低对比度火焰图像增强和分割算法研究*

韩铖惠，王慧琴，胡 燕

西安建筑科技大学 信息与控制工程学院，西安 710055

1 引言

图像型火灾探测技术因不易受空间距离、粉尘、静电等的干扰，可以解决大空间火灾探测的难题。将火焰图像从背景中分离出来是火灾探测的基础，关系到后续特征提取的可靠性和目标识别的准确度。目前已经提出了很多类型的火焰图像分割算法[1-3]。文献[4-5]通过火焰在YCbCr颜色空间的分量比率和动态特征提取出候选火焰区域。文献[6]使用背景减除法得到火焰的运动区域，在YCbCr颜色空间对运动区域进行颜色分割。文献[7]使用高斯混合模型提取视频帧的前景，建立RGB颜色模型判断前景中是否有火焰存在。文献[8]提出了一种基于火焰颜色的累计差分法计算闪频特征得到动态特征图，并利用颜色区域的局部二值模式（local binary pattern，LBP）纹理特征得到静态特征图，加权组合静态、动态显著图后得到综合显著图提取火焰疑似区域。文献[9]利用自适应混合高斯模型检测视频帧中的火焰运动区域，再使用模糊C均值分割出疑似火焰区域和非火焰区域。虽然这些算法能很好地解决大部分火焰分割问题，可是对于高亮环境下的火焰或颜色特征不明显的火焰，由于火焰与周围环境融为一体，对这一类低对比度火焰图像的分割效果不理想。

本文旨在利用图像增强技术研究低对比度火焰图像分割问题。传统线性和非线性算法只能增强图像某一类特征，Retinex增强算法可使图像在动态范围压缩、颜色恒常和边缘增强三方面达到平衡。因此本文通过Retinex算法增强彩色火焰图像，提高火焰与背景的对比度，利用帧差法和基于YCbCr颜色空间的火焰模型对火焰图像进行粗分割，然后在粗分割区域内设置CV（Chan-Vese）模型初始轮廓曲线，通过曲线演化进一步分割得到火焰目标轮廓。实验结果表明，本文算法能有效地分割低对比度火焰，火焰边缘规则信息保存完整，能排除与火焰颜色相似的静态和动态干扰，有利于后期火焰图像特征提取和识别。

2 低对比度火焰图像增强

Retinex算法[10]将给定的图像分解为光照图像和反射图像。基本原理是从原始图像中估计出光照分量，然后在对数域中用原图减去光照分量得到增强后的图像。

文献[11]在经典Retinex算法基础上，结合人眼视觉特性提出了一种彩色图像增强算法，通过实验发现此算法用于火焰图像增强仍存在不足：当火焰与背景对比不明显时，图像整体对比度有一定程度的提高，但是局部对比度效果比较差，尤其是火焰图像部分增强效果并不明显。因此，基于文献[11]进行了改进，在YCbCr空间中构造彩色双边滤波器，提取亮度分量Y，并利用Cb、Cr分量构造彩色双边滤波器。

其中，σ3为控制参数；Cb和Cr表示原始图像在YCbCr空间的两个分量。

在YCbCr颜色空间中，对于火焰的像素点有Cr(x,y)＞Cb(x,y)，根据此特征构造对比度调节函数作用于背景光照分量上。若当前点为火焰像素点则增强该点亮度，反之则降低该点亮度。所构造的局部对比度调节函数为：

3 火焰图像分割

3.1 火焰粗分割

帧差法通过将视频中的相邻两帧相减，得到运动物体的轮廓，如果视频中出现异常的运动物体，相邻两帧差别会比较明显。当视频中运动目标除了火焰，还有行人、汽车等，帧差法会将非火干扰物也检测出来。颜色特征是火焰图像的一个重要信息，在同一幅图像中，火焰和其他物体相比，颜色特征比较明显[12]。因此本文结合帧差法与颜色空间模型对火焰图像进行粗分割。

