图像去噪在火焰识别中的应用研究.docxVIP

摘要：针对火灾现场视频中有可能存在的图像噪声的情况，文章通过中值滤波、均值滤波、理想低通滤波和小波变换去噪等方法处理含噪火焰图像，分析其峰值信噪比（PSNR）和去噪图像等特征，选择处理效果较好的均值滤波和小波变换阈值去噪;并进一步对均值滤波图像、小波变换的软阈值去噪和硬阈值去噪图像进行火焰分割，分析去噪效果在火灾识别中的应用效果。经实验知，均值滤波在分割火焰的面积识别上更接近无噪声的火焰分割面积，小波变换的去噪火焰分割视觉效果上更贴合无噪声火焰图像。

关键词：均值滤波;小波变换;图像去噪;火焰识别

火灾一直以来都严重威胁着人类的生命和财产安全，影响着社会的稳定。在火灾事故中，现场调查人员通过对火灾现场的调查可以帮助查明火灾原因，总结火灾经验，对于预防火灾有着极其重要的作用。随着社会和科技的发展，近年来，视频火灾的侦查技术成为火灾调查新的研究热点。调查人员通过对火灾现场相关的视频和图像进行技术分析，进一步判断火灾起火点、起火原因以及火灾发展过程。

而现场采集的视频图像在拍摄、采集、传输、处理等过程中，会因为各种不可避免的原因引入噪声，从而导致采集到的火灾现场图像不清晰，造成图像质量下降，影响计算机对现场火焰的提取和分析[1]。图像去噪在有效去除图像噪声的基础上，可以较好地保留图像原有信息，目前常见的图像去噪方法有中值滤波、均值滤波、理想低通滤波等，这些算法对图像去噪都有一定的效果，但是在处理过程中会造成高频细节成分缺失，丢失图像边缘细节信息。基于小波变换的图像去噪，可以随着小波分解尺度实时改变，适应性强，但是在阈值的选取上要求较高，重构后的图像精度会有所降低[2]。

一、图像滤波

中值滤波和均值滤波为传统的空间域滤波，是通过对含噪图像的像素点直接进行抑制来消除图像中噪点的;理想低通滤波为频率滤波，由于图像中灰度变化较为剧烈的点一般为图像轮廓或者是噪声，理想低通滤波通过滤掉高频部分，仅允许低频通过来去除噪声，使图像平滑，但同时会丢失部分边缘信息。

（一）中值滤波

中值滤波主要采用灰度值排序，把数字图像中一点的值用该点的一个邻域中各个点值的中值代替，依次取代像素中心的灰度值，让原本与周围像素灰度值相差较大的像素值更改为与周围像素值比较接近的值，从而消除孤立点。设f（x，y）表示一幅大小M×N的图像，则中值滤波算法的公式见式（1）：

式中，f（x，y）表示中值滤波的输出图像，Sx，y表示图像中心在（x，y）处。

（二）均值滤波

均值滤波是将图像中某点周围邻域中所有像素值的灰度值相加求平均值，用所求的平均值来代替原来该点的灰度值。设A为包含像素（i，j）在内的邻域点的集合，（x，y）为集合中的像素，f（x，y）为像素（x，y）处的灰度值，则均值滤波后在像素（x，y）处的灰度值可表示见式（2）[3]：

式中，M是邻域像素点总数。

（三）理想低通滤波

在频率域中，通过滤波器函数衰减高频信息而使低频信息畅通无阻的过程被称为低通滤波。图像的细节和噪声多存在于高频部分，对图像进行低通滤波可以起到平滑抑躁的作用。理想的低通滤波传递函数见式（3）[4]：

（四）去噪结果分析

对于以上三种去噪方法，文章在Matlab2020a环境下，选取木材燃烧的火焰图像作为实验对象进行去噪处理。

第一，选取木材燃烧图像作为实验图像，进行灰度处理作为对比图像（如图1a所示），然后加入方差为0.01的高斯噪聲，获得含噪图像（如图1b所示）;

第二，对含高斯噪声的图像分别进行中值滤波（如图1c所示）、均值滤波（邻域空间3*3）（如图1d所示）和理想低通滤波（截止频率80）（如图1e所示）处理，得到不同处理的去噪图像;

第三，对去噪后图像进行画面的直观对比，并进一步计算其峰值信噪比（PSNR）（如表1所示），进行深入比较。

从图1可以看出，中值滤波去噪效果不明显，图像中噪声仍然很明显，均值滤波和理想低通滤波去噪效果优于中值滤波，但均值滤波去噪图像中仍然有噪声存在，低通滤波由于处理中过渡较为急峻，所以会产生振铃现象，导致去噪后的图像火焰边缘模糊，丢失部分图像信息。从表1可以看出，均值滤波和理想低通滤波的峰值信噪比均达到19以上，而中值滤波的峰值信噪比仅为12.4668，与含噪图像的11.11相差无几。综合来看，均值滤波的去噪效果更好。

二、小波变换去噪

小波变换是一种较为理想的时间-频率分析方法，在时域和频域空间内都可以较好地表征图像局部特征，在图像去噪、图像融合、边缘检测等方面都有较好的效果。基于小波变换去噪的方法是利用多分辨分析技术，利用小波变换将含噪图像进行多层分解，得到小波高频系数和小波低频系数，其中噪声信息主要存在于高频系数中，图像的有效信息存在于低频系数中。通过设置合适的阈值将小波高频系数中的噪声信息分离并置零，再利用小波阈值函数对小波高频系数进行重建，得到去噪后