱探测的MODIS火点监测算法，基于林火在卫星红外图像上的成像特征及火点的亮温阈值检测法等等。
从遥感图像中分析、检测出森林火灾是遥感森林火灾监测技术的重点和难点，现有的技术主要着重于森林火灾着火点的检测，而并没有覆盖到整个着火区域，现有技术虽然能够及时检测出火灾，但由于没有利用森林火灾红外成像的形态特征，很容易受其他高辐射源或图像噪声的影响而导致虚警；而且，一旦没有在起火的第一时间检测，火灾扩散开来不再表现为着火点之后，就很可能出现漏检；并且另一方面，通过现有的检测方法无法确定火灾的区域跟面积。
发明内容
本发明的目的在于：为了解决现有的森林火灾检测方法由于没有利用森林火灾红外成像的形态特征，很容易受其他高辐射源或图像噪声的影响而导致虚警的问题，本发明提供一种基于遥感图像的森林火灾检测方法。
本发明为了实现上述目的具体采用以下技术方案：
一种基于遥感图像的森林火灾检测方法，包括如下步骤：
S1、读入初始图像f(x,y)，进行中值滤波得到去噪图fpre(x,y)，其中(x,y)表示初始图像中的像素点坐标；
S2、计算去噪图fpre(x,y)中每个像素点的3×3邻域局部熵并归一化处理，得到局部熵图像fent(x,y)；
S3、使用4×4的模板对局部熵图像fent(x,y)进行形态学闭操作，再以3×3模板对闭操作后的局部熵图像fent(x,y)进行腐蚀，得到腐蚀图像ferode(x,y)；
S4、将S1中得到的去噪图fpre(x,y)进行对数变换得到对数变换图像flog(x,y)；
S5、计算对数变换图像flog(x,y)中每个像素点的5×5邻域灰度共生矩阵，再根据灰度共生矩阵得到每个像素点的随机性，并对所有像素点的随机性进行归一化处理，得到随机性归一化图像frandom(x,y)；
S6、使用最大类间方差法对腐蚀图像ferode(x,y)和随机性归一化图像frandom(x,y)分别进行阈值分割，得到二值化图像fbinary(x,y)和二值化图像f′binary(x,y)；
S7、将二值化图像fbinary(x,y)和二值化图像f′binary(x,y)中相对应的像素点分别进行与操作，得到最终输出图像fout(x,y)。
进一步的，所述S1中对初始图像f(x,y)进行中值滤波具体为：
对初始图像f(x,y)进行3×3邻域中值滤波，得到滤波后的去噪图fpre(x,y)，公式为：
fm(x,y)＝median{fround(x,y)}
fpre(x,y)＝fm(x,y)
其中fround(x,y)表示3×3邻域内每个像素点的灰度值，取初始图像f(x,y)中的每个像素点(x,y)，计算每个像素点(x,y)3×3邻域内灰度值fround(x,y)的中值fm(x,y)，然后以该中值fm(x,y)代替对应像素点(x,y)的原灰度值，得到去噪图fpre(x,y)。
进一步的，所述S2具体包括如下步骤：
S2.1、遍历去噪图fpre(x,y)中的每个像素点(x,y)，统计每个像素点(x,y)3×3邻域的灰度直方图，方法如下：
遍历每个像素点(x,y)3×3邻域的所有像素点，若在邻域中存在像素点的灰度值为i，则灰度值i的灰度数量h(i)加1，遍历完成后，得到灰度概率p(i)，公式为：
其中灰度值i∈[0，255]，M为去噪图fpre(x,y)的高度，N为去噪图fpre(x,y)的宽度；
S2.2、计算每个像素点(x,y)的局部熵H(x,y)，公式为：
H(x,y)＝p(i)logp(i)；
S2.3、将局部熵H(x,y)归一化，得到局部熵图像fent(x,y)，其中局部熵图像fent(x,y)中任意像素点(x0,y0)的计算公式为：
其中min(H(x,y))表示局部熵H(x,y)中的最小值，max(H(x,y))表示局部熵H(x,y)中的最大值。
进一步的，所述S3具体包括如下步骤：
S3.1、使用4×4的平坦模板作为结构元a，使用结构元a对局部熵图像fent(x,y)进行膨胀操作，得到膨胀图像fswell(x,y)，计算公式为：
其中fgray(x+s,y+t)属于当结构元a的中心在像素点(x,y)时，结构元a所覆盖的图像区域；s,t表示使fgray(x+s,y+t)属于结构元a覆盖的区域的常数；
S3.2、使用结构元a扫过膨胀图像fswell(x,y)的每个像素点，得到第一次腐蚀图像ferode1(x,y)，计算公式为：
其中fswell(x+u,y+v)属于当结构元a的中心在像素点(x,y)时，结构元a所覆盖的图像区域；u,v表示使fswell(x+u,y+v)属于结构元a覆盖的区域的常数；
S3.3、使用3×3的平坦模板作为结构元b，使用结构元b扫过第一次腐蚀图像ferode1(x,y)的每个像素点，得到腐蚀图像ferode(x,y)，计算公式为：
其中ferode1(x+i,y+j)属于当结构元b的中心在像素点(x,y)时，结构元b所覆盖的图像区域；i,j表示使ferode1(x+i,y+j)属于结构元b覆盖的区域的常数。
进一步的，所述S4具体包括如下步骤：
S4.1、遍历去噪图fpre(x,y)中的每个像素点，得到初始对数变换图像flog1(x,y)，计算公式为：
flog1(x,y)＝log(fpre(x,y)+1)；
S4.2、对初始对数变换图像flog1(x,y)归一化处理，得到对数变换图像flog(x,y)，其中对数变换图像flog(x,y)中任意像素点(x0,y0)的计算公式为：
