低對比度火焰圖像增強和分割算法研究*

韓鋮惠，王慧琴，胡 燕

西安建筑科技大學 信息與控制工程學院，西安 710055

1 引言

圖像型火災探測技術因不易受空間距離、粉塵、靜電等的干擾，可以解決大空間火災探測的難題。將火焰圖像從背景中分離出來是火災探測的基礎，關系到后續特征提取的可靠性和目標識別的準確度。目前已經提出了很多類型的火焰圖像分割算法[1-3]。文獻[4-5]通過火焰在YCbCr顏色空間的分量比率和動態特征提取出候選火焰區域。文獻[6]使用背景減除法得到火焰的運動區域，在YCbCr顏色空間對運動區域進行顏色分割。文獻[7]使用高斯混合模型提取視頻幀的前景，建立RGB顏色模型判斷前景中是否有火焰存在。文獻[8]提出了一種基于火焰顏色的累計差分法計算閃頻特征得到動態特征圖，并利用顏色區域的局部二值模式（local binary pattern，LBP）紋理特征得到靜態特征圖，加權組合靜態、動態顯著圖后得到綜合顯著圖提取火焰疑似區域。文獻[9]利用自適應混合高斯模型檢測視頻幀中的火焰運動區域，再使用模糊C均值分割出疑似火焰區域和非火焰區域。雖然這些算法能很好地解決大部分火焰分割問題，可是對于高亮環境下的火焰或顏色特征不明顯的火焰，由于火焰與周圍環境融為一體，對這一類低對比度火焰圖像的分割效果不理想。

本文旨在利用圖像增強技術研究低對比度火焰圖像分割問題。傳統線性和非線性算法只能增強圖像某一類特征，Retinex增強算法可使圖像在動態范圍壓縮、顏色恒常和邊緣增強三方面達到平衡。因此本文通過Retinex算法增強彩色火焰圖像，提高火焰與背景的對比度，利用幀差法和基于YCbCr顏色空間的火焰模型對火焰圖像進行粗分割，然后在粗分割區域內設置CV（Chan-Vese）模型初始輪廓曲線，通過曲線演化進一步分割得到火焰目標輪廓。實驗結果表明，本文算法能有效地分割低對比度火焰，火焰邊緣規則信息保存完整，能排除與火焰顏色相似的靜態和動態干擾，有利于后期火焰圖像特征提取和識別。

2 低對比度火焰圖像增強

Retinex算法[10]將給定的圖像分解為光照圖像和反射圖像。基本原理是從原始圖像中估計出光照分量，然后在對數域中用原圖減去光照分量得到增強后的圖像。

文獻[11]在經典Retinex算法基礎上，結合人眼視覺特性提出了一種彩色圖像增強算法，通過實驗發現此算法用于火焰圖像增強仍存在不足：當火焰與背景對比不明顯時，圖像整體對比度有一定程度的提高，但是局部對比度效果比較差，尤其是火焰圖像部分增強效果并不明顯。因此，基于文獻[11]進行了改進，在YCbCr空間中構造彩色雙邊濾波器，提取亮度分量Y，并利用Cb、Cr分量構造彩色雙邊濾波器。

其中，σ3為控制參數；Cb和Cr表示原始圖像在YCbCr空間的兩個分量。

在YCbCr顏色空間中，對于火焰的像素點有Cr(x,y)＞Cb(x,y)，根據此特征構造對比度調節函數作用于背景光照分量上。若當前點為火焰像素點則增強該點亮度，反之則降低該點亮度。所構造的局部對比度調節函數為：

3 火焰圖像分割

3.1 火焰粗分割

幀差法通過將視頻中的相鄰兩幀相減，得到運動物體的輪廓，如果視頻中出現異常的運動物體，相鄰兩幀差別會比較明顯。當視頻中運動目標除了火焰，還有行人、汽車等，幀差法會將非火干擾物也檢測出來。顏色特征是火焰圖像的一個重要信息，在同一幅圖像中，火焰和其他物體相比，顏色特征比較明顯[12]。因此本文結合幀差法與顏色空間模型對火焰圖像進行粗分割。

在YCbCr顏色空間，火焰的顏色模型為：

其中，Y、Cb、Cr是火焰的亮度分量、藍色色度分量和紅色色度分量；Ymean、Cbmean、Crmean分別是它們的均值。

3.2 火焰目標區域分割

1988年，Osher和Sethian最先提出了水平集的概念[13]。CV模型以曲線演化理論和水平集方法作為理論基礎[14]。CV模型是基于能量最小化的圖像分割模型[15]，能量函數為：

活動輪廓曲線C把輸入圖像u劃分為inside(C)和outside(C)兩個區域，演化曲線C內部和外部的圖像灰度均值分別是c1和c2，其中μ、λ1和λ2均為權重系數，L(C)表示閉合輪廓曲線的長度。能量函數的第一項和第二項合稱為保真項，用于將演化曲線C吸引到目標輪廓上來，第三項是規則化項，負責規整演化曲線C。

