以多尺度顏色小波紋理特征為基礎的工業爐火焰圖像分割研究

王校偉，朱 晨

（咸陽職業技術學院，陜西 咸陽 712000）

截止到目前為止，全球主要能量來源依然依靠于固體燃料。以煤炭燃燒消耗為例，2003年其消耗量達到了27.62%，2018 年其消耗量達到了30.2%。由這一數據可知，煤炭燃料消耗量總體趨勢是呈上升發展的。然而目前企業發展最大的問題在于如何在環保的基礎之上，確保經濟效益的增長。鑒于上述內容，本文從可持續發展的角度考慮，研究固體燃料燃燒的行為特性以及工業爐內火焰監測對燃燒控制策略的優化所起到的作用，還是很有用的。

1 實驗裝置及實驗條件

1.1 火焰圖像采集裝置

本研究中使用由Sun等開發使用的火焰圖像采集裝置來采集研究樣本，該裝置由三大主要的組成部分，分別是CCD相機（即LA-vision工業相機）、鏡頭以及該部位的保護套。這種保護套配有冷卻水和清潔風，是一種金屬材質的保護套，其目的在于使光學設備不會受到高溫的灼燒或免除顆粒物對取像的影響[1]。其中該保護套中的冷卻水可以順著管路的方向循環使用，而清潔風則可以直接吹入工業爐內，使之取像方便。

1.2 實驗以及工況條件

本研究中使用的煤粉燃燒實驗裝置是一個由UKCCS 研究中心研發出來的可視化的裝置，透過這個裝置可以更加清楚的了解到煤粉燃燒時的火焰狀態。這個實驗裝置共分成三大組成部分分別是W型燃燒爐、旋流燃燒器和送風系統。現對送風系統進行解說。該系統根據服務的對象不同共設立了三次風，吹送煤粉時使用一次風，爐膛內的旋流使用二次風，但需借助擋風板進行隔離；助力煤粉燃燒時使用三次風，也需借助擋風板進行隔離。不同于其他裝置，本裝置最大的特點還在于將圓形的可視化的窗口設置在了燃燒爐內的爐壁上。這樣一來方便采集燃燒時的火焰圖像。在觀察窗上安裝探針，并將其觀測的角度設立為900°，這樣一來爐內的各種反應都能通過探測針的圖像錄制而顯現出來。本裝置中實驗過程記錄下來的數據都用作本文的研究。

2 基于多尺度顏色紋理特征的火焰圖像分割

選擇初始聚類中心是影響整個分割效果的關鍵因素。要想使得分類的準確率變得更為可靠，并盡可能的降低迭代的次數，需做到如下幾點：一是初步邊緣檢測，第一類的初始聚類中心要隨機抽取，選出這一點之后，在整個矩陣中距離該點最遠的點即為第二類的初始聚類中心。以此類推，迭代聚類。在初次分割完成之后，壓縮的尺度空間圖像的邊緣需進行算子檢測，與此同時，定位出原始尺度的邊緣區域，至此矩陣初步建成，之后可繼續分割[2]。二是使用K均值聚類算法（以下簡稱K-Means）來合并分割區域。這樣一來，可以將計算的速度加快，又能使得K-Means 的迭代次數得到有效的控制。本文所提及的分割方式不需要火焰特征的先驗信息，也不用調整試驗參數。

K-Means這種算法耗費多長時間取決于選取圖像的點數（本文計作uv）、特征矩陣維數（本文記作D）和分類數量（本文記作K）。換句話說K-Means 這種算法耗費時間的長短決定于圖像的大小。在本研究中D=6，K=2，分類耗時為O(12uv)。對壓縮因子為d的特征矩陣，聚類耗時為O(12uvd2)，根據最大邊緣矩陣的大小為3/d2，最大聚類時間為O(36Tn/d2)，Tn為壓縮尺度空間邊緣區域點個數，因而本研究中所提到的這種多尺度的分割算法耗費的時間計算公式為O(12uvd2)+O(36Tn/d2)。O(36Tn/d2)遠小于O(12uvd2)，其時間可以大大縮短[3]。鑒于上述內容，要想提升檢測速度須從以下幾方面著手：一是壓縮火焰特征矩陣，二是初始聚類中心的選擇可與上一階段選取的聚類中心相同，三是縮小火焰邊緣區域的矩陣點數。

圖1 不同工況下火焰圖像及分割結果

3 實驗結果

在Win8 系統中，使用Matlab2015 程序編寫代碼。如圖1所示，按照這種成像系統來采集到像素為512×640 的RGB 火焰圖像，目的是驗證本文所提及的研究方式對火焰圖分割的不同效果。

