图形图像通信与处理技术在林火监测中的应用 第13页
图像通信与处理技术在林火监测中的应用研究
5．4．1基于阈值法的图像分割
阈值法主要靠设定阈值来区分物体与
背景。本文主要区分火焰区域和非火焰区
域，因此只需二值分割就可。二值图像可
以由灰度图像的阈值化来定义，而图像的
灰度直方图是选择阈值的主要依据，主要
因为对应物体的灰度图像具有包含双峰的
灰度直方图。设一幅灰度图像．，r(x，J，)，如
图5．18所示，z。与z，为两个峰值所对应的
灰度级。该直方图上在【zI，zJ之间必存在谷
点z。，设谷点z。的阈值为七，则以七作为阈
值进行阈值化处理得到二值化图像。
直
方
图
分
布
zi z k z j
图5．18图像阈值分布图
／c‘y，：{三 ；：i；；主： c 5-35，
其中阙值七选择影响挺大，当客体和背景的照明度与反射特性的非均匀性，以及接
收设备的干扰都会导致所测量到的亮度值的强烈摆动，都会得到令人无法满意的结
果，这就势必探索一种更合理选择阈值的方法。常规阈值法有p．参数法，模式法I引。
本文采用类内方差、类外方差与总方差的最大比值作为判有效分类的标准，从而实
现自动分割。 ．
设图像有￡个灰度，一是灰度为，的像素数，图像像素总数Ⅳ：啊+，，：+…+仇。
则灰度j的像素的概率只=斋，则
p，≥0，∑pI=l (5—36)
f：l
设二值化的阈值为七，图中像素灰度值小于或等于七的平均灰度值为g。，大于七
的所有像素灰度值的平均值为蜀，则类间方差是
c)-；=’．，0(g0一七)。+wl(gl一七)。 (5．37)
I ￡
其中：w。=∑p，，w。=∑p，=l—w。。
f：I 扛I+l
将盯；作为可分离性判据，适当的选择阈值“．保证()．；为最大，因此对上式膏求
导，则
东北林业大学硕士学位论文
警=2wo(扩坝。)+2wl(g。“)(_1)-0 (5．3 8)
对上式进行整理，可得
后=wogo+wlgI (5—39)
自动选取阈值后经阈值化分割得到图5．19、5．20所示的二值图像，其中火焰区
域为黑，其他为白色，最后利用图像匹配法，获取图5．2l、5．22所示火焰(火红颜
色．)区域。
图5．20基于最大值法的
ostu二值化处理
图5．22基于最大值法的
匹配彩色图像
对比图5．21、5．22，最大值法灰度化后再阈值分割处理比加权平均法灰度化处
理效果要好，但是有些非火焰像素点加入到火焰区域中。另外采用这两种方法同样
存在一个问题：就是在图中一些非火焰区域还没有排除掉，解决方法可采用多值阈
值分割处理，只需对上述方法扩展。
5．4．2基于自组织竞争NN的图像分割
传统图像分割效果不太理想，无法模仿人对颜色的主观区分，导致无法提取森
林火灾图像的火焰区域，而神经元网络在这一方面表现出极大的灵活性和自适应性，
能够模拟人的思文活动，在处理大量原始数据不需要用规则或公式描述，另外神经
元网络可以用计算机模拟，实现非常方便1271t3711491。
图像通信与处理技术在林火监测中的应用研究 4l
5．4．2．1自组织竞争NN思想
自组织竞争人工神经网络是以无监督示教方式进行自组织网络训练，自动对输
入模式进行分类。在网络结构上，一般是由输入层和竞争层构成的二层网络，网络
中没有隐层。竞争层各神经元竞争对输入模式的响应机会，最后仅一个神经元成为
竞争的胜者，并对那些与获胜神经元有关的各连接权朝着更有利于竞争方向调整，
获胜神经元就表示对输入模式的分类。除了竞争方法外，还有通过抑制手段获胜的
