36
АВТОАДАПТИВНОЕ ВЫДЕЛЕНИЕ ГРАНИЦ ПОВРЕЖДЕННОЙ
ОБЛАСТИ НА ВИДЕОИЗОБРАЖЕНИИ: АНАЛИЗ ОГНЯ И ПЛАМЕНИ С
ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Тожиев Маруф Рузикулович
Джизакский филиал Национального университета Узбекистана
Аннотация.
В данной работе представлен вычислительный алгоритм для
обнаружения и извлечения пожара из видеоизображений на основе
термохимической реакции. Алгоритм позволяет точно определять границы
пожарных и непожарных областей, что имеет важное значение для мониторинга
пожаров, раннего обнаружения возгораний и оценки пожаров. Исследования
показали, что традиционные методы обнаружения пожара имеют недостаточную
точность. В данной работе предложен алгоритм, который обнаруживает и
устраняет нежелательные артефакты, выявляя ключевые символические огни и
границы огня.
Ключевые слова:
обнаружение краев, извлечение признаков, пожар,
пламя, анализ края изображения, мониторинг, обработка изображений.
Введение
Автоадаптивное обнаружение краев поврежденных областей на
видеоизображениях играет важную роль в пожарной безопасности и
мониторинге зданий. Наша статья исследует автоадаптивное обнаружение краев
в контексте пожаров, что помогает эффективно локализовать возгорания и
улучшить системы обнаружения пожаров.
В связи с растущей важностью эффективности сгорания и ограничения
выбросов вредных веществ, возросла потребность в количественном
мониторинге пламени в системах сжигания топлива, особенно в
электроэнергетике[1-2]. Современные технологии визуализации пламени
позволяют использовать их в системах обнаружения пожаров с высокой
эффективностью,
включая
дистанционное
мониторинг
и
высокую
чувствительность к малым пожарам.
Краевое обнаружение пламени и огня играет важную роль в обработке
изображений. Оно позволяет количественно определить характеристики
пламени, фильтровать фоновый шум и сегментировать группы пламени. Кроме
того, оно помогает отличить настоящую пожарную тревогу от ложной.
Результаты показали, что получение идеальных границ пламени на
реальных изображениях не всегда возможно, что затрудняет интерпретацию
данных[3-5]. Некоторые методы идентифицируют только часть края пламени, а
другие ошибочно обнаруживают незначительные края, не относящиеся к
основному пламени. См. рис. 1 (a)–(f) для примеров разъединенных и
фрагментированных ребер.
37
a
b
c
d
e
f
Рис. 1. Представительные результаты, полученные с использованием общих
методов обнаружения краев и метода Лапласа. (a) Исходное изображение. (b)
Метод Собеля. (c) Метод Прюитта. (d) Метод Робертса. (e) Метод Канни. (f)
Метод Лапласа
Мы разработали новый метод обнаружения краев на изображениях
пламени. Он решает проблемы фрагментации и ложных краев, обеспечивая
точное определение границ пламени и сохраняя его структурные
характеристики. Этот метод полезен для анализа пламени, идентификации типа
пожара и помощи пожарным. Он может быть эффективным инструментом для
обработки изображений пламени и огня.
Методология
Современный подход к обработке изображений пламени с новым
алгоритмом обнаружения краев.
Данный вычислительный алгоритм направлен
на выделение краев области пламени с учетом ее более высокой яркости по
сравнению с фоном и непрерывности границы между ними. Большинство
изображений пламени содержат только одно основное пламя, и, в случае наличия
нескольких языков пламени, изображение можно разбить на области с
единственным пламенем[6]. Описанный алгоритм выполняет обнаружение
грубых и ненужных краев на изображении пламени, а затем изоляцию и удаление
ненужных краев для выделения основных краев пламени. Алгоритм может быть
разбит на несколько этапов.
Шаг 1)
Корректировка градации серого на изображении пламени[7].
Шаг 2: Удаление шума на изображении[8-9].
