基于數字圖像處理的燃氣鍋爐火焰檢測算法

王延年，王海娟

(西安工程大學電子信息學院，西安 710048)

1 引言

與傳統燃煤鍋爐相比，燃氣鍋爐有很多特點:輕便靈活，安裝調試方便，同時燃氣鍋爐在清潔方面有很大優勢，近十年其在民用建筑供暖以及工業生產方面起著舉足輕重的作用。為達到燃氣鍋爐的最大利用率，及時了解火焰燃燒時的各項參數顯得頗為關鍵。因此，一套能夠準確快速獲得火焰燃燒參數的算法非常重要。

在此提出了一套完整的基于數字圖像處理的火焰檢測算法，首先，通過利用小波變換改進蟻群算法，實現了火焰圖像的完整分割，之后運用中值濾波將圖像中的噪聲去除，得到純凈的火焰圖像，最后將火焰圖像經過灰度變換增強，得到火焰特征參數明顯的火焰圖像，從而利于對火焰參數的分析與調整。這套算法很好的克服了傳統火焰檢測算法的缺點，為燃氣鍋爐的檢測調整提供了很大方便。

火焰圖像的獲得方法是將爐膛火焰信號經光學系統采集后，通過傳象素光纖輸入CCD攝像機，將光信號轉變成為電信號，然后再用圖像采集卡將其轉換成為數字信號，送入計算機，之后采用給出的具體算法對火焰圖像進行處理。

2 運動火焰的檢測與分割

由于火焰從無到有是一個發生發展的過程，它在燃燒過程中會受到氣流強弱的影響而顯現出不規則的運動，由于空氣流動，熱空氣上升，整個外焰和內焰向外擴張。由于火焰不停地擴張、收縮、搖晃、上升、下收、分離等，所以火焰的形狀、面積等會產生變化。另外，可燃物燃燒時產生的火焰通常是閃爍的，特別是火苗的跳躍和抖動，劇烈的火焰閃爍會引起高頻的火焰區域變化，火焰的亮度、顏色都在改變，因此可以把火焰看作一種特殊的運動物體，用運動目標檢測來提取出包括火焰在內的運動物體。

目前幾種常用的目標檢測方法有:背景減除［1］、時間差分［1］、光流［1］、神經網絡算法、FCM 聚類算法、小波變換法、能量運動檢測、基于數學形態學的場景變化檢測等。但是基于上述幾種傳統的檢測方法都有一定的缺陷，火焰燃燒時背景和目標火焰不能很好的區分出來，因此提取的火焰圖像會伴隨大量噪聲。圖1－圖4是經過上述算法對火焰圖像進行分割得到的處理圖像。

圖1 源圖像

圖2 神經網絡分割圖

圖3 FCM分割圖

圖4 小波變換分割圖

通過實驗證明，常用的這些圖像分割方法無法準確有效分割出完整的火焰圖像，從而給后期火焰圖像的處理帶來很多困難。基于此，提出了將蟻群算法和小波變換相結合的方法來提取火焰圖像。

2.1 蟻群算法［4］在火焰圖像分割中的數學模型

假設X 代表原始圖像，將像素 Xj(j=1，2，...N)視作一只螞蟻，那么每只螞蟻都是以灰度、梯度和鄰域為特征的三維向量，圖像分割的思想便是利用這些螞蟻根據自己的特征特點找尋一條通往食物源的最優路徑的過程。設dij為任意像素Xi到Xj的距離，采用歐式距離計算如下式:

其中μk為加權因子，其設定依賴于像素各分量對聚類的影響程度，m為螞蟻的維數，這里m=3。設r為蟻群聚類半徑，phij為信息量，則有:

Xi選擇到路徑Xj的概率Pij為:

其中，S={Xs|dsj≤r，s=1，2，...，N}為合法路徑結合，ηij為引導函數，用下面的公式進行表示，

每只螞蟻經過一次循環后，各路徑上的信息量根據下式進行調整:

