基于背景模糊模型的烟雾检测系统设计

摘要：

本文主要介绍了基于背景模糊模型的烟雾检测内容，通过小波变换，比较背景复合图像能量值和出现烟雾时的复合图像能量值，并设定一定的阈值来检测出烟雾的存在。因此本文将要依次介绍背景图像地提取、小波变换的过程、阈值的选择以及烟雾的标记过程等内容。并且在文章后面还会提到如何进行改进，以及部分改进的结果。

基于均值背景模型提取背景

均值背景模型

平均背景模型是将运动目标看作为噪声，用累加平均的方法消除之。利用运动目标运行一段时间的序列图像进行平均而得到背景图像。

公式为：

实现过程

均值背景模型实现比较简单，需要一帧一帧读取每一帧图像，然后对每一帧图像相应位置的像素点进行求和取平均。本实验中用了一个三维的矩阵mat(x,y,k)来存储每一帧图像的灰度值，其中k是固定值，可以是整个视频，也可以是固定一段时间内的序列图像。实验结果如下：

小波变换

​​​​​​

小波变换的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率进行局部化分析，通过伸缩平移运算对信号进行多尺度细化，最终达到高频处时间细分，低频处频率细分的结果。

设wn(x,y)表示由三幅高频分量子图像的能量值之和构成的一幅复合图像：而一幅图像经过二维离散小波变换，可分解为四个部分：一幅低频（cA）分量子图像和三幅高频分量子图像。其中，三幅高频分量子图像包含了水平方向（HL)、竖直方向（LH）和对角方向（HH）的纹理信息。当图像中有烟雾出现时，通常情况会使这三幅高频分量子图像的能量值减小。设wn(x,y)表示由三幅高频分量子图像的能量值之和构成的一幅复合图像：

将复合图像分解成为大小为（K1,K2)的子块，第i个图像子块的能量ei(l1,l2)为：

式中：Ri为复合图像wn(x,y)中大小为（K1,K2）的第i个子块；（l1,l2）表示能量子块在复合图像中的相应位置。本文采用块的大小为4x4。

对当前图像经小波变换后的局部高频能量值与相应位置的背景图像经小波变换后的局部高频能量值进行比较，如果在（l1,l2）处的子块能量值ei(l1,l2)被降低，那么就意味着当前图像的纹理或边缘不再像背景图像中那么尖锐，对应图像块有可能出现烟雾。

为了提高识别率，设定两个阈值0 < T1 < T2 < 1，本实验取T1 = 0.6 、T2 = 0，如果图像中出现烟雾导致小波高频能量减少，则ei(l1,l2)应满足：

T2 * ei(l1,l2) < ei(l1,l2) < T1 * ei(l1,l2) （3）

式中的ei(l1,l2)表示由背景图像构成的复合图像在(l1,l2)处的子块能量值。将满足式（3）的能量子块内的像素值设置为0，即HL(l1,l2) = 0 、LH(l1,l2) = 0、HH(l1,l2) = 0、cA(l1,l2) = 0。然后在通过小波反变换还原出原图像，此时原图像缺失了被识别为烟雾区域的像素值，接着通过构造图像的二值图，取反，补全‘空洞’（‘holes’），找到最大的连通区域即为真正的烟雾区域。

备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除.

程序代码:

功能效果:

创作不易，相关程序，说明文档需求，如需要，可加作者新联系方式，WX：Q3101759565，QQ：3101759565[多加几次！！！]

祝您学业有成！工作顺利！ 年薪百万!