基于图像识别的提高森林火灾识别精度和空间定位外文翻译资料

 2022-08-22 03:08

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

基于图像识别的提高森林火灾识别精度和空间定位

JIANG LiL, QI QingWe*, ZHANG A, GUO ChaoHu amp; CHENG X

1中国科学院地理科学与资源研究所，中国，北京100101

2中国资源卫星应用中心，中国，北京100094；

3中国科学院研究生院，中国，北京100049

摘 要：森林火灾是经常发生的自然灾害。探索先进的森林火灾监测、识别和定位手段，建立科学的森林火灾早期探测、实时定位和快速扑救体系是十分必要的。本文主要阐述了基于图像识别的森林火灾识别和空间定位中提高精度和消除不准确度的方法算法。首先，我们讨论一种在可见光图像中的森林火灾的识别方法。这里有四种提高火灾识别的精度和消除不准确度的方法：（1）消除干扰因素，例如高亮度的道路和天空、红色的树叶、其他颜色的物体和夜晚明亮的物体；（2）排除重复干扰的特定周期和方位角的图像；（3）通过调整季节、天气和区域阈值，改进图像处理过程中火灾边界的阈值；（4）可见光成像法和红外成像法相结合。其次，研究基于红外图像提高森林火灾识别准确性的方法途径，将光谱阈值与归一化植被指数等目标特征值相结合，排除干扰信号、极端天气、高温动物等干扰因素。第三，研究并实现一种提高森林火灾定位精度的可视化分析方法;该方法包括减小视角，选取中心点，选取最大点，根据中心距离选取火点。

关键词：森林火灾监测，空间定位，精度提高

1 介绍

森林火灾是一种频繁发生的自然灾害，在森林中随机发生。它们会给森林资源、生态系统和生命财产带来巨大的危害和损失。探索先进的森林火灾监测、识别和定位手段，建立科学的森林火灾早期探测、实时定位和快速扑救体系是十分必要的。然而，目前世界范围内的森林防火与灭火体系(FFPF)虽然取得了一些进展，但总体上仍处于较低水平。

中国各级政府和专业机构已采取措施，采用基于可见光成像法和红外成像法的森林火灾监测定位新技术，替代实地考察、瞭望塔观测和飞机观测等传统的目视监视方法[1]。传感器平台可以是卫星（如Thematic Mapper图像、SPOT图像、或者Quickbird图像）、飞机或者特殊的监测塔[2-4]。目前，根据成本、分辨率和响应速度，首选平台是监测塔；即在监测塔中安装一个带有可见光镜头或红外电荷耦合器件(CCD)扫描仪的摄像机，并在控制中心对图像进行分析和计算，以便对森林火灾进行读取、判断和定位。这些措施提高了火灾探测的效率，但仍存在明显的问题；例如，在森林火灾检测中存在的不准确性，火灾定位的准确性较低。

这里，我们描述了在开发基于图像识别的森林火灾定位算法和模型方面的成就，特别是在提高准确性方面。因此，为了快速预测灾害的发生，我们将遥感技术的优势和地理信息系统整合到FFPF中，建立森林FFPF方案。

2 提高可见光图像中森林火灾识别的准确性

视频图像中观察到的森林火灾主要是发生在树冠的火灾，可能有少量地面火灾。没有火灾的视频图像是由三部分组成，绿色植被(即树冠、树干和树枝)、田野和天空，而火灾期间的图像是上述组合加上明亮的火和烟雾；因此，火灾识别与监测涉及到各种复杂的因素。

通过森林火灾的颜色特征判断，当有足够的氧气用于燃烧时，森林火灾会产生二氧化碳和水，分别发出粉红光和红外辐射。当氧气不足时，火灾会产生游离碳和颗粒，并且释放红光和红外辐射。森林火灾的火焰是椭圆形的，在上面有一个尖锐的角度，形成一个同心环。在最高的温度下，火焰内核是白色的，内核周围的外圈颜色逐渐从黄色变为橙色再变为浅红色，最后变为红色[5]。

因此，可见光图像森林火灾识别的原则是结合火焰的颜色和形状特征，整合快速识别和精准确认的方法，避免复杂的计算，并排除相应的干扰区域。图像处理有四个关键点。首先，利用火焰的颜色提取火灾边界，剔除非火灾区域。在红分量图像中去除绿分量，从而精确地提取阈值。图像中超过颜色阈值的部分可能不是火焰而是干扰，因此，之后应该使用圆度指数来判断是否有火灾。之后对中心的白色同心椭圆进行扫描，并将其归类为可疑的火点，然后利用其他标准进行精确监测。第三，为了减少处理时间，图像的非火灾部分被排除到后续过程外，只关注潜在的火灾部分。第四，运用区域分析和计算排除干扰，例如红色的树叶和其他鲜艳的物体。对道路、天空、红色的树叶、其他红色与白色物体、夜间发光物体四种干扰物进行计数，以提高森林火灾识别的准确性。总之，这些物体总结为三种干扰因素：颜色干扰、形状混淆和区域相似性。提高可见光图像中森林火灾识别精度的方法如下。

