玄幻小说完本,我欲封天耳根小说,管理书籍排行榜

基于馬爾科夫隨機場的爐膛火焰圖像分割

來源：電子技術應用2012年第11期

何鵬1，王福剛1,2，王成琳1

1.齊齊哈爾大學通信與電子工程學院，黑龍江齊齊哈爾 161006； 2. 哈爾濱市南崗房產經營物業管理有限責任公司，黑龍江哈爾濱 150080

摘要： 提出一種基于馬爾科夫隨機場模型的火焰圖像分割算法。將由系統裝置獲取的原始火焰圖像從RGB空間變換到HSV顏色空間，以提取顏色特征。分別對原始圖像建立Potts標記場模型和有限正態混合觀測場模型(FGMM),結合顏色特征,運用貝葉斯估計和ICM算法,計算最大后驗概率(MAP)，并完成圖像分割。實驗證明，該算法可以有效地分割爐膛火焰圖像，為之后的工作奠定了基礎。

關鍵詞： 馬爾科夫隨機場爐膛火焰圖像分割顏色特征

中圖分類號: TP391.41
文獻標識碼: A
文章編號： 0258-7998(2012)11-0133-03

Image segmentation of furnance flame based on Markov random field

He Peng1, Wang Fugang1,2, Wang Chenglin1

1. Communication and Electronic Engineering Institute, Qiqihaer University, Qiqihaer 161006, China; 2. NaGang Property Management Co., Ltd, Haerbin 150080, China

Abstract： Propose an image segmentation algorithm of furnace flame based on Markov random field. Tansform the original flame image from RGB space to HSV space got by system hardware, to extract color vector. Then build Potts and FGMM modles respectively and finally combine color vector and use Bayesian and ICM algorithm to calculate Maximum a Posteriori(MAP) and complete segmentation. The experiment results show that this algorithm can segment image of furnance flame efficiently and lays a foundation for works later.

Key words : Markov random field; furnance flame; image segmentation; color feature

目前,利用計算機視覺技術對電站爐膛火焰燃燒狀態的監控已成為研究的熱點。對此，國內外學者作了大量的研究工作，意在通過火焰圖像信息的解讀，對其燃燒狀態進行識別，從而保證電站鍋爐的正常運行[1-5]。圖像分割是圖像處理和分析的關鍵環節，是成功進行下一步工作的有力保證，現有大量的人工智能算法己應用到火焰圖像分割之中[6-10]。

根據上述研究現狀，本文將計算機視覺技術應用到所從事的工作之中，即向各個社區供暖的電站鍋爐爐膛火焰圖像，提出一種基于馬爾科夫隨機場模型的爐膛火焰分割算法。算法分別對火焰圖像建立觀測場模型和標記場模型,將圖像分割轉化為求后驗概率最大值的問題。實驗證明，該方法有效地分割火焰圖像，為火焰燃燒狀態的識別、電站鍋爐運行狀態的監督及社區供暖監控等工作奠定了堅實的基礎。
1 系統裝置
本文設計的爐膛火焰圖像分割系統具有一定的創新性，適用于各種有無工業電視監督的電站，具有方便、經濟、成本低的特點。硬件裝置包括具有靈敏度高、抗強光、體積小等特點的CCD攝像機，CPU為Intel Pentium 4、內存1 GB、硬盤80 GB的計算機(或筆記本電腦)，可以自由移動的暗箱及固定在暗箱上的2個高精密度光源。暗箱用來阻止外界光的干擾，CCD攝像機與計算機相連，安插固定在暗箱上方。獲取圖像時，將暗箱與電站爐膛口相對即可。2個高靈敏光源與爐膛火焰均成45°，既充當了自然光，又消除了火焰在攝像頭前留下的陰影。通過計算機控制調整CCD攝像機與火焰的距離，每隔一定的時間可獲取火焰圖像，并存儲在計算機內。系統硬件裝置如圖1所示。軟件選擇Matlab，其圖像處理工具箱中自帶的圖像處理函數和簡單的語法結構，使得仿真試驗可以方便快速地進行。