方法，即竞争层各神经元都能抑制所有其他神经元对输入模式的响应机会，从而使
自己成为获胜者。此外还有侧抑制方法，即每个神经元只抑制与自己临近的神经元，
‘ 而对远离自己的神经元则不抑制。因此自组织竞争网络在学习算法上模拟生物神经
系统，依靠神经元之间的兴奋、协调和抑制、竞争来进行信息处理的动力学原理，
指导网络的学习与工作【2¨。
5．4．2．2特征空间和输入模式的建立
在分类中，将具有相同特征的特征向量被视为一个模式或一个类群。一个模式
具有反映类属性的典型特征：一个类的特征在特征空间中组成某种程度的集群区域，
不同类的特征组成的区域是彼此分离的。森林火灾图像可用一个函数描述，最直接
的方法是利用该图像灰度值实现函数表达，人的视觉对火焰区域和非火焰区域的最
主观印象就是颜色上的区分。同样为了提高处理质量和获得很好的视觉效果，更能
模仿人的认知能力，直接在三文R、G、B颜色特征空间内进行图像分割，采用自组
织竞争人工神经元网络，利用其自适应功能，在给定的模式中不断进化，提取特征
或规律以实现图像的分类。
设将一幅M×Ⅳ像素的数字图像用一个离散量组成的矩阵表示：
-，r沏，，7)=
／(0,0)
／(1，0)
／∽一1，0)
／(O，1)
／(1，1)
／∽一l，1)
-，r(0，Ⅳ一1)
／(1，Ⅳ一1)
／∽一1，Ⅳ一1)
(5．40)
．，r(历，，，)为(朋，，J)像素点的颜色R、G、B矢量，将一幅图像像素矩阵中元素自左向后、
自上而下重新排列以向量g表示
g=(厂(o，0)，…，／(o，Ⅳ一1)，_，r(1，o)，…，／(1，Ⅳ一1)，／(2,0)，…，／∽一l，Ⅳ一1)} (5．41)
因为向量g中每一元素都由R、G、B颜色组成，因此可将g可表示为矩阵Ⅳ形
式：
东北林业大学硕士学位论文
l／(o，o，厂)，／(o，l，，)，…，／(o，Ⅳ一1，，．)，／(1，0，，．)，…，／。UM—l，Ⅳ一l，，．)l
x=l／(0，o，g)，／(o，l，g)，…，／(o，Ⅳ一l，g)，／(1，o，g)，…，／“M—l，Ⅳ一l，g)I (5-42)
【／(o，o，6)，／(o，l，6)，…，／(o，Jv—l，6)，／(1，0，6)，…，／(^，一1，Ⅳ一l，6)f
其中，．，g，6分别为颜色分量，／(f，／，七)∈[0，255]。
矩阵X就是输入模式，它可表示为
Ⅳ=∽丘…以j (5-43)
其中：刀：M×Ⅳ，xj，f∈【O，刀]，j∈z为其中一个输入学习模式，它是颜色特征空间中
的一个点，矩阵X组成了，1个学习模式。
5．4．。2．3 WTA网络 。
wTA网络由输入层和竞争层组成。输入层有R个神经元，竞争层有P个神经元，
基本结构如图5．23所示，其中网络的连接权为札，)，江l，2，…，尺；／=l，2，…，P。且约
束条件为：
竞争层
输入层、
图5．23竞争学习网络基本结构
∑wc，=l (5-44)
，=l
所有输入神经元j以权值w。与所有输出神经单元／相连。设以为矩阵Ⅳ的第七
列元素所组成的向量，七=l，2，…，M×Ⅳ，则组成M xⅣ个二值学习模式。当输入模
式为以时，竞争层各神经元／的输入值s：：
J、，
s；=∑w。扎 (5-45)
|=l
对于竞争层中获胜神经元，和其他神经元，『，学习系数可表示为
<< 上一页 [11] [12] [13] [14] [15] [16] [17] [18] 下一页
图形图像通信与处理技术在林火监测中的应用 第13页下载如图片无法显示或论文不完整，请联系qq752018766