其中min(flog1(x,y))表示flog1(x,y)中的最小值，max(flog1(x,y))表示flog1(x,y)中的最大值。
进一步的，所述S5具体包括如下步骤：
S5.1、若对数变换图像flog(x,y)中当前像素点为(x0,y0)，则其5×5邻域计算公式为：
其中-2≤m≤2，-2≤n≤2；遍历该邻域所有像素点，分别求出该邻域在0度、45度、90度和135度的灰度共生矩阵，具体方法如下：
S5.1.1、令0度、45度、90度和135度的灰度共生矩阵分别为g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)，所述g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)均为255×255的矩阵，遍历5×5邻域内的所有像素点，若前像素点为(x′,y′)，
若则g0(i,j)＝g0(i,j)+1；
若则g45(i,j)＝g45(i,j)+1；
若则g90(i,j)＝g90(i,j)+1；
若则g135(i,j)＝g135(i,j)+1；
S5.1.2、将灰度共生矩阵g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)进行归一化处理，计算公式为：
S5.2、根据归一化后的灰度共生矩阵，计算当前像素点(x0,y0)在0度、45度、90度和135度的随机性r0(x0,y0)、r45(x0,y0)、r90(x0,y0)和r135(x0,y0)，再根据随机性r0(x0,y0)、r45(x0,y0)、r90(x0,y0)和r135(x0,y0)得到平均随机性，即得到随机性归一化图像frandom(x,y)当前像素点(x0,y0)的值frandom(x0,y0)，计算公式为：
遍历对数变换图像flog(x,y)的所有像素点，即得到随机性归一化图像frandom(x,y)。
进一步的，所述S6具体包括如下步骤：
S6.1、计算腐蚀图像ferode(x,y)的灰度平均值；
S6.2、对于灰度值t(0≤t≤255)，遍历腐蚀图像ferode(x,y)的所有像素点，根据每个像素点的灰度值将所有像素点分为两部分，其中一部分为灰度值小于等于t的像素点的集合A，另一部分为灰度值大于t的像素点的集合B；
S6.3、分别计算集合A和集合B中的像素点个数占所有像素点个数的比例，记为PA和PB，再分别计算集合A和集合B中像素点的平均灰度值，记为和
S6.4、计算类间方差ICVt，计算公式为：
依次令t＝1,2,3,…,255，比较得到最大类间方差得到二值化转化阈值t0；
S6.5、根据二值化转化阈值t0，将腐蚀图像ferode(x,y)转化为二值化图像fbinary(x,y)；同理，将随机性归一化图像frandom(x,y)转化为二值化图像f′binary(x,y)。
进一步的，所述S7具体包括如下步骤：
S7.1、遍历二值化图像fbinary(x,y)的所有像素点，当前像素点为(x0,y0)，若
fbinary(x0,y0)＝f′binary(x0,y0)＝1
则fout(x0,y0)＝1；
否则fout(x0,y0)＝0；
遍历完成后，得到最终输出图像fout(x,y)。
本发明的基本原理为：
利用森林火灾在遥感图像中表现出的灰度值极高且灰度分布的有序性较低的特点，来进行森林火灾区域的检测和分割，以分析图像的局部熵、灰度共生矩阵特征值图像，再结合图像中值滤波、对数拉伸等预处理方法，以及形态学处理、阈值分割、图像孔洞填充等后期修补方法，事项遥感图像中森林火灾的检测和区域分割。
本发明的有益效果如下：
1、本发明通过S2中计算去噪图中每个像素点的领域局部熵并归一化处理以及S5中计算对数变换图像中每个像素点的邻域灰度共生矩阵，再计算每个像素点的随机性，并对所有像素点的随机性进行归一化处理，提取了森林火灾成像独特的形态特征，不容易受到图像噪声或其他高辐射物体的影响，提高了检测准确率，误检率较低。
2、本发明通过S7中二值化图像和二值化图像中相对应的像素点分别进行与操作，使用两种特征对目标区域进行联合判决，能够准确地检测并分割出遥感图像中森林火灾的区域，大大提高了检测准确度。
3、本发明的方法步骤高效快捷，处理时间短，能够在遥感森林火灾监测中实现实时的森林火灾检测。
附图说明
图1是本发明的流程示意图；
图2是初始图像f(x,y)；
图3是腐蚀图像ferode(x,y)；
图4是对数变换图像flog(x,y)；
图5是随机性归一化图像frandom(x,y)；
图6是二值化图像fbinary(x,y)；
图7是二值化图像f′binary(x,y)；
图8是最终输出图像fout(x,y)。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1至图8所示，本实施例提供一种基于遥感图像的森林火灾检测方法，包括如下步骤：
S1、读入初始图像f(x,y)，进行中值滤波得到去噪图fpre(x,y)，其中(x,y)表示初始图像中的像素点坐标；
S2、计算去噪图fpre(x,y)中每个像素点的3×3邻域局部熵并归一化处理，得到局部熵图像fent(x,y)；
S3、使用4×4的模板对局部熵图像fent(x,y)进行形态学闭操作，再以3×3模板对闭操作后的局部熵图像fent(x,y)进行腐蚀，得到腐蚀图像ferode(x,y)；
