一种HSI空间基于模糊聚类的火灾彩色图像分割算法

周 凤(绥化学院信息工程学院, 绥化,152061)

一种HSI空间基于模糊聚类的火灾彩色图像分割算法

周 凤*
(绥化学院信息工程学院, 绥化,152061)

针对通用模糊聚类算法进行彩色图像分割存在对初值敏感，迭代过程耗时等问题，在HSI空间结合火焰图像分布特征，采用平均值法进行初值优选，构造抑制算子和抑制因数对火焰无关区域S和I分量进行有效抑制，采用直方图聚类后进行数据融合等方式，最终实现彩色火灾图像分割。实验表明，该算法提高了彩色火灾图像分割的准确性和收敛速度。

火灾图像分割；模糊均值聚类；无关区域抑制；直方图

0 引言

火灾图像分割作为火灾探测识别的关键技术，一定程度上决定了火灾探测识别的快速性和准确性。随着计算机硬件及传感器技术的不断进步，进行火灾彩色图像分割，从而在保证时效性基础上提高火灾探测识别的准确性成为图像火灾探测领域的必然发展趋势。

模糊C均值图像分割算法[1](FCM，Fuzzy C-Means)以其无需训练样本，对复杂图像适应度高，因此得到广泛的应用，而彩色图像分割更成为近年来研究的热点[2]。但通用FCM算法存在诸多缺陷，如对初始值敏感，迭代过程耗时，在进行图像聚类时未考虑空间信息应用等[3]，因此多数具体应用中均采用不同方法优化FCM，以提高分割的准确性和收敛速度。本文正是针对火灾图像分割具体应用，在HSI色彩空间优化FCM初值选取，对无关区域进行抑制，采用直方图聚类化简迭代过程以提高火灾图像分割的准确性和时效性。

1 降噪滤波与无关区域抑制

为降低噪声对FCM的影响，应当对图像进行降噪滤波。首先将RGB图像映射到HSI色彩空间[4]，其次使用方形3×3模板对图像进行中值滤波，在保留图像边缘的同时滤除噪声。滤波公式如下：

(1)

在进行图像分割时，由于主要目标为分离火焰区域，因此，在图像预处理时，结合FCM算法思想，对火焰区域进行色彩和亮度增强，而对其他火焰无关区域进行抑制。由参考文献[5]，火焰的H、S、I值一般如表1所示，本文采用该数据对图像进行无关区域抑制。

表1 火焰的HSI分布

无关区域抑制可看作对火焰区域的变相增强，包括饱和度抑制和亮度抑制。在HSI空间中，色度H在[0,2π]区间中周期连续变化，构成一个“圆环”，而亮度I和饱和度S在[0,1]区间中近似线性变化，参考表1本文构造抑制算子如下：

(2)

其中，S0=0.3,I0=0.445，抑制结果见图1、图2。

图1 S分量抑制算子抑制曲线Fig.1 Curves of S attenuation operator

图2 I分量抑制算子抑制曲线Fig.2 Curves of I attenuation operator

图1为S分量抑制曲线，横轴为原始Sij分量，纵轴为按公式(2)进行抑制后Sij′取值，实线为参考线，表征前后取值不变，虚线为抑制后取值。由图1可以看出，该算子对图像“较暗”部分的饱和度进行了抑制，而对图像中“较亮”部分进行了增强，有利于在聚类运算中增加火焰区域与其他无关区域的欧氏距离。

图2为I分量抑制曲线，横轴为原始Iij分量，纵轴为按公式(2)进行抑制后I′ij取值，实线为参考线，表征前后取值不变，虚线为抑制后取值。由图2可以看出，该算子对图像整体亮度进行了抑制，对“较暗”部分的亮度抑制作用较强，而对图像中“较亮”部分抑制作用逐步减弱，为后续处理提供便利。

为进一步分离火焰区域，应对火焰区以外区域的亮度进行进一步抑制，由表1可知，H分量对图像火焰区部分区分较为稳定，由此可设H为自变量，构造I分量抑制因子如下：

(3)

其中θ表征火焰色度中心，取值π/6，α表征保留/抑制的比例，该值越大，火焰区域亮度保留越多，同时对非火焰区域抑制作用越强。由图3可知，越接近火焰色度中心，I分量抑制因子抑制越弱，而越远离火焰色度中心，I分量抑制因子抑制越强。

图3 I抑制因子函数曲线Fig.3 Curves of I Attenuation factor

由于在图像高亮区域H分量噪声因素的影响，在使用抑制因子K进行亮度抑制时，可能会对原本属于火焰区域的高亮区域进行抑制从而造成错误，所以应使用式(4)的方法进行亮度抑制。

(4)

其中，δ为区分阈值。为有效抑制图像中直高亮区域，并保留火焰区域中高亮区域，经实验统计，δ取0.9时，火焰图像处理可取得较好效果。

图4 算子和抑制因子处理结果Fig.4 Processing results by attenuation operators and attenuation factor

