基于改进的SUSAN算法的火焰图像边缘检测研究

夏凯

摘 要： 火焰图像边缘检测是火焰图像检测系统研究的基础。将SUSAN算法引入到火焰边缘检测之中，并针对SUSAN算法中人为设定阈值在一些特殊场合下无法有效提取图像边缘的问题和运算量过大不适用于实时场景的缺点，通过引入目标区域判别和自适应阈值选取，提出一种改进SUSAN算法，解决上述两个缺陷并对该算法进行仿真。实验结果表明，该算法可以有效地提高火焰检测的准确率，排除干扰源，并具有良好的自适应性。

关键词： 火焰图像； 边缘检测算子； SUSAN算法； 自适应阈值选取

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2015）05?0058?04

Research on flame image edge detection base on improved SUSAN algorithm

XIA Kai

（College of Information and Control Engineering， Xian University of Architecture and Technology， Xian 710054， China）

Abstract： The flame image edge detection is the base to research the flame image detection system. The flame image edge detection model of an improved SUSAN algorithm is proposed in this paper. The SUSAN algorithm has some drawbacks： 1） the image edge cannot be effectively extracted in some special occasions due to the man?made threshold setting； 2） the too large computation quantity makes it not to be applied to the real?time occasions. Therefore， an improved SUSAN algorithm is proposed， by which the target area distinguishing and adaptive threshold selection are introduced to overcome the shortcomings of SUSAN algorithm. Experimental results show that the algorithm proposed in this paper can effectively improve the accuracy of flame image edge detection， eliminate the interference sources， and has perfect adaptability.

Keywords： flame image； edge detection operator； SUSAN algorithm； adaptive threshold selection

0 引 言

火灾是现今社会中多发性的灾害之一，是由于时空上失去控制的燃烧而引起。火灾的发生严重危害公众的安全和社会的发展，具有极强的突发性和极大的危害性。因此，对火灾进行有效的实时监测具有重要的研究意义和实际价值。火焰图像作为火焰检测方法的主要信息源，其主要特点是信息直观且丰富，可以为火灾的早期辨别提供重要的依据和基础。对火焰图像进行边缘检测不仅可以为火焰图像特征提取提供依据，还能为火焰图像的进一步图像增强、图像恢复以及图像分割奠定理论及数据基础。因此，火焰图像的边缘检测是火灾图像检测方法中的关键性环节。

边缘检测技术是计算机视觉中的一项关键技术。图像的边缘是指图像中像素灰度急剧变化的那些像素的集合，它是图像最基本的特征。图像的边缘可以分为两类：阶跃状边缘，边缘两边像素的灰度值明显不同；屋顶状边缘，边缘处于灰度值由小到大再到小的变化转折点处[1]。边缘存在于目标、背景和区域之间，所以，它是图像分割以及图像识别所依赖的最重要的依据，能够提取出目标物体的轮廓，让观察者可以轻易做出辨别。由于边缘是位置的标志，对灰度的变化不敏感，因此，边缘也是图像匹配的重要的特征。近几年来，计算机数字图像技术已经广泛运用到火灾探测与识别领域中，其中一个重要的方面就包括对火灾的火焰图像进行边缘检测，以便准确地测量火焰的大小、形状和位置信息，减少图像中的冗余信息，保留火焰图像中的重要结构特征信息。这样以来，就可以在第一时间通过相关技术手段识别并确认火源信息，在火灾早期进行灭火处理，阻止火灾进一步发展，减少人员伤亡和财产损失。

