（电路与系统专业论文）基于数字图像处理的火焰燃烧稳定性研究.pdf

牛 中文摘要中又捅要 l i t il l 1i i ii ii i iil uu l y 17 8 9 3 8 3 火焰燃烧诊断一直是一个热点问题，而且对其研究有重要意义，现有的燃烧诊断系 统都有不稳定、实时性差、识别率低的缺点。而实现炉膛火焰状态的实时监控准确判断 以及燃烧诊断系统的自动化、智能化，能提高燃烧状态识别的准确性和可靠性，可以有 效地防止熄火、锅炉爆燃等重大事故的发生，减少国家财产损失，保障人的生命安全。 论文首先分析研究了锅炉燃烧诊断现状，总结国内外研究方向和方式方法，指出其 存在的不足与缺陷，分析总结了数字图像处理技术和人工智能的研究进展，着重研究了 基于数字图像处理技术与现代人工智能相结合的燃烧诊断系统。 针对采集回的火焰图像含有噪声以及火焰燃烧区域为充满整个图片的问题，首先对 火焰图像进行了预处理，包括对原图像的滤波去噪处理、火焰图像的分割即确定火焰燃 烧区域，文中采用改进的基于二维直方图的图像斜分分割算法，然后在分割出的火焰区 域中提取出能反映火焰燃烧状况的信息即火焰图像特征参量，将提取出的特征参量进行 分析研究以找出最能代表锅炉真实燃烧状况的最优特征量组合，最后运用智能模型来诊 断火焰的燃烧状态，并对未知火焰图像进行判别来检验模型的有效性和准确性。本文建 立了两种智能模型米判断燃烧火焰图像的稳定性，分别为已有很多研究并成功应用在锅 炉燃烧系统上的神经网络模型和最近几年发展迅速的支持向量机模型，文中对这两种模 型进行了比较应用，分析各自的优势和不足，提供了一种新的人工智能的稳定性判别算 法。 针对文中存在的不足以及未来发展趋势，提出了自己的看法。数字图像技术的优势 是显而易见的，人工智能的发展是飞速的，相信结合数字图像处理和人工智能的燃烧诊 断系统会越来越准确，越来越完善。 关键词：图像斜分；燃烧稳定性：人工智能；支持向量机 a b s t r a c t f u r n a c ef l a m ed i a g n o s i si sah o ti s s u e ，b u tt h eu s u a ls y s t e m sh a v es o m e s h o r t c o m i n g s ，s u c ha su n s t a b l ec o m b u s t i o nd i a g n o s t i c s ，l o wr e a l t i m e a n d r e c o g n i t i o nr a t e j u d g i n gt h es t a t u so ft h ef u m a c ef l a m ea c c u r a c yr e a l t i m ea n d r e a l i z i n gc o m b u s t i o nd i a g n o s i ss y s t e ma u t o m a t ea n di n t e l l i g e n t l yc a ni m p r o v e t h ec o m b u s t i o ns t a t eo fr e c o g n i t i o na c c u r a c ya n dr e l i a b i l i t y , a n dc a ne f f e c t i v e l y p r e v e n tt h ef l a m e o u t ，b o i l e re x p l o d i n ga n dr e d u c et h el o s so f s t a t ep r o p e r t ya n d p r o t e c tp e o p l e sl i v e s t h ep a p e ra n a l y s e st h es t a t u so ft h eb o i l e rc o m b u s t i o nd i a g n o s i s ，s u m su p t h er e s e a r c hd i r e c t i o n sa th o m ea n da b r o a d ，p o i n t so u tt h e i rs h o r t c o m i n g s ，t h e n a n a l y s e sa n ds u m m a r i z e st h ed i g i t a li m a g ep r o c e s s i n gt e c h n o l o g ya n da r t i f i c i a l i n t e l l i g e n c er e s e a r c h ，f o c u so nr e s e a r c ho fc o m b u s t i o nd i a g n o s t i cs y s t e mb