2.2 蟻群算法［5］的實現步驟

(1)讀取圖像數據并轉化為M×N矩陣，每一只螞蟻對應一個圖像數據;

(2)初始化 α，β，phij，γ，ρ，λ 參數并令時間t=0，循環次數NC=0，設定最大循環次數NCmax。

(3)聚類循環開始，循環次數NC←NC+1;

(4)螞蟻數目k←k+1;

(5)根據公式(1)計算像素Xi到其它像素Xj的距離dij，如果dij為零，那么表示該像素屬于本類的隸屬度為1，否則如果dij＜r，根據公式(4)確定引導函數，然后根據公式(5)計算Xj到各路徑上的信息量;

(6)根據公式(3)計算像素間的轉移概率，同給定參數λ比較，若大于λ，則按照公式(5)調整路徑上的信息量，并按以下公式更新聚類中心:

(7)若滿足結束條件即循環次數NC≥NCmax，則結束循環，并輸出結果，否則轉到步驟(3)。可以看出，蟻群算法具有運算量巨大，運行時間長等缺點。

2.3 基于小波變換改進的蟻群算法［6］實現步驟

蟻群算法在火焰圖像分割中程序運行時間較長，遠遠滿足不了現實的需要，因此這里引入小波變換。一幅圖像經過一次小波分解之后，圖的數據是原圖像數據的四分之一，經過二次小波分解之后，數據是原圖像數據的十六分之一;另外小波分解后的低頻系數較好的保存了原始圖像的基本信息，如果對經過小波分解后的低頻系數進行處理將大大減少蟻群的搜索次數，縮短程序運行時間。

加入小波變換后的蟻群算法具體實現步驟:

讀取圖像數據并轉化為M×N的矩陣A，每一只螞蟻對應一個圖像數據;

第一步:對原始圖像進行小波變換，只保留近似分量cA部分。

第二步:利用蟻群算法進行分割，其具體算法如下:

a)將經過小波變化的圖像的cA部分分成n×n個圖像塊，分別對每塊進行聚類分析，假設每類有M只螞蟻，隨機分布在圖像上;

b)初始化 α，β，phij，γ，ρ等參數，根據公式(1)計算螞蟻Xi到像素Xj的距離dij，如果dij為零，則該螞蟻選擇該像素點的概率為1，否則如果dij＜r，根據公式(4)計算引導函數，并根據公式(6)計算到各像素點的信息量;

c)按照轉移概率公式(3)計算像素間的轉移概率，看看是否大于λ，若大于λ，則根據公式(6)調整路徑上的信息量;

第三步:利用小波反變換進行圖像重構，輸出分割結果圖像。

圖5－6是采用引入小波變換的蟻群算法對火焰圖像進行分割得到的效果圖。

圖5 源圖像

圖6 蟻群算法分割圖像

由圖可以看出，通過蟻群算法可以有效提取出鍋爐中的火焰圖像，火焰信息明顯得到了加強，是一種有效的分割方法。而其與小波變換結合，克服了蟻群算法運算比較復雜耗時長的缺點，將圖像分解，提取其中有用的部分，從而提高了蟻群算法的高效性。

3 中值濾波去噪

由于火焰數字圖像信號在爐膛內部、攝像、信號傳送中，會有各種干擾，造成圖像帶有各種噪聲，為了更準確地獲取燃燒火焰的特性，有必要清除噪聲。由于圖像的噪聲常常表現為孤立的象素點，象素灰度和周圍點有顯著差別，灰度的陡性變化比較大，所以可用中值濾波來抑制噪聲。

中值濾波器是一種典型的非線性處理方法，對圖像中比較孤立的隨機脈沖噪聲有良好的抑制作用，使圖像的輪廓邊緣得以較好的保護。另外，中值濾波具有對階躍信號、斜升信號不產生影響，濾波后保持頻譜不變以及對圖像上的脈沖噪聲具有很強的去除作用等特性。