S4、将S1中得到的去噪图fpre(x,y)进行对数变换得到对数变换图像flog(x,y)；
S5、计算对数变换图像flog(x,y)中每个像素点的5×5邻域灰度共生矩阵，再根据灰度共生矩阵得到每个像素点的随机性，并对所有像素点的随机性进行归一化处理，得到随机性归一化图像frandom(x,y)；
S6、使用最大类间方差法对腐蚀图像ferode(x,y)和随机性归一化图像frandom(x,y)分别进行阈值分割，得到二值化图像fbinary(x,y)和二值化图像f′binary(x,y)；
S7、将二值化图像fbinary(x,y)和二值化图像f′binary(x,y)中相对应的像素点分别进行与操作，得到最终输出图像fout(x,y)。
本实施例通过S2中计算去噪图中每个像素点的领域局部熵并归一化处理以及S5中计算对数变换图像中每个像素点的邻域灰度共生矩阵，再计算每个像素点的随机性，并对所有像素点的随机性进行归一化处理，提取了森林火灾成像独特的形态特征，不容易受到图像噪声或其他高辐射物体的影响，提高了检测准确率，误检率较低；通过S7中二值化图像和二值化图像中相对应的像素点分别进行与操作，使用两种特征对目标区域进行联合判决，能够准确地检测并分割出遥感图像中森林火灾的区域，大大提高了检测准确度；并且本实施例的方法步骤高效快捷，处理时间短，能够在遥感森林火灾监测中实现实时的森林火灾检测。
实施例2
本实施例在实施例1的基础之上进一步优化，具体是：
所述S1中对初始图像f(x,y)进行中值滤波具体为：
对初始图像f(x,y)进行3×3邻域中值滤波，得到滤波后的去噪图fpre(x,y)，公式为：
fm(x,y)＝median{fround(x,y)}
fpre(x,y)＝fm(x,y)
其中fround(x,y)表示3×3邻域内每个像素点的灰度值，取初始图像f(x,y)中的每个像素点(x,y)，计算每个像素点(x,y)3×3邻域内灰度值fround(x,y)的中值fm(x,y)，然后以该中值fm(x,y)代替对应像素点(x,y)的原灰度值，得到去噪图fpre(x,y)。
所述S2具体包括如下步骤：
S2.1、遍历去噪图fpre(x,y)中的每个像素点(x,y)，统计每个像素点(x,y)3×3邻域的灰度直方图，方法如下：
遍历每个像素点(x,y)3×3邻域的所有像素点，若在邻域中存在像素点的灰度值为i，则灰度值i的灰度数量h(i)加1，遍历完成后，得到灰度概率p(i)，公式为：
其中灰度值i∈[0，255]，M为去噪图fpre(x,y)的高度，N为去噪图fpre(x,y)的宽度；
S2.2、计算每个像素点(x,y)的局部熵H(x,y)，公式为：
H(x,y)＝p(i)log p(i)；
S2.3、将局部熵H(x,y)归一化，得到局部熵图像fent(x,y)，其中局部熵图像fent(x,y)中任意像素点(x0,y0)的计算公式为：
其中min(H(x,y))表示局部熵H(x,y)中的最小值，max(H(x,y))表示局部熵H(x,y)中的最大值。
所述S3具体包括如下步骤：
S3.1、使用4×4的平坦模板作为结构元a，使用结构元a对局部熵图像fent(x,y)进行膨胀操作，得到膨胀图像fswell(x,y)，计算公式为：
其中fgray(x+s,y+t)属于当结构元a的中心在像素点(x,y)时，结构元a所覆盖的图像区域；s,t表示使fgray(x+s,y+t)属于结构元a覆盖的区域的常数；
S3.2、使用结构元a扫过膨胀图像fswell(x,y)的每个像素点，得到第一次腐蚀图像ferode1(x,y)，计算公式为：
其中fswell(x+u,y+v)属于当结构元a的中心在像素点(x,y)时，结构元a所覆盖的图像区域；u,v表示使fswell(x+u,y+v)属于结构元a覆盖的区域的常数；
S3.3、使用3×3模板作为结构元b，使用结构元b扫过第一次腐蚀图像ferode1(x,y)的每个像素点，得到腐蚀图像ferode(x,y)，计算公式为：
其中ferode1(x+i,y+j)属于当结构元b的中心在像素点(x,y)时，结构元b所覆盖的图像区域；i,j表示使ferode1(x+i,y+j)属于结构元b覆盖的区域的常数。
所述S4具体包括如下步骤：
S4.1、遍历去噪图fpre(x,y)中的每个像素点，得到初始对数变换图像flog1(x,y)，计算公式为：
flog1(x,y)＝log(fpre(x,y)+1)；
S4.2、对初始对数变换图像flog1(x,y)归一化处理，得到对数变换图像flog(x,y)，其中对数变换图像flog(x,y)中任意像素点(x0,y0)的计算公式为：
其中min(flog1(x,y))表示flog1(x,y)中的最小值，max(flog1(x,y))表示flog1(x,y)中的最大值。
所述S5具体包括如下步骤：
S5.1、若对数变换图像flog(x,y)中当前像素点为(x0,y0)，则其5×5邻域计算公式为：
其中-2≤m≤2，-2≤n≤2；遍历该邻域所有像素点，分别求出该邻域在0度、45度、90度和135度的灰度共生矩阵，具体方法如下：
S5.1.1、令0度、45度、90度和135度的灰度共生矩阵分别为g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)，所述g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)均为255×255的矩阵，遍历5×5邻域内的所有像素点，若前像素点为(x′,y′)，