2 初值选取与直方图量化

传统FCM算法对初值较为敏感，类似火焰图像分割这类最终只将图像划分为两个聚类的应用，如果采用随机初始化，很可能会造成火焰区域分割错误，因此应当针对火焰图像根据火焰特征进行初值选取，以提高FCM的准确性和迭代收敛速度。本文使用表1数据采用基于平均值的初始聚类中心选取方法，从视觉及处理效率角度考虑，用色度阈值进行简单划分即可完全满足需要。

设图像所有点的集合为S，火焰区域聚类中心为(H0,S0,I0)，非火焰区域聚类中心为(H1,S1,I1)，所以有：

(5)

由于要大量迭代计算每一像素点的隶属度，因此传统的FCM速度相对不高。为降低计算复杂度，应将图像各分量映射到直方图[6]上，基于直方图进行聚类，设图像为M×N的像素矩阵，直方图量化阶数为L，本文采用一维直方图，每分量为l(i)(i=0…L-1)，对H、I分量分别统计直方图，则有：

(6)

3 基于改进的FCM火灾图像分割

利用经验数据对原始图像进行预处理，在保留火焰区域信息的基础上对无关区域进行抑制，提高FCM隶属度的差异，并采用平均值方法确定初始聚类中心；根据采用一维直方图在(H,S)和I分量上分别进行聚类，并进行综合处理，极大降低迭代的计算量和迭代次数，考虑邻域均分改进隶属度函数，提高分割准确度，在此基础上，实现在HSI空间中的FCM火灾图像分割。算法流程如图5。

图5 算法流程图Fig.5 Algorithm flow diagram

4 实验结果及分析

为验证算法的有效性，采用标准FCM算法和本文算法进行分割处理，算法测试平台为Window7、Intel-i7 3770K、内存8G的PC机。对比如图6所示 。

图6 图像处理结果对比Fig.6 Comparison of fire image processing result

图6(a)为原始火灾图像；(b)为标准FCM分割结果，由于天空背景及其他无关区域亮度和火焰近似，故而未将火焰和背景高亮部分区分开；(c)为对原始图像进行无关区抑制的结果；(d)为本文算法的分割结果，相比标准FCM，本文算法针对复杂背景火灾图像，可有效抑制了火焰无关区域对聚类的影响，准确分割出了火焰区域。

从处理时间对比看，本文算法相比标准FCM耗时更短，实时性更强。

5 结论

本文结合火灾图像的特征，提出了一种FCM彩色火焰图像分割方法，通过初值优选、构造抑制函数和抑制因子对无关区进行抑制、采用直方图聚类等手段，提升了火灾图像模糊聚类分割的准确性，为后续的火灾特征提取和分析提供了有利支撑。

[1] 朱小雨. 基于FCM聚类的彩色图像分割算法研究[D]. 吉林: 吉林大学, 2011: 23-31.

[2]JiZx,etal.Fuzzyc-meansclusteringwithweightedimagepatchforimagesegmentation[J].AppliedSoftComputing, 2012, 12(6): 1659-1667.

[3] 杨润玲. 基于FCM类型算法的自动图像分割方法研究[D]. 西安: 西安电子科技大学, 2006: 13-21.

[4]GonzalezRC. 数字图像处理[M]. 北京: 电子工业出版社, 2005: 144-320.

[5]HorngWB,etal.Anewimagebasedreal-timeflamedetectionmethodusingcoloranalysis[J].inConfICNSC, 2005,IEEE, 2005: 100-105.

[6]LanJH,ZengYL.Multi-thresholdimagesegmentationusingmaximumfuzzyentropybasedonanew2Dhistogram[J].Optik-InternationalJournalforLightandElectronOptics, 2013, 124(18): 3756-3760.

A fire color image segmentation algorithm base on fuzzy C-means clustering in HSI space

ZHOU Feng
(Sui Hua University, Suihua 152061, China)

The general fuzzy clustering algorithm for color image segmentation is sensitive to initial value and the iterative process is time-consuming. In this paper, a fire color image segmentation algorithm base on fuzzy C-means clustering in HSI space is developed. In HSI color space, with flame image distribution, the average value method is used for optimization of initial value, thereby attenuation operator and attenuation factor are constructed to attenuate the flame unrelated region on S and I component effectively. The data are clustered and integrated base on the histogram, and the color fire image segmentation is finally realized. Experiments show that this algorithm improves the accuracy and convergence rate of color fire image segmentation.

Fire image segmentation; Fuzzy C-means clustering; Irrelevant area attenuation; Histogram

2016-04-21；修改日期：2016-07-22

绥化学院2015年科学技术研究项目“基于嵌入式视觉的火灾检测的研究”(No:K1502003)

周凤(1980-)，讲师，绥化学院，教师，从事计算机应用方面研究。

周凤，E-mail:36272828@qq.com

1004-5309(2017)-0049-05

10.3969/j.issn.1004-5309.2017.01.07

TP391.41; X915.5

A