圖1中所展示的火焰圖像自上而下所展示出來的分別是風量為18%，20%和22%時所產生的火焰圖，從左往右依次是原圖和不同方式分割出來的火焰圖像。根據圖1所展示的圖像不難發現，當燃燒爐內亮度較高時，火焰亮度的分布是不均勻的，使用Otsu閡值法來分割火焰圖像無法分割出顏色較暗的燃燒區域。然而使用K-Means 法來分割，效果要稍好一些。但缺點在于較低的亮度使得分割過程容易出現失誤，會錯將燃燒區域分割成背景，進而影響了分割結果的準確性能。同樣上述問題也出現在FCM 分割法中[4]。但本文所提及MCWT 這種分割方法就很好地避免了類似缺陷的出現。在使用這種方法時，既將顏色特征列入了考慮范圍之內，又將火焰的文理特征考慮了進去。從圖1即可看出這種分割方式明顯使用結果要比其他方式更好一些。

火焰圖的采集過程會因為燃燒爐內的環境因素、相機性能的影響等因素的作用會有噪聲存在。傳統的火焰圖像的分割過程如下所述：對有噪聲出現的火焰圖像先進行降噪處理，因為噪聲的出現會影響到分割圖像的準確指數。本文中為進一步驗證使用MCWT 方法分割火焰圖像的結果準確與否，是否需要考慮到噪音的影響，分別選取了噪聲密度為0.02 的椒鹽噪聲影響下的火焰圖像和方差為0.001 的高斯噪聲影響下的火焰圖像進行分割，并對這兩種圖像的分割結果進行對比。詳細情況見圖2。

圖2所示為不同的分割方法對椒鹽噪聲影響下的火焰圖像分割的結果。根據圖2所展現的結果，這幾種分割中受到椒鹽噪聲影響最大的是Otsu分割方法。從結果比對圖中也不難發現，受到椒鹽噪聲影響較低是K-Means分割方法和FCM分割方法，而且在這兩種分割方式下的火焰圖像中還出現了明顯的孔洞[5]。本文中所提及的MCWT分割方法，壓縮圖像時使用了局部均值法，因而在初次分割時就降低了噪音的影響。此外MCWT 分割方法還注意到了小波紋理的影響，從而使得噪音的影響大大減弱了許多。綜上所述，使用MCWT分割方法進行火焰圖像分割時，椒鹽噪音的影響可忽略不計。

圖3所示為不同的分割方法對高斯噪聲影響下的火焰圖像分割的結果。根據圖3所展現的結果，這幾種分割中受到高斯噪聲的影響明顯要比椒鹽噪音的影響大很多。比如Otsu 分割方法、K-Means 分割方法以及FCM 分割方法受到的影響較大，特別是邊緣部分尤為明顯，而高斯噪聲對MCWT 分割火焰圖像的影響也幾乎為零。鑒于此，噪音的影響對本文所提及的這種分割方式來說可忽略不計。

圖2 椒鹽噪聲火焰圖像及分割結果

圖3 高斯噪聲火焰圖像及分割結果

4 分割結果評價

在火焰自動檢測系統中使用數字成像技術就是無監督火焰圖像分割的最終目的。因而需要對該技術進行驗證才能確保其分割結果的準確性。鑒于此，本文采用了如下技術對其進行了驗證。一是PRI（Probabilistic rand index）在這里說的是機器與人工分割相一致的像素個數占整個像素個數的百分比；二是GCE（Global consistency error）可以用來檢測分割之后的火焰圖像與人工分割之后的結果一致性，其隨機性用VOI 來表示，BDE（Boundary displacement error）用來找出機器與人工分割產生的邊緣誤差，計算出平均值。

上述四項指標中，PRI所表示出的數值越大，剩余三項數值較小即為與人工分割圖像最為相近的圖像，換言之，與之相對應的分割效果最佳。本研究中隨機抽取了10組不同風量下的火焰圖，用上述四項指標來表示每種分割方法所對應的火焰圖像，評價出分割方法的性能指數。在原始火焰圖像中，這四項指標要比其他分割方式所對應的火焰圖像的四項指標要好，其次是MCWT 分割方法所對應的火焰圖像。在有噪聲干擾之后，MCWT的分割結果要好于其他分割方式。如表1所示不同分割方法在分割30 組火焰圖像時所耗費的時間對比中，分割時間耗時最短的要數Otsu分割方式，但相對的準確性能較低，因而圖像展示出來的信息也是不全面的。與K-Means分割所耗費的時間相比，MCWT分割的時間要稍微長一些，但其分割效果要明顯比KMeans 方式要好。因而使用MCWT 方法來分割火焰圖像既可以滿足分割效果良好，圖像準確的標準，又能適當的減少分割耗費的時間。

表1 三種方法在分割30幅火焰時間對比 s

5 結 語

鑒于上述研究的結果的分析，在分割工業爐火焰圖像時，為了確保分割結果的準確性并縮短耗費的時間，可以采用以多尺度顏色小波紋理特征為基礎的分割方法進行火焰圖像分割。根據火焰圖像的分割結果，可以了解到燃燒爐內煤灰粉的燃燒情況，進而找出優化燃料消耗的方案，向低碳工業邁進。