若则g0(i,j)＝g0(i,j)+1；
若则g45(i,j)＝g45(i,j)+1；
若则g90(i,j)＝g90(i,j)+1；
若则g135(i,j)＝g135(i,j)+1；
S5.1.2、将灰度共生矩阵g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)进行归一化处理，计算公式为：
S5.2、根据归一化后的灰度共生矩阵，计算当前像素点(x0,y0)在0度、45度、90度和135度的随机性r0(x0,y0)、r45(x0,y0)、r90(x0,y0)和r135(x0,y0)，再根据随机性r0(x0,y0)、r45(x0,y0)、r90(x0,y0)和r135(x0,y0)得到平均随机性，即得到随机性归一化图像frandom(x,y)的当前像素点(x0,y0)的值frandom(x0,y0)，计算公式为：
遍历对数变换图像flog(x,y)的所有像素点，即得到随机性归一化图像frandom(x,y)。
所述S6具体包括如下步骤：
S6.1、计算腐蚀图像ferode(x,y)的灰度平均值；
S6.2、对于灰度值t(0≤t≤255)，遍历腐蚀图像ferode(x,y)的所有像素点，根据每个像素点的灰度值将所有像素点分为两部分，其中一部分为灰度值小于等于t的像素点的集合A，另一部分为灰度值大于t的像素点的集合B；
S6.3、分别计算集合A和集合B中的像素点个数占所有像素点个数的比例，记为PA和PB，再分别计算集合A和集合B中像素点的平均灰度值，记为和
S6.4、计算类间方差ICVt，计算公式为：
依次令t＝1,2,3,…,255，比较得到最大类间方差得到二值化转化阈值t0；
S6.5、根据二值化转化阈值t0，将腐蚀图像ferode(x,y)转化为二值化图像fbinary(x,y)；同理，将随机性归一化图像frandom(x,y)转化为二值化图像f′binary(x,y)。
所述S7具体包括如下步骤：
S7.1、遍历二值化图像fbinary(x,y)的所有像素点，当前像素点为(x0,y0)，若
fbinary(x0,y0)＝f′binary(x0,y0)＝1
则fout(x0,y0)＝1；
否则fout(x0,y0)＝0；
遍历完成后，得到最终输出图像fout(x,y)。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (8)

1.一种基于遥感图像的森林火灾检测方法，其特征在于，包括如下步骤：
S1、读入初始图像f(x,y)，进行中值滤波得到去噪图fpre(x,y)，其中(x,y)表示初始图像中的像素点坐标；
S2、计算去噪图fpre(x,y)中每个像素点的3×3邻域局部熵并归一化处理，得到局部熵图像fent(x,y)；
S3、使用4×4的模板对局部熵图像fent(x,y)进行形态学闭操作，再以3×3模板对闭操作后的局部熵图像fent(x,y)进行腐蚀，得到腐蚀图像ferode(x,y)；
S4、将S1中得到的去噪图fpre(x,y)进行对数变换得到对数变换图像flog(x,y)；
S5、计算对数变换图像flog(x,y)中每个像素点的5×5邻域灰度共生矩阵，再根据灰度共生矩阵得到每个像素点的随机性，并对所有像素点的随机性进行归一化处理，得到随机性归一化图像frandom(x,y)；
S6、使用最大类间方差法对腐蚀图像ferode(x,y)和随机性归一化图像frandom(x,y)分别进行阈值分割，得到二值化图像fbinary(x,y)和二值化图像f′binary(x,y)；
S7、将二值化图像fbinary(x,y)和二值化图像f′binary(x,y)中相对应的像素点分别进行与操作，得到最终输出图像fout(x,y)。
2.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S1中对初始图像f(x,y)进行中值滤波具体为：
对初始图像f(x,y)进行3×3邻域中值滤波，得到滤波后的去噪图fpre(x,y)，公式为：
fm(x,y)＝median{fround(x,y)}
fpre(x,y)＝fm(x,y)
其中fround(x,y)表示3×3邻域内每个像素点的灰度值，取初始图像f(x,y)中的每个像素点(x,y)，计算每个像素点(x,y)3×3邻域内灰度值fround(x,y)的中值fm(x,y)，然后以该中值fm(x,y)代替对应像素点(x,y)的原灰度值，得到去噪图fpre(x,y)。
3.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S2具体包括如下步骤：
S2.1、遍历去噪图fpre(x,y)中的每个像素点(x,y)，统计每个像素点(x,y)3×3邻域的灰度直方图，方法如下：
遍历每个像素点(x,y)3×3邻域的所有像素点，若在邻域中存在像素点的灰度值为i，则灰度值i的灰度数量h(i)加1，遍历完成后，得到灰度概率p(i)，公式为：
其中灰度值i∈[0，255]，M为去噪图fpre(x,y)的高度，N为去噪图fpre(x,y)的宽度；
S2.2、计算每个像素点(x,y)的局部熵H(x,y)，公式为：
H(x,y)＝p(i)logp(i)；