在YCbCr颜色空间，火焰的颜色模型为：

其中，Y、Cb、Cr是火焰的亮度分量、蓝色色度分量和红色色度分量；Ymean、Cbmean、Crmean分别是它们的均值。

3.2 火焰目标区域分割

1988年，Osher和Sethian最先提出了水平集的概念[13]。CV模型以曲线演化理论和水平集方法作为理论基础[14]。CV模型是基于能量最小化的图像分割模型[15]，能量函数为：

活动轮廓曲线C把输入图像u划分为inside(C)和outside(C)两个区域，演化曲线C内部和外部的图像灰度均值分别是c1和c2，其中μ、λ1和λ2均为权重系数，L(C)表示闭合轮廓曲线的长度。能量函数的第一项和第二项合称为保真项，用于将演化曲线C吸引到目标轮廓上来，第三项是规则化项，负责规整演化曲线C。

为了求得能量ECV(c1,c2,C)的最小值，根据水平集的思想，即用水平集函数φ(x,y)来代替未知的演化曲线C。并且设定曲线C外部的水平集函数为φ(x,y)＜0；曲线C内部的水平集函数为φ(x,y)＞0；曲线C上的水平集函数为φ(x,y)=0。为了建立变分水平集模型，引入正则化后的海氏函数H(z)和狄拉克函数δ(z)，即：

能量泛函ECV可被重新表示为：

上述能量最小化问题可以通过求解能量泛函对应的欧拉-拉格朗日方程来实现，可以得到水平集演化方程：

式（8）中灰度均值c1和c2在每次迭代中需要进行 更新：

本文低对比度火焰图像分割算法如图1所示。

Fig.1 Block diagram of flame image segmentation algorithm in this paper图1 本文火焰图像分割算法框图

将帧差法分割得到的区域和颜色空间分割得到的区域做与运算，作为火焰图像的粗分割结果。通过计算粗分割区域边界点最大和最小坐标值获取粗分割区域的中心坐标点。在粗分割区域内根据所得中心坐标点，并利用Retinex增强后的结果设置CV模型的初始轮廓曲线，建立初始轮廓曲线的能量函数，通过最小化能量函数使轮廓曲线逐渐逼近目标边缘，当能量达到最小时，闭合曲线即为目标轮廓（火焰区域）。最后对分割结果进行形态学处理，去除噪声干扰。

4 实验结果与分析

为了验证本文算法的性能，在Matlab环境下进行了仿真实验。视频测试集来源于http://signal.Ee.bilkent.edu.tr/VisiFire/Demo/（1、3、5）和课题组拍摄（2、4）。测试视频描述如表1所示，实验中选取的火焰图像大小为255×255像素。

Table 1 Test video description表1 测试视频描述

通过实验发现，对于彩色双边滤波器中参数的选择，当参数Ωi的窗口大小为 3，σ1=20，σ2=10，σ3=5时是最合适的。图2为3种算法的火焰图像增强对比结果。

从图2中可以看出，3种算法均取得了一定的增强效果，但本文算法增强效果优于另外两种算法，尤其是在火焰图像的边界处，既能很好地凸显边缘轮廓，又提升了火焰与背景的对比度，火焰明亮的颜色特征更加突出，这与构造彩色滤波器所使用的颜色信息有关；文献[11]算法也有一定的增强效果，但不如本文算法明显；直方图均衡化方法提高了火焰亮度，而且图像的整体亮度也有所提高，但是它对处理的数据不加选择，因此丢失了火焰的一些细节信息，不利于后续做后焰分割。

将均值（图像整体亮度）和对比度提升系数（CI）作为对比度图像增强效果量化评价标准，对比度提升系数定义为CI=C′/C，将图像分为4×4小块，并计算增强前后图像中每个小块图像对比度均值C和C′。小块对比度定义为(Max-Min)/(Max+Min),其中Min和Max分别代表小块的最小值和最大值，C和C′分别表示增强前后的图像。将计算图像的均方误差（mean squared error，MSE）和峰值信噪比（peak signal to noise ratio，PSNR）作为增强后火焰图像质量的评价标准，分别定义为：

