(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026537.6 (22)申请日 2022.08.25 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 周慧鑫　王珂　李欢　宋江鲁奇 　 王瑛琨　张嘉嘉　张喆　腾翔　 杨庆友　王财顺　梅峻溪　刘志宇　 秦翰林　罗云麟　甘长国　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 段俊涛 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/20(2022.01) G06V 10/26(2022.01)G06V 20/52(2022.01) G06V 10/30(2022.01) G06N 3/00(2006.01) (54)发明名称 一种基于优化K-means聚类和C-V模型的红 外林火检测方法 (57)摘要 本发明公开了一种基于优化K ‑means聚类和 C‑V模型的红外林火检测方法， 首先采用最大中 值滤波算法对红外图像进行噪声抑制预处理， 然 后结合粒子群优化与K ‑means聚类算法对红外图 像中的火灾目标区域进行粗分割， 并将粗分割结 果作为初始轮廓线， 使用基于变分水平集的C ‑V 模型实现对火灾目标边界的优化， 最终根据红外 火灾目标特性对疑似区域进行特征判别， 以得到 最终的检测结果。 本发明针对红外森 林火灾图像 中火灾区域边缘模糊、 分散并存在烟雾的红外辐 射阴影等问题， 可 以有效地消除干扰物， 解决火 焰内部漏检问题， 具有较好的检测效果。 权利要求书3页 说明书6页 附图4页 CN 115424049 A 2022.12.02 CN 115424049 A 1.一种基于优化K ‑means聚类和C ‑V模型的红外林火检测方法， 其特征在于， 包括以下 步骤： 步骤1， 预处 理： 获取红外森林火灾图像， 进行噪声抑制预处 理， 得到预处 理后的图像； 步骤2， 火焰目标区域粗分割： 从预处理后的图像中随机选择两个像素点， 作为粒子群 优化算法 的初始聚类中心， 并使用粒子群优化算法求出的全局最优解作为K ‑means算法 的 初始聚类中心， 结合粒子群优化与K ‑means聚类算法对红外森林火灾图像中的火灾目标区 域进行粗分割， 得到火灾目标区域的粗分割结果图像； 步骤3， 火焰目标区域的优化： 将粗分割结果图像作为初始轮廓线， 使用基于变分水平 集的C‑V模型实现对火灾目标边界的优化； 步骤4， 疑似火焰区域特征的判别： 根据红外火灾目标特性， 对疑似区域进行特征判别， 得到最终的火灾检测结果。 2.根据权利要求1所述基于优化K ‑means聚类和C ‑V模型的红外林火检测方法， 其特征 在于， 所述 步骤1， 采用改进的中值滤波算法进行噪声抑制预处 理， 具体步骤如下： 步骤1.1， 令窗口宽度为奇数k， 选取中心点(i,j)所在的行、 列及两个对角线方向像素 点灰度的中值； 其中， z1、 z2、 z3、 z4分别表示中心点(i,j)所在的行、 列以及两个对角线方向像素点灰度 值的中值； f(i,j)表示原 始图像中像素点的灰度值； med{ ·}表示求中值运算； 步骤1.2， 取步骤1.1中所得的四个中值中的最大值代替中心点(i,j)的原灰度 值， 即得 到最终的滤波结果， 即： M(i,j)＝max{z1,z2,z3,z4} 其中， max{ ·}表示求最大值运算。 3.根据权利要求1所述基于优化K ‑means聚类和C ‑V模型的红外林火检测方法， 其特征 在于， 所述 步骤2， 火灾目标区域 粗分割的具体步骤如下： 步骤2.1， 设置初始聚类数为2， 并从预处理后的图像Ii中随机选择两个像素点， 作为粒 子群优化 算法的初始聚类中心； 步骤2.2， 根据粒子的位置矢量迭代公式迭代调整粒子更新的位置xid(t)， 以及根据粒 子的速度矢量迭代公式迭代调整粒子前进的速度vid(t)， 以寻找粒子群的最优解； xid(t+1)＝xid(t)+vid(t+1) vid(t+1)＝ωvid(t)+c1rand()(pid‑xid(t))+c2rand()(pgd‑xid(t)) 其中， vid(t+1)表示第i个粒子在t+1轮迭代中d维上的速度， 参数ω表示惯性权重， 通过 调整ω的大小调 整全局优化 能力和局部优化 能力， 参数c1和c2分别是个体学习因子和群体权　利　要　求　书 1/3 页 2 CN 115424049 A 2学习因子， rand()是0和1之间的随机数， pid表示d维中第 i个粒子的自身最优解， pgd表示全 局最优解； 步骤2.3， 在确定惯性权重ω和学习因子c1、 c2后， 粒子群优化算法开始搜索全局最优 解， 根据下式求解粒子群适应度方差σ2， 当粒子群适应度方差小于阈值ζ时， 则判定粒子群 优化算法收敛， 并切换到K ‑means算法， 否则返回步骤2.1； 其中， m表示粒子群中的粒子数， hi表示粒子群中第i个粒子的适应度， 表示粒子群当 前的平均适应度， h表示归一 化因子； 步骤2.4， 将粒子群优化 算法求出的全局最优解作为K ‑means算法的初始聚类中心； 步骤2.5， 计算红外森林火灾图像 中每个像素点到各聚类 中心的距离， 找到距离最近的 聚类中心， 将像素点归类到该聚类， 并计算 新聚类的聚类中心； 步骤2.6， 判断新聚类中心与原聚类中心是否相同， 若相同则聚类完成， 否则返回步骤 2.5； 步骤2.7， 根据火焰的温度特征， 采用步骤2.1 ‑2.6优化后的K ‑means算法对 红外图像进 行火灾目标分割， 从而获得火焰目标区域的粗分割结果图像。 4.根据权利要求3所述基于优化K ‑means聚类和C ‑V模型的红外林火检测方法， 其特征 在于， 所述步骤2.2， 将惯性权重ω转换为服 从随机分布的随机数， 避免权重被线性约简， 陷 入局部最小值， 最终错过全局最优解， 惯性权 重ω的变化公式为： 式中， ωmax表示最大惯性系数， ωmin表示最小惯性系数， iter表示当前迭代次数， itermax表示最大迭代次数， N(0,1)表示标准 正态分布的随机数， σ 表示权 重的方差； 将个体学习因子c1和群体学习因子c2设置为服从随机分布的随机数， 实现快速搜索， 提 高全局搜索能力， 从而得到更好的全局最优解， c1和c2在迭代过程中的变化公式为： 式中， c1s和c2s分别表示学习因子c1和c2的初始值， c1e和c2e分别表示学习因子c1和c2的 最终值， iter 表示当前迭代次数， itermax表示最大迭代次数。 5.根据权利要求1所述基于优化K ‑means聚类和C ‑V模型的红外林火检测方法， 其特征 在于， 所述 步骤3， 火焰目标区域的优化具体步骤如下： 步骤3.1， 使C ‑V模型的能量泛函E(φ,ca,cb)最小， 即可以通过下面两个式子分别计算 得到火灾目标区域灰度值ca(φ)与背景区域的灰度值cb(φ)； 权　利　要　求　书 2/3 页 3 CN 115424049 A 3