[發(fā)明專利]一種基于遙感圖像的森林火災(zāi)檢測方法

有效

• 申請?zhí)枺?/td>: 201810512059.7
• 申請日: 2018-05-25
• 公開（公告）號: CN108765335B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計）人: 彭真明;黃景雨;汪春宇;張?zhí)旆?/a>;陶冰潔;劉雨菡;黃蘇琦;張?zhí)m丹;張鵬飛;梁航;賁慶妍;楊春平
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/30;G06T7/11;G06T7/136
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 李龍

本發(fā)明公開了一種基于遙感圖像的森林火災(zāi)檢測方法，涉及機器視覺工業(yè)應(yīng)用中的智能識別技術(shù)領(lǐng)域，本發(fā)明包括讀入初始圖像，進行中值濾波得到去噪圖；計算局部熵并歸一化，得到局部熵圖像；對局部熵圖像進行形態(tài)學(xué)閉操作，再進行腐蝕，得到腐蝕圖像；去噪圖進行對數(shù)變換得到對數(shù)變換圖像；計算對數(shù)變換圖像中每個像素點的灰度共生矩陣，得到隨機性，并對隨機性進行歸一化，得到隨機性歸一化圖像；使用最大類間方差法對腐蝕圖像和隨機性歸一化圖像分別進行閾值分割，得到兩個特征二值化圖像；將兩特征二值化圖像中相對應(yīng)的像素點分別進行與操作，得到最終輸出圖像，本發(fā)明不僅高效快捷，而且能夠保證較高的準(zhǔn)確度，具有實用價值。

技術(shù)領(lǐng)域

本發(fā)明涉及機器視覺工業(yè)應(yīng)用中的智能識別技術(shù)領(lǐng)域，更具體的是涉及一種基于遙感圖像的森林火災(zāi)檢測方法。

背景技術(shù)

森林火災(zāi)是一種年年發(fā)生的世界性的、危害森林資源的重大災(zāi)害，每一次森林大火都給森林植被、森林生態(tài)系統(tǒng)、全球生態(tài)環(huán)境和人類生命財產(chǎn)帶來嚴(yán)重危害和損失。我國是重、特大森林火災(zāi)高發(fā)區(qū)，特別是在東北森林與華南森林，已引起政府的高度重視。因此，對于森林火災(zāi)的監(jiān)控至關(guān)重要，如何及時、準(zhǔn)確地檢測到森林火災(zāi)的發(fā)生已經(jīng)成為了國內(nèi)外研究熱點之一。

森林火災(zāi)一般都發(fā)生在人跡罕至的區(qū)域，難以實現(xiàn)人工檢測。而衛(wèi)星遙感技術(shù)在監(jiān)測森林火災(zāi)方面具有極大的優(yōu)勢，遙感檢測面積廣，時間、空間分辨率高，成本低廉，非常適合火災(zāi)的相關(guān)信息提取，在森林火災(zāi)檢測工作中具有特殊的能力和潛力。自二十世紀(jì)七十年代初，國內(nèi)外學(xué)者研究形成了多種在衛(wèi)星紅外圖像中檢測森林火災(zāi)的算法，并應(yīng)用于全球區(qū)域的火情監(jiān)測、過火區(qū)制圖和森林火災(zāi)受害程度評價，例如基于林火紅外光譜探測的MODIS火點監(jiān)測算法，基于林火在衛(wèi)星紅外圖像上的成像特征及火點的亮溫閾值檢測法等等。

從遙感圖像中分析、檢測出森林火災(zāi)是遙感森林火災(zāi)監(jiān)測技術(shù)的重點和難點，現(xiàn)有的技術(shù)主要著重于森林火災(zāi)著火點的檢測，而并沒有覆蓋到整個著火區(qū)域，現(xiàn)有技術(shù)雖然能夠及時檢測出火災(zāi)，但由于沒有利用森林火災(zāi)紅外成像的形態(tài)特征，很容易受其他高輻射源或圖像噪聲的影響而導(dǎo)致虛警；而且，一旦沒有在起火的第一時間檢測，火災(zāi)擴散開來不再表現(xiàn)為著火點之后，就很可能出現(xiàn)漏檢；并且另一方面，通過現(xiàn)有的檢測方法無法確定火災(zāi)的區(qū)域跟面積。

發(fā)明內(nèi)容

本發(fā)明的目的在于：為了解決現(xiàn)有的森林火災(zāi)檢測方法由于沒有利用森林火災(zāi)紅外成像的形態(tài)特征，很容易受其他高輻射源或圖像噪聲的影響而導(dǎo)致虛警的問題，本發(fā)明提供一種基于遙感圖像的森林火災(zāi)檢測方法。

本發(fā)明為了實現(xiàn)上述目的具體采用以下技術(shù)方案：

一種基于遙感圖像的森林火災(zāi)檢測方法，包括如下步驟：

S1、讀入初始圖像f(x,y)，進行中值濾波得到去噪圖f_pre(x,y)，其中(x,y)表示初始圖像中的像素點坐標(biāo)；

S2、計算去噪圖f_pre(x,y)中每個像素點的3×3鄰域局部熵并歸一化處理，得到局部熵圖像f_ent(x,y)；

S3、使用4×4的模板對局部熵圖像f_ent(x,y)進行形態(tài)學(xué)閉操作，再以3×3模板對閉操作后的局部熵圖像f_ent(x,y)進行腐蝕，得到腐蝕圖像f_erode(x,y)；

S4、將S1中得到的去噪圖f_pre(x,y)進行對數(shù)變換得到對數(shù)變換圖像f_log(x,y)；

S5、計算對數(shù)變換圖像f_log(x,y)中每個像素點的5×5鄰域灰度共生矩陣，再根據(jù)灰度共生矩陣得到每個像素點的隨機性，并對所有像素點的隨機性進行歸一化處理，得到隨機性歸一化圖像f_random(x,y)；