a s e d o nd i g i t a li m a g ep r o c e s s i n gt e c h n o l o g ya n dm o d e ma r t i f i c i a li n t e l l i g e n c e f i r s to fa l l ，w en e e do b t a i nd i g i t a li m a g ei n f o r m a t i o na b o u tt h ei m a g e a c q u i s i t i o nc a r dt h a ti n c l u d e sf i l t e r i n gt h eo r i g i n a li m a g e i m a g es e g m e n t a t i o ni s u s e dt o d i a g n o s e t h ef l a m e a r e a ，a n d t h e p a p e r u s e st h e i m p r o v e d t w o d i m e n s i o n a lh i s t o g r a mi m a g et oo b l i q u es u b s e g m e n t a t i o na l g o r i t h m ，a n d t h e ns p l i t so u tt h ef l a m er e g i o nf r o mw h i c hw ec a ne x t r a c ti n f o r m a t i o nr e f l e c t i n g t h ec o m b u s t i o nc o n d i t i o n s a f t e rt h e n ，w es h o u l de x t r a c tt h em o s tr e p r e s e n t a t i v e f e a t u r e st h r o u g ha n a l y t i c a ls t u d y f i n a l l y , w eu s ei n t e l l i g e n tm o d e l st od i a g n o s e t h ef l a m eb u r n i n gs t a t e ，a n dt e s tt h ev a l i d i t ya n da c c u r a c yo ft h em o d e l i nt h i s p a p e lw eu s et w oi n t e l l i g e n tm o d e l s t od e t e r m i n et h es t a b i l i t yo ft h ec o m b u s t i o n f l a m ei m a g er e s p e c t i v e l y t h en e u r a ln e t w o r km o d e li ss u c c e s s f u l l ya p p l i e di n t h eb o ile rc o m b u s t i o ns y s t e ma n ds u p p o r tv e c t o rm a c h i n em o d e lw h i c hi s d e v e l o p i n gr a p i d l yi nr e c e n ty e a r s w ec o m p a r et h e i rs t r e n g t h sa n dw e a k n e s s e s i nt h ep a p e r an e wa r t i f i c i a l i n t e l l i g e n c ed i s c r i m i n a t i o na l g o r i t h mi sp r o p o s e d f o r t h es t a b i l i t yo ff u r n a c ef l a m es y s t e m a tl a s t ，t h ep a p e rp o i n t so u tt h es h o r t c o m i n g sa n dt h ef u t u r et r e n d t h e a d v a n t a g e so fd i g i t a li m a g i n gt e c h n o l o g ya r en od o u n ib e l i e v ec o m b u s t i o n d i a g n o s t i c sw i l lb em o r ea c c u r a t ea n dm o r es o p h i s t i c a t e dc o m b i n