[發(fā)明專利]一種基于優(yōu)化K-means聚類和C-V模型的紅外林火檢測方法

在審

• 申請?zhí)枺?/td>: 202211026537.6
• 申請日: 2022-08-25
• 公開（公告）號: CN115424049A
• 公開（公告）日: 2022-12-02
• 發(fā)明（設(shè)計）人: 周慧鑫;王珂;李歡;宋江魯奇;王瑛琨;張嘉嘉;張喆;騰翔;楊慶友;王財順;梅峻溪;劉志宇;秦翰林;羅云麟;甘長國
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/20;G06V10/26;G06V20/52;G06V10/30;G06N3/00
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 段俊濤

1.一種基于優(yōu)化K-means聚類和C-V模型的紅外林火檢測方法，其特征在于，包括以下步驟：

步驟1，預(yù)處理：獲取紅外森林火災(zāi)圖像，進(jìn)行噪聲抑制預(yù)處理，得到預(yù)處理后的圖像；

步驟2，火焰目標(biāo)區(qū)域粗分割：從預(yù)處理后的圖像中隨機(jī)選擇兩個像素點，作為粒子群優(yōu)化算法的初始聚類中心，并使用粒子群優(yōu)化算法求出的全局最優(yōu)解作為K-means算法的初始聚類中心，結(jié)合粒子群優(yōu)化與K-means聚類算法對紅外森林火災(zāi)圖像中的火災(zāi)目標(biāo)區(qū)域進(jìn)行粗分割，得到火災(zāi)目標(biāo)區(qū)域的粗分割結(jié)果圖像；

步驟3，火焰目標(biāo)區(qū)域的優(yōu)化：將粗分割結(jié)果圖像作為初始輪廓線，使用基于變分水平集的C-V模型實現(xiàn)對火災(zāi)目標(biāo)邊界的優(yōu)化；

步驟4，疑似火焰區(qū)域特征的判別：根據(jù)紅外火災(zāi)目標(biāo)特性，對疑似區(qū)域進(jìn)行特征判別，得到最終的火災(zāi)檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述基于優(yōu)化K-means聚類和C-V模型的紅外林火檢測方法，其特征在于，所述步驟1，采用改進(jìn)的中值濾波算法進(jìn)行噪聲抑制預(yù)處理，具體步驟如下：

步驟1.1，令窗口寬度為奇數(shù)k，選取中心點(i,j)所在的行、列及兩個對角線方向像素點灰度的中值；

其中，z₁、z₂、z₃、z₄分別表示中心點(i,j)所在的行、列以及兩個對角線方向像素點灰度值的中值；f(i,j)表示原始圖像中像素點的灰度值；med{·}表示求中值運算；

步驟1.2，取步驟1.1中所得的四個中值中的最大值代替中心點(i,j)的原灰度值，即得到最終的濾波結(jié)果，即：

M(i,j)＝max{z₁,z₂,z₃,z₄}

其中，max{·}表示求最大值運算。

3.根據(jù)權(quán)利要求1所述基于優(yōu)化K-means聚類和C-V模型的紅外林火檢測方法，其特征在于，所述步驟2，火災(zāi)目標(biāo)區(qū)域粗分割的具體步驟如下：

步驟2.1，設(shè)置初始聚類數(shù)為2，并從預(yù)處理后的圖像I_i中隨機(jī)選擇兩個像素點，作為粒子群優(yōu)化算法的初始聚類中心；

步驟2.2，根據(jù)粒子的位置矢量迭代公式迭代調(diào)整粒子更新的位置x_id(t)，以及根據(jù)粒子的速度矢量迭代公式迭代調(diào)整粒子前進(jìn)的速度v_id(t)，以尋找粒子群的最優(yōu)解；

x_id(t+1)＝x_id(t)+v_id(t+1)

v_id(t+1)＝ωv_id(t)+c₁rand()(p_id-x_id(t))+c₂rand()(p_gd-x_id(t))

其中，v_id(t+1)表示第i個粒子在t+1輪迭代中d維上的速度，參數(shù)ω表示慣性權(quán)重，通過調(diào)整ω的大小調(diào)整全局優(yōu)化能力和局部優(yōu)化能力，參數(shù)c₁和c₂分別是個體學(xué)習(xí)因子和群體學(xué)習(xí)因子，rand()是0和1之間的隨機(jī)數(shù)，p_id表示d維中第i個粒子的自身最優(yōu)解，p_gd表示全局最優(yōu)解；

步驟2.3，在確定慣性權(quán)重ω和學(xué)習(xí)因子c₁、c₂后，粒子群優(yōu)化算法開始搜索全局最優(yōu)解，根據(jù)下式求解粒子群適應(yīng)度方差σ²，當(dāng)粒子群適應(yīng)度方差小于閾值ζ時，則判定粒子群優(yōu)化算法收斂，并切換到K-means算法，否則返回步驟2.1；

其中，m表示粒子群中的粒子數(shù)，h_i表示粒子群中第i個粒子的適應(yīng)度，表示粒子群當(dāng)前的平均適應(yīng)度，h表示歸一化因子；

步驟2.4，將粒子群優(yōu)化算法求出的全局最優(yōu)解作為K-means算法的初始聚類中心；

步驟2.5，計算紅外森林火災(zāi)圖像中每個像素點到各聚類中心的距離，找到距離最近的聚類中心，將像素點歸類到該聚類，并計算新聚類的聚類中心；

步驟2.6，判斷新聚類中心與原聚類中心是否相同，若相同則聚類完成，否則返回步驟2.5；

步驟2.7，根據(jù)火焰的溫度特征，采用步驟2.1-2.6優(yōu)化后的K-means算法對紅外圖像進(jìn)行火災(zāi)目標(biāo)分割，從而獲得火焰目標(biāo)區(qū)域的粗分割結(jié)果圖像。