Fig.2 Contrast results of flame enhancement algorithms图2 火焰增强算法对比结果

其中，L为图像的最大灰度值（通常取255）；Iij和Iij′分别为增强前后图像的灰度值。计算结果如表2所示。

从表2中可以得到，3种算法的客观性能与主观视觉感受是一致的，原图像整体偏亮，增强后的算法亮度有所降低，但是本文算法比文献[11]算法的对比度提升系数高。结合火焰图像在YCbCr颜色空间分布的特点，重点增强了与火焰颜色相似的像素，使得图中火焰的整体颜色、亮度与背景的对比更加明显；滤波器的距离核函数是由几何空间距离决定滤波器系数，灰度值高斯核函数是由像素差值决定滤波器系数，因此文中构造的彩色双边滤波器对图像同时进行增强和去噪预处理，对火焰图像的质量并无影响。直方图均衡化增强算法也有一定的增强效果，但是通过计算MSE和PSNR,增强后的图像质量有所下降。

图3为几种分割算法对比结果。本文算法参数

的设置为：时间步长Δt=0.1，网格间隔h=1,正则化参数ε=1，轮廓线权重长度系数为μ=0.001×2552。

Table 2 Performance evaluation results of two enhancement algorithms表2 两种增强算法性能评价结果

Fig.3 Contrast results of flame segmentation algorithms图3 火焰分割算法对比结果

Table 3 Evaluation results of segmentation algorithms表3 分割效果评价

从图3的分割结果可以看出，文献[6]仅采用背景减除法和YCbCr颜色空间对火焰颜色不明显的图像发生漏分割，对高亮环境下火焰图像出现过分割；Ostu分割算法虽然可以将图像中的火焰部分分割出来，但是由于火焰周围亮度高，以及室外白天环境也存在其他高亮度物体，Ostu算法同时也分割出图像中其他亮度成分；而本文算法是在增强图像的基础上进行分割，增强后的图像对比度提升，且火焰明亮，颜色鲜艳，细节信息更清晰，使火焰分割更完整。

每组视频分别选取20幅图像进行分割评价标准统计，得到误分率的平均值，如表3所示。本文算法在粗分割区域内设置CV模型的初始轮廓曲线，比使用传统CV模型进行火焰图像分割要快，平均运行时间为3.4 s，比CV模型运行时间减少一半。虽然Ostu分割算法的运行时间短，但是分割准确性较低。在与文献[6]运行时间大致相同的前提下，本文算法的误分率低，分割准确性高。

5 结束语

本文将Retinex图像增强算法和CV模型结合提出了低对比度火焰图像分割算法。首先通过Retinex彩色图像增强算法提高火焰图像与背景的对比度；然后利用帧差法和火焰颜色空间模型对火焰进行粗分割，并确定CV模型初始轮廓曲线位置；最后通过CV模型中水平集函数的不断演化进行火焰的分割，较好地解决了低对比度火焰分割不完整、不准确的问题。

[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.

附中文参考文献：

[3]严云洋,吴茜茵,杜静,等.基于色彩和闪频特征的视频火焰检测[J].计算机科学与探索,2014,8(10):1271-1279.

[8]杜静,严云洋,高尚兵,等.时空视觉选择性注意机制的视频火焰检测[J].计算机辅助设计与图形学学报,2014,26(3):479-485.

[9]李庆辉,李艾华,苏延召,等.结合FCM聚类与SVM的火焰检测算法[J].红外与激光工程,2014,43(5):1660-1666.

[11]肖泉,丁兴号,王守觉,等.有效消除光晕现象和颜色保持的彩色图像增强算法[J].计算机辅助设计与图形学学报,2010,22(8):1246-1252.

[14]王晓峰.水平集方法及其在图像分割中的应用研究[D].合肥:中国科学技术大学,2009.

[15]白雪飞,王文剑.自适应初始轮廓的Chan-Vese模型图像分割方法[J].计算机科学与探索,2013,7(12):1115-1124.