一种改进密度峰值聚类的火灾图像分割方法技术

本发明专利技术公开了一种改进密度峰值聚类的火灾图像分割方法，包括以下步骤；步骤1：首先对图像需要进行预处理和特征提取，得到图像的RGB空间和初始超像素的个数N；步骤2：将步骤1中获得的RGB空间变换为到CIE

【技术实现步骤摘要】
一种改进密度峰值聚类的火灾图像分割方法


[0001]本专利技术涉及火灾图像处理
，特别涉及一种改进密度峰值聚类的火灾图像分割方法。

技术介绍

[0002]传统传感器如烟雾、温度和光传感器最常用于监测一些重要的火灾特性，如热、气体、火焰、烟雾等。然而，大多数设计必须安装特定的硬件或软件才能获得温差，导致不可接受的成本。此外，由于复杂环境中各种干扰的影响，传统的火灾探测技术难以准确实现火灾探测。与传感器相比，基于图像的火灾探测可以有效减少对外部环境的干扰。
[0003]基于图像的火灾探测技术主要包括火灾图像分割、特征提取、火灾判断、灭火与火灾联动等关键技术。其中，火灾图像分割是火灾特征提取和识别的前提，分割结果直接影响火灾识别的准确性。
[0004]因此，火灾图像分割技术的研究具有重要意义。经典的图像分割算法包括基于阈值的、基于区域的和基于边界的分割算法。聚类分割可以根据数据的内部结构找到数据的自然组。但是目前传统的图像分割算法，需要监督并且效率不是很高，效果不是特别好。