目前，针对火焰图像边缘检测，该领域的研究人员已经提出了一系列有效的方法。Adkins开发了一种火焰图像分析软件[2]，工作人员可以利用鼠标对火焰图像的边缘进行标记和跟踪。这是一种人工边缘检测方法，但是其对于火焰图像边缘检测具有重要的意义和价值。Bheemul通过检测火焰图像中水平方向线上的亮度变化提取火焰边缘[3]，该方法仅适用于简单稳定的火焰图像。Zhang等人提出了一种基于快速傅里叶变换和小波变换的火焰图像边缘分析算法，并将该方法应用于森林火灾监测视频中。Toreyin等人成功将隐马尔科夫模型和小波变换等不同方法应用于实时视频的火焰检测中[4]。She和Huang提出了一种基于Chan?Vese（CV）[5]主动轮廓模型的火焰边缘检测方法。由此，当前针对火焰图像边缘检测的算法有很多种，但是针对火灾中需要的实时性比较强，开发一种简单、有效和快速的方法，能及时提取出火焰边缘特征信息变得尤为重要。边缘检测算子是边缘检测方法中常用的方法，其特点是适用范围较广，且简单快速，可以有效提取图像边缘特征。相关研究人员也将边缘检测算子应用于火焰图像中。Razmi等人利用背景消减以及Prewitt边缘检测算子进行火焰图像的边缘检测[6]。Jiang和Wang提出了一种利用改进Canny边缘检测算子对运动的火焰区域进行边缘检测。尽管上述的方法在特定的应用场景下可以有效检测火焰边缘，能够进行早期的火灾预警，但也存在一些缺陷。传统的边缘检测算子，如：Canny算子、Sobel算子、Log算子、Prewitt算子等基本上都涉及到一阶或二阶梯度计算，因此会造成算法对噪声不够鲁棒，且计算量大等特点，在检测火焰时边缘不够清晰，不够连续，不能很好地与实际火焰轮廓准确吻合。运算效率低，无法应用于实时火焰图像检测系统当中。

英国牛津大学的Smith等人提出的SUSAN算子为图像边缘检测技术提供了一种无需计算图像梯度的简便算法[7]。该方法直接比较图像灰度相似性，其特点是定位准确、运算简单，且对噪声有较好的鲁棒性。SUSAN算法在边缘检测算法中能够较好平衡检测精度和运算复杂度。因此非常适用于如火焰图像这类背景复杂噪声影响较大的低对比度图像的边缘检测。SUSAN算法不需要进行梯度运算并且具有积分特性，使得算法在抗噪声能力和运行速度上有较大优势。针对SUSAN算法运算量大，需要人工选取阈值并不能完全消除噪声影响问题，本文提出了改进的SUSAN算法应用于火焰图像的边缘检测。

1 SUSAN算法

SUSAN即最小核值相似区，主要应用于图像边缘检测和图像角点检测。SUSAN算法的主要思路是利用一个近似的圆形模板和该圆形模板中心放置像素点，通过计算模板内其他像素值的与模板中心像素值近似的像素点个数。再与所设定的阈值进行比较，从而判定该中心像素点是否为目标边缘[8]。SUSAN算法采用由37个像素组成的近似圆形作为模板，且中心像素为该模板的核[9]。该圆形模板如图1所示。

1.1 算法基本思想

SUSAN算法利用上述的近似圆形模板在图像上进行移动掩膜，如果模板内的像素值与模板中心的像素值的差在特定阈值以内，表明该像素与模板中心像素近似，在圆形模板中满足该条件的像素点组成的区域被称为核值相似区域，即USAN区域。当圆形模板在图像上移动掩膜时，USAN的面积随因所在不同图像区域而变化。SUSAN算法就是根据USAN区域在圆形模板的状态，判别模板中心像素是否为图像边缘。当圆形模板处于目标或背景中时，USAN区域的面积是最大；当圆形模板中心向目标边缘移动时，USAN区域面积将逐渐变小；当模板中心位于目标边缘上时，USAN区域的面积约为整个模板面积的一半；当模板中心位于图像角点上时，USAN区域的面积最小。如图2所示为SUSAN圆形模板中心位于图像不同区域的USAN区域示意图。

从图2中可以看出，模板a表示圆形模板位于背景中，模板e表示圆形模板位于在目标中；模板b表示模板向目标边缘移动；模板c表示模板中心在目标边缘；模板d表示中心在目标角点。针对每个像素点USAN区域面积的变化，可以通过计算其面积大小，再与设定的阈值进行比较，若面积小于阈值，则该像素点为图像中的边缘点。这就是SUSAN算法的基本核心思想。

