摘 要：早期火災是從無到有的發(fā)生發(fā)展過程，在這一過程中，火焰的紋理特征也會隨之產生快速上升或下降，并出現大幅度抖動的現象。本文采用灰度共生矩陣分析法和MATLAB仿真工具，綜合分析火焰以及臺燈、日光燈、晃動的蠟燭等干擾物在能量、熵、慣性矩和局部平穩(wěn)性四個主要方面的紋理特征，得到干擾物紋理特征與火焰紋理特征變化規(guī)律的異同，為進一步使用神經網絡進行火災圖像探測時紋理特征參數判據的確定提供依據。

關鍵詞：灰度共生矩陣；紋理特征；火焰圖像

中圖分類號：TP317．4 文獻標識碼：A

1 引言

紋理是圖像中一個重要的特性，是圖像分析中的一個重要指標，但在圖像處理中的“紋理”一詞卻有著廣泛籠統的含義，至今還沒有公認的定義。一般認為：紋理是對于圖像各像元灰度的空間分布的一種描述，它是紋理基元按某種確定的規(guī)律或者某種統計規(guī)律排列組成，表現為平滑性、均一性、粗糙性和復雜程度。為了定量地描述紋理，需要研究紋理本身可能具有的特征，也就是紋理特征。

紋理特征是圖像局部性質(灰度分布函數)的統計，是圖像本身固有的屬性。紋理分析方法大體上可分為兩大類：統計分析方法和結構分析方法。前者從圖像屬性的統計分析出發(fā)；后者則著力找出紋理基元，然后從結構組成上探索紋理的規(guī)律，或直接去探求紋理構成的結構規(guī)律。無論從歷史發(fā)展還是從當前進展來看，統計分析方法仍然占主導地位。

在統計法中，有最簡單的研究紋理區(qū)域中的統計特性，有研究像元領域內的灰度或屬性的一階統計特性，有研究一對像元或多像元及其領域或屬性的二階或高階統計特性，也有研究用模型來描述紋理。本文所要介紹的灰度共生矩陣分析法就是一種典型的二階統計分析法。

2 灰度共生矩陣分析法

灰度共生矩陣分析法是建立在估計圖像的二階組合條件概率密度函數基礎上的。該方法是目前公認的一種重要的紋理分析方法。

2．1 灰度共生矩陣

灰度共生矩陣(gray level cooccurrencematrix)是反映圖像區(qū)域微觀紋理的有力工具，它按一定的空間關系描述像素點對之間的灰度相關性。灰度共生矩陣描述從圖像(x，y)灰度為i的像素出發(fā)，統計與距離為δ、灰度為j的像素(x+△x，y+△y)同時出現的概率P(i，j，δ，θ)。其數學表達式為

P(i，j，δ，θ)={[(x，y)，

(x+△x，y+△y)] f(x，y)=i，

f(x+△x，y+△y)=j；

x=0，1，…，N_x-1；

y=0，1，…，N_y-1} (1)式中：i，j：=0，1，…，L-1；x，y是圖像中的像素坐標；L為圖像的灰度級數；N_x，N_y分別為圖像的行列數。它們之間的關系如圖1所示。

當θ和δ選定時，P(i，j，δ，θ)也可簡記為Pi，j。顯然灰度共生矩陣是一個對稱矩陣，其階數由圖像中的灰度級數決定，即若灰度級數為N，則灰度共生矩陣為N×N的方陣。通常情況下，選取θ為0度，45度，90度，135度4個方向來計算灰度共生矩陣。δ的選取與圖像有關，一般根據實驗確定。在給定方向和距離時，實際常通過計算共現灰度i和j的像元對數來表示P(i，j，δ，θ)。

2．2 紋理特征

作為紋理分析的特征量，往往不是直接應用計算的灰度共生矩陣，而是在灰度共生矩陣的基礎上再提取紋理特征量，稱為二次統計量。Haralick等人由灰度共生矩陣提取了14種特征，本文采用了以下4種常用的特征。

能量反映了圖像灰度分布均勻程度和紋理粗細度，紋理越粗，能量越大，反之則越小。熵反映了圖像具有的信息量，即圖像中紋理的復雜程度或非均勻度。若紋理越復雜，熵具有較大值，若灰度越均勻，熵則較小。慣性矩可理解為圖像的清晰度，圖像越清晰，慣性矩越大，越模糊，慣性矩就越小。

3 實驗

一幅圖像的灰度級數一般為256級，而級數太多會導致計算灰度共生矩陣大，計算量也就越大。為了解決這一問題，在求灰度共生矩陣之前，圖像灰度級數常壓縮為16級、8級等級數。在本文的實驗中，把灰度級數壓縮為8級。為了找出從火災發(fā)生前到火災發(fā)展過程中紋理特征的變化規(guī)律，本文采用點燃浸過柴油的報紙來模擬火災現場，用普通CCD攝像頭和MV800視頻采集卡連續(xù)采集200幀火災發(fā)生前及火災發(fā)展過程中的圖像。將圖像數據送入Visual C++6．0程序，處理后得到能量、熵、慣性矩和局部平穩(wěn)性的變化曲線如圖2所示。經實驗發(fā)現，0°、45°、90°和135°四個方向的紋理特征變化曲線大致相同，所以我們這里僅給出0°方向的紋理特征變化曲線。

從圖2中我們可以看出，隨著火災的發(fā)生及火勢的加大，能量曲線迅速上升，并呈現大幅度的抖動，這和火災火焰圖像的不穩(wěn)定性相一致，而局部平穩(wěn)性變化趨勢和能量的變化趨勢極其相似，熵的變化趨勢與能量的變化趨勢正好相反。慣性矩隨著火災的發(fā)生會迅速下降，在火災發(fā)展過程中，具有自己獨特的變化趨勢，但其大體趨勢和熵的變化趨勢相同。與此同時，我們也采集了容易引起干擾的物體的圖像，其中，臺燈由關到開圖像54幀、日光燈由關到開圖像109幀，逐漸移近的蠟燭109幀和晃動的手電197幀。分別按照上述的方法進行了處理，得到的紋理特征變化曲線如圖3-圖6所示。

從圖3中可以發(fā)現隨著臺燈的打開，臺燈的能量、熵和局部平穩(wěn)性會迅速增大或減小，接近垂直，并很快會達到相對穩(wěn)定水平，慣性矩在臺燈打開時會突然下降，其變化趨勢與熵的變化趨勢大致相同。從圖4可以看出，日光燈開燈后，所有的紋理特征都將趨于穩(wěn)定，有很小的變化幅度。從圖5和圖6中可以看出，隨著蠟燭和手電的晃入和晃出攝像頭，其紋理特征將會出現一個小的波峰或波谷，這是火焰的紋理特征所沒有的，隨著蠟燭或手電逐漸靠近攝像頭，其紋理特征也將迅速上升或下降，此后，隨著蠟燭或手電的晃動，其紋理特征也和火焰的紋理特征一樣出現大幅度的抖動。所以，僅依靠紋理特征進行火災的判斷將很容易引起誤判。為了提高火災判斷的準確率，減少誤判和漏判，必須結合火焰的其它特征進行綜合判斷。如結合火焰的形狀特征和顏色特征，通過神經網絡進行火災的判斷等。從所有的紋理特征變化曲線上可以看出，能量變化曲線和局部平穩(wěn)性變化曲線大體一致，熵的變化曲線與它們正好相反，而慣性矩的曲線變化趨勢與熵的趨勢大體一致，因此，我們可以從能量和局部平穩(wěn)性兩個參數中選擇一個作為火災的一個判據，從熵和慣性矩中選擇一參數作為火災的另一個判據。然后從火焰的形狀特征和顏色特征中挑選相應的參數作為其它判據，形成神經網絡的輸入向量，進行火災的判斷，可以排除各種干擾，使火災探測快速可靠。

4 結束語

本文抓住在早期火災階段火災火焰是非定常的這一特點，采用紋理特征分析法對火焰圖像進行定量研究，繪制出紋理特征參數的變化曲線，找出火災發(fā)生過程中紋理變化規(guī)律及其與臺燈、日光燈、晃動的蠟燭和手電等干擾物的紋理特征變化規(guī)律的異同，為進一步使用神經網絡進行火災圖像探測時紋理特征判據的確定打下良好的基礎。