基于改進的SUSAN算法的火焰圖像邊緣檢測研究

夏凱

摘 要： 火焰圖像邊緣檢測是火焰圖像檢測系統(tǒng)研究的基礎。將SUSAN算法引入到火焰邊緣檢測之中，并針對SUSAN算法中人為設定閾值在一些特殊場合下無法有效提取圖像邊緣的問題和運算量過大不適用于實時場景的缺點，通過引入目標區(qū)域判別和自適應閾值選取，提出一種改進SUSAN算法，解決上述兩個缺陷并對該算法進行仿真。實驗結果表明，該算法可以有效地提高火焰檢測的準確率，排除干擾源，并具有良好的自適應性。

關鍵詞： 火焰圖像； 邊緣檢測算子； SUSAN算法； 自適應閾值選取

中圖分類號： TN911.73?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2015）05?0058?04

Research on flame image edge detection base on improved SUSAN algorithm

XIA Kai

（College of Information and Control Engineering， Xian University of Architecture and Technology， Xian 710054， China）

Abstract： The flame image edge detection is the base to research the flame image detection system. The flame image edge detection model of an improved SUSAN algorithm is proposed in this paper. The SUSAN algorithm has some drawbacks： 1） the image edge cannot be effectively extracted in some special occasions due to the man?made threshold setting； 2） the too large computation quantity makes it not to be applied to the real?time occasions. Therefore， an improved SUSAN algorithm is proposed， by which the target area distinguishing and adaptive threshold selection are introduced to overcome the shortcomings of SUSAN algorithm. Experimental results show that the algorithm proposed in this paper can effectively improve the accuracy of flame image edge detection， eliminate the interference sources， and has perfect adaptability.

Keywords： flame image； edge detection operator； SUSAN algorithm； adaptive threshold selection

0 引 言

火災是現(xiàn)今社會中多發(fā)性的災害之一，是由于時空上失去控制的燃燒而引起。火災的發(fā)生嚴重危害公眾的安全和社會的發(fā)展，具有極強的突發(fā)性和極大的危害性。因此，對火災進行有效的實時監(jiān)測具有重要的研究意義和實際價值?；鹧鎴D像作為火焰檢測方法的主要信息源，其主要特點是信息直觀且豐富，可以為火災的早期辨別提供重要的依據(jù)和基礎。對火焰圖像進行邊緣檢測不僅可以為火焰圖像特征提取提供依據(jù)，還能為火焰圖像的進一步圖像增強、圖像恢復以及圖像分割奠定理論及數(shù)據(jù)基礎。因此，火焰圖像的邊緣檢測是火災圖像檢測方法中的關鍵性環(huán)節(jié)。

邊緣檢測技術是計算機視覺中的一項關鍵技術。圖像的邊緣是指圖像中像素灰度急劇變化的那些像素的集合，它是圖像最基本的特征。圖像的邊緣可以分為兩類：階躍狀邊緣，邊緣兩邊像素的灰度值明顯不同；屋頂狀邊緣，邊緣處于灰度值由小到大再到小的變化轉折點處[1]。邊緣存在于目標、背景和區(qū)域之間，所以，它是圖像分割以及圖像識別所依賴的最重要的依據(jù)，能夠提取出目標物體的輪廓，讓觀察者可以輕易做出辨別。由于邊緣是位置的標志，對灰度的變化不敏感，因此，邊緣也是圖像匹配的重要的特征。近幾年來，計算機數(shù)字圖像技術已經(jīng)廣泛運用到火災探測與識別領域中，其中一個重要的方面就包括對火災的火焰圖像進行邊緣檢測，以便準確地測量火焰的大小、形狀和位置信息，減少圖像中的冗余信息，保留火焰圖像中的重要結構特征信息。這樣以來，就可以在第一時間通過相關技術手段識別并確認火源信息，在火災早期進行滅火處理，阻止火災進一步發(fā)展，減少人員傷亡和財產(chǎn)損失。