i n gi n t h e d i g i t a li m a g ep r o c e s s i n ga n da r t i f i c i a li n t e l l i g e n c e k e y w o r d s ：i m a g eo b l i q u es u b s e g m e n t a t i o n ；c o m b u s t i o ns t a b i l i t y ；a r t i f i c i a l i n t e l l i g e n c e ；s u p p o r tv e c t o rm a c h i n e l v 目录 第一章绪论1 1 1 课题研究意义1 1 2 课题研究背景2 1 3 主要研究内容3 1 4 论文的安排3 第二章基础理论与系统结构5 2 1 数字图像处理基础5 2 1 1 图像消噪方法综述5 2 1 2 图像分割方法概述6 2 2 神经网路与支持向量机6 2 2 1 神经网络发展6 2 2 2 支持向量机概述7 2 3 基于图像处理的燃烧系统结构7 2 3 1 燃烧特性7 2 3 2 系统组成j 7 第三章火焰图像预处理9 3 1 炉膛火焰图像去噪处理9 3 1 1 基于直方图的加权平均算法9 3 1 2 自适应加权中值滤波算法1 0 3 1 3 自适应均值滤波算法l l 3 1 4 基于离散正交小波变换的图像去噪方法1 l 3 1 5 炉膛火焰图像去除噪声1 2 3 2 火焰图像分割处理1 4 3 2 1 大津阈值法( o t s u ) 1 5 3 2 2 图像的二维狄度直方图1 5 3 2 3 基于二维o t s u 分割的后处理方法1 7 3 2 4 基于最大熵阈值分割算法1 7 3 2 5 二维o t s u 阂值分割的快速迭代算法1 7 3 2 6 基于二维直方图斜分的火焰图像分割1 8 3 3 小结2 4 v 第四章基于神经网络的燃烧稳定性判别2 5 4 1 特征量提取2 5 4 1 1 初始特征量提取2 5 4 1 2 特征量相关性分析2 9 4 1 3 火焰特征量的确定2 9 4 2 神经网络判别模型2 9 4 2 1 小波神经网络原理和p s o 算法2 9 4 2 2 自适应微粒群算法优化小波神经网络3 0 4 3 仿真结果与分析3 1 第五章基于支持向量机的燃烧诊断3 5 5 1 支持向量机3 5 5 1 1 支持向量机的原理3 5 5 1 2 支持向量机算法实现3 5 5 1 3 支持向量机核函数3 6 5 2 最小二乘支持向量机3 7 5 2 1 最小二乘法的原理3 7 5 2 2 最小二乘支持向量机3 7 5 2 3 改进的最小二乘支持向量机3 8 5 3 算法实现3 9 5 3 1 利用火焰图像灰度特征的算法实现3 9 5 3 2 火焰图像特征作为s v m 输入4 1 5 4 小结4 1 第六章总结与展望4 3 6 1 总结4 3 6 2 展望4 3 参考文献4 4 致谢4 9 攻读学位期间发表的学术论文目录5 l v l 第一章绪论 第一章绪论 1 1 研究背景 如今视频监控市场在稳定而健康的发展，同时f 在萌生新的发展趋势。今天，监控 早己不再是一个单一的应用，我们已经不能把视频监控作为一个单独的行业来看待了。 几乎所有的行业都涉及了视频监控等相关的安防应用：既包括金融、公安等传统安防需 求较为旺盛的行业，又出现了交通、电力、广电、园区以及医院等对于监控需求快速增 长的新兴行业。视频监控市场发展迅速，同时也带动了视频监控技术的迅速发展和提升。 大型的视频监控系统包括前端的视频图像采集、视频压缩、视频解码、p c 端的接 收和后期处理等。它涉及到视频编解码算法、图像传输、图像压缩、图像缩放、多画面 分割与合成等技术领域，并同f p g a 技术相互交融。现在大部分的监控系统都是多画面 监控系统，即多个画面同时显示在一台监控器上，跟以往的监控系统相比，监控人员可 以同时监控多个场所的状况，这大大节省了人力资源，同时也节省了监控成本。智能化 视频j 控技术1 1 1 具有广阔的应用前景，并显示了巨大的市场价值，以智能交通系统为例， 据p h i l i ps a y e g 和p h i l i pc h a r l e s 预测，到2 0 1 0 年，中国和南亚五国的智能交通系统市场 潜力估计在3 8 亿美元左右。特别是美国9 1 1 恐怖袭击事件以后，各困都高度重视这样 一个问题。 但是由于计算机屏幕尺寸有限，在同时显示多路视频信号时每路视频的画面都比较 小，这一点不利于监控人员发现一些细小的隐蔽的安全隐患问题，并且智能化在数字安 全防范领域也得到越来越多的应用，在某些对安全性要求较高的监控场所，如机场、国 家重要安全部f - j ( 如军事基地、银行等) 、敏感的公共场合( 如天安门、火车站等) 等， 需要对运动物体及时的检测和跟踪，因此需要一些精确的运动榆测技术来提供自动报警 提示和目标检测，而运动检测作为在安防智能化应用最早的领域，它的技术发展和应用 前景正受到越来越多的关注。 