基于K均值聚类陶瓷窑炉火焰图像分割方法

陶瓷产品烧制过程中,其烧结状况随着烧制阶段不同而变化。火焰纹理在不同的烧制阶段变化明显,所以其可以作为陶瓷窑炉烧成带工况识别的重要参数。本文提出了一种基于K均值聚类对陶瓷窑炉烧成带火焰图像进行彩色分割的方法,同时给出了相应的k均值聚类算法。采用结合k均值聚类算法彩色分割方法实现了陶瓷窑炉火焰图像样本的有效分割,色彩信息得到最大保留。实验结果表明该方法为陶瓷窑炉烧成带火焰图像特征提取提供了一种较好的技术手段。这将为利用烧成带火焰图像特征来检测陶瓷窑炉烧成带温度,实现陶瓷窑炉烧成带温度智能控制提供一种新途径。

大空间火灾火焰图像分割区域的静态特征描述与提取

大空间火灾的有效检测对预防火灾、保护人员生命财产安全有着至关重要的作用。基于火焰视频图像的检测结果,对分割出的火焰图像进行静态特征描述和分析,提取出火焰候选区域的多种定量特征描绘子,并从颜色特征、纹理特征和形状特征这三个方面来描述火焰影像区域的静态视觉特性。试验结果表明利用火焰影像的颜色矩特征能够区分一般干扰物体;利用纹理特征能有效排除与火焰像素颜色相近的干扰物体;同时,采用圆形度作为火焰图像区域的形状特征描绘子也能排除常见的干扰模式,从而对火灾事件进行准确而有效的识别,减少识别误报率。

自适应变异的布谷鸟算法的火焰图像分割

针对火焰图像分割方法一般存在抗噪性能差,计算时间长的缺陷,不能满足电站锅炉火焰状态的实时监测,提出一种基于二维最大类间方差的自适应变异布谷鸟算法的火焰图像分割方法.以二维最大类间方差作为阈值选取准则,增强了算法的抗噪性能;利用差分进化算法的变异策略自适应的改进布谷鸟算法的更新策略,并动态变化发现概率,增强了算法的局部搜索能力,平衡了算法的开采和开发能力,缩短了算法的分割时间.实验证明本文方法在时间和精准度上都优于基于粒子群优化算法和布谷鸟算法的火焰图像分割方法.

大空间早期火灾火焰图像分割区域的特征描述与提取(英文)

基于火焰视频图像的检测结果,对分割出的火焰图像进行特征描述和分析,提取出火焰候选区域的多种定量特征描绘子。首先从颜色特征、纹理特征和形状特征3 个方面描述火焰影像区域的静态视觉特性,同时引入面积变化率和形体相似度 2 种描绘子来描述火焰区域的动态视觉特征,作为对火焰静态视觉特征的有效补充,以提高火焰识别系统的有效性和鲁棒性。相关结果可为后续火灾模式识别以及火焰空间定位提供理论基础,减少识别误报率,提高大空间灭火系统的工作效率。

基于纹理粗糙度的回转窑火焰图像FCM分割方法

在深入研究氧化铝回转窑火焰图像特点的基础之上,提出了一种将基于图像灰度值的模糊C-MEANS(FCM)算法与图像纹理粗糙度特征相结合的图像分割方法。利用加窗自相关系数表征图像中火焰区与物料区在纹理粗糙度方面的差异,对FCM聚类的结果隶属度矩阵进行去模糊化运算,改善了火焰区与物料区的分割效果。实验结果表明,图像灰度值信息和纹理粗糙度特征的融合对于提高氧化铝回转窑火焰图像的分割精度具有重要的研究价值。

锅炉煤燃烧火焰图像倒数交叉熵多阈值分割

为了快速准确地进行锅炉煤燃烧火焰图像的分割,提出了基于倒数交叉熵的多阈值分割方法,以弥补现有Shannon交叉熵方法因涉及对数运算而存在无定义值和零值的缺陷,并提升算法运算速度.首先定义了倒数交叉熵,导出了最小倒数交叉熵单阈值选取公式,证明了倒数交叉熵在灰度均匀分布时和Shannon交叉熵等价;然后将此推广到多阈值选取,给出最小倒数交叉熵多阈值选取的改进粒子群优化算法,实现对多个阈值快速精确地寻优;最后针对火焰图像进行了大量的实验.结果表明,与基于改进粒子群优化的最大Shannon熵、灰度熵、Otsu、Shannon交叉熵等方法相比,该方法能够更为准确地对火焰图像进行多阈值分割,而且计算速度比Shannon交叉熵方法大大加快.

基于并联结构的精准火焰图像分割方法研究

为解决复杂环境下火焰图像分割中产生的误分割及漏分割问题,提出一种火焰图像分割方法.首先将该方法分成初分割和抑制干扰两部分,然后采用并联结构进行粗分割,最后利用区域生长算法进行精准分割.在初分割部分,利用火焰最显著的红色分量对图像进行分割,基于二维最大熵法使用截断技巧,合理求解红色分量阈值;在抑制干扰部分,根据火焰反光区域蓝色分量值存在大幅度衰减现象,采用蓝色分量阈值分割,较好抑制了火焰反光.实验结果表明:所提出的方法有较高的精度和较强的抗干扰性,能解决复杂环境下火焰图像分割问题.

fire-GAN:基于生成对抗网络的火焰图像生成算法

针对生成对抗网络生成火焰图像质量不高、颜色难以控制的问题,基于HistoGAN算法,提出一种新的火焰生成算法(fire-GAN)。首先,在图像预处理环节添加火焰图像分割,使网络不受背景的干扰,能有效减少生成火焰发生形状变形、颜色失真的情况;其次,提出圆形度损失函数,使网络在训练过程中更加关注火焰轮廓的复杂度;最后,在生成器和判别器中均采取数据增强,使网络在训练过程中保持稳定,避免发生梯度爆炸。经实验测试,fire-GAN生成的火焰与目标火焰的RGB平均误差为2.6%,Fréchet inception distance(FID)为59.23,inception score(IS)为2.81。实验结果表明,fireGAN能生成与目标火焰图像颜色相近、清晰度好、真实性高的火焰图像。