1.2 SUSAN算法描述

SUSAN算法用圆形模板对图像进行移动掩膜，比较模板内其他像素点与中心像素点，用过与给定阈值t进行比较，判断中心像素点是否为USAN区域[10]，判定公式如下：

[c（r，r0）=1，I（r）-I（r0）≤t0，I（r）-I（r0）>t] （1）

式中：[c（r，r0）]是判别函数；[r0]表示模板的中心像素点；[r]表示圆形模板中其他像素点；[I（r）]为模板中任意点的像素灰度值；[I（r0）]为模板中任意点的像素灰度值；t为设定的阈值。

通常，式（1）采用更为稳定的形式表示：

[c（r，r0）=e-I（r）-I（r0）t6] （2）

那么，图像中每个点的USAN区域的面积可以通过式（3）进行计算：

[n（r0）=r∈D（r0）c（r，r0）] （3）

式中：[D（r0）]表示以[r0]为中心的圆形模板区域；[n（r0）]表示USAN区域的面积。

最后，将得到的每个像素的USAN值[n（r0）]与设定的几何门限[g]进行比较来判定该点是否为边缘[11]。计算公式如下：

[R（r0）=g-n（r0），n（r0）

式中：[R（r0）]表示[r0]的初始边缘响应。从式（4）可以看出，USAN区域的面积[n（r0）]越小，[R（r0）]越大；几何门限[g]可以极大地影响图像提取边缘的结果。其选取也存在一定主观性，若[g]过大，则纹理和平坦区域被误检为边缘；若[g]过大，则造成边缘部分的漏检。传统SUSAN算法中一般综合考虑图像特征以及计算速度的需求，设定[g]为[0.75nmax，][nmax]为模板大小减1。

2 面向火焰图像边缘检测的改进SUSAN算法

传统的SUSAN算法在应用于普通图像的边缘检测中时，具有定位准确，方法简单等重要特点。但是在应用于火焰图像边缘检测时存在以下缺点：

（1） 需要扫描整个图像，进行逐点的USAN区域面积计算，确定该点是否为边缘点，其运算量较大，影响了算法的实时性。而对于火焰图像边缘检测，实时性较其他应用更为重要，因此急需提高。

（2） 需要人为设定灰度门限差的阈值t和几何门限g，边缘检测结果容易受主观阈值选取的影响，且自动化程度不高，检测结果不够鲁棒。

针对以上两个算法缺点，本文提出面向火焰图像边缘检测的改进SUSAN算法，包括如下两部分改进内容：

2.1 目标像素区域判别

火焰图像一个突出的特点在于，火焰目标区域的像素亮度明显高于背景区域。为了进一步增强SUSAN算法的时效性，本文通过引入初始目标区域判定公式，对待检测图像进行初步划分，分离目标区域和背景区域。对目标区域，利用SUSAN算法进行边缘检测，得到目标的边缘轮廓；对于背景区域，不进行边缘检测，统一设定为0。这样一来，便能进一步减少SUSAN算法在背景区域边缘检测中花费的时间，大大提高了算法的时效性。同时保证了边缘检测的精度。目标像素区域判定的公式为：

[I（r）=I（r），I（r）>λ0，I（r）≤λ] （5）

式中：[r]表示图像中的像素点；[λ]表示目标区域判定阈值，计算公式为：

[λ=αI（rmax）+I（rmin）2] （6）

式中：[rmax]分别表示图像中像素点的最大灰度值；[rmin]表示图像中像素点的最小灰度值；[α]为调整系数，可以根据具体图像的不同进行进一步微调，对比度越大[α]值越大。

2.2 自适应选取阈值t

考虑到火焰图像中目标与背景的对比度以及背景区域纹理及结构的复杂程度，SUSAN算法中的灰度差相似阈值t的选取对边缘检测结果的影响较大。在待测图像的对比度和背景条件较好的情况下，t的取值可以适当放大；而当待测图像的对比度和背景条件较差的时候，t的取值需要较小才能获得良好的目标边缘检测结果。传统的SUSAN算法使用过人为依靠经验选取以及多次实验结果对比进行阈值的确定，在很大程度上制约了SUSAN算法的实时应用效能以及自动化水平。本文通过引入简单的图像统计阈值选取方法，对不同情况下的图像进行阈值t的自适应选取，这样一来就可以进一步提高算法的适用场景和范围。像素相似度阈值t的计算公式如下：