技术实现思路

[0005]为了克服上述现有技术的不足，本专利技术的目的在于提供一种改进密度峰值聚类的火灾图像分割方法，提高了图像分割的效率，并且无需监督，进一步提高了建筑物火灾监控的时效性和准确性。
[0006]为了实现上述目的，本专利技术采用的技术方案是：
[0007]一种改进密度峰值聚类的火灾图像分割方法，包括以下步骤；
[0008]步骤1：首先对图像需要进行预处理和特征提取，得到图像的 RGB空间和初始超像素的个数N，为了降低图像的复杂度，采用SLIC 超像素分割算法将小区域内的相似像素聚合形成不规则块，在聚类分析中以图像块代替像素作为基本单位；
[0009]步骤2：将步骤1中获得的RGB空间变换为到CIE
‑
Lab空间；
[0010]步骤3：对Lab空间采样点密度和距离的计算；
[0011]步骤4：为了正确分割火区对步骤三中所得的密度和距离进行归一化，并计算得出真实火焰区域聚类中心点的γ
k
值；
[0012]步骤5：取γ
k
值对应的样本点作为聚类中心点，其余样本点按照传统DPC分配完成火焰图像的分割，最终得到准确的火焰图像的分割图。
[0013]所述步骤1SLIC考虑了颜色和位置的相似性，假设一幅图像中有S个像素点，超像素点的个数设置为N，那么一个超像素点的面积为S/N个像素点，随机选择一个像素点作为该区域的初始聚类质心C
N
，然后计算附近t
×
t区域的像素梯度(t通常取3)，梯度最小的像素是新的簇质心，根据个邻居搜索相似像素，然后不断迭代特征向量，直到结果收敛。
[0014]所述步骤2中在CIE
‑
Lab色彩空间具有独特的通道设置，其中RGB空间变化所得的亮度特征仅存储在L通道中，颜色特征存储在 a和b通道中，在CIE
‑
Lab颜色空间中，图像用一个5元素的特征向量V＝[l a b x y]表示，其中[l a b]保留了颜色信息和[x y]保留了像素位置信息。超像素块中每个像素的颜色和亮度相近，以超像素块颜色和位置的平均值作为聚类分割的样本点。
[0015]所述步骤3中点密度计算包括以下步骤；
[0016]采用公式(1)计算各样点的密度，建筑物火灾图像中颜色和亮度特征相似的样点密度更接近，因此，样本点的密度越大，其邻域的颜色和亮度就越相似。
[0017][0018][0019]输入为算法的N个样本点，记为X＝{x1,x2,...,x
m
,
…
x
N
}，第m个样本点为d
ij
表示第i个采样点和第j个采样点之间的位置距离，d
Lab_ij
表示第i个采样点和第j个采样点之间的亮度和颜色距离。d
c
是正序后样本间位置空间距离的2％。τ是正序后样本间Lab空间距离的20％。
[0020]图像中两个超像素的亮度和颜色越相似，它们之间的密度就越相似，在这种情况下，两个超像素块更容易聚集到同一类中，图像中两个超像素的位置信息和密度相似，但颜色和亮度信息相差较大，因此不能将两个超像素块聚为一类，采用公式(2)计算输入样本点的距离。
[0021]距离δ
i
是对其最小距离内的样本点密度与CIE
‑
Lab空间中密度较大的点之间的差异的描述。由公式(3)计算：
[0022][0023]式中ρ
i
和ρ
j
为式(1)计算的第i、j个样本点的局部密度。d
Lab
由式 (2)计算。只有当样本点的局部密度ρ
i
为最大密度时，距离δ
i
取每个样本点距离的最大值。如果ρ
i
不是最大密度，那么距离δ
i
就是比它更密集且相对距离最小的样本点距离。
[0024]所述步骤4中，选择聚类中心；为了正确分割火区，通过公式(1)和(3)计算每个样本点的局部密度ρ和距离δ，然后，对密度ρ和距离δ进行归一化，使这些值在[0,1]范围内。归一化公式如下
[0025][0026]其中ρ
′
i
和δ
′
i
是归一化参数，ρ
max
和ρ
min
是ρ的最大值和最小值，δ
max
和δ
min
是δ的最大值和最小值。
[0027]所述步骤5中，在建筑物火灾图像中，结合HSV颜色空间模型来寻找火焰区域的聚类中心，对于发生在建筑物内外的火灾，由于建筑物的遮挡，火焰区域的亮度通常高于背景环境的亮度，火焰的颜色呈红色和黄色，根据颜色与亮度的关系，通过先验知识发现火焰区域的H分量的取值范围，V分量的取值范围；通过公式(5)计算提取区域内样本点的γ值，并从大到小排序，真实火焰区域聚类中心点的γ
k
值在提取区域中最大，因此取γ
k
对应的样本
点作为聚类中心点，其余样本点按照传统DPC分配完成火焰图像的分割，最终得到准确的火焰图像的分割图。
[0028]γ
i
＝ρ
′
i
×
δ
′
i
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]本专利技术的有益效果：
[0030]本专利技术为了找到建筑物火灾图像中的火焰区域，结合先验知识，找到真实火灾区域的聚类中心。利用图像中超像素的位置信息和颜色信息，重新定义对应样本点的密度；在分配剩余样本点的过程中，考虑了样本点的位置信息和颜色信息，在一定程度上解决了样本点的不匹配问题。因此，提高了目标区域的分割精度。
[0031]本专利技术提高了检测精度和分割精度，体现了建筑物火灾图像检测的有效性和优越性。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进密度峰值聚类的火灾图像分割方法，其特征在于，包括以下步骤；步骤1：首先对图像需要进行预处理和特征提取，得到图像的RGB空间和初始超像素的个数N，为了降低图像的复杂度，采用SLIC超像素分割算法将小区域内的相似像素聚合形成不规则块，在聚类分析中以图像块代替像素作为基本单位；步骤2：将步骤1中获得的RGB空间变换为到CIE
‑
Lab空间；步骤3：对Lab空间采样点密度和距离的计算；步骤4：为了正确分割火区对步骤三中所得的密度和距离进行归一化，并计算得出真实火焰区域聚类中心点的γ
k
值；步骤5：取γ
k
值对应的样本点作为聚类中心点，其余样本点按照传统DPC分配完成火焰图像的分割，最终得到准确的火焰图像的分割图。2.根据权利要求1所述的一种改进密度峰值聚类的火灾图像分割方法，其特征在于，所述步骤1SLIC考虑了颜色和位置的相似性，假设一幅图像中有S个像素点，超像素点的个数设置为N，那么一个超像素点的面积为S/N个像素点，随机选择一个像素点作为该区域的初始聚类质心C
N
，然后计算附近t
×
t区域的像素梯度(t通常取3)，梯度最小的像素是新的簇质心，根据个邻居搜索相似像素，然后不断迭代特征向量，直到结果收敛。3.根据权利要求1所述的一种改进密度峰值聚类的火灾图像分割方法，其特征在于，所述步骤2中在CIE
‑
Lab色彩空间具有独特的通道设置，其中RGB空间变化所得的亮度特征仅存储在L通道中，颜色特征存储在a和b通道中，在CIE
‑
Lab颜色空间中，图像用一个5元素的特征向量V＝[l a b x y]表示，其中[l a b]保留了颜色信息和[x y]保留了像素位置信息，超像素块中每个像素的颜色和亮度相近，以超像素块颜色和位置的平均值作为聚类分割的样本点。4.根据权利要求1所述的一种改进密度峰值聚类的火灾图像分割方法，其特征在于，所述步骤3中点密度计算包括以下步骤；采用公式(1)计算各样点的密度，建筑物火灾图像中颜色和亮度特征相似的样点密度更接近，因此，样本点的密度越大，其邻域的颜色和亮度就越相似；更接近，因此，样本点的密度越大，其邻域的颜色和亮度就越相似；输入为算法的N个样本点，记为X＝{x1,x2,...,x
m
,
…
x
N
}，第m个样本点为d
ij
表示第i个采样点和第j个采样点之间的位置距离，d
Lab_ij
表示第i个采样点和第j个采样点之间的亮度和颜色距离，d
...

【专利技术属性】
技术研发人员：马宗方，赵佳星，曹永根，宋琳，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：