基于数字图像处理的燃气锅炉火焰检测算法

王延年，王海娟

(西安工程大学电子信息学院，西安 710048)

1 引言

与传统燃煤锅炉相比，燃气锅炉有很多特点:轻便灵活，安装调试方便，同时燃气锅炉在清洁方面有很大优势，近十年其在民用建筑供暖以及工业生产方面起着举足轻重的作用。为达到燃气锅炉的最大利用率，及时了解火焰燃烧时的各项参数显得颇为关键。因此，一套能够准确快速获得火焰燃烧参数的算法非常重要。

在此提出了一套完整的基于数字图像处理的火焰检测算法，首先，通过利用小波变换改进蚁群算法，实现了火焰图像的完整分割，之后运用中值滤波将图像中的噪声去除，得到纯净的火焰图像，最后将火焰图像经过灰度变换增强，得到火焰特征参数明显的火焰图像，从而利于对火焰参数的分析与调整。这套算法很好的克服了传统火焰检测算法的缺点，为燃气锅炉的检测调整提供了很大方便。

火焰图像的获得方法是将炉膛火焰信号经光学系统采集后，通过传象素光纤输入CCD摄像机，将光信号转变成为电信号，然后再用图像采集卡将其转换成为数字信号，送入计算机，之后采用给出的具体算法对火焰图像进行处理。

2 运动火焰的检测与分割

由于火焰从无到有是一个发生发展的过程，它在燃烧过程中会受到气流强弱的影响而显现出不规则的运动，由于空气流动，热空气上升，整个外焰和内焰向外扩张。由于火焰不停地扩张、收缩、摇晃、上升、下收、分离等，所以火焰的形状、面积等会产生变化。另外，可燃物燃烧时产生的火焰通常是闪烁的，特别是火苗的跳跃和抖动，剧烈的火焰闪烁会引起高频的火焰区域变化，火焰的亮度、颜色都在改变，因此可以把火焰看作一种特殊的运动物体，用运动目标检测来提取出包括火焰在内的运动物体。

目前几种常用的目标检测方法有:背景减除［1］、时间差分［1］、光流［1］、神经网络算法、FCM 聚类算法、小波变换法、能量运动检测、基于数学形态学的场景变化检测等。但是基于上述几种传统的检测方法都有一定的缺陷，火焰燃烧时背景和目标火焰不能很好的区分出来，因此提取的火焰图像会伴随大量噪声。图1－图4是经过上述算法对火焰图像进行分割得到的处理图像。

图1 源图像

图2 神经网络分割图

图3 FCM分割图

图4 小波变换分割图

通过实验证明，常用的这些图像分割方法无法准确有效分割出完整的火焰图像，从而给后期火焰图像的处理带来很多困难。基于此，提出了将蚁群算法和小波变换相结合的方法来提取火焰图像。

2.1 蚁群算法［4］在火焰图像分割中的数学模型

假设X 代表原始图像，将像素 Xj(j=1，2，...N)视作一只蚂蚁，那么每只蚂蚁都是以灰度、梯度和邻域为特征的三维向量，图像分割的思想便是利用这些蚂蚁根据自己的特征特点找寻一条通往食物源的最优路径的过程。设dij为任意像素Xi到Xj的距离，采用欧式距离计算如下式:

其中μk为加权因子，其设定依赖于像素各分量对聚类的影响程度，m为蚂蚁的维数，这里m=3。设r为蚁群聚类半径，phij为信息量，则有:

Xi选择到路径Xj的概率Pij为:

其中，S={Xs|dsj≤r，s=1，2，...，N}为合法路径结合，ηij为引导函数，用下面的公式进行表示，

每只蚂蚁经过一次循环后，各路径上的信息量根据下式进行调整:

2.2 蚁群算法［5］的实现步骤

(1)读取图像数据并转化为M×N矩阵，每一只蚂蚁对应一个图像数据;

(2)初始化 α，β，phij，γ，ρ，λ 参数并令时间t=0，循环次数NC=0，设定最大循环次数NCmax。

(3)聚类循环开始，循环次数NC←NC+1;

(4)蚂蚁数目k←k+1;

(5)根据公式(1)计算像素Xi到其它像素Xj的距离dij，如果dij为零，那么表示该像素属于本类的隶属度为1，否则如果dij＜r，根据公式(4)确定引导函数，然后根据公式(5)计算Xj到各路径上的信息量;

(6)根据公式(3)计算像素间的转移概率，同给定参数λ比较，若大于λ，则按照公式(5)调整路径上的信息量，并按以下公式更新聚类中心:

(7)若满足结束条件即循环次数NC≥NCmax，则结束循环，并输出结果，否则转到步骤(3)。可以看出，蚁群算法具有运算量巨大，运行时间长等缺点。

2.3 基于小波变换改进的蚁群算法［6］实现步骤

蚁群算法在火焰图像分割中程序运行时间较长，远远满足不了现实的需要，因此这里引入小波变换。一幅图像经过一次小波分解之后，图的数据是原图像数据的四分之一，经过二次小波分解之后，数据是原图像数据的十六分之一;另外小波分解后的低频系数较好的保存了原始图像的基本信息，如果对经过小波分解后的低频系数进行处理将大大减少蚁群的搜索次数，缩短程序运行时间。

