基于马尔科夫随机场的炉膛火焰图像分割-AET-电子技术应用

基于马尔科夫随机场的炉膛火焰图像分割

来源：电子技术应用2012年第11期

何鹏1，王福刚1,2，王成琳1

1.齐齐哈尔大学通信与电子工程学院，黑龙江齐齐哈尔 161006； 2. 哈尔滨市南岗房产经营物业管理有限责任公司，黑龙江哈尔滨 150080

摘要： 提出一种基于马尔科夫随机场模型的火焰图像分割算法。将由系统装置获取的原始火焰图像从RGB空间变换到HSV颜色空间，以提取颜色特征。分别对原始图像建立Potts标记场模型和有限正态混合观测场模型(FGMM),结合颜色特征,运用贝叶斯估计和ICM算法,计算最大后验概率(MAP)，并完成图像分割。实验证明，该算法可以有效地分割炉膛火焰图像，为之后的工作奠定了基础。

关键词： 马尔科夫随机场炉膛火焰图像分割颜色特征

中图分类号: TP391.41
文献标识码: A
文章编号： 0258-7998(2012)11-0133-03

Image segmentation of furnance flame based on Markov random field

He Peng1, Wang Fugang1,2, Wang Chenglin1

1. Communication and Electronic Engineering Institute, Qiqihaer University, Qiqihaer 161006, China; 2. NaGang Property Management Co., Ltd, Haerbin 150080, China

Abstract： Propose an image segmentation algorithm of furnace flame based on Markov random field. Tansform the original flame image from RGB space to HSV space got by system hardware, to extract color vector. Then build Potts and FGMM modles respectively and finally combine color vector and use Bayesian and ICM algorithm to calculate Maximum a Posteriori(MAP) and complete segmentation. The experiment results show that this algorithm can segment image of furnance flame efficiently and lays a foundation for works later.

Key words : Markov random field; furnance flame; image segmentation; color feature

目前,利用计算机视觉技术对电站炉膛火焰燃烧状态的监控已成为研究的热点。对此，国内外学者作了大量的研究工作，意在通过火焰图像信息的解读，对其燃烧状态进行识别，从而保证电站锅炉的正常运行[1-5]。图像分割是图像处理和分析的关键环节，是成功进行下一步工作的有力保证，现有大量的人工智能算法己应用到火焰图像分割之中[6-10]。

根据上述研究现状，本文将计算机视觉技术应用到所从事的工作之中，即向各个社区供暖的电站锅炉炉膛火焰图像，提出一种基于马尔科夫随机场模型的炉膛火焰分割算法。算法分别对火焰图像建立观测场模型和标记场模型,将图像分割转化为求后验概率最大值的问题。实验证明，该方法有效地分割火焰图像，为火焰燃烧状态的识别、电站锅炉运行状态的监督及社区供暖监控等工作奠定了坚实的基础。
1 系统装置
本文设计的炉膛火焰图像分割系统具有一定的创新性，适用于各种有无工业电视监督的电站，具有方便、经济、成本低的特点。硬件装置包括具有灵敏度高、抗强光、体积小等特点的CCD摄像机，CPU为Intel Pentium 4、内存1 GB、硬盘80 GB的计算机(或笔记本电脑)，可以自由移动的暗箱及固定在暗箱上的2个高精密度光源。暗箱用来阻止外界光的干扰，CCD摄像机与计算机相连，安插固定在暗箱上方。获取图像时，将暗箱与电站炉膛口相对即可。2个高灵敏光源与炉膛火焰均成45°，既充当了自然光，又消除了火焰在摄像头前留下的阴影。通过计算机控制调整CCD摄像机与火焰的距离，每隔一定的时间可获取火焰图像，并存储在计算机内。系统硬件装置如图1所示。软件选择Matlab，其图像处理工具箱中自带的图像处理函数和简单的语法结构，使得仿真试验可以方便快速地进行。