现在有很多的视频监控系统中含有对运动物体的检测和跟踪这一功能，但是如何能 不受天气、光照等外界环境的影响而准确的检测出运动物体并加以跟踪仍足人们积极研 究的问题。试想在一个智能化的监控系统中对突然闯入监控环境的运动物体进 r 报警， 以引起监测人员的注意，这样就节省了监控人员的劳动量，有时大量的监控i r n i 血监控人 员很难面面俱到，有一些移动物体有町能被忽略了，如果有了自动检测运动物体的系统， 那么一旦出现卜述情况时，系统会自动提示监控人员，这样也会降低事故的发生率。 多画而智能监控系统中运动h 标检测的研究 1 2 主要内容 1 2 1 多画面分割技术 随着广播电视技术和i t 事业的发展，视频监控系统已经基本实现数字化。数字技 术的发展和数字设备的同趋成熟使得系统监控方式与以往相比发生了很大的变化。智能 多画面监控系统就是一个突出的例子，它突破了传统的多监控器单画面的人工监控方 式，而使用单监控器多画面的智能监控方式。多画面视频监控系统以e v e r t z 公司的m v p 多画面处理器和m i r a n d a 公司的k a l e i d o x 多画面处理器为代表性产品【2 】，2 0 0 8 年的北 京奥运会便是多画面智能监控系统应用的一个成功例子。 多画面分割技术【3 】通俗的讲，就是把多路( 包括高清、标清、模拟复合、分量、s d i 等) 不同格式信号源，采用图像压缩技术和数字化处理的方法对信号进行处理后，把几 个画面按照一定的比例压缩为一路信号在一个监视器的屏幕上显示，形成一个显示器分 割多个画面的格局，达到一个监视器能监控多个画面的目的。( 多画面分割器技术) 其 原理框图如图1 1 所示。 z u 成 图1 1 多画面分割器原理框图 f i g u r e1 1b l o c kd i a g r a mo fv i d e om u l t i p l e x e r 多画面分割器包括多路视频输入、视频处理和视频输出几个部分。其中视频处理完 成视频的解码、视频的压缩取样和视频合成。视频输出部分完成视频的显示、控制和报 警区域的显示。 1 2 2 图像边缘提取技术 图像是最重要的视觉信息，包含着最原始的大量信息，其中最重要的信息是由它的 边缘和轮廓提供的。图像边缘足图像最基本的特征之- - 1 训，图像边缘中包含着有价值的 目标边缘信息。 图像的边缘提取足不少图像处理软件都具备的功能，它的增强效果很明显，在用r 识别的应用中，图像边缘是非常重要的特i 1 f 之一。景物的边缘总是以图像中强度的突变 ， 第一章绪论 分析像素灰度矩阵信息，提取出图像独立的统计特征量，建立起相应的图像统计特征模 型空间，再运用聚类分析划分出图像等价类，进而实现对目标图像的识别【2 叭。华北电力 大学的刘禾教授多年致力于电站锅炉火焰图像检测系统的研究，取得了一系列成果【2 l 2 2 2 3 】 0 此外，还有很多国内外专家从事该课题方面的研究【2 4 - 3 0 1 。本课题的目的就是对采集 到的燃煤锅炉火焰数字图像，进行处理分析计算，并建立智能燃烧诊断模型，识别燃烧 状态，给锅炉现场工作人员提供准确可靠的炉膛实时燃烧信息。 1 3 主要研究内容 本文分析研究了电站锅炉燃烧诊断现状，总结国内研究方向和方式方法，指出其存 在的不足与缺陷。分析总结了数字图像处理技术和人工智能的研究进展，着重研究了基 于数字图像处理技术与现代人工智能相结合的燃烧诊断系统。 为了进行图像处理与判别，首先需处理从图像采集 获墩的数字图像信息，包括对 原图像的滤波去噪处理、火焰图像的分割即确定火焰燃烧区域，然后在分割出的火焰区 域中提取出能反映火焰燃烧状况的信息即火焰图像特征参量，将提取出的特征参量进行 分析研究以找出最能代表锅炉真实燃烧状况的最优特征量组合，最后运用智能模型来诊 断火焰的燃烧状态，并对未知火焰图像进行判别来检验模型的有效性和准确性。 本文建立了两种智能模型来判断燃烧火焰图像的稳定性，分别为已有很多研究的神 经网络模型和最近几年发展迅速的支持向量机模型，文中对这两种模型进行了比较应 用，分析各自的优势和不足。 最后针对文中存在的不足以及未来发展趋势，提出了自己的看法，数字图像技术的 优势是显而易见的，人工智能的发展是飞速的，相信结合数字图像处理和人工智能的燃 烧诊断系统会越来越准确，越来越完善。 1 4 论文的安排 第一章绪论主要进行了全文的概括引导，指出了课题的研究背景和研究意义，以及 论文的主要研究内容和论文的结构安排。 第二章主要介绍了数字图像处理技术和人工智能的发展，优势和现状，就文中的相 关理论应用和技术基础做了介绍，在第i 节说明了课题稳定性研究的系统结构，简单概 括了系统的流程，为后续章肖奠定了基础。 第三、四、五章是论文的重点部分，详细讲述了系统原理、构成和实现。