目前，針對火焰圖像邊緣檢測，該領域的研究人員已經(jīng)提出了一系列有效的方法。Adkins開發(fā)了一種火焰圖像分析軟件[2]，工作人員可以利用鼠標對火焰圖像的邊緣進行標記和跟蹤。這是一種人工邊緣檢測方法，但是其對于火焰圖像邊緣檢測具有重要的意義和價值。Bheemul通過檢測火焰圖像中水平方向線上的亮度變化提取火焰邊緣[3]，該方法僅適用于簡單穩(wěn)定的火焰圖像。Zhang等人提出了一種基于快速傅里葉變換和小波變換的火焰圖像邊緣分析算法，并將該方法應用于森林火災監(jiān)測視頻中。Toreyin等人成功將隱馬爾科夫模型和小波變換等不同方法應用于實時視頻的火焰檢測中[4]。She和Huang提出了一種基于Chan?Vese（CV）[5]主動輪廓模型的火焰邊緣檢測方法。由此，當前針對火焰圖像邊緣檢測的算法有很多種，但是針對火災中需要的實時性比較強，開發(fā)一種簡單、有效和快速的方法，能及時提取出火焰邊緣特征信息變得尤為重要。邊緣檢測算子是邊緣檢測方法中常用的方法，其特點是適用范圍較廣，且簡單快速，可以有效提取圖像邊緣特征。相關研究人員也將邊緣檢測算子應用于火焰圖像中。Razmi等人利用背景消減以及Prewitt邊緣檢測算子進行火焰圖像的邊緣檢測[6]。Jiang和Wang提出了一種利用改進Canny邊緣檢測算子對運動的火焰區(qū)域進行邊緣檢測。盡管上述的方法在特定的應用場景下可以有效檢測火焰邊緣，能夠進行早期的火災預警，但也存在一些缺陷。傳統(tǒng)的邊緣檢測算子，如：Canny算子、Sobel算子、Log算子、Prewitt算子等基本上都涉及到一階或二階梯度計算，因此會造成算法對噪聲不夠魯棒，且計算量大等特點，在檢測火焰時邊緣不夠清晰，不夠連續(xù)，不能很好地與實際火焰輪廓準確吻合。運算效率低，無法應用于實時火焰圖像檢測系統(tǒng)當中。

英國牛津大學的Smith等人提出的SUSAN算子為圖像邊緣檢測技術提供了一種無需計算圖像梯度的簡便算法[7]。該方法直接比較圖像灰度相似性，其特點是定位準確、運算簡單，且對噪聲有較好的魯棒性。SUSAN算法在邊緣檢測算法中能夠較好平衡檢測精度和運算復雜度。因此非常適用于如火焰圖像這類背景復雜噪聲影響較大的低對比度圖像的邊緣檢測。SUSAN算法不需要進行梯度運算并且具有積分特性，使得算法在抗噪聲能力和運行速度上有較大優(yōu)勢。針對SUSAN算法運算量大，需要人工選取閾值并不能完全消除噪聲影響問題，本文提出了改進的SUSAN算法應用于火焰圖像的邊緣檢測。

1 SUSAN算法

SUSAN即最小核值相似區(qū)，主要應用于圖像邊緣檢測和圖像角點檢測。SUSAN算法的主要思路是利用一個近似的圓形模板和該圓形模板中心放置像素點，通過計算模板內(nèi)其他像素值的與模板中心像素值近似的像素點個數(shù)。再與所設定的閾值進行比較，從而判定該中心像素點是否為目標邊緣[8]。SUSAN算法采用由37個像素組成的近似圓形作為模板，且中心像素為該模板的核[9]。該圓形模板如圖1所示。

1.1 算法基本思想

SUSAN算法利用上述的近似圓形模板在圖像上進行移動掩膜，如果模板內(nèi)的像素值與模板中心的像素值的差在特定閾值以內(nèi)，表明該像素與模板中心像素近似，在圓形模板中滿足該條件的像素點組成的區(qū)域被稱為核值相似區(qū)域，即USAN區(qū)域。當圓形模板在圖像上移動掩膜時，USAN的面積隨因所在不同圖像區(qū)域而變化。SUSAN算法就是根據(jù)USAN區(qū)域在圓形模板的狀態(tài)，判別模板中心像素是否為圖像邊緣。當圓形模板處于目標或背景中時，USAN區(qū)域的面積是最大；當圓形模板中心向目標邊緣移動時，USAN區(qū)域面積將逐漸變??；當模板中心位于目標邊緣上時，USAN區(qū)域的面積約為整個模板面積的一半；當模板中心位于圖像角點上時，USAN區(qū)域的面積最小。如圖2所示為SUSAN圓形模板中心位于圖像不同區(qū)域的USAN區(qū)域示意圖。

從圖2中可以看出，模板a表示圓形模板位于背景中，模板e表示圓形模板位于在目標中；模板b表示模板向目標邊緣移動；模板c表示模板中心在目標邊緣；模板d表示中心在目標角點。針對每個像素點USAN區(qū)域面積的變化，可以通過計算其面積大小，再與設定的閾值進行比較，若面積小于閾值，則該像素點為圖像中的邊緣點。這就是SUSAN算法的基本核心思想。