2.1 提高颜色和形状识别的准确性

基于图像识别的森林火灾监测的难点在于火焰对象的划分和准确提取，其目的是发现火点，排除非火灾区域。最简单的图像分割算法是基于阈值的图像分割。这可以表示为：

(1)

其中为原始图像的灰度值，为分割后图像的灰度值，T为阈值。大于T值的区域被视为火灾区域，小于T值的区域被视为背景。因此，关键是要设置一个合适的阈值。如果阈值太小，目标会被错误视为背景，而如果阈值太大，则很难消除背景。

确定合适的阈值有几种方法；例如：灰度阈值分割法、迭代法、Ostursquo;s法和简单统计法。在四种方法中，灰度阈值分割法适用于将火灾目标从背景中分离出来，但不适用于自动操作；迭代法可以得到令人满意结果的方法，但需要较长的计算时间；Otsursquo;s方法是最稳定的阈值确定方法和图像分割算法，但有时会丢失重要信息，需要较长的计算时间；简单统计方法可以产生一个阈值，而且不需要灰度直方图分析，但很难提供清晰详细的火灾点。因此，在本文中，我们采用第三种方法和附加措施来克服其缺点。

单纯基于颜色的火灾点识别可以帮助我们大致识别火灾发生地点。我们使用八邻域搜索算法来判断并连接火灾点，并形成一个火灾区域，最终将火灾区域和非火灾区域分开（图1）。此外，我们采用了并行和串行边界分割方法，其中最有效的算法是轮廓提取和边界跟踪，以提取火灾区域的边界。

图1 区域标记

在标记火灾区域的基础上，引入了面积、周长、圆度等形状因子来提高火灾识别的准确度。在这些因子中，面积和周长用来确定不是火点的区域。以面积因子为例，首先指定一个阈值区域TA，然后将每个可疑火灾区域的面积与TA进行比较，去除那些面积小于TA的区域。圆度是用来描述可疑火灾区域的复杂性，因为该火灾区域与其他非火灾区域相比具有独特的形状特征。这可以表示为：

(2)

其中C是圆度，L是周长，A是面积。当该地区是圆时，C的最小值是4pi;，并且随着形状变得复杂而增加。,

经过多次计算，我们发现火灾区域的平均圆度为2.701，而非火灾区域的平均圆度为1.095；因此，我们在火灾识别软件中将圆度阈值设置为1.15。

2.2 消除火灾识别中的干扰因素

为了提高森林火灾识别的准确性，需要消除几个干扰因素。所采用的方法如下。

  1. 消除干扰对象。森林中的一些图像，如道路、天空、红色的树叶、红色白色的物体和夜间发光的物体，都会阻碍火灾识别。因为它们的颜色与内核的白色或外环的红色和橙色斑点相似。消除这类物体最有效的方法是绘制火灾点的颜色特征和形状特征，以此来排除非火源物体。在R（红色）分量图像中，火灾点的核心和外部值接近255，而在G（绿色）分量图像中，只有核心的值接近255。因此，从R分量图像中减去G分量图像，以此得到的图像中，黑色部分是R和G分量具有相同像素值的区域，而灰色部分是具有浅红色的区域。因此，我们将定义为火灾点轮廓的阈值。是火灾与非火灾物体明显的区别。并将森林火灾区域的形状与非火灾区域的形状进行比较。例如，火焰是一个不平衡的椭圆，它有一个近乎垂直的长轴，上面有一个锐角，高宽比大于1。此外，火焰有抖动的边界和锐角。在此基础上，干扰对象可以被消除且干扰效果明显减弱（图2）。

图2 火灾现场识别与处理实例

  1. 根据季节、气候和地域调整阈值。火灾边界的提取很大程度上取决于边界阈值，这随季节、气候和区域的变化而变化。例如，在中国北方的森林中，冬季比其他季节更干燥、更寒冷，因此更有可能发生森林火灾，在这个季节，火的颜色可能更浅（更白）。相比之下，中国南方的夏季要比其他季节潮湿得多，所以火的颜色可能会更红，因为在这个季节，火的颜色会通过雾气折射。因此，我们应该设置一个更适合火灾识别的阈值。
  2. 在干扰情况下，屏蔽特定的方位角和记录时间。在有雨、能见度低或火险程度较低的特定时段，我们可以关闭监测系统。此外，有些方位角可能会被挡住。即有些角度存在已知的物体，如晚上有灯光的房子和红色的物体。当摄像机旋转到这些方位角时，系统可以停止扫描和识别火点。

