图形图像通信与处理技术在林火监测中的应用 第15页
图像通信与处理技术在林火监测中的应用研究
判为H0，否则判为日l。
表5．1火焰样本RGB数据
┏━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┳━━━┓
┃R ┃ 242 ┃ 252 ┃ 254 ┃ 255 ┃ 212 ┃ 212 ┃ 224 ┃ 254 ┃ 214 ┃ 219 ┃ 255 ┃ 243 ┃ 255 ┃ 225 ┃ 243 ┃
┣━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━┫
┃ G ┃ 246 ┃ 255 ┃ 255 ┃ 255 ┃ 10l ┃ 98 ┃ 115 ┃ 144 ┃ 94 ┃ 200 ┃ 236 ┃ 200 ┃ 208 ┃ 173 ┃ 196 ┃
┣━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━┫
┃ B ┃ 12 ┃ 17 ┃ 4 ┃ l ┃ 58 ┃ 6l ┃ 76 ┃ 65 ┃ 57 ┃ 44 ┃ 120 ┃ 106 ┃ 135 ┃ 134 ┃ 140 ┃
┣━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━┫
┃ R ┃ 255 ┃ 226 ┃ 216 ┃ 243 ┃ 25l ┃ 208 ┃ 250 ┃ 255 ┃ 234 ┃ 244 ┃ 255 ┃ 242 ┃ 242 ┃ 244 ┃ 255 ┃
┣━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━┫
┃ G ┃ 237 ┃ 207 ┃ 20l ┃ 106 ┃ 19l ┃ 163 ┃ 147 ┃ 18l ┃ 153 ┃ 172 ┃ 189 ┃ 178 ┃ 146 ┃ 144 ┃ 136 ┃
┣━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━╋━━━┫
┃ B ┃ 14l ┃ 175 ┃ 175 ┃ 2 ┃ 103 ┃ 44 ┃ 8 ┃ 87 ┃ 88 ┃ 36 ┃ 55 ┃ 42 ┃ 76 ┃ 0 ┃ 59 ┃
┗━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┻━━━┛
表5．2非火焰样本RGB数据
┏━━┳━━┳━━━┳━━┳━━┳━━┳━━┳━━┳━━┳━━┳━━┳━━┳━━┳━━━┳━━━┳━━━┳━━━┳━━┳━━━┳━━━┳━━┓
┃R ┃ 34 ┃ l 23 ┃ 46 ┃ 62 ┃ 3 ┃ 14 ┃ 8 ┃ 15 ┃ 22 ┃ 7 ┃ 0 ┃ 46 ┃ 118 ┃ 93 ┃ 137 ┃ 139 ┃ 45 ┃ 120 ┃ 100 ┃ 35 ┃
┣━━╋━━╋━━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━━╋━━━╋━━━╋━━━╋━━╋━━━╋━━━╋━━┫
┃ G ┃ 72 ┃ 132 ┃ 80 ┃ 98 ┃ 1 ┃ 14 ┃ 7 ┃ 14 ┃ 43 ┃ 7 ┃ 0 ┃ 48 ┃ 128 ┃ 109 ┃ 137 ┃ 139 ┃ 58 ┃ 122 ┃ 106 ┃ 50 ┃
┣━━╋━━╋━━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━━╋━━━╋━━━╋━━━╋━━╋━━━╋━━━╋━━┫
┃ B ┃ 25 ┃ 13l ┃ 29 ┃ 0 ┃ 2 ┃ 6 ┃ 5 ┃ 9 ┃ 2 ┃ 7 ┃ 0 ┃ 50 ┃ 128 ┃ ll l ┃ 133 ┃ 113 ┃ 67 ┃ 110 ┃ 84 ┃ 9 ┃
┗━━┻━━┻━━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━━┻━━━┻━━━┻━━━┻━━┻━━━┻━━━┻━━┛
5．5．4感知型模型
感知器可实现两类分群1271，图5．3 l表示了作为单一感知型NN结构模型。其中
PI，P2，…，PJR是输入信号，W1．1'wl-2'…，w1．月神经元的权值，6为偏置，刀为线性组合
结果，硬限制传递函数hardlim为激活函数，口为神经元输出。则
a：hardlim(n)：hardlim(plWl，l+P2W2，2+…+PJRWl，R+6) (5·52)
输入 感知器神绎元 ＼．． ．．一，＼． ! ．／
图S．31单屡感知器结构樟犁
其向量表达为
口=hardlim(wrP+6) (5—53)
感知器如果有一个输出节点，则它相当于单个神经元，能够区分两类模式，即
相当于在三文样本空间中， 用一个平面将两类样本分开。F．Kosenblatt已证明，如
果两类模式是线性可分，则算法在有限次循环迭代后收敛到正确的目标矢量【。引。每
一个输入对应一个权值，输出端a输出端为0或1，从而将输入矢量分成两个区域。东北林业大学硕士学位论文
采用标准化感知器学习规则训练网络，它能使奇异样本和其他样本对权值变化值的
影响均衡。
}室j 5．32愿知器仿真结果
给定样本库中的样本和目标，按标准化感知器学习规则学习，获取平面作为分
界线，实现两类区分，最后将数据输入到网络中并仿真。设输入到网络中的某一区
