基于分离YUV 颜色通道的火焰提取方法

王勇智 谭杨磊 韩 锐 张傲宇 刘峥言

（东北林业大学机电工程学院，黑龙江 哈尔滨150040）

火灾是灾害性燃烧现象失去控制的现象，是威胁我们的公众安全与社会发展的主要灾害之一，据统计，2019 年一年接报的火灾有23.3 万起，造成的直接财产损失高达36.12 亿元。森林火灾是火灾的重要组成部分之一，会烧毁森林的动植物资源以至于破坏生态环境，使经济损失巨大，甚至会造成人员伤亡，且在火势较大的情况下更加难以控制，更易造成大面积破坏。因此，要最大程度的减少因为火灾而造成的损失，就必须在火灾发生初期的时候就发现问题并及时的解决。

然而森林火灾具有很大的不确定性和多变性，通过传统的基于对于一些火灾特征参量如烟雾、燃烧气体、温度的传感器的林火检测方法，很容易受到周围所处环境的影响，应用范围较小，分析结果不准确，很容易产生误报，而且反应时间较长，难以在形成初期及时发现，且大面积铺设传感器进行监测，会影响森林的生态环境，且耗资较高，难以实现。

近年来，基于计算机视觉的林火检测技术已经发展起来。其关键是基于颜色的火焰分割算法，通过分析火焰的颜色特征来建立火焰的颜色模型进而进行识别。为了提高检测技术的可靠性，减少误报率，许多国内外学者已经提出多种算法用于识别火焰。Ono 等通过提取红色分量的背景图像中潜在区域的特征量进行神经网络模型训练进行火焰识别。Chen 等人通过在RGB 和HIS 颜色空间上分析火焰特征进行不规则检验。Celik 等通过多张火灾图片生成的RGB 颜色空间的规则决策分割火焰像素。秦薇薇等利用背景差分法分析视频中的火焰兵进行分割。陈天炎等通过YCbCr 空间分析火焰像素分布特征分割火焰。Jenifer 对火焰的颜色、面积、粗糙度、偏斜度进行概率统计，用贝叶斯分类器进行决策。

1 算法流程

笔者提出的基于边缘检测的林火图像分割算法可分为三部分：首先转换图像通道格式为YUV；之后是图像预处理，将图片的V 通道提取出来，获得图像；最后进行中值滤波处理并使用Sobel边缘检测对火焰进行提取完整火焰图像。算法流程如图1 所示。

图1 方法流程图

2 火焰提取规则

2.1 转换图像为YUV 色彩模型

现代相机采取的图片大多为RGB 格式，RGB 颜色模型就是通过图片中不同比例的红、绿、蓝这三原色叠加而成的颜色模型，这样就造成一种颜色是由不同色彩以一定比例混合而成，这样就很难做到定量的分析，无法轻易得到火焰的准确数值，所以RGB 颜色模型难以用来对图像分析处理以进行火焰提取。

YUV 色彩模型来源于RGB 模型，该模型的特点是将亮度信号Y 和色度信号U、V 分离开来，YUV 颜色模型与人类对于自然界色彩的感知与认识的原理类似，他可以把色彩空间中的亮度信息分离出来，从而更适合于图像处理领域。YCbCr 则是YUV 压缩和偏移的版本。

通过将得到的YUV 图像与RGB、YCbCr 图像进行对比（如图2），通过人眼对火焰的直观认识，可以清楚的发现YUV 化的图像中火焰区域被强化，更加容易被人眼所捕获，而背景区域被减弱，减少了其对火焰提取的影响。从而得知YUV 色彩格式更加适用于对于火焰的提取。

图2 图像对比图

2.2 分离图像V 通道像素

火焰具有很多的颜色特征，不同燃烧物质产生的火焰呈现出的颜色就有所不同，森林火灾时的颜色则主要有白色、黄色、橙色、红色、暗红色这几种，一般情况为红色逐渐过渡到黄色。因此RGB颜色模式中，火焰特征一般为R≥G≥B，YUV 颜色模式中，V 通道为提取火焰的主要通道。根据YUV 颜色空间的特点，将亮度通道Y 与色度通道U、V 分离，如图3 所示：

图3 Y、U、V 颜色通道分离结果

从图可以看出：在亮度分量Y 通道，相当于图像的灰度图，背景影响较大，火焰无明显变化，适用性不强；在色度分量U 通道，背景影响较小，但火焰像素值有明显减少，不适于使用；在色度分量V 通道，背景影响较小，且火焰像素值并无明显变化，因此V 通道更加适于使用。同时，笔者将图像分离为R、G、B 通道并进行对比，如图4 所示：

图4 R、G、B 颜色通道分离结果

通过比对可以明显看出，分离R、G、B 通道得出的结果，R 通道背景对火焰区域影响较大，不适于使用，G 和B 通道火焰区域明显减小，更不适宜于使用。

2.3 滤波及边缘检测处理

最后将分离出的V 通道进行滤波与边缘检测处理，滤波方法我们采取中值滤波。1971 年，图基首次提出了中值滤波，通过采用非线性技术在像素点邻域中取中值代替平均值，不但不会降低图片的高频信号，还能在消除噪声同时保持图像的边缘特征。其原理就是将某个点领域中各点值的中值来代替这个点的值。他是一种去除噪声的非线性的处理方法，这样就可以在去除噪声的同时保留图像的细节信息。这样就能减少背景的影响，同时不改变火焰的纹理。

边缘检测技术对于图像分割是一个尤为重要的工具，常用到的有Canny、Sobel、Scharr 边缘检测方法，我们将上一步得到的图片分别使用这三种方法进行比对试验，得出结果如图5。将三种方法的参数值调整到效果较好的情况，进行对比，可以看出Sobel 边缘检测方法得出结果较为准确，且易于辨识以至于使用。

图5 边缘检测结果

3 实验结果分析

笔者研究提取火焰图像，为说明此方法的适用性，以下选取两幅具有代表性的火焰燃烧图片进行分析说明（如图6），第一组的图像为已经发生火灾且火势比较大；第二组为刚发生火灾且有烟干扰。得出结果较好，说明笔者所述方法能够对林火提取起较好的作用。

图6 结果分析

4 结论

笔者运用火焰在不同的颜色空间的特点，分析了火焰像素在不同颜色空间的分布特征，灵活利用起特点，并进行多次评价指标对结果进行客观评价，获得了较好的火焰提取方法。该方法在大火以及有烟干扰的火线情况下可以简单且能有效提取火焰，故此算法具有很强的适用性