2 算法
    火焰圖像分割算法包括顏色特征提取、標記場模型Potts和觀測場模型FGMM的建立及最大后驗概率(MAP)的計算三部分，由此將圖像分割問題轉化成統計學計算的問題。
2.1 顏色特征提取
    系統裝置獲取的原始火焰圖像是在RGB顏色空間中表示的，RGB顏色空間由于參數R、G、B具有高度的相關性，所以不適合顏色提取分析。HSV顏色空間由RGB顏色空間演變而來，參數H表示色彩信息，參數S表示純度，參數V為色彩明亮程度，彼此之間的相關度不高，適合顏色分析。本文采用HSV顏色空間表示顏色特征，將提取的顏色特征記為α。
2.2 模型建立
    設圖像中的觀測像素為?琢，圖像的標號為Ma，可以定義為離散隨機變量，從L={1,2,…,N}中取值，這樣標號集合M={Ma,a∈A}是隨機場。每個觀測像素都有其相應的標號，圖像分割就是找出相同標號的不同觀測像素，并放在一起。數學表達為求P{M|?琢}，即后驗概率(MAP)值最大。

    (1) 設定圖像的分類數K，勢函數?茁及迭代次數；
   (2) 使用K-均值算法計算初始分割結果；
   (3) 估計觀測場參數μa和δ2；
   (4) 計算式(9)；
   (5) 根據式(9)最小原則，估計新的分割結果；
   (6) 判斷終止條件是否滿足。若滿足，則停止計算，否則返回步驟(3)。
2.4 算法流程
   本文的算法流程圖如圖2所示。

3 仿真及結果分析
針對本文提出的算法，在Matlab7.1環境下，對在系統硬件裝置中，間隔5 s所獲取的原始火焰圖像進行仿真，如圖3所示。
本文提出的算法可以準確地分割不同區域的火焰輪廓，為下一步分析工作打下堅實的基礎。系統全部程序的運行時間僅為6.023 8 s，體現了算法的準確快速性。仿真結果如圖4所示。

本設計成功地將計算機視覺技術應用到爐膛火焰分割之中。創新點在于系統裝置的設計和對原始火焰圖像的建模。通過對系統硬件獲取的火焰圖像建立馬爾科夫隨機場模型，準確地分割火焰圖像，為之后的火焰識別等工作奠定了基礎。
參考文獻
[1] HIRANO T, ISHIZUKA S, TSURUDA T, et al. The potential od visualization for studies on flames and furnace[J]. Fuel, 1994,73(11):1697-1705.
[2] 劉道光, 呂麗霞, 劉長良. 支持向量機在爐膛火焰監測中的應用[J]. 化工自動化及儀表, 2010,37(1):41-44.
[3] 韓璞, 張欣, 王兵. 基于神經網絡的交互式爐膛火焰圖像識別[J]. 中國電機工程學報, 2008,28(20):22-26.
[4] 周鵬，朱虹，季瑞瑞. 爐膛火焰圖像預處理的Matlab實現[J]. 微計算機信息, 2007,23(6):306-307.
[5] 孟令軍. 用計算機數字圖像處理技術檢測電站鍋爐燃燒器火焰[J]. 化工自動化及儀表,2001, 28(2):43-45.
[6] 田麗軍. 煤礦監控中火災圖像分割方法研究[J]. 煤炭技術, 2011,30(7):83-85.
[7] 許志聞, 紀政,郭嘵新,等. 基于小波神經網絡的爐膛火焰識別和診斷[J]. 儀器儀表學報, 2004, 25(8):376-378.
[8] 劉禾.基于火焰圖像和模糊神經網絡的鍋爐燃燒穩定性判別[J]. 儀器儀表學報, 2008,29(6):1280-1283.
[9] 吳錚, 孫立,汪亞明.基于隱馬爾可夫模型的火焰檢測[J].計算機工程, 2008,34(20):213-215.
[10] 董增壽, 張鳳春.基于OSTU爐膛火焰圖像分割建模[J].微計算機信息, 2010,26(6):201-203.

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容