图像型火灾探测系统中的高压水炮定位技术的研究_毕业设计论文(编辑修改稿)

图像型火灾探测系统中的高压水炮定位技术的研究_毕业设计论文(编辑修改稿)内容摘要：

结构为基础，而不是以灰度级或对比度为基础。 为了把 候选的小群点包含在物体中，可以检测这些小群点，而不是检测单个点，如果他们的结构与物体的结构充分并已足够相似时就接受他们。 另外，还可以使用界线检测对生成建立“势垒”，如果在“势垒”的临近点和物体之间有界线，则不能把该临近点接受为物体中的点。 最大方差自动取阈法 最大方差自动取阈法一直被认为是阈值自动选取方法的最优方法。 该方法计算简单，在一定条件下不受图像对比度与亮度变化的影响，因而在许多图像处理系统中得到了广泛的应用。 图 21 所示为包含有 2 类区域的某个图像的灰度直方图，设 t 为分离 2区域的阈值。 由直方图经统计可以得到被 t 分离后的区域 1 和区域 2 占整幅图像的面积比为 第 12 页 区域 1 面积比： tjjnn01 (21) 区域 2 面积比： 112Gtjjnn (22) 整幅图像、区域 区域 2 的平均灰度为 整幅图像 的平均灰度：    10Gjjj nnf (23) 区域 1 的平均灰度：    tjjj nnf0111 (24) 区域 2 的平均灰度：    11221 Gtjjj nnf (25) 式中 G 为图像的灰度级 数。 nnj jf 图 21 灰度直方图 整幅图像平均灰度值之间的关系为 2211   (26) 同一区域常常具有灰度相似特性，而不同区域之间则表现为明显的灰度差异，当被阈值 t 分离的两个区域间的灰度差较大时，两个区域的平均灰度 21, 与整幅图像平均灰度  之差也较大，区域间的方差就是描述这种差异的有效参数，其表达式为 第 13 页          2222112   ttttB (27) 式中 2B 表示了图像被阈值 t分割后 2 个区域之间的方差。 显然，不同的 t 值，就会得到不同的区域间方差；也就是说，区域间方差、区域 1的均值、区域 2的均值、 区域 1 面积比、区域 2 面积比都是阈值 t 的函数，因此式 (22)要写成          2222112   ttttB (28) 经数学推导，区域间方差可表示为         221212 ttttB   (29) 被分割的 2 区域间方差达到最大时，是 2 区域的最佳分离状态，由此确定阈值 T   tT B2max (210) 以最大方差决定阈值不需要认为设定其他参数，是一种自动选择阈值的方法，它不仅适用于 2 个区域的单阈值选择，也可以扩展到多区域的多阈值选择中。 火灾图像的仿真处理 图像预处理 一般成像系统只具有一定的亮度响应范围，常出现对比度不足的弊端，使人眼观看图像时视觉效果很差；另外，在某些情况下，需要 将图像的灰度级整个范围或者其中某一段扩展或压缩到记录器件输入灰度级动态范围之内。 对比度调整前后的图像及其直方图如图 21所示。 第 14 页 图 21 对比度调整前后的图像及其直方图 (1) 直方图均衡化原始图像及直方图均匀化后的图像及直方图，如图 22所示。 第 15 页 图 22 原始图像及直方图与直方图均衡化后的图像及直方图 (2)直方图规定化。 原始图像及其直方图与直方图规定化后的图像及其直方图，如图 23所示。 第 16 页 图 23 原始图像及其直方图与直方图规定化后的图像及其直方图 (3) 图像的平滑。 对图像进行低通滤波和中值滤波的效果图，如图 24 所示。 第 17 页 图 24 对图像进行低通滤波和中值滤波 (4)图像的锐化。 图像在传输和变换过程中会受到各种干扰而退化，比较典型的就是图像模糊。 图像锐化的目的就是使边缘和轮廓线模糊的图像变得清晰，并使其细节清晰，如图 25 和 26 所示所示。 第 18 页 图 25 sobel算子对图像锐化结果 第 19 页 图 26 拉式算子对图像锐化结果 图像分割与特征提取 利用边缘检测方法的检测效果，如图 27 所示。 第 20 页 图 27 sobel算子和 canny 边缘检测结果 灰度阈值分析 利用灰度阈值分割法截取分割后的图像，如图 28 所示。 第 21 页 图 28 图像阈值分割 第 22 页 3 基于计算机视觉的高压水炮定位的研究 高压水炮定位灭火系统在消防安全中具有重要的地位和作用，它能够在发生火灾时，保护火灾区域内的人身安全和建筑物建筑结构的安全。 实现高压水炮定位的先决条件在于对火灾发生的空间位置的确定。 本课题用计算机视觉知识作为基础，对火灾空间定位算法进行了研究。 