加拿大紫荆‘森林火焰’组培快繁技术研究

以加拿大紫荆‘森林火焰’(Cercis canadensis‘Forest Pansy’)当年生嫩枝为试验材料,探讨不同培养基和植物生长调节剂如6-BA、IBA、NAA、TDZ对试管苗增殖以及生根的影响。结果表明:最适增殖培养基为DKW+TDZ0.03mg/L+PVP0.5mg/L;生根培养基为1/2MS+IBA25mg/L+AC0.6mg/L。此体系中增殖系数可达4.27,生根率73.3%。

基于Cr、Cb色彩空间的森林火焰图像分割方法

为了解决对有很强日光干扰的火焰图像进行分割的问题,通过研究森林火焰在Y、Cr、Cb颜色空间上的分布情况,提出了一种基于Y、Cr、Cb空间的森林火焰彩色分割方法以及利用相似距离进一步提高处理效果的方法.实验表明,该处理方法对在有较强日光干扰下的森林火焰图像有良好的提取效果.该方法充分利用了火焰图像的分布特性以及颜色空间的色彩信息和不同颜色空间特征的互补性,为火焰图像的提取提供了一个新思路.

改进CMAC在森林火焰识别中的应用

由于传统火情识别存在的缺陷,提出一种基于双曲正割函数的变步长最小均方(LMS)算法的小脑模型神经网络(CMAC)森林火焰识别系统。通过分析火焰初期的一些静态和动态特性,对森林火焰进行初步识别。并在利用最优阈值搜寻法对图像进行分割处理的基础上,提取出相应的特征向量,作为改进CMAC的输入,利用神经网络进行森林火焰检测与识别。实验仿真表明,能对火焰进行准确、有效的判别。

基于时空特征的林火视频火焰识别研究

由于森林火灾监控现场是野外广阔的林区,而且树叶的摇摆使得视频图像中的运动对象很多,强烈的阳光、秋季的枯叶和红枫会导致火灾识别的误报等,这些特点都使得现有室内或静止场景火灾视频监控的视频处理技术不再适用。考虑到火灾发生有一个蔓延的过程,是一个包含若干连续视频帧图像的视频片段,笔者首先将疑似火焰视频划分成时空视频块,根据颜色特征和运动特征得到疑似火焰区域,然后在视频片段大粒度下基于空间静态特征(纹理、圆形度特征)和时序动态特征(火焰面积变化、形状相似性、闪烁频率特征)提取火焰特征向量,最后使用基于Ada Boost的算法进行火焰识别,实现森林火灾的实时检测。结果表明,该方法能够准确有效地进行林火视频火焰识别。