第三章足 火焰图像预处理部分，采用改进的自适应均值滤波法去除图像噪声，并运用基于二维直 3 基_ 】：数字图像处理的火焰燃烧稳定性研究 方图的图像斜分法分割出火焰燃烧区域。实时准确的火焰图像会提高状态识别的准确 率，火焰图像分割就足为了区分出不属于火焰图像的部分滤掉，只处理火焰图像部分。 第四章和第五章分别建立了神经网络和支持向量机两种模型，在分割出的火焰图像 中提取出能反映炉膛燃烧状况的图像特征，建立模型，以火焰图像特征量作为模型输入， 输出为稳定性识别结果，比较分析两种模型的识别准确性。 第六章是论文的归纳总结和未来的展望，对论文所做的工作做了较客观的评价，指 出论文中的不足，试提出改进方向。 4 第二章基础理论与系统结构 第二章基础理论与系统结构 2 1 数字图像处理基础 数字图像处理( d i g i t a li m a g ep r o c e s s i n g ) 将图像信号转换成数字信号并利用计算机 对其进行处理，具有再现性好、处理精度高、适用面宽、灵活性高等优点。由于其表现 的固有的魅力，它吸引了从科学家到消费者所有层面的注意。目前已广泛地应用于科学 研究、军事、航空航天、生物医学工程、工业检测、公安司法、文化艺术等多个领域3 。 2 1 1 图像消噪方法综述 图像在采集、获取和传输过程中，由于使用传输器件和传输通道的局限性，均会不 同程度地受到各种噪声的干扰，使图像的质量下降，去除噪声在图像处理中占有重要的 地位，它对后续的图像分割、特征抽取、图像分析识别等处理具有直接的影响。经典的 去噪方法有中值滤波法、邻域平均法、多图像平均法、小波去噪等。 邻域平均法即均值滤波，是典型的线性滤波方法，所谓线性运算足将邻域中的每个 像素与相应的系数相乘，然后将结果进行累加。均值滤波机理就是简单地在待处理图像 中逐个像素点移动掩模的中心，得到的输出是滤波掩模所限定的相应邻域像素与滤波器 系数的乘积结果的累加。因为其运算简单迅速，而且有效地去除高斯噪声，因而适用面 广，是现在很多滤波方法的基础。计算公式如卜： 一 1 f ( x ，y ) = l - - 7 ：f ( x m ，y 一船) ( 2 一1 ) 式中，厂刀1 1 , 1 1 _ z ! m , 处n ) e 理s 图像，7 为处理后的图像，s 为( x ，y ) 点邻域中坐标的集合，但 不包括其本身，m 为集合内坐标点的点数。 中值滤波法是一种非线性滤波方法，基本原理是逐次将数字图像各像素点的值用该 点邻域内的有序像素序列的中值代替。中值指一组有序数值序列的处于中间位置的值。 它的优点是对图像中的脉冲噪声消除极为有效，且能较好的保护图像边缘信息，但因为 需要大量排序计算，对图像的实时处理自彳艮人影响。 多图像平均法，顾名思义就是取多幅含噪图像的平均值，这罩的平均是指灰度平均， 主要针对含有加性噪声的图像，其噪声对图像的毕标点足不相关的。山此可知，参加平 均处理的含噪图像数目越多，得到的甲均值就越接近原始无污染图像。然而此方法最大 的实际困难就是图像配准问题，是很棘手的问题。 近年来，小波理论得到了非常迅速的发展，m f 小波变换具有多分辨牢、低熵性、 去相关性和灵活选择小波基等优点，它在图像去噪领域也获得了应用。小波去噪问题实 质上是一个函数逼近i 、u j 题，就足在小波母函数所在的函数窄问中，利用小波母函数的平 5 基丁数字图像处理的火焰燃烧稳定性研究 移和伸缩来找出原始信号的最佳逼近，从而区分出原信号与噪声，得到原信号的最佳恢 复。 2 1 2 图像分割方法概述 图像分割是将图像分成具有不同特性的多个区域并将感兴趣的区域提取出来的过 程，其重要性不言而喻，如果图像目标分割错误，后续的特征提取和分析识别等处理会 大受影响，因而图像分割研究具有十分重要的意义。图像的分割算法通常基于图像亮度 值的两个基本特性：不连续性和相似性。不连续性是基于图像亮度的突变来分割图像， 如图像中的边缘；相似性是根据事先定义的准则把图像分割成相似的区域。由此衍生出 图像分割的三个方向：阈值法、边缘检测和区域生长。 阈值法的基本思想是选取适当的灰度值作为门限值，将整幅图像逐个像素与它比 较，从而将目标分割出来。当待处理图像有多个目标时就需要多个阈值，也即局部阂值 处理方法。阈值法是应用最广、算法最简单的经典图像分割方法。 边缘检测又分为点检测、线检测、边缘检测三种，具体选取哪种方法视图像情况而 定。点检测和线检测都是利用掩模在图像中移动，求出掩模系数与图像中对应像素点的 灰度级乘积之和。而掩模的系数随检测方法而变，同一方法的掩模也不尽相同。边缘检 测是检测亮度值的不连续性，是利用一阶和二阶导数检测的。常用的检测算子有s o b e l 算子、p r e w i t t 算子、r o b e , s 算子、l o g 算子和c a n n y 算子。利用梯度值的大小来判定 边缘，其中r o b e , s 算子检测既简单有快速，而c a n n y 算子检测最有效，在实际应用中 要根据要求选择不同的算子。 