李雅芝　車強

摘要：針對火災現(xiàn)場視頻中有可能存在的圖像噪聲的情況，文章通過中值濾波、均值濾波、理想低通濾波和小波變換去噪等方法處理含噪火焰圖像，分析其峰值信噪比（PSNR）和去噪圖像等特征，選擇處理效果較好的均值濾波和小波變換閾值去噪;并進一步對均值濾波圖像、小波變換的軟閾值去噪和硬閾值去噪圖像進行火焰分割，分析去噪效果在火災識別中的應用效果。經實驗知，均值濾波在分割火焰的面積識別上更接近無噪聲的火焰分割面積，小波變換的去噪火焰分割視覺效果上更貼合無噪聲火焰圖像。

關鍵詞：均值濾波;小波變換;圖像去噪;火焰識別

火災一直以來都嚴重威脅著人類的生命和財產安全，影響著社會的穩(wěn)定。在火災事故中，現(xiàn)場調查人員通過對火災現(xiàn)場的調查可以幫助查明火災原因，總結火災經驗，對于預防火災有著極其重要的作用。隨著社會和科技的發(fā)展，近年來，視頻火災的偵查技術成為火災調查新的研究熱點。調查人員通過對火災現(xiàn)場相關的視頻和圖像進行技術分析，進一步判斷火災起火點、起火原因以及火災發(fā)展過程。

而現(xiàn)場采集的視頻圖像在拍攝、采集、傳輸、處理等過程中，會因為各種不可避免的原因引入噪聲，從而導致采集到的火災現(xiàn)場圖像不清晰，造成圖像質量下降，影響計算機對現(xiàn)場火焰的提取和分析[1]。圖像去噪在有效去除圖像噪聲的基礎上，可以較好地保留圖像原有信息，目前常見的圖像去噪方法有中值濾波、均值濾波、理想低通濾波等，這些算法對圖像去噪都有一定的效果，但是在處理過程中會造成高頻細節(jié)成分缺失，丟失圖像邊緣細節(jié)信息?；谛〔ㄗ儞Q的圖像去噪，可以隨著小波分解尺度實時改變，適應性強，但是在閾值的選取上要求較高，重構后的圖像精度會有所降低[2]。

一、圖像濾波

中值濾波和均值濾波為傳統(tǒng)的空間域濾波，是通過對含噪圖像的像素點直接進行抑制來消除圖像中噪點的;理想低通濾波為頻率濾波，由于圖像中灰度變化較為劇烈的點一般為圖像輪廓或者是噪聲，理想低通濾波通過濾掉高頻部分，僅允許低頻通過來去除噪聲，使圖像平滑，但同時會丟失部分邊緣信息。

（一）中值濾波

中值濾波主要采用灰度值排序，把數(shù)字圖像中一點的值用該點的一個鄰域中各個點值的中值代替，依次取代像素中心的灰度值，讓原本與周圍像素灰度值相差較大的像素值更改為與周圍像素值比較接近的值，從而消除孤立點。設f（x，y）表示一幅大小M×N的圖像，則中值濾波算法的公式見式（1）：

式中，f（x，y）表示中值濾波的輸出圖像，S_x，y表示圖像中心在（x，y）處。

（二）均值濾波

均值濾波是將圖像中某點周圍鄰域中所有像素值的灰度值相加求平均值，用所求的平均值來代替原來該點的灰度值。設A為包含像素（i，j）在內的鄰域點的集合，（x，y）為集合中的像素，f（x，y）為像素（x，y）處的灰度值，則均值濾波后在像素（x，y）處的灰度值可表示見式（2）[3]：

式中，M是鄰域像素點總數(shù)。

（三）理想低通濾波

在頻率域中，通過濾波器函數(shù)衰減高頻信息而使低頻信息暢通無阻的過程被稱為低通濾波。圖像的細節(jié)和噪聲多存在于高頻部分，對圖像進行低通濾波可以起到平滑抑躁的作用。理想的低通濾波傳遞函數(shù)見式（3）[4]：