圖像去噪是圖像處理的必然步驟，因為噪聲會干擾圖像本身信息的分析，圖7－圖8為采用中值濾波對分割的火焰圖像進行的有效去噪。

圖7 蟻群算法分割后圖像

可以看出，采用中值濾波對引用蟻群算法得到的圖像進行去噪處理，圖像中一些比較離散的噪聲點被很好地去除了。

圖8 中值濾波去噪后圖像

4 火焰圖像增強

經過去噪處理后，雖然去除了圖像中的噪聲，但是由于分割出來的火焰圖像亮度比較暗，同背景顏色對比度比較小，不利于火焰參數的分析與提取，為了增強對比度，采用灰度變換對圖像進行增強。灰度變換對灰度級比較單一的圖片有很好的處理效果，而火焰圖像本身灰度級比較單一，因此灰度變換能夠很好的適用于此圖片處理，同時灰度變換簡單快速，大大提高了處理的高效性。

灰度變換是一種簡單而實用的方法。它利用點運算修改圖像象素的灰度，用于控制對比度。點運算是把一幅輸入圖像f(x，y)修改成輸出圖像g(x，y)。g(x，y)上每一點象素與 f(x，y)上對應位置象素的坐標相同，象素灰度按函數法則Φ映射，可表示為:

g(x，y)=Φ［f(x，y)］

函數中有線性、分段線性和非線性等幾種形式。根據顯示的側重不同，可以分成任意線性段進行變換。當變換函數的斜率大于l時，輸入圖像象素的灰度級的對比度擴展;反之，對比度將壓縮。而截距反映變換后比變換前亮度偏暗或偏亮。

圖9是經過灰度變換對圖像采取的增強處理。經過灰度變換后，火焰圖像與背景色對比度明顯，為后期進行火焰特征參數的分析提供了有力幫助。

5 結束語

經過實驗驗證，提出的這套火焰檢測算法能夠準確快速的獲得火焰圖像，其中的難點與核心是對火焰圖像的檢測與分割，因此提出了一種有效的基于蟻群算法和小波變換相結合的鍋爐火焰檢測方法。蟻群算法較好地解決了背景模型的提取、更新，能夠有效地檢測出運動火焰，而其與小波變換的結合又大大縮短了蟻群算法的運算時間，更加高效地完成了運動火焰的識別。運用中值濾波與灰度變換有效達到了去噪與增強的效果。若將本算法應用于實際燃氣鍋爐火焰檢測系統之中，必將對我國燃氣鍋爐的安全有效運行具有重大意義。

圖9 灰度變換后的火焰圖像

［1］C Stauffer，W Grimson.Adaptive Background Mixture Models for Real－ time Tracking［J］.In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999，Vol.2:246 －252.

［2］AJ Lipton，H Fujiyoshi，R S Patil.Moving Target Classification and Tracking from Real－ time Video［J］.In Proceedings of IEEE Workshop on Applications of Compute Vision，1998，9:8 －14.

［3］AVERRI，SUras，E De Micheli.Motion Segmentation from Optical Flow［J］.In Proceedings of the 5th Alvey Vision Conference，1989(10):209 －214.

［4］韓彥芳，施鵬飛.基于蟻群算法的圖像分割方法［J］.計算機工程與應用，2004，40(18):5 －7.

［5］BLUM C.Ant colony optimization:introduction and recent trends［J］.PhysicsofLifeReviews，2005，2(8):353－373.

［6］胡小兵.蟻群優化原理、理論及其應用研究［D］.重慶:重慶大學，2004.

［7］周昱，張杰，李昌禧.基于RGB模型的燃氣火焰檢測的圖像處理方法［J］.儀表技術與傳感器，2010(11):85－87.

［8］劉芳.基于數字圖像處理的爐膛火焰檢測及燃燒診斷系統研究［D］.陜西:陜西科技大學，2008.