[發(fā)明專利]一種基于改進Prewitt算子的火災(zāi)辨別裝置

在審

• 申請?zhí)枺?/td>: 201810362963.4
• 申請日: 2018-04-21
• 公開（公告）號: CN108875550A
• 公開（公告）日: 2018-11-23
• 發(fā)明（設(shè)計）人: 王仕偉
• 申請（專利權(quán)）人: 卞家福
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G08B17/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進Prewitt算子的火災(zāi)辨別裝置，其特征在于，包括一輸入模塊，所述輸入模塊由若干個網(wǎng)絡(luò)攝像頭組成，一算法處理模塊，所述算法處理模塊與輸入模塊相連接，一煙霧報警器，所述煙霧報警器與算法處理模塊相連接，所述輸入模塊采用網(wǎng)絡(luò)適配器連接到算法處理模塊，所述算法處理模塊用于對火災(zāi)場景進行處理、分析，實現(xiàn)精確還原并定位，通過煙霧報警器報警；以及一視頻監(jiān)控服務(wù)器，所述視頻監(jiān)控服務(wù)器與算法處理模塊相連接，一輸出模塊，所述輸出模塊與視頻監(jiān)控服務(wù)器相連接，所述算法處理模塊采用以下步驟對火災(zāi)場景進行處理分析：S1、采集原始火災(zāi)圖像，根據(jù)原始圖像的像素位置信息和像素灰度值信息，對原始火災(zāi)圖像進行濾波處理，生成濾波火災(zāi)圖像，然后根據(jù)所述火災(zāi)濾波圖像的局部像素信息和整體像素信息，對所述濾波圖像進行增強處理，生成增強圖像，再根據(jù)所述增強圖像，生成類梯度圖，并對所述類梯度圖進行二值化處理，生成二值圖像；根據(jù)所述原始圖像的像素位置信息和像素灰度值信息，對所述原始圖像進行濾波處理，生成濾波圖像，具體包括：根據(jù)所述原始圖像的像素位置信息和像素灰度值信息，生成濾波系數(shù)模板；使用所述濾波系數(shù)模板，對所述原始圖像進行行濾波，并對行濾波結(jié)果進行列濾波，生成第一中間圖像；使用所述濾波系數(shù)模板，對所述原始圖像進行列濾波，并對列濾波結(jié)果進行行濾波，生成第二中間圖像；根據(jù)所述第一中間圖像和所述第二中間圖像，生成濾波圖像；

S2、對步驟S1的二值圖像，計算單一尺度下圖像的形態(tài)學梯度；所述步驟S2使用如下公式計算單一尺度下圖像的形態(tài)學梯度：

其中，G(f)為單一尺度下圖像的形態(tài)學梯度，f為濾除噪聲后的空間目標圖像，B為結(jié)構(gòu)元，和分別表示形態(tài)學處理中的膨脹運算和腐蝕運算；

根據(jù)所述單一尺度下圖像的形態(tài)學梯度，計算得到多尺度形態(tài)學梯度圖像；使用如下所述的公式計算得到多尺度形態(tài)學梯度圖像：

其中，MG(f)為多尺度形態(tài)學梯度；Bi為第i個結(jié)構(gòu)元，其尺寸為(2i+1)×(2i+1)；n為尺度數(shù)；確定多尺度形態(tài)學梯度圖像中的極大值點的位置；使用過零點位置模板選取對應(yīng)的形態(tài)學梯度邊緣，并根據(jù)預(yù)設(shè)閾值去除偽邊緣；使用高斯濾波器對所述多尺度形態(tài)學梯度圖像進行低通濾波；使用Prewitt算子計算出所述多尺度形態(tài)學梯度圖像在水平和豎直兩個方向上的一階導(dǎo)數(shù)；使用過零點檢測方法檢測出梯度圖像中極值點所對應(yīng)的位置；所述保留目標邊緣的主干并去除邊緣中的碎片包括：利用像素的連通性，將目標邊緣分割成一個或多個連通部分；計算每個連通部分的面積，將面積小于預(yù)設(shè)第二閾值的連通部分去除；S3、采用改進Prewitt算子邊緣檢測算子對步驟S2的多尺度形態(tài)學梯度圖像進行邊緣檢測，得到火災(zāi)復(fù)雜環(huán)境圖像的邊緣信息，所述改進Prewitt算子邊緣檢測算子采用8模板Prewitt算法，主要為：把那些在鄰域內(nèi)灰度變化超過某個適當閾值的像素點當作邊緣點；還在改進的Prewitt邊緣檢測算子基礎(chǔ)上添加了改進的Sobel算子，改進的Prewitt算子主要改進在：在傳統(tǒng)Prewitt算子垂直與水平兩個方向的模板上，以45度為單位將垂直與水平模板均分成8個方向模板；所述步驟S3改進的Sobel算子主要改進在：在傳統(tǒng)Sobel算子垂直與水平兩個方向的模板上，以22.5度為單位將垂直與水平模板均分成16個方向模板體，具體包括：S31：邊界是亮度級的梯度變化，邊緣是梯度變化的位置，用梯度向量的大小和方向來表述這種變化，邊緣用梯度向量的大小和方向來表述這種變化；

梯度算子是一階導(dǎo)數(shù)算子，圖像f(x,y)在位置(i,j)的梯度定義為下列矢量：

的幅度值為：

S32：Sobel算子用水平和豎直兩個方向的模板與圖像f(x,y)做卷積運算，以此近似計算(i,j)處的梯度值，可通過下列公式求解G_x和G_y的值：

f(x,y)＝max{|G_x|,|G_y|}

Gx＝f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2f(i-1,j)-f(i-1,j+1)

Gy＝f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2f(i,j-1)-f(i+1,j-1)

式中，G_x和G_y分別為水平方向和垂直方向的梯度值；

S33：在傳統(tǒng)Sobel算子的基礎(chǔ)上，增加其他14個方向的模板，分別為；22.5n，n＝1、2…15、16，

S34：根據(jù)上述16個方向模板，計算不同方向的權(quán)值，計算公式如下：

lng(x,y)＝-ln2[d(x,y)²-u]

ω(x,y)＝[g(x,y)]

式中，d(x,y)表示模板的元素與中心點之間的歐式距離，g(x,y)表示(x,y)處的實數(shù)權(quán)值，u表示調(diào)整系數(shù)，對g(x,y)取整得到ω(x,y)；

S35：根據(jù)預(yù)先設(shè)定的模板各個點的權(quán)重，然后與目標圖像相對應(yīng)的像素做卷積運算；

S36：選取在步驟S25中得到的最大值，用此最大值代替模板中心點對應(yīng)的目標圖像的像素值，最后輸出最大的灰度值作為所有模板中的像素輸出值；

S37：設(shè)定合適的閾值T，若(i,j)處的梯度幅值▽f(i,j)≥T，則將該點定義為邊緣點。