Шаг 3)
Поиск базовых границ с использованием оператора Собеля[10]
.
Шаг 4) Оптимизация значений TH и TL для получения лучших
результатов[11-13].
Шаг 5) Удаление несвязанных ребер в
ПИГ
.
Шаг 6)
Получение ясно определенного контура.
Выберите пиксели самого
длинного контура на итоговом изображении контуров, которое должно иметь
такой же размер, как исходное изображение. Схема всего процесса показана на
рис. 4.
Чтобы ускорить процесс определения соответствующих
T
H
и
T
L
,
используется класс адаптивных фильтров, а именно алгоритм наименьшего
среднего квадрата (LMS)
38
Рис. 4. Блок-схема алгоритма обнаружения границ пламени
Заключение
Исследователи разработали эффективный метод обнаружения краев
пламени, способный работать с неоднородными пламенами. Алгоритм
автоматически настраивается под различные сценарии и обеспечивает точное
определение границ горения и пожара. Это позволяет количественно измерять
параметры пламени и улучшает мониторинг пламени. Результаты исследования
были проверены на изображениях из лаборатории, и требуется дальнейшая
оценка в реальных сценариях обнаружения пламени.
39
Литературы:
1.
G. Lu, Y. Yan, and M. Colechin, “A digital imaging based multi-functional
flame monitoring system,”
IEEE Trans. Instrum. Meas.
, vol. 53, no. 4, pp. 1152–1158,
Aug. 2004.
2.
Y. Yan, T. Qiu, G. Lu, M. M. Hossain, and G. Gilabertet, “Recent advances
in 3D flame tomography,” in
Proc. 6th World Congr. Ind. Process Tomogr.
, Beijing,
China, Sep. 2010, pp. 1530–1539.
3.
D. S. Huang, L. Heutte, and M. Loog, “Real-time fire detection using camera
sequence image in tunnel environment,” in
Proc. ICIC
, vol. 4681,
LNCS
, 2007, pp.
1209–1220.
4.
Z. Zhang, J. Zhao, D. Zhang, C. Qu, Y. Ke, and B. Cai, “Contour based forest
fire detection using FFT and wavelet,” in
Proc. Int. Conf. CSSE
, Wuhan, China, Dec.
12–14, 2008, pp. 760–763.
5.
Zhou, F. Yu, Y. Wen, Z. Lu, and G. Song, “Early fire detection based on
flame contours in video,”
Inf. Technol. J.
, vol. 9, no. 5, pp. 899–908, 2010.
6.
B. U. Toreyin, Y. Dedeoglu, and A. E. Cetin, “Flame detection in video using
hidden Markov models,” in
Proc. IEEE ICIP
, Sep. 11–14, 2005, p. II-1230-3.
7.
B. U. Toreyin, Y. Dedeoglu, U. Gudukbay, and A. E. Cetin, “Computer
vision based method for real-time fire and flame detection,”
Pattern Recognit. Lett.
,
vol. 27, no. 1, pp. 49–58, Jan. 1, 2006.
8.
B. U. Toreyin and A. E. Cetin, “Online detection of fire in video,” in
Proc.
IEEE Conf. CVPR
, 2007, pp. 1–5.
9.
Khasanov Dilmurod, Tojiyev Ma’ruf, Primqulov Oybek., “Gradient
Descent In Machine”. International Conference on Information Science and
Communications
Technologies
(ICISCT),
https://ieeexplore.ieee.org/document/9670169
10.
Тожиев Маъруф, Боболов Джахангир, & Донабоев Диёр. (2023).
МЕТОДЫ
СЕГМЕНТАЦИИ
ВИДЕОИЗОБРАЖЕНИЯ
НА
ОСНОВЕ
МАРКОВСКИХ СЛУЧАЙНЫХ ПОЛЕЙ. International Journal of Contemporary
Scientific
and
Technical
Research,
160–164.
Retrieved
from
https://journal.jbnuu.uz/index.php/ijcstr/article/view/399
11.
