【技术实现步骤摘要】
一种基于边缘变换域的局部特征提取方法
[0001]本发属于烟雾检测领域,具体涉及一种基于边缘变换域的局部特征提取方法。
技术介绍
[0002]视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点,其检测率直接影响到视觉火灾探测技术的应用。近年来,随着数字图像处理、视频分析、模式识别、机器学习等技术的发展,视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点,易受外界环境影响,稳定性差,这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。实际监控系统中,不同的监控摄像机受到摄像机位置、光照强度、天气变化等因素的影响,导致视频图像中的烟雾分布与实验数据中的烟雾分布具有很大差异。即使是同一时刻同一地点的烟雾,在视频图像中呈现出的颜色、形状、纹理等特征上也存在较大差异。这使得烟雾检测方法在实际应用过程中不能获得令人满意的性能,其检测率、误报率、错误率等评价指标仍有待进一步改善,故提取表达能力强、鲁棒性好的烟雾特征是改善这些评价指标的前提条件。
[0003]烟雾通常被视为边缘模糊、形状易变的流体对象。烟雾刚出现时,会使视频图像中的场景变得模糊,然后背景和其他物体上的直线边缘将逐渐消失,同时烟雾所产生的弯曲边缘和纹理特征也会逐渐显现。烟雾在纹理、边缘等方面特点鲜明,具有明显弯曲、模糊的边缘特征,而场景中的人造物体通常含有大量直线边缘、少量曲线边缘等特征。因此,如何对图像进行边缘检测生成边缘特征图,获得原图中的特定的高 ...
【技术保护点】
【技术特征摘要】
1.一种基于边缘变换域的局部特征提取方法,其特征在于,其步骤如下:1)生成边缘特征图:采用自适应Canny算子生成图像的边缘特征图,捕获原图上的高频信息;2)生成编码特征图:利用局部二值模式(LBP)、局部边界求和模式(LBSP)、局部区域求和模式(LRSP)等3种局部特征模式生成不同局部区域的编码特征图;3)计算局部特征:利用映射方法对编码特征图中的编码值进行映射,并计算直方图向量生成局部特征;4)特征优化:利用特征选择和特征融合操作优化特征,得到最终特征。2.根据权利要求1所述的一种基于边缘变换域的局部特征提取方法,其特征在于,步骤1)所述Canny算子方法步骤如下:1)利用二阶高斯滤波器对原始图像进行平滑处理,去掉图像中的毛刺和减少噪声:假设I(x,y)为原始图像,S(x,y)为平滑原始图像的输出图像。平滑操作先是利用高斯函数生成离散的二阶高斯滤波器g(x,y),再利用二阶高斯滤波器对原始图像进行卷积操作,以实现平滑图像的作用。高斯函数G(x,y)和计算S(x,y)的表达式分别如公式(1)和(2)所示。S(x,y)=I(x,y)*g(x,y) (2)其中,σ为高斯函数标准差,*为卷积操作;2)利用一阶偏导数的有限差分方法对平滑后的图像进行运算,得到图像中像素的梯度幅值和方向:对平滑后的图像S(x,y)进行梯度运算,得到梯度幅度图像M(x,y)和梯度方向图像A(x,y)。计算M(x,y)和A(x,y)的表达式如公式(3)和(4)所示。y)。计算M(x,y)和A(x,y)的表达式如公式(3)和(4)所示。其中,S
x
(x,y)和S
y
(x,y)分别表示x和y方向上的偏导数,偏导数一般用一阶有限差分来近似计算,其表达式如公式(5)所示。公式(5)计算出来的梯度方向是一个模拟量。为便于下一步进行梯度幅值的非极大值抑制,在此将梯度方向量化为4个值,表示4个方向(水平、垂直、45
°
和
‑
45
°
),量化后得到的梯度方向图像用A
*
(x,y)表示;3)对梯度幅值进行非极大值抑制:梯度幅值非极大值抑制的主要作用是细化边缘,使输出的边缘点是单一的边缘响应。设非极大值抑制后获得的图像为C(x,y),非极大值抑制的具体过程如下。对于像素点C(x0,y0),在方向图像A
*
(x,y)和梯度幅值M(x,y)中找到对应的像素点A
*
(x0,y0)和M(x0,y0)。在图像M(x,y)中,比较M(x0,y0)的幅值与A
*
(x0,y0)所指方向
上的两个邻域幅值。若像素点M(x0,y0)的幅值小于两个相邻像素点的任一幅值,则C(x,y)图像中像素点C(x0,y0)的值为0(即为抑制),否则像素点C(x0,y0)的值等于M(x0,y0);4)采用高低阈值去除伪边缘、连接弱边缘得到最终边缘图像:得到非极大值抑制的图像C(x,y)后,通过设置高低阈值(T
H
和T
L
)对图像C(x,y)分别进行二值化,得到二值图像C
H
(x,y)和C
L
(x,y)。图像C
H
(x,y)是利用高阈值生成,仅包含真正边缘(强边缘),不包含假边缘和弱边缘,但在轮廓上通常存在断裂的现象。图像C
L
(x,y)是利用低阈值生成,包含强边缘和弱边缘。由C
H
(x,y)和C
L
(x,y)可生成强边缘图像C
P
(x,y)和弱边缘图像C
W
(x,y),计算表达式分别如公式(6)和(7)所示。C
P
(x,y)=C
H
(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)C
W
(x,y)=C
L
(x,y)
‑
C
H
(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)由于强边缘图像C
P
(x,y)中的边缘通常是不连续的,有必要利用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。