S2.3、将局部熵H(x,y)归一化，得到局部熵图像fent(x,y)，其中局部熵图像fent(x,y)中任意像素点(x0,y0)的计算公式为：
其中min(H(x,y))表示局部熵H(x,y)中的最小值，max(H(x,y))表示局部熵H(x,y)中的最大值。
4.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S3具体包括如下步骤：
S3.1、使用4×4的平坦模板作为结构元a，使用结构元a对局部熵图像fent(x,y)进行膨胀操作，得到膨胀图像fswell(x,y)，计算公式为：
其中fgray(x+s,y+t)属于当结构元a的中心在像素点(x,y)时，结构元a所覆盖的图像区域；s,t表示使fgray(x+s,y+t)属于结构元a覆盖的区域的常数；
S3.2、使用结构元a扫过膨胀图像fswell(x,y)的每个像素点，得到第一次腐蚀图像ferode1(x,y)，计算公式为：
其中fswell(x+u,y+v)属于当结构元a的中心在像素点(x,y)时，结构元a所覆盖的图像区域；u,v表示使fswell(x+u,y+v)属于结构元a覆盖的区域的常数；
S3.3、使用3×3的平坦模板作为结构元b，使用结构元b扫过第一次腐蚀图像ferode1(x,y)的每个像素点，得到腐蚀图像ferode(x,y)，计算公式为：
其中ferode1(x+i,y+j)属于当结构元b的中心在像素点(x,y)时，结构元b所覆盖的图像区域；i,j表示使ferode1(x+i,y+j)属于结构元b覆盖的区域的常数。
5.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S4具体包括如下步骤：
S4.1、遍历去噪图fpre(x,y)中的每个像素点，得到初始对数变换图像flog1(x,y)，计算公式为：
flog1(x,y)＝log(fpre(x,y)+1)；
S4.2、对初始对数变换图像flog1(x,y)归一化处理，得到对数变换图像flog(x,y)，其中对数变换图像flog(x,y)中任意像素点(x0,y0)的计算公式为：
其中min(flog1(x,y))表示flog1(x,y)中的最小值，max(flog1(x,y))表示flog1(x,y)中的最大值。
6.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S5具体包括如下步骤：
S5.1、若对数变换图像flog(x,y)中当前像素点为(x0,y0)，则其5×5邻域计算公式为：
其中-2≤m≤2，-2≤n≤2；遍历该邻域所有像素点，分别求出该邻域在0度、45度、90度和135度的灰度共生矩阵，具体方法如下：
S5.1.1、令0度、45度、90度和135度的灰度共生矩阵分别为g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)，所述g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)均为255×255的矩阵，遍历5×5邻域内的所有像素点，若前像素点为(x′,y′)，
若则g0(i,j)＝g0(i,j)+1；
若则g45(i,j)＝g45(i,j)+1；
若则g90(i,j)＝g90(i,j)+1；
若则g135(i,j)＝g135(i,j)+1；
S5.1.2、将灰度共生矩阵g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)进行归一化处理，计算公式为：
S5.2、根据归一化后的灰度共生矩阵，计算当前像素点(x0,y0)在0度、45度、90度和135度的随机性r0(x0,y0)、r45(x0,y0)、r90(x0,y0)和r135(x0,y0)，再根据随机性r0(x0,y0)、r45(x0,y0)、r90(x0,y0)和r135(x0,y0)得到平均随机性，即得到随机性归一化图像frandom(x,y)当前像素点(x0,y0)的值frandom(x0,y0)，计算公式为：
遍历对数变换图像flog(x,y)的所有像素点，即得到随机性归一化图像frandom(x,y)。
7.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S6具体包括如下步骤：
S6.1、计算腐蚀图像ferode(x,y)的灰度平均值
S6.2、对于灰度值t(0≤t≤255)，遍历腐蚀图像ferode(x,y)的所有像素点，根据每个像素点的灰度值将所有像素点分为两部分，其中一部分为灰度值小于等于t的像素点的集合A，另一部分为灰度值大于t的像素点的集合B；
S6.3、分别计算集合A和集合B中的像素点个数占所有像素点个数的比例，记为PA和PB，再分别计算集合A和集合B中像素点的平均灰度值，记为和
S6.4、计算类间方差ICVt，计算公式为：
依次令t＝1,2,3,…,255，比较得到最大类间方差得到二值化转化阈值t0；
S6.5、根据二值化转化阈值t0，将腐蚀图像ferode(x,y)转化为二值化图像fbinary(x,y)；同理，将随机性归一化图像frandom(x,y)转化为二值化图像f′binary(x,y)。
8.根据权利要求1所述的一种基于遥感图像的森林火灾检测方法，其特征在于，所述S7具体包括如下步骤：