為了求得能量ECV(c1,c2,C)的最小值，根據水平集的思想，即用水平集函數φ(x,y)來代替未知的演化曲線C。并且設定曲線C外部的水平集函數為φ(x,y)＜0；曲線C內部的水平集函數為φ(x,y)＞0；曲線C上的水平集函數為φ(x,y)=0。為了建立變分水平集模型，引入正則化后的海氏函數H(z)和狄拉克函數δ(z)，即：

能量泛函ECV可被重新表示為：

上述能量最小化問題可以通過求解能量泛函對應的歐拉-拉格朗日方程來實現，可以得到水平集演化方程：

式（8）中灰度均值c1和c2在每次迭代中需要進行 更新：

本文低對比度火焰圖像分割算法如圖1所示。

Fig.1 Block diagram of flame image segmentation algorithm in this paper圖1 本文火焰圖像分割算法框圖

將幀差法分割得到的區域和顏色空間分割得到的區域做與運算，作為火焰圖像的粗分割結果。通過計算粗分割區域邊界點最大和最小坐標值獲取粗分割區域的中心坐標點。在粗分割區域內根據所得中心坐標點，并利用Retinex增強后的結果設置CV模型的初始輪廓曲線，建立初始輪廓曲線的能量函數，通過最小化能量函數使輪廓曲線逐漸逼近目標邊緣，當能量達到最小時，閉合曲線即為目標輪廓（火焰區域）。最后對分割結果進行形態學處理，去除噪聲干擾。

4 實驗結果與分析

為了驗證本文算法的性能，在Matlab環境下進行了仿真實驗。視頻測試集來源于http://signal.Ee.bilkent.edu.tr/VisiFire/Demo/（1、3、5）和課題組拍攝（2、4）。測試視頻描述如表1所示，實驗中選取的火焰圖像大小為255×255像素。

Table 1 Test video description表1 測試視頻描述

通過實驗發現，對于彩色雙邊濾波器中參數的選擇，當參數Ωi的窗口大小為 3，σ1=20，σ2=10，σ3=5時是最合適的。圖2為3種算法的火焰圖像增強對比結果。

從圖2中可以看出，3種算法均取得了一定的增強效果，但本文算法增強效果優于另外兩種算法，尤其是在火焰圖像的邊界處，既能很好地凸顯邊緣輪廓，又提升了火焰與背景的對比度，火焰明亮的顏色特征更加突出，這與構造彩色濾波器所使用的顏色信息有關；文獻[11]算法也有一定的增強效果，但不如本文算法明顯；直方圖均衡化方法提高了火焰亮度，而且圖像的整體亮度也有所提高，但是它對處理的數據不加選擇，因此丟失了火焰的一些細節信息，不利于后續做后焰分割。

將均值（圖像整體亮度）和對比度提升系數（CI）作為對比度圖像增強效果量化評價標準，對比度提升系數定義為CI=C′/C，將圖像分為4×4小塊，并計算增強前后圖像中每個小塊圖像對比度均值C和C′。小塊對比度定義為(Max-Min)/(Max+Min),其中Min和Max分別代表小塊的最小值和最大值，C和C′分別表示增強前后的圖像。將計算圖像的均方誤差（mean squared error，MSE）和峰值信噪比（peak signal to noise ratio，PSNR）作為增強后火焰圖像質量的評價標準，分別定義為：

Fig.2 Contrast results of flame enhancement algorithms圖2 火焰增強算法對比結果

其中，L為圖像的最大灰度值（通常取255）；Iij和Iij′分別為增強前后圖像的灰度值。計算結果如表2所示。

從表2中可以得到，3種算法的客觀性能與主觀視覺感受是一致的，原圖像整體偏亮，增強后的算法亮度有所降低，但是本文算法比文獻[11]算法的對比度提升系數高。結合火焰圖像在YCbCr顏色空間分布的特點，重點增強了與火焰顏色相似的像素，使得圖中火焰的整體顏色、亮度與背景的對比更加明顯；濾波器的距離核函數是由幾何空間距離決定濾波器系數，灰度值高斯核函數是由像素差值決定濾波器系數，因此文中構造的彩色雙邊濾波器對圖像同時進行增強和去噪預處理，對火焰圖像的質量并無影響。直方圖均衡化增強算法也有一定的增強效果，但是通過計算MSE和PSNR,增強后的圖像質量有所下降。

圖3為幾種分割算法對比結果。本文算法參數

的設置為：時間步長Δt=0.1，網格間隔h=1,正則化參數ε=1，輪廓線權重長度系數為μ=0.001×2552。

Table 2 Performance evaluation results of two enhancement algorithms表2 兩種增強算法性能評價結果

Fig.3 Contrast results of flame segmentation algorithms圖3 火焰分割算法對比結果

Table 3 Evaluation results of segmentation algorithms表3 分割效果評價

從圖3的分割結果可以看出，文獻[6]僅采用背景減除法和YCbCr顏色空間對火焰顏色不明顯的圖像發生漏分割，對高亮環境下火焰圖像出現過分割；Ostu分割算法雖然可以將圖像中的火焰部分分割出來，但是由于火焰周圍亮度高，以及室外白天環境也存在其他高亮度物體，Ostu算法同時也分割出圖像中其他亮度成分；而本文算法是在增強圖像的基礎上進行分割，增強后的圖像對比度提升，且火焰明亮，顏色鮮艷，細節信息更清晰，使火焰分割更完整。