图像分割的目的就是把图像分割成区域，区域生长就是直接从分割目的出发，找出 目标的方法。区域生长是根据预先定义的生长准则来把像素或子区域集合成较大区域的 处理方法。基本处理方法足以一组“种子”点开始来形成生长区域，即将那些定义属性类 似于种子的邻域像素附加到每个种子上。 2 2 神经网路与支持向量机 2 2 1 神经网络发展 神经网络是一门新兴交叉学科，始于2 0 世纪4 0 年代，是人工智能研究的重要组成 部分，是多学科共同关注的焦点。它模仿人脑神经网络的结构和某些工作机制建立一种 计算模型，神经网络的研究已经进入更加成熟的发展阶段。从近年来的发展来看，神经 网络的研究有两大趋势：一是在理论上向史复杂的神经网络系统方向发展，表现在神经 网络与模糊、进化算法的结合，神经网路与认知科学的结合，以及各种混合神经网路的 出现。二是神经网络的应用范围彳、= 断扩展，神经网路应用技术研究不断深入，它与多种 6 第二章基础理论与系统结构 学科相交叉，解决了很多传统科学解决不了的难题，为人类认识和改造世界做出了很大 贡献，是世界上公认的尖端前沿的技术研究领域之一。目前，神经网络已经广泛应用于 自动控制领域、模式识别、处理优化组合问题、图像处理、医疗、工业等等几乎生活的 方方面面3 2 1 。 2 2 2 支持向量机概述 支持向量机( s v m ) 自1 9 9 5 年由v a p n i k 提出以来就受到理论研究和工程应用的双 重重视。支持向量机是在统计学习理论的基础上，借助最优化方法解决机器学习问题的 新一代学习算法，该算法集成了最大间隔超平面、m e r c e r 核、凸二次规划、稀疏解和松 弛变量等多项技术，是一个令人瞩目的热点发展方向。标准s v m 的训练算法可以归结 为求解具有线性不等式约束的二次规划问题( q u a d r a t i cp r o g r a m m i n g ，q p ) 。 支持向量机理论自提出以来，在各种应用领域表现出很好的推广能力，从而得到了 广泛应用，尤其足在模式识别领域已经得到成功应用。例如模式识别领域的手写字的识 别，还有之后的人脸识别与检测以及文本分类等1 3 3 1 。 2 3 基于图像处理的燃烧系统结构 2 3 1 燃烧特性 锅炉炉膛内部是一个高温、高辐射、高灰性的复杂燃烧环境，并伴随着剧烈且连续 的发光发热的物理、化学反应。炉膛内部燃烧是一个动态过程，火焰的脉动性、不稳定 性都对燃烧状况的判断增加了难度。 2 3 2 系统组成 从电站锅炉采集火焰图像需要耐高温、高清晰度摄像机，而随着多媒体技术的发展 和广泛应用，使c c d 摄像机输出的视频信号可以转化为计算机可处理的数字化图像， 意味着原先定性的火焰图像信号可以进行定量分析了，这样为火焰的后续分析和自动监 控提供了可能。工业型c c d 摄像机具有耐灼伤、图像清晰度高、工作温度可靠、对震 动和冲击损伤的抵抗力强等优点，凶而迅速在电厂锅炉中得到应用，使运行监控人员真 正了解炉内燃烧的真实情况并在此基础上合理组织燃烧。采集回的图像需要进行处理、 分析、判别就需要高性能计算机。燃烧珍断系统组成如下： 7 基丁数字图像处理的火焰燃烧稳定性研究 锅炉 _ 上 火焰图像采集 j r 圉熊燃理 上 图像分割 工 提取特征参量 l 建立智能模型 1 ll i 神经网络模型 支持咆熏飒攥裂 1 l上 输出判别结果 上 做出反应 图2 1 燃烧系统流程图 f i g2 1c o m b u s t i o ns y s t e mt r e e 8 根据判别结 果来调整锅 炉燃烧条件 第三章火焰图像预处理 第三章火焰图像预5 “t d 2 理- 弟二覃火珀图1 冢坝埋 3 1 炉膛火焰图像去噪处理 图像在采集、获取和传输过程中，均会不同程度地受到各种噪声的干扰，使图像的 质量下降，去除噪卢在图像处理中占有重要的地位，它对后续的图像分割、特征抽取、 图像分析等处理具有直接的影响。现在用于去噪的方法很多，常用的有中值滤波法、邻 域平均法、小波去噪等等，在上一章中简单介绍了这几种经典算法。由于对图像质量要 求和应用领域不同，对滤波方法改进的算法不胜枚举。 3 1 1 基于直方图的加权平均算法 直方图表示的是一种统计关系，在灰度图像中，狄度直方图反映了图像中每个灰度 级和这个灰度级在整幅图像中出现次数之f b j 的统计关系。图像直方图是对图像全局统计 特性的一种直观显示，是一个一维的函数。图3 1 表示的是原始火焰灰度图像和其直方 图。 图3 1 原始灰度l 纠像和它的直方图 f i g3 1o r i g i n a li m a g ea n di t sh i s t o g r a m 在图像处理和分析中，我们通常采用归一化的直方图。 均值滤波足典型的线性滤波方法，常采用邻域滤波方法，即将图像中每个像素点的 值用其邻域狄度均值代替。经典均值滤波算法的各邻域灰度的权值均为1 ，忽略了图像 各像素点间的相火性，没有利用图像的空问信息。