（四）去噪結果分析

對于以上三種去噪方法，文章在Matlab2020a環(huán)境下，選取木材燃燒的火焰圖像作為實驗對象進行去噪處理。

第一，選取木材燃燒圖像作為實驗圖像，進行灰度處理作為對比圖像（如圖1a所示），然后加入方差為0.01的高斯噪聲，獲得含噪圖像（如圖1b所示）;

第二，對含高斯噪聲的圖像分別進行中值濾波（如圖1c所示）、均值濾波（鄰域空間3*3）（如圖1d所示）和理想低通濾波（截止頻率80）（如圖1e所示）處理，得到不同處理的去噪圖像;

第三，對去噪后圖像進行畫面的直觀對比，并進一步計算其峰值信噪比（PSNR）（如表1所示），進行深入比較。

從圖1可以看出，中值濾波去噪效果不明顯，圖像中噪聲仍然很明顯，均值濾波和理想低通濾波去噪效果優(yōu)于中值濾波，但均值濾波去噪圖像中仍然有噪聲存在，低通濾波由于處理中過渡較為急峻，所以會產生振鈴現(xiàn)象，導致去噪后的圖像火焰邊緣模糊，丟失部分圖像信息。從表1可以看出，均值濾波和理想低通濾波的峰值信噪比均達到19以上，而中值濾波的峰值信噪比僅為12.4668，與含噪圖像的11.11相差無幾。綜合來看，均值濾波的去噪效果更好。

二、小波變換去噪

小波變換是一種較為理想的時間-頻率分析方法，在時域和頻域空間內都可以較好地表征圖像局部特征，在圖像去噪、圖像融合、邊緣檢測等方面都有較好的效果?；谛〔ㄗ儞Q去噪的方法是利用多分辨分析技術，利用小波變換將含噪圖像進行多層分解，得到小波高頻系數(shù)和小波低頻系數(shù)，其中噪聲信息主要存在于高頻系數(shù)中，圖像的有效信息存在于低頻系數(shù)中。通過設置合適的閾值將小波高頻系數(shù)中的噪聲信息分離并置零，再利用小波閾值函數(shù)對小波高頻系數(shù)進行重建，得到去噪后的圖像。常用的閾值函數(shù)包括硬閾值函數(shù)和軟閾值函數(shù)兩大類。

（一）硬閾值去噪

當小波系數(shù)小于某個臨界閾值時，認為當時的小波系數(shù)主要是由噪聲引起的，應該舍棄;當小波系數(shù)大于這個臨界閾值時，認為這時的小波系數(shù)主要是由信號引起的，應該把小波系數(shù)直接保留下來。函數(shù)表示為：

（二）軟閾值去噪

進行比較含噪信號的小波系數(shù)與選定閾值大小，大于閾值的點收縮為該點值與閾值的差值，小于閾值相反數(shù)的點收縮為該點值與閾值和，絕對值小于等于閾值的點為0。函數(shù)表示為：

（三）閾值的選擇

選擇合適的閾值，是小波去噪的重要步驟，目前常見的閾值計算方法為：

（四）去噪結果分析090979A1-7C53-485B-A43A-B8E55FEBACCD

對于以上小波變換的閾值去噪方法，文章在Matlab 2020a環(huán)境下，選取木材燃燒的火焰圖像作為實驗對象進行去噪處理。

第一，選取木材燃燒圖像作為實驗圖像，進行灰度處理作為對比圖像（如圖2a所示），然后加入方差為0.01的高斯噪聲，獲得含噪圖像（如圖2b所示）;

第二，對含高斯噪聲的圖像選取sym3小波基對圖像分別進行軟閾值（如圖2c所示）和硬閾值（如圖2d所示）的分解和重構，獲得不同處理的去噪圖像;

第三，對去噪后圖像進行畫面的直觀對比，并進一步計算其峰值信噪比（PSNR）（如表2所示），進行深入比較。

從圖2可以看出，小波變換閾值去噪對于高斯噪聲有較強的去噪效果，軟閾值去噪處理結果較為平滑但是會造成邊緣失真現(xiàn)象;硬閾值去噪可以很好地保留圖像邊緣信息的局部特征，但重構的信號會產生一些振鈴，導致視覺失真。從表2峰值信噪比可知，軟閾值去噪的信噪比達到21.4668，硬閾值去噪的信噪比達到19.6371，兩種方法均有較好的去噪效果。