S7.1、遍历二值化图像fbinary(x,y)的所有像素点，当前像素点为(x0,y0)，若
fbinary(x0,y0)＝f′binary(x0,y0)＝1
则fout(x0,y0)＝1；
否则fout(x0,y0)＝0；
遍历完成后，得到最终输出图像fout(x,y)。
CN201810512059.7A 2018-05-25 2018-05-25 一种基于遥感图像的森林火灾检测方法 Active CN108765335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810512059.7A CN108765335B (zh) 2018-05-25 2018-05-25 一种基于遥感图像的森林火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810512059.7A CN108765335B (zh) 2018-05-25 2018-05-25 一种基于遥感图像的森林火灾检测方法

Publications (2)

Publication Number Publication Date
CN108765335A true CN108765335A (zh) 2018-11-06
CN108765335B CN108765335B (zh) 2022-08-02

Family

ID=64006160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810512059.7A Active CN108765335B (zh) 2018-05-25 2018-05-25 一种基于遥感图像的森林火灾检测方法

Country Status (1)

Country Link
CN (1) CN108765335B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109431511A (zh) * 2018-11-14 2019-03-08 南京航空航天大学 一种基于数字图像处理的人体背部脊柱侧弯角度测量方法
CN110119682A (zh) * 2019-04-04 2019-08-13 北京理工雷科电子信息技术有限公司 一种红外遥感图像火点识别方法
CN110135269A (zh) * 2019-04-18 2019-08-16 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法
CN111898681A (zh) * 2020-07-31 2020-11-06 北京林业大学 一种基于遥感云平台与决策树的火烧迹地精细提取方法
CN112232318A (zh) * 2020-12-14 2021-01-15 北京华云星地通科技有限公司 云加端智慧火情遥感监测预警方法
CN113283276A (zh) * 2020-12-30 2021-08-20 四川弘和通讯有限公司 一种联动热成像自学习火点检测方法及***
CN113628118A (zh) * 2020-05-06 2021-11-09 北京君正集成电路股份有限公司 一种平坦区域去噪滤波的方法
CN113822839A (zh) * 2020-06-18 2021-12-21 飞依诺科技(苏州)有限公司 医学图像的处理方法、装置、计算机设备和存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001067415A1 (de) * 2000-03-09 2001-09-13 Robert Bosch Gmbh Bildgebender brandmelder
CN103886344A (zh) * 2014-04-14 2014-06-25 西安科技大学 一种图像型火灾火焰识别方法
CN103942806A (zh) * 2014-05-08 2014-07-23 西安电子科技大学 基于高光谱数据的多信息融合火灾着火点的检测方法
WO2014179482A1 (en) * 2013-04-30 2014-11-06 The Regents Of The University Of California Fire urgency estimator in geosynchronous orbit (fuego)
CN104318707A (zh) * 2014-11-04 2015-01-28 无锡北斗星通信息科技有限公司 基于卫星遥感图像的森林火灾检测平台
CN104408706A (zh) * 2014-09-30 2015-03-11 天津艾思科尔科技有限公司 一种基于双波段图像的火灾检测及定位方法
CN104853151A (zh) * 2015-04-17 2015-08-19 张家港江苏科技大学产业技术研究院 一种基于视频图像的大空间火灾监测***
CN105046693A (zh) * 2015-06-29 2015-11-11 嘉兴慧康智能科技有限公司 一种眼底图像微动脉瘤自动检测方法
WO2016207875A1 (en) * 2015-06-22 2016-12-29 Photomyne Ltd. System and method for detecting objects in an image