这样，就可以把雨淋喷水系统和火灾探测集成在一起，具有自动扫描定位功能，在 PLC 的控制下对准火源，进行灭火。 还将大大缩减联动系统，简化消防设备的布置，降低了成本。 此外，还有灭火及时，将火灾损失减到最低的优点。 计算机视觉 定义及原理 1) 计算机视觉的定义： 计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。 它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。 计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。 计算机视觉是一门综合性的学科，它已经吸引了来自各个学科的研究者参加到对它的研究之中。 其中包括计算机 科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认识科学等。 2) 原理： 计算机视觉就是用各种成象系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。 计算机视觉的最终研究目标就是使计算机能象人那样通过视觉观察和理解世界，具有自主适应环境的能力。 要经过长期的努力才能达到的目标。 因此，在实现最终目标以前，人们努力的中期目标是建立一种视觉系统，这个系统能依据视觉敏感和反馈的某种程度的智能完成一定的任务。 例如，计算机视觉的一个重要应用领域就是自主车辆的视觉导航，目前还没 有条件实现象人那样能识别和理解任何环境，完成自主导航的系统。 因此，目前人们努力的研究目标是实现在高速公路上具有道路跟踪能力，可避免与前方车辆碰撞的视觉辅助驾驶系统。 这里要指出的一点是在计算机视觉系统中计算机起代替人脑的作用，但并不意味着计算机必须按人类视觉的方法完成视觉信息的处理。 计算机视觉可以而且应该根据计算机系统的特点来进行视觉信息的处理。 但是，人类视觉系统是迄今为止，人们所知道的功能最强大和完善的视觉系统。 如在以下的章节中会看到的那样，对人类视觉处理机制的研究将给计算机视觉的研究提供启发和指导。 因此， 用计算机信息处理的方法研究人类 第 23 页 视觉的机理，建立人类视觉的计算理论，也是一个非常重要和信人感兴趣的研究领域。 这方面的研究被称为计算视觉（ Computational Vision）。 计算视觉可被认为是计算机视觉中的一个研究领域。 计算机视觉的方法及其应用 计算机视觉发展已有二十多年，随着计算机控制理论、模式识别、人工智能和生物技术的发展，计算机视觉在机器人、工业检测、物体识别、卫星图像分析、医学辅助诊断、航空测绘和军事技术中的应用越来越广，研究方法也由二维推到三维，从串行到并行，从直接依赖输入信号的 低层处理到依赖特征、结构、关系和知识的高层处理。 根据计算机视觉应用的目的和原理的不同而有不同的分类方法。 例如对字符、图形和片状的物体识别、理解、检测方法属于二维视觉方法，对于三维物体的识别、重建和测量属于三维视觉方法，根据系统是否发光分为有源和无源视觉方法。 在三维视觉中，根据视点数目的不同又分为单眼视觉、双眼视觉和三眼视觉，根据原理不同又可分为基于区域的视觉方法、基于特征的视觉方法、基于模型的视觉方法和基于规则的视觉方法。 一般有源的视觉方法通过发光装置的控制，使系统获得更多的信息，降低问题难度， 加快运算速度。 基于灰度分布的方法主要是利用在固定光源照射下，随着物体表面法向的改变，使获得的图像也发生相应变化的原理。 基于区域的视觉方法假定在对应点的某一领域内，其灰度相近似或灰度差小于一个门限，因此可以采用平均绝对差、互相关系数等方法互相匹配。 计算机视觉的应用很广，下面简述几个成功应用方面： 1) 机器人视觉。 如物理识别与定位、障碍识别与回避，自动导航等； 2) 图像图形识别系统。 如条形码、邮编、指纹染色体等识别； 3) 工业检测系统。 如集成电路芯片检测； 4) 航天及军事应用。 如卫星照片的自动分析与判读，景物识别，目标检测、识别和定位，目标跟踪，成像精确制导等； 5) 医学应用。 如基于 CT 图像的内部器官的重建，医学图像的分析、描述和识别， DSA(数字减影 )技术，盲人导航视觉等。 总之，计算机视觉的应用正越来越多的代替人去完成许多工作，提高了自动化和机器智能水平，为智能机器人和智能系统发展奠定了基础。 本文就是利用计算机视觉在图像型火灾探测系统的基础上实现高压水炮的定位，减小火灾引起的人员伤亡和财产损失。 计算机视觉与图像处理、图像分析的异同 计算机视觉，图象处理，图像分析，机器人视觉和机器视觉是彼此紧密关。