三、應用實驗結果

火焰目標提取和分割是火災識別的關鍵環(huán)節(jié)，當前對于火焰的識別主要是基于面積變化、火焰色彩、紋理等特征，在火災調查中，快速準確的識別到視頻中火焰形態(tài)及火焰面積變化，對火災的識別和認定至關重要。文章選擇在均值濾波和小波變換去噪的基礎上，通過對火焰面積的分割與識別來檢驗圖像處理效果并進行火焰識別對比。

第一，基于Matlab 2020a軟件，對火焰灰度圖像（如圖3a所示）加入0.01的高斯噪聲，獲得含噪圖像（如圖3c所示）;

第二，對含噪火焰圖像分別進行均值濾波去噪和小波變換閾值去噪，獲得去噪圖像;

第三，對以上去噪圖像進行全閾值迭代法分割（如圖3b、3d、3f、3h、3j所示），實現(xiàn)圖像中火焰的分割提取;

第四，基于Matlab計算圖像分割后火焰面積（分割圖像像素和）（如表3所示）。

從圖3可以看出，均值去噪后的火焰圖像分割后，邊緣仍然較為粗糙，畫面中噪點沒有很好的去除，軟閾值分割和硬閾值分割的圖像邊緣較為順滑，從形態(tài)上來看更貼近火焰的形態(tài)，但是丟失了一部分細節(jié);從分割圖像的面積上來看，均值去噪的分割面積更接近原圖分割面積，而軟閾值去噪的分割和硬閾值去噪的分割面積分別高于和低于原圖的分割面積。故從火焰形態(tài)上來看，軟閾值分割和硬閾值分割更接近原火焰形態(tài)，從面積上來說，均值濾波分割的面積和原火焰分割面積更接近。

四、結論

文章采用均值濾波、小波變換閾值去噪等多種常見圖像去噪方法來處理火焰含噪圖像，并通過火災檢測中常用的圖像分割和面積計算的方法檢驗圖像去噪效果。實驗表明，均值濾波和小波變換閾值去噪對含噪火焰圖像均有較好的去噪效果。同時，均值濾波圖像的分割面積更接近無噪聲火焰圖像分割面積，表明均值濾波對火焰邊緣的模糊程度較輕，但同時保留了部分火焰邊緣噪聲，導致分割圖像邊緣粗糙。而小波變換閾值分割的火焰圖像分割面積與無噪聲分割面積相比有點偏差，但分割火焰形態(tài)更接近于火焰本來形態(tài)。

文章從火焰面積和火焰形態(tài)的角度去考量圖像去噪效果，均值濾波和小波變換均有不錯的效果，但是計算火焰面積丟失了火焰的二維信息，較為片面，而火焰形態(tài)的判斷則沒有固定標準。在火災調查中，圖像去噪效果對火焰識別的影響還需要從更多方面進一步探究。

參考文獻：

[1]RafaelC.Gonzalez，RichardE.Woods，StevenL.Eddins.數(shù)字圖像處理（MATLAB版）[M].北京：電子工業(yè)出版社，2005.

[2]梁利利，高楠，李建軍.基于小波變換和均值濾波的圖像去噪方法[J].計算機與數(shù)字工程，2019，47（05）：1229-1232.

[3]王佰輝.基于小波變換的圖像去噪與邊緣檢測算法研究與應用[D].成都：西南交通大學，2019.

[4]席二輝.圖像去噪方法的研究[J].信息與電腦（理論版），2017，374（04）：41-42.

[5]韓天奇，楊文杰，趙建光.基于小波變換閾值圖像去噪分析[J].軟件，2021，42（06）：19-21+40.

[6]陳向奎，康牧.一種可以保留細節(jié)信息的圖像中值濾波算法[J].信息技術與信息化，2020（11）：128-129.

[7]劉文華.基于Matlab的圖像小波變換仿真[J].集成電路應用，2020，37（10）：22-24.

[8]賈文良，陳雨，陳強.基于改進的小波閾值圖像去噪算法[J].微電子學與計算機，2020，37（10）：24-29.090979A1-7C53-485B-A43A-B8E55FEBACCD