CN106355584A (zh) * 2016-08-30 2017-01-25 上海交通大学 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN106778582A (zh) * 2016-12-07 2017-05-31 哈尔滨工业大学 基于rgb重构的森林图像切割后的火焰/烟雾识别方法
CN107256566A (zh) * 2017-05-26 2017-10-17 北京环境特性研究所 基于辐射能量的林火检测方法
CN107316012A (zh) * 2017-06-14 2017-11-03 华南理工大学 小型无人直升机的火灾检测与跟踪方法
CN107705300A (zh) * 2017-09-28 2018-02-16 成都大熊智能科技有限责任公司 一种基于形态学变换实现空白页检测的方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001067415A1 (de) * 2000-03-09 2001-09-13 Robert Bosch Gmbh Bildgebender brandmelder
WO2014179482A1 (en) * 2013-04-30 2014-11-06 The Regents Of The University Of California Fire urgency estimator in geosynchronous orbit (fuego)
CN103886344A (zh) * 2014-04-14 2014-06-25 西安科技大学 一种图像型火灾火焰识别方法
CN103942806A (zh) * 2014-05-08 2014-07-23 西安电子科技大学 基于高光谱数据的多信息融合火灾着火点的检测方法
CN104408706A (zh) * 2014-09-30 2015-03-11 天津艾思科尔科技有限公司 一种基于双波段图像的火灾检测及定位方法
CN104318707A (zh) * 2014-11-04 2015-01-28 无锡北斗星通信息科技有限公司 基于卫星遥感图像的森林火灾检测平台
CN104853151A (zh) * 2015-04-17 2015-08-19 张家港江苏科技大学产业技术研究院 一种基于视频图像的大空间火灾监测***
WO2016207875A1 (en) * 2015-06-22 2016-12-29 Photomyne Ltd. System and method for detecting objects in an image
CN105046693A (zh) * 2015-06-29 2015-11-11 嘉兴慧康智能科技有限公司 一种眼底图像微动脉瘤自动检测方法
CN106355584A (zh) * 2016-08-30 2017-01-25 上海交通大学 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN106778582A (zh) * 2016-12-07 2017-05-31 哈尔滨工业大学 基于rgb重构的森林图像切割后的火焰/烟雾识别方法
CN107256566A (zh) * 2017-05-26 2017-10-17 北京环境特性研究所 基于辐射能量的林火检测方法
CN107316012A (zh) * 2017-06-14 2017-11-03 华南理工大学 小型无人直升机的火灾检测与跟踪方法
CN107705300A (zh) * 2017-09-28 2018-02-16 成都大熊智能科技有限责任公司 一种基于形态学变换实现空白页检测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EDA, B等: "Computer-aided diagnosis of human brain tumor through MRI: A survey and a new algorithm", 《EXPERT SYSTEMS WITH APPLICATIONS》 *
张宾: "基于视频的火灾火焰检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王媛彬: "基于图像特征的煤矿火灾检测与识别研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109431511A (zh) * 2018-11-14 2019-03-08 南京航空航天大学 一种基于数字图像处理的人体背部脊柱侧弯角度测量方法
CN109431511B (zh) * 2018-11-14 2021-09-24 南京航空航天大学 一种基于数字图像处理的人体背部脊柱侧弯脊柱轮廓特征曲线拟合方法
CN110119682A (zh) * 2019-04-04 2019-08-13 北京理工雷科电子信息技术有限公司 一种红外遥感图像火点识别方法
CN110135269A (zh) * 2019-04-18 2019-08-16 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法