1.2 SUSAN算法描述

SUSAN算法用圓形模板對圖像進行移動掩膜，比較模板內(nèi)其他像素點與中心像素點，用過與給定閾值t進行比較，判斷中心像素點是否為USAN區(qū)域[10]，判定公式如下：

[c（r，r0）=1，I（r）-I（r0）≤t0，I（r）-I（r0）>t] （1）

式中：[c（r，r0）]是判別函數(shù)；[r0]表示模板的中心像素點；[r]表示圓形模板中其他像素點；[I（r）]為模板中任意點的像素灰度值；[I（r0）]為模板中任意點的像素灰度值；t為設定的閾值。

通常，式（1）采用更為穩(wěn)定的形式表示：

[c（r，r0）=e-I（r）-I（r0）t6] （2）

那么，圖像中每個點的USAN區(qū)域的面積可以通過式（3）進行計算：

[n（r0）=r∈D（r0）c（r，r0）] （3）

式中：[D（r0）]表示以[r0]為中心的圓形模板區(qū)域；[n（r0）]表示USAN區(qū)域的面積。

最后，將得到的每個像素的USAN值[n（r0）]與設定的幾何門限[g]進行比較來判定該點是否為邊緣[11]。計算公式如下：

[R（r0）=g-n（r0），n（r0）

式中：[R（r0）]表示[r0]的初始邊緣響應。從式（4）可以看出，USAN區(qū)域的面積[n（r0）]越小，[R（r0）]越大；幾何門限[g]可以極大地影響圖像提取邊緣的結果。其選取也存在一定主觀性，若[g]過大，則紋理和平坦區(qū)域被誤檢為邊緣；若[g]過大，則造成邊緣部分的漏檢。傳統(tǒng)SUSAN算法中一般綜合考慮圖像特征以及計算速度的需求，設定[g]為[0.75nmax，][nmax]為模板大小減1。

2 面向火焰圖像邊緣檢測的改進SUSAN算法

傳統(tǒng)的SUSAN算法在應用于普通圖像的邊緣檢測中時，具有定位準確，方法簡單等重要特點。但是在應用于火焰圖像邊緣檢測時存在以下缺點：

（1） 需要掃描整個圖像，進行逐點的USAN區(qū)域面積計算，確定該點是否為邊緣點，其運算量較大，影響了算法的實時性。而對于火焰圖像邊緣檢測，實時性較其他應用更為重要，因此急需提高。

（2） 需要人為設定灰度門限差的閾值t和幾何門限g，邊緣檢測結果容易受主觀閾值選取的影響，且自動化程度不高，檢測結果不夠魯棒。

針對以上兩個算法缺點，本文提出面向火焰圖像邊緣檢測的改進SUSAN算法，包括如下兩部分改進內(nèi)容：

2.1 目標像素區(qū)域判別

火焰圖像一個突出的特點在于，火焰目標區(qū)域的像素亮度明顯高于背景區(qū)域。為了進一步增強SUSAN算法的時效性，本文通過引入初始目標區(qū)域判定公式，對待檢測圖像進行初步劃分，分離目標區(qū)域和背景區(qū)域。對目標區(qū)域，利用SUSAN算法進行邊緣檢測，得到目標的邊緣輪廓；對于背景區(qū)域，不進行邊緣檢測，統(tǒng)一設定為0。這樣一來，便能進一步減少SUSAN算法在背景區(qū)域邊緣檢測中花費的時間，大大提高了算法的時效性。同時保證了邊緣檢測的精度。目標像素區(qū)域判定的公式為：

[I（r）=I（r），I（r）>λ0，I（r）≤λ] （5）

式中：[r]表示圖像中的像素點；[λ]表示目標區(qū)域判定閾值，計算公式為：

[λ=αI（rmax）+I（rmin）2] （6）

式中：[rmax]分別表示圖像中像素點的最大灰度值；[rmin]表示圖像中像素點的最小灰度值；[α]為調(diào)整系數(shù)，可以根據(jù)具體圖像的不同進行進一步微調(diào)，對比度越大[α]值越大。

2.2 自適應選取閾值t

考慮到火焰圖像中目標與背景的對比度以及背景區(qū)域紋理及結構的復雜程度，SUSAN算法中的灰度差相似閾值t的選取對邊緣檢測結果的影響較大。在待測圖像的對比度和背景條件較好的情況下，t的取值可以適當放大；而當待測圖像的對比度和背景條件較差的時候，t的取值需要較小才能獲得良好的目標邊緣檢測結果。傳統(tǒng)的SUSAN算法使用過人為依靠經(jīng)驗選取以及多次實驗結果對比進行閾值的確定，在很大程度上制約了SUSAN算法的實時應用效能以及自動化水平。本文通過引入簡單的圖像統(tǒng)計閾值選取方法，對不同情況下的圖像進行閾值t的自適應選取，這樣一來就可以進一步提高算法的適用場景和范圍。像素相似度閾值t的計算公式如下：