[t=β1Ni=1NIimax-1Ni=1NIimin] （7）

式中：[Iimax]表示待测图像中最大的[i]个像素灰度值，[Iimin]表示待测图像中最小的[i]个像素灰度值，而[N]为待测图像中像素数量的[11 000]。[β]为调节系数，本文中取为0.3。

综上，可得到面向火焰图像边缘检测的改进SUSAN算法的整体流程图如图3所示。

3 实验结果

为了证明改进SUSAN算法应用于火焰图像边缘检测的有效性，本文选取2张实验室采集的火焰图像，利用经典的边缘检测算法分别进行边缘检测实验，然后与本文提出的改进SUSAN算法的实验结果进行对比，从而论证本方法的有效性。本文选取的对比算法包括：Sobel算法、Prewitt算法、Canny算法和LoG算法四种经典的边缘检测方法。具体实验结果如图4、图5所示。

由图4和图5的边缘检测实验结果可以看出，本文所提出的方法相较于传统边缘算子算法在应用于火焰图像的边缘检测时，能够更加有效地对边缘进行检测，边缘线清晰、连贯，能够较好地封闭为边界线，达到了理想的火焰图像边缘检测结果。

4 结 论

本文首先介绍了火焰图像进行边缘检测的重要实际意义和应用价值，然后对现有的火焰图像边缘检测方法进行了简要的介绍和分析，并以SUSAN算法为基础，详细介绍了该算法在边缘检测中的应用和细节。针对火焰图像的特点，对SUSAN算法进行进一步改进，使之能够更加有效地应用于火焰图像的边缘检测中。通过设计对比实验比较本文提出的算法与传统算法的效能。实验结果表明，本文提出的算法能够有效检测火焰图像的边缘，且算法更为简单有效，运算时间短，自适应能力强，能够应用于更多实时火灾检测和监控系统之中，具有一定实用价值。

参考文献

[1] 翁木云，何明一.图像综合特征及其在图像检测与匹配中的应用[J].中国图象图形学报，2007，12（1）：121?126.

[2] ADKINS C W. Users guide for fire image analysis system?Version 5.0： A Tool for measuring fire behavior characteristics [M]. Asheville， NC， USA： Department of Agric， Forest Service， 1995.

[3] BHEEMUL H C， LU G， AND YAN Y. Three?dimensional visua?lization and quantitative characterization of gaseous flames [J]. Meas Sci Technol， 2002， 13（10）： 1643?1650.

[4] TOREYIN B U， CETIN A E. Online detection of fire in video [C] // IEEE Conference on CVPR. [S.l.]： IEEE， 2007： 1?5.

[5] CHACON?MURGUIA M I， PEREZ?VARGAS F J. Thermal video analysis for fire detection using shape regularity and intensity saturation features [C] // Lecture Notes in Computer Science on MCPR. [S.l.]： [s.n.]， 2011： 118?126.

[6] RAZMI S M， SAAD N， ASIRVADAM V S. Vision?based flame analysis using motion and edge detection [C]// 2010 International Conference on Intelligent and Advanced Systems （ICIAS）. Kuala Lumpur， Malaysia： ICIAS， 2010： 1?4.

[7] SMITH S M， BRADY J M. SUSAN： a new approach to low level image processing [J]. International Journal of Computer Vision， 1997， 23（1）： 45?78.

[8] 林岳鹏，李玲玲，李翠华.一种改进的快速SUSAN角点检测算法[J].计算机与现代化，2010（2）：66?68.

[9] 陈志方，张艳宁，杨将林，等.一种改进的SUSAN算法[J].微电子学与计算机，2007，24（11）：42?44.

[10] 马桂珍，房宗良，姚宗中.SUSAN边缘检测算法性能分析与比较[J].现代电子技术，2007，30（8）：189?191.

[11] 王敏，龚晓峰，曾军.基于改进SUSAN算法的医学图像边缘检测[J].中国组织工程研究，2012，16（22）：4109?4111.