而基于直方图的加权平均算法思想就 是以噪声图像直方图l 的归- 化概率作为加权均值滤波的权值进行图像恢复k 3 4 1 。也即 像素点g ( i ，j ) 的邻域均值av e r ( i ，j ) 为： p ( i + s ，j + t ) g ( i + s + ，) 胍尉t 力= 型石矿 ( ，) 靠。 9 ( 3 1 ) 基丁数字幽像处理的火焰燃烧稳定性研究 该算法的局限性在于待处理图像均为含噪图像，用含噪声图像的直方图代替未受污 染图像的直方图进行处理存在误差，对结果有一定影响。 3 1 2 自适应加权中值滤波算法 自适应加权中值滤波算法思想是设计一个噪声检测算子来检测图像中的噪声污染 率，根据求得的噪声污染率来调整中心像素的权值，最后使用中心加权的中值滤波器进行 滤波1 3 5 1 , 具体算法实现如下： 先估计噪声污染率，利用经典的中值滤波器对含噪图像进行滤波，得到输出y m 。用 5 5 的掩膜算子k ，如下示： ，1 k = 2 5 l l - 2 4 1 1 ( 3 2 ) 掩膜k 的中心对应原图像的待处理像素，将掩膜k 内的原图像像素按照从上到下、 从左到右的顺序记为：l p = x p l x ，x p l 2 ) x ，x 川，x p 2 5 ) 。因为该掩膜内的前1 2 个像 素 x p 。，x ，x 棚) 位于中心像素x 的前面，处理x 时，这1 2 个像素已经被处理过，所以 此时掩膜算子内的图像像素已经变为： = j ，p s m 。f ，y p s 了l ? ，少p s m 。：i ：，x ，x p l 4 ， x p ：， ( 3 - 3 ) 根据灰度图像的连续性知，受到噪声污染的像素灰度值与它邻域未受污染的像素灰 度值差值会比较大，或者是图像的边缘，所以定义下式来判断是否为噪声， k = m i n l k o l p l ，k ：m i n l g g l ( 3 4 ) (x)：l,(mink，k丁)(3-5) 1 0 ，e l s e 式中，丁是一个阈值，通过多次实验而得，当( x ) = 1 时，说明待处理像素点x 是 噪声点。统计整幅图像的噪声个数，即可求得噪声污染率p ，( o 0 p 1 0 ) 。 。 现在根据噪声污染率来自适应调整中心像素的权值，设计污染率与中心权值的对应关系 式，经大量实验得到如下公式： ，加ji-200p+79，p-0009(3-6wl - 0 )矽j2 ， “7 【m a x ( 一5 0 p + 6 0 ，1 o ) ，p o 0 0 9 式中很明显可以看出，对污染率高( 重污染度) 的图像进行重度平滑，而对低污染 度的图像进行轻度的滤波，这样可以对图像进行合适的降噪，但是算法中的阈值以及污 第二章火焰图像预处理 染率与权值的对应关系式都是靠大量实验统计获得，费时费力，而且也没有很好的说服 力。 3 1 3 自适应均值滤波算法 自适应均值滤波算法是一种传统均值滤波算法的改进算法，其算法思想是采用设置 门限的方法滤除噪声，并对边缘进行特殊处理，它的原理如下： 首先设置一合适门限7 1 1 ，然后求得各像素点的邻域灰度均值av e r l 及原图像像素 点与其邻域狄度均值a v e r l 的差值，利用门限丁1 来判断是否对图像的每个像素点都进 行处理，之后采用r o b e r t 梯度算子来检测图像边缘，定义如下： g m ( i ，) = i ( g ( f ，j ) - g ( i - 1 ，j - 1 ) + g ( i - 1 ，j ) - g ( i ，j - 1 ) i ( 3 7 ) 上式中，g ( i ，) 为邻域窗口中心像素点。 该算法处理速度较快，实时性好，并对边缘进行了特殊处理，滤波效果较好。但该 滤波算法也存在着不足，门限丁1 和梯度算子门限是经过实验和操作人员的经验获得，有 很强的主观性。由算法原理知其适于噪声较小，并且对图像性质比较了解的情况。 3 1 4 基于离散正交小波变换的图像去噪方法 该方法通过二维离散小波变换将图像投影到小波变换域，通过对小波变换系数进行 阂值处理实现图像的去噪处理。由于小波函数在时频域都具有较好的局部性，同时其变 尺度特性使得小波变换对确定信号具有一种集中的能力。从而在小波变换域，信号的能 量集中在几条亮线上，系数值较大，而噪声系数值较小。因此，若对小波系数进行阈值 处理，就可以在小波变换域中去除低幅度的噪声，然后进行小波逆变换，恢复我们所期 望的信号1 3 6 1 。实现如下： 假设一个迭加了加性噪声的有限长信号可表示成下式： y l = x l + n i ，i _ 1 ，n 我们的任务是从噪声污染信号y 中恢复原始信号x ，这罩采用矢量符号x 、y 表示 誓) 和 儿 。w 为离散小波变换算子，x 、】，分别表示 鼍) 和以 的离散正交小波变换， 即x = w x ，y = 觋。令j 表示从】，中对x 的估计，那么正交小波去噪步骤如下： a ) 计算离散小波变换j ，= 觋。 