[发明专利]一种基于改进Prewitt算子的火灾辨别装置

摘要

本发明请求保护一种基于改进Prewitt算子的火灾辨别装置，其包括一输入模块，所述输入模块由若干个网络摄像头组成，一算法处理模块，所述算法处理模块与输入模块相连接，一烟雾报警器，所述烟雾报警器与算法处理模块相连接，所述输入模块采用网络适配器连接到算法处理模块，所述算法处理模块用于对火灾场景进行处理、分析，实现精确还原并定位，通过烟雾报警器报警；以及一视频监控服务器，所述视频监控服务器与算法处理模块相连接，一输出模块，所述输出模块与视频监控服务器相连接。

主权项

1.一种基于改进Prewitt算子的火灾辨别装置，其特征在于，包括一输入模块，所述输入模块由若干个网络摄像头组成，一算法处理模块，所述算法处理模块与输入模块相连接，一烟雾报警器，所述烟雾报警器与算法处理模块相连接，所述输入模块采用网络适配器连接到算法处理模块，所述算法处理模块用于对火灾场景进行处理、分析，实现精确还原并定位，通过烟雾报警器报警；以及一视频监控服务器，所述视频监控服务器与算法处理模块相连接，一输出模块，所述输出模块与视频监控服务器相连接，所述算法处理模块采用以下步骤对火灾场景进行处理分析：S1、采集原始火灾图像，根据原始图像的像素位置信息和像素灰度值信息，对原始火灾图像进行滤波处理，生成滤波火灾图像，然后根据所述火灾滤波图像的局部像素信息和整体像素信息，对所述滤波图像进行增强处理，生成增强图像，再根据所述增强图像，生成类梯度图，并对所述类梯度图进行二值化处理，生成二值图像；根据所述原始图像的像素位置信息和像素灰度值信息，对所述原始图像进行滤波处理，生成滤波图像，具体包括：根据所述原始图像的像素位置信息和像素灰度值信息，生成滤波系数模板；使用所述滤波系数模板，对所述原始图像进行行滤波，并对行滤波结果进行列滤波，生成第一中间图像；使用所述滤波系数模板，对所述原始图像进行列滤波，并对列滤波结果进行行滤波，生成第二中间图像；根据所述第一中间图像和所述第二中间图像，生成滤波图像；S2、对步骤S1的二值图像，计算单一尺度下图像的形态学梯度；所述步骤S2使用如下公式计算单一尺度下图像的形态学梯度：其中，G(f)为单一尺度下图像的形态学梯度，f为滤除噪声后的空间目标图像，B为结构元，和分别表示形态学处理中的膨胀运算和腐蚀运算；根据所述单一尺度下图像的形态学梯度，计算得到多尺度形态学梯度图像；使用如下所述的公式计算得到多尺度形态学梯度图像：其中，MG(f)为多尺度形态学梯度；Bi为第i个结构元，其尺寸为(2i+1)×(2i+1)；n为尺度数；确定多尺度形态学梯度图像中的极大值点的位置；使用过零点位置模板选取对应的形态学梯度边缘，并根据预设阈值去除伪边缘；使用高斯滤波器对所述多尺度形态学梯度图像进行低通滤波；使用Prewitt算子计算出所述多尺度形态学梯度图像在水平和竖直两个方向上的一阶导数；使用过零点检测方法检测出梯度图像中极值点所对应的位置；所述保留目标边缘的主干并去除边缘中的碎片包括：利用像素的连通性，将目标边缘分割成一个或多个连通部分；计算每个连通部分的面积，将面积小于预设第二阈值的连通部分去除；S3、采用改进Prewitt算子边缘检测算子对步骤S2的多尺度形态学梯度图像进行边缘检测，得到火灾复杂环境图像的边缘信息，所述改进Prewitt算子边缘检测算子采用8模板Prewitt算法，主要为：把那些在邻域内灰度变化超过某个适当阈值的像素点当作边缘点；还在改进的Prewitt边缘检测算子基础上添加了改进的Sobel算子，改进的Prewitt算子主要改进在：在传统Prewitt算子垂直与水平两个方向的模板上，以45度为单位将垂直与水平模板均分成8个方向模板；所述步骤S3改进的Sobel算子主要改进在：在传统Sobel算子垂直与水平两个方向的模板上，以22.5度为单位将垂直与水平模板均分成16个方向模板体，具体包括：S31：边界是亮度级的梯度变化，边缘是梯度变化的位置，用梯度向量的大小和方向来表述这种变化，边缘用梯度向量的大小和方向来表述这种变化；梯度算子是一阶导数算子，图像f(x,y)在位置(i,j)的梯度定义为下列矢量：的幅度值为：S32：Sobel算子用水平和竖直两个方向的模板与图像f(x,y)做卷积运算，以此近似计算(i,j)处的梯度值，可通过下列公式求解Gx和Gy的值：f(x,y)＝max{|Gx|,|Gy|}Gx＝f(i+1,j‑1)+2f(i+1,j)+f(i+1,j+1)‑f(i‑1,j‑1)‑2f(i‑1,j)‑f(i‑1,j+1)Gy＝f(i‑1,j+1)+2f(i,j+1)+f(i+1,j+1)‑f(i‑1,j‑1)‑2f(i,j‑1)‑f(i+1,j‑1)式中，Gx和Gy分别为水平方向和垂直方向的梯度值；S33：在传统Sobel算子的基础上，增加其他14个方向的模板，分别为；22.5n，n＝1、2…15、16，S34：根据上述16个方向模板，计算不同方向的权值，计算公式如下：lng(x,y)＝‑ln2[d(x,y)2‑u]ω(x,y)＝[g(x,y)]式中，d(x,y)表示模板的元素与中心点之间的欧式距离，g(x,y)表示(x,y)处的实数权值，u表示调整系数，对g(x,y)取整得到ω(x,y)；S35：根据预先设定的模板各个点的权重，然后与目标图像相对应的像素做卷积运算；S36：选取在步骤S25中得到的最大值，用此最大值代替模板中心点对应的目标图像的像素值，最后输出最大的灰度值作为所有模板中的像素输出值；S37：设定合适的阈值T，若(i,j)处的梯度幅值▽f(i,j)≥T，则将该点定义为边缘点。