样本熵融合聚类算法的森林火灾图像识别研究

针对森林火灾图像识别中遇到的漏检和误检等问题,提出了一种基于K-Means聚类下样本熵值判别算法。算法先将采集到的森林火灾图像进行色域空间转换,降低了视觉偏差在图像识别过程中的影响。然后采用K-Means聚类算法,通过HSV分量的欧氏距离准则,对火灾预期出现的图像子集进行聚类。在此基础上,通过样本熵对聚类后的图像子集权重进行辨别,区分类火灾区域和火灾区域的熵值统计差异,确认聚类筛选出来的图像子集是否存在火灾。实验结果表明,采用样本熵融合K-Means聚类算法对森林火灾图像识别能够有效提高识别正确率。经过60幅图像的检测,全部图像的火灾区域识别正确率提高到96.67%,平均识别时间为16.03 s。由于本算法具有较强的鲁棒性和便捷性,能够适应复杂背景下火灾区域识别工作,相对于传统K-Means算法具有更好的检测效果。