Tojiyev Maruf, “Hazard recognition system based on violation of the
integrity of the field and changes in the intensity of illumination on the video image”
2022 International Conference on Information Science and Communications
Technologies (ICISCT),
https://doi.org/10.1109/ICISCT55600.2022.10146933
12.
Q. Jiang and Q. Wang, “Large space fire image processing of improving
canny edge detector based on adaptive smoothing,” in
Proc. Int. CICCITOE
, 2010, pp.
264–267.
13.
Тожиев Маъруф, Боболов Джахангир, & Донабоев Диёр. (2023).
Алгоритм определения и выделения координат ярких участков изображения.
International Journal of Contemporary Scientific and Technical Research, 157–160.
Retrieved from
https://journal.jbnuu.uz/index.php/ijcstr/article/view/398
14.
R. C. Gonzalez and R. E. Woods,
Digital Image Processing
, 2nd ed.
Englewood Cliffs, NJ: Prentice-Hall, 2002.
40
15.
D. Ziou and S. Tabbone, “Edge detection techniques: An overview,”
Int. J.
Pattern Recognit. Image Anal.
, vol. 8, no. 4, pp. 537–559, 1998.
16.
J. Canny, “A computational approach to edge detection,”
IEEE Trans.
Pattern Anal. Mach. Intell.
, vol. PAMI-8, no. 6, pp. 679–698, Nov. 1986.
17.
W. S. Steven,
The Scientist and Engineer’s Guide to Digital Signal
Processing
. San Diego, CA: California Tech. Publ., 2003.
IMAGE PROCESSING TOOLBOX (IPT) MUHITIDA TASVIRLARNI
FILTRLASH
t.f.n., dots. Tavboyev Sirojiddin Axbutaevich,
Qarshiboyev Nizomiddin Abdumalik o‘g‘li
Jizzax politexnika instituti
Annotatsiya:
Tasvirlarga ishlov berishda Fure o‘zgartirishidan foydalanish.
Image Processing Toolbox muhitida tasvirlarni filtrlash.
Kalit so‘zlar:
MATLAB, Fure, matematik analiz, koeffisent, trigonometrik
funksiya.
Chegaralarni ko‘paytirishda o‘tkazilgan tajribalar shuni ko‘rsatadiki, chegarasi
ajralib turgan fotografik, televizion tasvirlar odam tomonidan ranglar bir-biriga
sezilarsiz o‘tadigan tabiiy manzaradan ko‘ra yaxshiroq qabul qilinadi.
Bu xususiyat va tasvirdagi chegaraning yoyilish ko‘rinishidagi xalaqitlarini
yo‘qotish muammolari tasvirlarga avtomatik ishlov berish, oldiga chegarani
kuchaytirish, ya’ni fon va ob’ekt yorug‘liklari farqini oshirish masalasini qo‘yadi.
Ushbu masalani yechish usullari tasvirlarga ishlov berishda keng qo‘llaniladi [1-3].
Odatda chegara yuqori chastotali filtrlar yordamida kuchaytiriladi.
Ko‘rinib turibdiki, bu filtrlarning ish niqoblari o‘rtacha (0) qiymatga ega bo‘ladi.
Ya’ni niqobdagi manfiy va musbat qiymatlarning yig‘indisi 0 ga teng. Buning sababi
niqob qo‘llanilganda bir jinsli maydon uchun 0 natija, chegaraviy soha uchun 0 dan
farqli natija olinishi kerak. Chegaraviy sohani kuchaytirishning yana bir usuli statistik
ayirmalashdir. Bunda har bir element qiymati o‘rta kvadratik cheklanishning statistik
bahosiga bo‘linadi.
0
1
0
1
4
1
0
1
0
)
,
(
1
−
−
−
−
=
n
m
A
1
1
1
1
3
1
1
1
1
)
,
(
2
−
−
−
−
−
−
−
−
=
n
m
A
1
2
1
2
4
2
1
2
1
)
,
(
3
−
−
−
−
=
n
m
A