[t=β1Ni=1NIimax-1Ni=1NIimin] （7）

式中：[Iimax]表示待測圖像中最大的[i]個像素灰度值，[Iimin]表示待測圖像中最小的[i]個像素灰度值，而[N]為待測圖像中像素數(shù)量的[11 000]。[β]為調(diào)節(jié)系數(shù)，本文中取為0.3。

綜上，可得到面向火焰圖像邊緣檢測的改進SUSAN算法的整體流程圖如圖3所示。

3 實驗結果

為了證明改進SUSAN算法應用于火焰圖像邊緣檢測的有效性，本文選取2張實驗室采集的火焰圖像，利用經(jīng)典的邊緣檢測算法分別進行邊緣檢測實驗，然后與本文提出的改進SUSAN算法的實驗結果進行對比，從而論證本方法的有效性。本文選取的對比算法包括：Sobel算法、Prewitt算法、Canny算法和LoG算法四種經(jīng)典的邊緣檢測方法。具體實驗結果如圖4、圖5所示。

由圖4和圖5的邊緣檢測實驗結果可以看出，本文所提出的方法相較于傳統(tǒng)邊緣算子算法在應用于火焰圖像的邊緣檢測時，能夠更加有效地對邊緣進行檢測，邊緣線清晰、連貫，能夠較好地封閉為邊界線，達到了理想的火焰圖像邊緣檢測結果。

4 結 論

本文首先介紹了火焰圖像進行邊緣檢測的重要實際意義和應用價值，然后對現(xiàn)有的火焰圖像邊緣檢測方法進行了簡要的介紹和分析，并以SUSAN算法為基礎，詳細介紹了該算法在邊緣檢測中的應用和細節(jié)。針對火焰圖像的特點，對SUSAN算法進行進一步改進，使之能夠更加有效地應用于火焰圖像的邊緣檢測中。通過設計對比實驗比較本文提出的算法與傳統(tǒng)算法的效能。實驗結果表明，本文提出的算法能夠有效檢測火焰圖像的邊緣，且算法更為簡單有效，運算時間短，自適應能力強，能夠應用于更多實時火災檢測和監(jiān)控系統(tǒng)之中，具有一定實用價值。

參考文獻

[1] 翁木云，何明一.圖像綜合特征及其在圖像檢測與匹配中的應用[J].中國圖象圖形學報，2007，12（1）：121?126.

[2] ADKINS C W. Users guide for fire image analysis system?Version 5.0： A Tool for measuring fire behavior characteristics [M]. Asheville， NC， USA： Department of Agric， Forest Service， 1995.

[3] BHEEMUL H C， LU G， AND YAN Y. Three?dimensional visua?lization and quantitative characterization of gaseous flames [J]. Meas Sci Technol， 2002， 13（10）： 1643?1650.

[4] TOREYIN B U， CETIN A E. Online detection of fire in video [C] // IEEE Conference on CVPR. [S.l.]： IEEE， 2007： 1?5.

[5] CHACON?MURGUIA M I， PEREZ?VARGAS F J. Thermal video analysis for fire detection using shape regularity and intensity saturation features [C] // Lecture Notes in Computer Science on MCPR. [S.l.]： [s.n.]， 2011： 118?126.

[6] RAZMI S M， SAAD N， ASIRVADAM V S. Vision?based flame analysis using motion and edge detection [C]// 2010 International Conference on Intelligent and Advanced Systems （ICIAS）. Kuala Lumpur， Malaysia： ICIAS， 2010： 1?4.

[7] SMITH S M， BRADY J M. SUSAN： a new approach to low level image processing [J]. International Journal of Computer Vision， 1997， 23（1）： 45?78.

[8] 林岳鵬，李玲玲，李翠華.一種改進的快速SUSAN角點檢測算法[J].計算機與現(xiàn)代化，2010（2）：66?68.

[9] 陳志方，張艷寧，楊將林，等.一種改進的SUSAN算法[J].微電子學與計算機，2007，24（11）：42?44.

[10] 馬桂珍，房宗良，姚宗中.SUSAN邊緣檢測算法性能分析與比較[J].現(xiàn)代電子技術，2007，30（8）：189?191.

[11] 王敏，龔曉峰，曾軍.基于改進SUSAN算法的醫(yī)學圖像邊緣檢測[J].中國組織工程研究，2012，16（22）：4109?4111.