ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

Аннотация
Предложены два способа адаптации порога для алгоритмов обнаружения изображений объектов неопределенной формы на неровном фоне. Необходимость построения таких алгоритмов возникает, например, при создании систем противопожарного видеомониторинга лесных массивов. Признаком начинающегося пожара считается появление дымового облака, яркость которого превосходит яркость фона. При построении алгоритмов обнаружения использован подход, основанный на принципах математической морфологии и предложенный ранее одним из авторов. В основе подхода лежит анализ динамики характеристик связных компонент пороговых множеств при понижении порога. Поведение этих характеристик различается при наличии на изображении объекта интереса и в его отсутствие. Один из предложенных способов выбора порога для обнаружения объекта основан на аппроксимации полиномом третьей степени зависимости средней мощности связных компонент пороговых множеств от порога. Признаком наличия объекта в этом случае считается нарушение монотонности указанной зависимости. Согласно второму способу решение об обнаружении объекта принимается при превышении фиксированного уровня показателем, равным отношению максимальной мощности связной компоненты порогового множества к средней мощности остальных компонент. Анализ эффективности предложенных алгоритмов выполнен методом статистического моделирования. Приведены функции мощности алгоритмов, даны рекомендации по применению алгоритмов в реальных системах раннего обнаружения лесных пожаров.

Список литературы

1. Labati R.D., Genovese A., Piuri V., Scotti F. Wildfire Smoke Detection Using Computational Intelligence Techniques Enhanced with Synthetic Smoke Plume Generation, IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 43, no. 4, pp.1003–1012, July 2013, doi: 10.1109/TSMCA.2012.2224335
2. Ljiljana Šerić, Darko Stipaničev, Maja Štula. Observer network and forest fire detection, Information Fusion, Volume 12, Issue 3, July 2011, pp. 160–175.
3. Genovese A. ,Labati R.D., Piuri V., and Scotti F. Wildfire smoke detection using computational intelligence techniques, in Proc. IEEE Int. Conf. CIMSA, Sep. 2011, pp. 1–6, doi: 10.1109/CIMSA.2011.6059930
4. Maragos, P.; Ziff, R.D. Threshold superposition in morphological image analysis systems, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, no. 5, pp. 498– 504, May 1990, doi: 10.1109/34.55110
5. Guichard F., Morel J.-M. Image Analysis and P.D.E.'s. IPAM GBM Tutorials, March 27 – April 6, 2001 [сетевой ресурс… http://www.ipam.ucla.edu/publications/gbm2001/ gbmtut_jmorel.pdf]
6. Caselles V., Monasse P. Geometric Description of Images as Topographic Maps. – Springer–Verlag, Berlin–Heidelberg, 2010. – 199 р.
7. Vasyukov V., Kalennikova E. An Adaptive Procedure of Smoke and Background Discrimination in the Early Fire Detection Video System, Proceedings of the 6th International Forum on Strategic Technology, Aug. 22~24, 2011, Harbin, China, vol. 2, pp. 844–847.
8. Васюков В.Н. Контрастное обнаружение объектов неопределенной формы на сложном фоне, Доклады Академии наук высшей школы Российской Федерации, 2012, № 1(18), с. 61–68.
9. Jähne B. Digital image processing / B. Jähne. – Springer Berlin Heidelberg New York, 2005. – 654 p.
10. Klette R., Rosenfeld A. Geometric Methods for Digital Picture Analysis, Amsterdam: Elsevier, 2004, 656 p.
11. Barton D.K, Leonov S.A., edit. Radar Technology Encyclopedia. Boston, London, Artech House, 1997. 511 p. ISBN 978-0-89006-893-9.