域中像素数为刀，仿真后得到0、l的像素数分别为‰、刀。，则尸(风fx)=％，
尸(日lIx)=’％。l-尸(／40Ilz)，利用等式5-51进行判决。
在判决过程中，样本集的建立也是至关重要，因为它是分类的依据，样本集中
数据要鲜明，不能太多，否则会产生适得其反的效果。如图5．32所示，因此在林区
图像中选取20个非火焰颜色样本，用’o’表示，30个火焰颜色样本，用’木’表示，一
共组成50个颜色样本，通过训练获取图5．32中平面，该平面作为分割线，在把经
图像分割后的各个区域输入到网络中，并进行判别。
感知器算法步骤：
1)初始化：置权w(0)、偏置6(0)为小的随机数；
2)在第刀步Q=0,1,2，…)加上一个输入训练数据集中输入向量p(刀)，计算感知器的
实际输出J，(，1)=hardlim(w(力)rp(刀)+6(刀))；
3)计算
卜H…(””钎叫，J)箐 限54)
I△6(，1)=f—a(门)=P(，1)
4)按下式调节权系数
图像通信与处理技术在林火监测中的应用研究
』w(刀+’)=w(刀)+Aw(刀) (5—55)
≮ k)一))夕
【6(，，+1)=6(，，)十Ab(刀)
5)，仁，，+l，返回第二步，直到w、6对所有样本均稳定不变为止。
5．5．5 BP神经元网络
由于单层感知器只能实现线性可分函数，如果不满足线性可分条件，因而很难
满足判别要求。为达到一定的精度，本文最后将探讨BP神经元网络，如图5．33所
示，建立三层网络机制，其中有两个隐层，这样它能够逼近任何非线性函数。输入
为三文数组，由于输入范围在0到255之间，因此三层都采用L,ogmoid型神经元，
第一层为50个神经元，第二层也为50个神经元，为了要实现分类识别，最后一层
采用一个神经元，使整个网络的输出被限制在一个叫【O 1】小范围内。将样本颜色库
和目标向量输入到网络中并训练，寻求各层的最佳权值w和偏置6，从而建立了可
靠的非线性函数模型。最后将待判别的模式输入到网络中并仿真，得到一系列值范
围在[O，1】之问的数。设输入到网络中的某一区域中像素数为力，为设大于O．5的数
为门。，小于0．5的数在胛l，则尸(日。lx)=％，尸(ⅣlIx)=％=l·P(H。Ix)，利用等式
5—51进行判决。
图5．33 BP三层神经元网络模型
．BP学习过程的流程图如图5．34所示。
5．6软件编制
图像处理软件编制过程中，参考一些图像处理算法进行模块化编制【’7】【。’JI圳，
每个模块包括几个程序，每个程序相互独立，以便对图像更能有效的研究和分析。
软件模块主要包括图像捕获模块、图像去噪模块、图像小波分析模块、神经元网络
模块、其它处理模块等。图像捕获模块主要是在视频采集基础上，定时对视频流捕
获，获取图像：图像去噪和小波分析模块主要是利用各种算法刘‘捕获图像进行预处
理：神经元网络模块主要包括WSA网络分群和Kohonen网络分群程序，以及单层
感知器识别与BP网络识别程序等。其它处理模块包括图像变换、边缘检测、四插
树分割、轮廓跟踪、灰度化处理程序等。
图像通信与处理技术在林火监测中的应用研究
6结 论
6．1总结
本文主要在设计林火监测系统基础上，对视频采集与传输、林火识别等方面进
行系统分析与深入的研究，其总结如下：
1)为了保证对森林整个区域实现无缝全方位监测，在林区不同监测点，安装多套
监测设备组成了多套客户机监测系统，为视频通信和图像处理与识别提供支持。
2)监测网络采用星型拓扑网络结构，保证服务器系统与多套客户机系统通信。并
在现有Internet网络基础上，采用Client／Se~。vet’网络体系模型思想，保证不同监测点
的视频信号在现有网络中实时传输，实现远程通信和监测功能，使决策者可以对整
个林区遥控，同时将传输来的视频图像数据以Mpeg．1格式保存在存储介质，以备
后续处理和阅览。
3)将前沿理论被誉为“数字显微镜’’的小波分析理论、模拟生物神经细胞的神经
元网络理论应用到森林火灾图像处理与识别中，与传统图像处理技术有机结合。
4)定时捕获单桢森林视频图像，利用小波多尺度分解，在小波域中对捕获图像预
处理，获得更加灵活的预处理效果，并为图像分割与自动识别奠定前提条件。
5)探讨了基于类内外方差与总方差的最大比值的阈值化图像分割技术、WSA竞争
网络和自组织特征映射Kohonen网络图像分割技术。
6)在图像预处理和图像分割前提下，提出了建立森林地区颜色样本集，利用MAP
判决准则对图像数据与样本数据在颜色基础上实施匹配并判别，并分析Per。ceptr。ons
和BP神经元网络在自动识别中的优缺点。
6．2建议
1)要实现远距离传输视频图像，需要较大的带宽，不然易造成时延、抖动现象，
从而使远距离传输的视频图像质量严重下降，不能满足监测要求。另外要获取高清
晰度的视频图像，计算机和监控设备的质量、可靠性要求也是重要的一环。
2)森林发生火灾时，火灾火焰最明显的特征为热量和颜色。因此在森林火灾监测
中，最好采用具备红外功能的摄像机，将它与本文火灾识别研究有机结合起来。即
首先利用红外摄像机获取热量图像，在此基础上，进行火焰匹配与识别，辨别真伪，
高效地监控森林地区。
3)利用应用软件实时处理图像，需要性能好、配置昂贵的设备和计算机，特别利
<< 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15页下载如图片无法显示或论文不完整，请联系qq752018766