加入小波变换后的蚁群算法具体实现步骤:

读取图像数据并转化为M×N的矩阵A，每一只蚂蚁对应一个图像数据;

第一步:对原始图像进行小波变换，只保留近似分量cA部分。

第二步:利用蚁群算法进行分割，其具体算法如下:

a)将经过小波变化的图像的cA部分分成n×n个图像块，分别对每块进行聚类分析，假设每类有M只蚂蚁，随机分布在图像上;

b)初始化 α，β，phij，γ，ρ等参数，根据公式(1)计算蚂蚁Xi到像素Xj的距离dij，如果dij为零，则该蚂蚁选择该像素点的概率为1，否则如果dij＜r，根据公式(4)计算引导函数，并根据公式(6)计算到各像素点的信息量;

c)按照转移概率公式(3)计算像素间的转移概率，看看是否大于λ，若大于λ，则根据公式(6)调整路径上的信息量;

第三步:利用小波反变换进行图像重构，输出分割结果图像。

图5－6是采用引入小波变换的蚁群算法对火焰图像进行分割得到的效果图。

图5 源图像

图6 蚁群算法分割图像

由图可以看出，通过蚁群算法可以有效提取出锅炉中的火焰图像，火焰信息明显得到了加强，是一种有效的分割方法。而其与小波变换结合，克服了蚁群算法运算比较复杂耗时长的缺点，将图像分解，提取其中有用的部分，从而提高了蚁群算法的高效性。

3 中值滤波去噪

由于火焰数字图像信号在炉膛内部、摄像、信号传送中，会有各种干扰，造成图像带有各种噪声，为了更准确地获取燃烧火焰的特性，有必要清除噪声。由于图像的噪声常常表现为孤立的象素点，象素灰度和周围点有显著差别，灰度的陡性变化比较大，所以可用中值滤波来抑制噪声。

中值滤波器是一种典型的非线性处理方法，对图像中比较孤立的随机脉冲噪声有良好的抑制作用，使图像的轮廓边缘得以较好的保护。另外，中值滤波具有对阶跃信号、斜升信号不产生影响，滤波后保持频谱不变以及对图像上的脉冲噪声具有很强的去除作用等特性。

图像去噪是图像处理的必然步骤，因为噪声会干扰图像本身信息的分析，图7－图8为采用中值滤波对分割的火焰图像进行的有效去噪。

图7 蚁群算法分割后图像

可以看出，采用中值滤波对引用蚁群算法得到的图像进行去噪处理，图像中一些比较离散的噪声点被很好地去除了。

图8 中值滤波去噪后图像

4 火焰图像增强

经过去噪处理后，虽然去除了图像中的噪声，但是由于分割出来的火焰图像亮度比较暗，同背景颜色对比度比较小，不利于火焰参数的分析与提取，为了增强对比度，采用灰度变换对图像进行增强。灰度变换对灰度级比较单一的图片有很好的处理效果，而火焰图像本身灰度级比较单一，因此灰度变换能够很好的适用于此图片处理，同时灰度变换简单快速，大大提高了处理的高效性。

灰度变换是一种简单而实用的方法。它利用点运算修改图像象素的灰度，用于控制对比度。点运算是把一幅输入图像f(x，y)修改成输出图像g(x，y)。g(x，y)上每一点象素与 f(x，y)上对应位置象素的坐标相同，象素灰度按函数法则Φ映射，可表示为:

g(x，y)=Φ［f(x，y)］

函数中有线性、分段线性和非线性等几种形式。根据显示的侧重不同，可以分成任意线性段进行变换。当变换函数的斜率大于l时，输入图像象素的灰度级的对比度扩展;反之，对比度将压缩。而截距反映变换后比变换前亮度偏暗或偏亮。

图9是经过灰度变换对图像采取的增强处理。经过灰度变换后，火焰图像与背景色对比度明显，为后期进行火焰特征参数的分析提供了有力帮助。

5 结束语

经过实验验证，提出的这套火焰检测算法能够准确快速的获得火焰图像，其中的难点与核心是对火焰图像的检测与分割，因此提出了一种有效的基于蚁群算法和小波变换相结合的锅炉火焰检测方法。蚁群算法较好地解决了背景模型的提取、更新，能够有效地检测出运动火焰，而其与小波变换的结合又大大缩短了蚁群算法的运算时间，更加高效地完成了运动火焰的识别。运用中值滤波与灰度变换有效达到了去噪与增强的效果。若将本算法应用于实际燃气锅炉火焰检测系统之中，必将对我国燃气锅炉的安全有效运行具有重大意义。

图9 灰度变换后的火焰图像

［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］韩彦芳，施鹏飞.基于蚁群算法的图像分割方法［J］.计算机工程与应用，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.蚁群优化原理、理论及其应用研究［D］.重庆:重庆大学，2004.

［7］周昱，张杰，李昌禧.基于RGB模型的燃气火焰检测的图像处理方法［J］.仪表技术与传感器，2010(11):85－87.

［8］刘芳.基于数字图像处理的炉膛火焰检测及燃烧诊断系统研究［D］.陕西:陕西科技大学，2008.