2 算法
    火焰图像分割算法包括颜色特征提取、标记场模型Potts和观测场模型FGMM的建立及最大后验概率(MAP)的计算三部分，由此将图像分割问题转化成统计学计算的问题。
2.1 颜色特征提取
    系统装置获取的原始火焰图像是在RGB颜色空间中表示的，RGB颜色空间由于参数R、G、B具有高度的相关性，所以不适合颜色提取分析。HSV颜色空间由RGB颜色空间演变而来，参数H表示色彩信息，参数S表示纯度，参数V为色彩明亮程度，彼此之间的相关度不高，适合颜色分析。本文采用HSV颜色空间表示颜色特征，将提取的颜色特征记为α。
2.2 模型建立
    设图像中的观测像素为?琢，图像的标号为Ma，可以定义为离散随机变量，从L={1,2,…,N}中取值，这样标号集合M={Ma,a∈A}是随机场。每个观测像素都有其相应的标号，图像分割就是找出相同标号的不同观测像素，并放在一起。数学表达为求P{M|?琢}，即后验概率(MAP)值最大。

    (1) 设定图像的分类数K，势函数?茁及迭代次数；
   (2) 使用K-均值算法计算初始分割结果；
   (3) 估计观测场参数μa和δ2；
   (4) 计算式(9)；
   (5) 根据式(9)最小原则，估计新的分割结果；
   (6) 判断终止条件是否满足。若满足，则停止计算，否则返回步骤(3)。
2.4 算法流程
   本文的算法流程图如图2所示。

3 仿真及结果分析
针对本文提出的算法，在Matlab7.1环境下，对在系统硬件装置中，间隔5 s所获取的原始火焰图像进行仿真，如图3所示。
本文提出的算法可以准确地分割不同区域的火焰轮廓，为下一步分析工作打下坚实的基础。系统全部程序的运行时间仅为6.023 8 s，体现了算法的准确快速性。仿真结果如图4所示。

本设计成功地将计算机视觉技术应用到炉膛火焰分割之中。创新点在于系统装置的设计和对原始火焰图像的建模。通过对系统硬件获取的火焰图像建立马尔科夫随机场模型，准确地分割火焰图像，为之后的火焰识别等工作奠定了基础。
参考文献
[1] HIRANO T, ISHIZUKA S, TSURUDA T, et al. The potential od visualization for studies on flames and furnace[J]. Fuel, 1994,73(11):1697-1705.
[2] 刘道光, 吕丽霞, 刘长良. 支持向量机在炉膛火焰监测中的应用[J]. 化工自动化及仪表, 2010,37(1):41-44.
[3] 韩璞, 张欣, 王兵. 基于神经网络的交互式炉膛火焰图像识别[J]. 中国电机工程学报, 2008,28(20):22-26.
[4] 周鹏，朱虹，季瑞瑞. 炉膛火焰图像预处理的Matlab实现[J]. 微计算机信息, 2007,23(6):306-307.
[5] 孟令军. 用计算机数字图像处理技术检测电站锅炉燃烧器火焰[J]. 化工自动化及仪表,2001, 28(2):43-45.
[6] 田丽军. 煤矿监控中火灾图像分割方法研究[J]. 煤炭技术, 2011,30(7):83-85.
[7] 许志闻, 纪政,郭哓新,等. 基于小波神经网络的炉膛火焰识别和诊断[J]. 仪器仪表学报, 2004, 25(8):376-378.
[8] 刘禾.基于火焰图像和模糊神经网络的锅炉燃烧稳定性判别[J]. 仪器仪表学报, 2008,29(6):1280-1283.
[9] 吴铮, 孙立,汪亚明.基于隐马尔可夫模型的火焰检测[J].计算机工程, 2008,34(20):213-215.
[10] 董增寿, 张凤春.基于OSTU炉膛火焰图像分割建模[J].微计算机信息, 2010,26(6):201-203.

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容