2.3 各种方法的集成

我们整合了以上算法来准确验证火灾的发生(图3)。

图3显示了集成的工作流程，从中我们可以看到有五个连续的步骤或计算单元。一是快速识别。即图像的初始扫描。如果有可疑的火点，则进行下一个单元的处理；否则，进程将退出当前静态图像并继续处理下一个图像。步骤2至5构成进一步的识别，其中包括四个计数单元。第二个单元是背景移除，首先对第一步识别的可疑火点进行基于阈值的分割，然后进行区域标记，最后进行小区域移除。第三个单元是颜色的判断，从火焰核识别到火焰边界提取，最后是可疑火点提取。第四单元是基于形状的判断，从区域标记到火灾面积和周长的计算，再到圆度和形状的判断。第五步，也是最后一步，消除干扰因素，包括三个子步骤：消除干扰对象，屏蔽指定的季节和时间，屏蔽指定的方位角。整个过程有两种输出，一种是最终确认火灾发生并需要监控人员进行后续手动操作时的火灾报警，另一种是当怀疑的火灾点最终被证实时，继续转动摄像机并进行现场监控。

图3可见光图像集成方法的工作流程

3 提高红外图像中森林火灾识别的准确性

基于红外图像的森林火灾监测技术采用热红外观测，其适用波段是对应于3-5mu;m和8-14mu;m大气的波段，因为在这些波段的图像中，火灾点很亮，与森林的非火灾背景不同。这遵循了热红外辐射定律，如普朗克定律、斯蒂芬-波尔兹曼定律和维恩位移定律，从而不考虑TM/ETM、MODIS、NOAAAVHRR、航空热红外扫描仪或天文台塔的图像[6,7]。

在基于卫星图像的森林火灾监测中，最适合的图像是MODIS图像，其热红外波段20-23不仅可以清楚地显示火灾点和火灾点的形状、大小和位置，而且还可以显示不明显和残留的火灾。21波段比其他波段能更好地描述火灾的燃烧状态，因为它具有更高的辐射率和更高的饱和温度。此外，我们可以使用7波段来探测高温火点，因为它对600-1000K温度的火灾很敏感，而对300K温度的非火灾物体不敏感。因此，该方法是制作一个21 22 31复合波段的RGB图像，其中异常的热点可以被清晰地显示出来。我们还可以制作一个7 2 1复合波段的RGB图像，使用1波段和2波段来显示森林背景，使用7波段来显示高温树冠火灾信息和位置。因此，我们可以从非火的树木、雾、蒸汽、云和裸地区分出火灾点 [8]。

我们提出的利用MODIS识别森林火灾的算法是温度-亮度阈值与植被指数相结合的算法。另一方面，在近地观测塔中使用热CCD扫描仪更有效、更经济（图4），其原理与卫星图像法相同。

我们现在讨论提高红外图像中森林火灾识别精度的两个关键方面。

图4 近地高塔CCD热像图像中森林火灾的识别算法

3.1 光谱阈值和目标特征相结合

如前所述，温度-亮度阈值可用于识别异常高温场，用于从背景中分离和提取可疑火点。但是，由于自燃煤层、动物等高温物体的存在，往往使火点难以识别，使之不能确定为森林火灾点。因此，我们使用植被指数，如归一化植被指数（NDVI）来验证森林火灾点；NDVI的阈值应当比周围非火灾区域的阈值小得多，因为树木的功能在燃烧后会急剧下降。以MODIS图像为例，我们有

（3）

其中和分别为通道1和通道2的亮度值。

判别方程为

（4）

其中是频道21的温度，是频道31的温度，是频道21和31的温差，是频道21的背景温度值，是的背景温度，是的标准差，是的标准差。

以上模型在森林火灾识别中的准确度高于80%（图5）。

图5 MODIS图像森林火灾识别实例

3.2 排除干扰因素

在一些案例中，异常高温的物体或区域会导致森林火灾的误报。因此，我们需要排除这些干扰，提高森林火灾识别的准确性。

第一种措施是消除来自机械、电气、引力和工程辐射源的干扰信号。由于这些信号大多是间歇性的，我们可以重新扫描，以确定高温信号是否仍然存在。否则，将不会确认发生森林火灾。

第二种措施是消除极端天气，特别是极高气温的干扰，这可能导致在热红外图像中错误地识别森林火灾。将极高和极低环境温度记录与天气预报相结合，收集到系统数据库中，用于调整火灾识别的判断阈值，排除天气因素。

第三种措施是消除高温动物作为干扰源的影响。解决方案是，当温度异常点的温度值在一个小范围波动和整体温度低于火灾火焰或隐藏火，则确认没有火灾发生。因为动物保持的温度应该在35°C和45°C之间，这是低于隐藏火的。

4 提高森林火灾定位精度<!--

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[240179]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章