CN110135269B (zh) * 2019-04-18 2020-12-08 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法
CN113628118B (zh) * 2020-05-06 2023-12-08 北京君正集成电路股份有限公司 一种平坦区域去噪滤波的方法
CN113628118A (zh) * 2020-05-06 2021-11-09 北京君正集成电路股份有限公司 一种平坦区域去噪滤波的方法
CN113822839A (zh) * 2020-06-18 2021-12-21 飞依诺科技(苏州)有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN113822839B (zh) * 2020-06-18 2024-01-23 飞依诺科技股份有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN111898681A (zh) * 2020-07-31 2020-11-06 北京林业大学 一种基于遥感云平台与决策树的火烧迹地精细提取方法
CN111898681B (zh) * 2020-07-31 2023-09-05 北京林业大学 一种基于遥感云平台与决策树的火烧迹地精细提取方法
CN112232318A (zh) * 2020-12-14 2021-01-15 北京华云星地通科技有限公司 云加端智慧火情遥感监测预警方法
CN113283276A (zh) * 2020-12-30 2021-08-20 四川弘和通讯有限公司 一种联动热成像自学习火点检测方法及***

Also Published As

Publication number Publication date
CN108765335B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN108765335A (zh) 一种基于遥感图像的森林火灾检测方法
CN103886344B (zh) 一种图像型火灾火焰识别方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN105761261B (zh) 一种检测摄像头遭人为恶意破坏的方法
CN105678213B (zh) 基于视频特征统计的双模式蒙面人事件自动检测方法
Lawgaly et al. Weighted averaging-based sensor pattern noise estimation for source camera identification
CN109325959B (zh) 一种基于Hough变换的提取红外图像细节的方法及其应用
CN103353990A (zh) 一种基于感知哈希的智能纹理防伪方法
Sadaghiyanfam Using gray-level-co-occurrence matrix and wavelet transform for textural fabric defect detection: A comparison study
CN103198319A (zh) 用于矿山井筒环境下的模糊图像角点提取方法
CN109460705A (zh) 基于机器视觉的输油管道监控方法
CN114241370A (zh) 基于数字孪生变电站的入侵识别方法、装置和计算机设备
CN111461003A (zh) 基于视频图像序列特征提取的燃煤工况识别方法
CN115171218A (zh) 一种基于图像识别技术的物资送样异常行为识别***
CN112560574A (zh) 河流黑水排放检测方法及应用其的识别***
CN113066041A (zh) 一种基于栈稀疏自编码深度学习的路面裂缝检测方法
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
Hongjian et al. Fault detection of train center plate bolts loss using modified LBP and optimization algorithm
CN101527041A (zh) 基于shadow matte一致性的图片伪造检测方法
CN105718881B (zh) 基于红外视频灰度图像的零照度环境烟尘监测方法
CN110555792B (zh) 基于归一化直方图综合特征向量的图像篡改盲检测方法
JP6457728B2 (ja) 層流煙検出装置および層流煙検出方法
Cao et al. Infrared dim target detection via hand-crafted features and deep information combination
Liu et al. Splicing forgery localization via noise fingerprint incorporated with CFA configuration
Jain et al. An enhanced statistical approach for median filtering detection using difference image

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant