基于分離YUV 顏色通道的火焰提取方法

王勇智 譚楊磊 韓 銳 張傲宇 劉崢言

（東北林業大學機電工程學院，黑龍江 哈爾濱150040）

火災是災害性燃燒現象失去控制的現象，是威脅我們的公眾安全與社會發展的主要災害之一，據統計，2019 年一年接報的火災有23.3 萬起，造成的直接財產損失高達36.12 億元。森林火災是火災的重要組成部分之一，會燒毀森林的動植物資源以至于破壞生態環境，使經濟損失巨大，甚至會造成人員傷亡，且在火勢較大的情況下更加難以控制，更易造成大面積破壞。因此，要最大程度的減少因為火災而造成的損失，就必須在火災發生初期的時候就發現問題并及時的解決。

然而森林火災具有很大的不確定性和多變性，通過傳統的基于對于一些火災特征參量如煙霧、燃燒氣體、溫度的傳感器的林火檢測方法，很容易受到周圍所處環境的影響，應用范圍較小，分析結果不準確，很容易產生誤報，而且反應時間較長，難以在形成初期及時發現，且大面積鋪設傳感器進行監測，會影響森林的生態環境，且耗資較高，難以實現。

近年來，基于計算機視覺的林火檢測技術已經發展起來。其關鍵是基于顏色的火焰分割算法，通過分析火焰的顏色特征來建立火焰的顏色模型進而進行識別。為了提高檢測技術的可靠性，減少誤報率，許多國內外學者已經提出多種算法用于識別火焰。Ono 等通過提取紅色分量的背景圖像中潛在區域的特征量進行神經網絡模型訓練進行火焰識別。Chen 等人通過在RGB 和HIS 顏色空間上分析火焰特征進行不規則檢驗。Celik 等通過多張火災圖片生成的RGB 顏色空間的規則決策分割火焰像素。秦薇薇等利用背景差分法分析視頻中的火焰兵進行分割。陳天炎等通過YCbCr 空間分析火焰像素分布特征分割火焰。Jenifer 對火焰的顏色、面積、粗糙度、偏斜度進行概率統計，用貝葉斯分類器進行決策。

1 算法流程

筆者提出的基于邊緣檢測的林火圖像分割算法可分為三部分：首先轉換圖像通道格式為YUV；之后是圖像預處理，將圖片的V 通道提取出來，獲得圖像；最后進行中值濾波處理并使用Sobel邊緣檢測對火焰進行提取完整火焰圖像。算法流程如圖1 所示。

圖1 方法流程圖

2 火焰提取規則

2.1 轉換圖像為YUV 色彩模型

現代相機采取的圖片大多為RGB 格式，RGB 顏色模型就是通過圖片中不同比例的紅、綠、藍這三原色疊加而成的顏色模型，這樣就造成一種顏色是由不同色彩以一定比例混合而成，這樣就很難做到定量的分析，無法輕易得到火焰的準確數值，所以RGB 顏色模型難以用來對圖像分析處理以進行火焰提取。

YUV 色彩模型來源于RGB 模型，該模型的特點是將亮度信號Y 和色度信號U、V 分離開來，YUV 顏色模型與人類對于自然界色彩的感知與認識的原理類似，他可以把色彩空間中的亮度信息分離出來，從而更適合于圖像處理領域。YCbCr 則是YUV 壓縮和偏移的版本。

通過將得到的YUV 圖像與RGB、YCbCr 圖像進行對比（如圖2），通過人眼對火焰的直觀認識，可以清楚的發現YUV 化的圖像中火焰區域被強化，更加容易被人眼所捕獲，而背景區域被減弱，減少了其對火焰提取的影響。從而得知YUV 色彩格式更加適用于對于火焰的提取。

圖2 圖像對比圖

2.2 分離圖像V 通道像素

火焰具有很多的顏色特征，不同燃燒物質產生的火焰呈現出的顏色就有所不同，森林火災時的顏色則主要有白色、黃色、橙色、紅色、暗紅色這幾種，一般情況為紅色逐漸過渡到黃色。因此RGB顏色模式中，火焰特征一般為R≥G≥B，YUV 顏色模式中，V 通道為提取火焰的主要通道。根據YUV 顏色空間的特點，將亮度通道Y 與色度通道U、V 分離，如圖3 所示：

圖3 Y、U、V 顏色通道分離結果

從圖可以看出：在亮度分量Y 通道，相當于圖像的灰度圖，背景影響較大，火焰無明顯變化，適用性不強；在色度分量U 通道，背景影響較小，但火焰像素值有明顯減少，不適于使用；在色度分量V 通道，背景影響較小，且火焰像素值并無明顯變化，因此V 通道更加適于使用。同時，筆者將圖像分離為R、G、B 通道并進行對比，如圖4 所示：

圖4 R、G、B 顏色通道分離結果

通過比對可以明顯看出，分離R、G、B 通道得出的結果，R 通道背景對火焰區域影響較大，不適于使用，G 和B 通道火焰區域明顯減小，更不適宜于使用。

2.3 濾波及邊緣檢測處理

最后將分離出的V 通道進行濾波與邊緣檢測處理，濾波方法我們采取中值濾波。1971 年，圖基首次提出了中值濾波，通過采用非線性技術在像素點鄰域中取中值代替平均值，不但不會降低圖片的高頻信號，還能在消除噪聲同時保持圖像的邊緣特征。其原理就是將某個點領域中各點值的中值來代替這個點的值。他是一種去除噪聲的非線性的處理方法，這樣就可以在去除噪聲的同時保留圖像的細節信息。這樣就能減少背景的影響，同時不改變火焰的紋理。

邊緣檢測技術對于圖像分割是一個尤為重要的工具，常用到的有Canny、Sobel、Scharr 邊緣檢測方法，我們將上一步得到的圖片分別使用這三種方法進行比對試驗，得出結果如圖5。將三種方法的參數值調整到效果較好的情況，進行對比，可以看出Sobel 邊緣檢測方法得出結果較為準確，且易于辨識以至于使用。

圖5 邊緣檢測結果

3 實驗結果分析

筆者研究提取火焰圖像，為說明此方法的適用性，以下選取兩幅具有代表性的火焰燃燒圖片進行分析說明（如圖6），第一組的圖像為已經發生火災且火勢比較大；第二組為剛發生火災且有煙干擾。得出結果較好，說明筆者所述方法能夠對林火提取起較好的作用。

圖6 結果分析

4 結論

筆者運用火焰在不同的顏色空間的特點，分析了火焰像素在不同顏色空間的分布特征，靈活利用起特點，并進行多次評價指標對結果進行客觀評價，獲得了較好的火焰提取方法。該方法在大火以及有煙干擾的火線情況下可以簡單且能有效提取火焰，故此算法具有很強的適用性