b ) 在小波变换域对小波系数进行闽值处理。 j ：j s 吖( 1 y i - t ) ，y 旧( 3 - 8 ) 】，l _ ， c ) 4 t 算逆离散小波变换曼= 形。x 。 该方法的优l i 在于利用离散小波变换所具有的系数“集中”能力，使得我们可以集中 1 1 基丁数字图像处理的火焰燃烧稳定性研究 信号，从而消除噪声。这种非线性方法可用于去噪，但明显的缺点是算法复杂，而且需 要解决阂值选择问题。 3 1 5 炉膛火焰图像去除噪声 火焰图像的特性在前面已经介绍过了，基于这些特性，因此选用在均值滤波算法的 基础上进行改进来达到很好滤除火焰图像噪声的目的。均值滤波算法的优点不言而喻， 算法简单，处理速度快，实时性好，而且现在又寻找到了均值滤波的快速算法。 3 1 5 1 均值滤波快速算法 均值计算占用了均值滤波处理的大部分时间，用均值滤波处理图像时，对于图像中 每个待处理像素点都要按照式( 2 1 ) 求取邻域窗口内所有像素的平均值，而对大小为 ( 2 胛+ 1 ) x ( 2 n + 1 ) 的邻域窗口，需要计算( 2 n + 1 ) 2 次加法、一次乘法和一次除法。一幅大 小为m n 的图像需要m n 次均值计算，而整幅图像的计算量就为m n x ( 2 n + 1 ) 2 次加 法和m n 次乘法、除法之多。 经过分析发现，在计算像素的窗口均值时，同行或同列的像素邻域窗口有很多重复 计算，我们可以利用这些中间结果来消除冗余计算，这就是快速算法的原理1 3 7 1 。这样， 只要计算第一行第一列的各像素的邻域均值，其余像素的邻域均值只涉及首行术行或首 列未列共2 ( 2 n + 1 ) 个像素的简单计算，而原来则需要计算( 2 n + 1 ) 2 次。在实现过程中需 要保存图像第一行第一列的像素邻域均值数据，为计算下一行下一列数据做准备，经过 这样的计算优化，可以节省许多计算时间，从而达到快速计算的目的。 3 1 5 2 炉膛火焰去噪算法思想 由于火焰图像上的噪声是由煤粉和其它燃烧杂质造成的，属于脉冲噪声，只是噪声 不是离散的一个个像素点而是连续的几个点，噪声较少，并且对火焰图像的性质比较了 解，所以采用自适应均值滤波算法可以得到较好的滤波效果。 以含噪图像上每一个像素点为中心选取一个滤波区域，计算每个像素点的邻域加权 均值( 不包含中心像素) a v e r ，将中心灰度值与a v e r 做差值计算，判断差值与阈值丁 的大小，如果小于丁，不做处理，否则，用该区域内的灰度加权均值a v e r 代替该点灰 度值输出。为了节省时间和更好的保护原图像信息，只处理灰度差值较大的像素点。其 中，对阈值丁的选取利用每幅图像各像素间的相关性，取每幅图像各相邻像素点灰度差 值绝对值的平均值，即每幅图像的阈值都由图像本身决定，具有自适应性。在计算邻域 均值时利用上述快速算法，可以节省很多时间。以下为自适应快速均值去噪算法步骤： 设含有噪声灰度图像为厂，滤波后图像为g ，图像大小为m 水。在本算法中，滤 波区域选为m 宰i 1 。 1 2 第三章火焰图像预处理 p ( i + s ，j + t ) f ( i + s ，+ f ) 彳v e r ( “) = 型l 面i 而一 ( 3 9 ) ( a b s ( f ( i ，) 一f ( i ，j + 1 ) ) + a b s ( f ( i ，) 一f ( i + l ，朋) t = 一( 3 10 ) k 式中，表示不包含中心像素的滤波区域，k 表示做差值计算的像素对数，即 k = ( m 一1 ) 母( 一1 ) 。 ( 1 ) 首先求出原图像的归一化直方图，其中每一像素点的灰度概率为p ( i ，j ) 。 ( 2 ) 根据公式( 3 9 ) 、( 3 1 0 ) 计算阈值t 和加权均值a v e r 。 ( 3 ) 根据计算出的阈值丁来判断，中心像素灰度值与a v e r 差值的绝对值大于丁的 像素灰度值用av e r 代替，否则，输出原像素灰度值。 ( 4 ) 对图像厂的每个像素点都进行步骤( 3 ) 判断，最后得滤波输出g 。对图像采 用复制边界来扩充。 对阈值丁的选取利用整幅图像各像素i u j 的相关性，每幅图像的阈值都由图像本身决 定，具有自适应性。 3 1 5 3 该算法仿真结果及分析 在m a t l a b 仿真平台上完成本算法的比较验证，用峰值信噪比p s n r 和归一化均 方误差n m s e 作为效果评价标准。 【邝，j ) - g ( i ，川2 n m s e = 上之- 一 ( 3 1 1 ) 门埘 邝，朋2 l = l ，= l 巾，j ) - g ( i ，朋2 p s n r =- 10 1 。g 1 0 生面珂 ( 3 1 2 ) 其中，f ( i ，j ) 和g ( i ，j ) 分别为原始图像和处理后图像，三为图像的灰度级，m 、n 为 图像的行与列。从式( 3 1 1 ) 、式( 3 1 2 ) 中可以看出，峰值信噪比越大、归一化均