每組視頻分別選取20幅圖像進行分割評價標準統計，得到誤分率的平均值，如表3所示。本文算法在粗分割區域內設置CV模型的初始輪廓曲線，比使用傳統CV模型進行火焰圖像分割要快，平均運行時間為3.4 s，比CV模型運行時間減少一半。雖然Ostu分割算法的運行時間短，但是分割準確性較低。在與文獻[6]運行時間大致相同的前提下，本文算法的誤分率低，分割準確性高。

5 結束語

本文將Retinex圖像增強算法和CV模型結合提出了低對比度火焰圖像分割算法。首先通過Retinex彩色圖像增強算法提高火焰圖像與背景的對比度；然后利用幀差法和火焰顏色空間模型對火焰進行粗分割，并確定CV模型初始輪廓曲線位置；最后通過CV模型中水平集函數的不斷演化進行火焰的分割，較好地解決了低對比度火焰分割不完整、不準確的問題。

[1]Gottuk D T,Dinaburg J B.Video image detection and optical flame detection for industrial applications[J].Fire Technology,2012,49(2):213-251.

[2]Mueller M,Karasev P,Kolesov I,et al.Optical flow estimation for flame detection in videos[J].IEEE Transactions on Image Processing,2013,22(7):2786-2797.

[3]Yan Yunyang,Wu Xiyin,Du Jing,et al.Video fire detection based on color and flicker frequency feature[J].Journal of Frontiers of Computer Science and Technology,2014,8(10):1271-1279.

[4]Wang Dechang,Cui Xuenan,Park E,et al.Adaptive flame detection using randomness testing and robust features[J].Fire Safety Journal,2013,55(328):116-125.

[5]Kong S G,Jin Donglin,Li Shengzhe,et al.Fast fire flame detection in surveillance video using logistic regression and temporal smoothing[J].Fire Safety Journal,2016,79:37-43.[6]Shon D,Kang M,Seo J,et al.Early fire detection using multistage pattern recognition techniques in video sequences[M]//Park J J,Zomaya A,Jeong H Y,et al.Frontier and Innovation in Future Computing and Communications.Berlin,Heidelberg:Springer,2014:161-168.

[7]Kim Y H,Kim A,Jeong H Y.RGB color model based the fire detection algorithm in video sequences on wireless sensor network[J].International Journal of Distributed Sensor Networks,2014(1):1-10.

[8]Du Jing,Yan Yunyang,Gao Shangbing,et al.Flame detection in videos with temporal-spatial visual selective attention[J].Journal of Computer-Aided Design&Computer Graphics,2014,26(3):479-485.

[9]Li Qinghui,Li Aihua,Su Yanzhao,et al.Fire detection algorithm using FCM clustering and SVM[J].Infrared and Laser Engineering,2014,43(5):1660-1666.

[10]Land E H.The Retinex theory of color vision[J].Scientific American,1977,237(6):108-128.

[11]Xiao Quan,Ding Xinghao,Wang Shoujue,et al.A halo-free and hue preserving algorithm for color image enhancement[J].Journal of Computer-Aided Design&Computer Graphics,2010,22(8):1246-1252.

[12]Verstockt S,Hoecke S V,Beji T,et al.A multi-modal video analysis approach for car park fire detection[J].Fire Safety Journal,2013,57(4):44-57.

[13]Osher S,Sethian J A.Fronts propagating with curvaturedependent speed:algorithms based on Hamilton-Jacobi formulations[J].Journal of Computational Physics,1988,79(1):12-49.

[14]Wang Xiaofeng.The study of level set method and their applications in image segmentation[D].Hefei:University of Science and Technology of China,2009.

[15]Bai Xuefei,Wang Wenjian.Chan-Vese model with adaptive initial contour for image segmentation[J].Journal of Frontiers of Computer Science and Technology,2013,7(12):1115-1124.

附中文參考文獻：

[3]嚴云洋,吳茜茵,杜靜,等.基于色彩和閃頻特征的視頻火焰檢測[J].計算機科學與探索,2014,8(10):1271-1279.

[8]杜靜,嚴云洋,高尚兵,等.時空視覺選擇性注意機制的視頻火焰檢測[J].計算機輔助設計與圖形學學報,2014,26(3):479-485.

[9]李慶輝,李艾華,蘇延召,等.結合FCM聚類與SVM的火焰檢測算法[J].紅外與激光工程,2014,43(5):1660-1666.

[11]肖泉,丁興號,王守覺,等.有效消除光暈現象和顏色保持的彩色圖像增強算法[J].計算機輔助設計與圖形學學報,2010,22(8):1246-1252.

[14]王曉峰.水平集方法及其在圖像分割中的應用研究[D].合肥:中國科學技術大學,2009.

[15]白雪飛,王文劍.自適應初始輪廓的Chan-Vese模型圖像分割方法[J].計算機科學與探索,2013,7(12):1115-1124.