目前,利用計算機視覺技術對電站爐膛火焰燃燒狀態(tài)的監(jiān)控已成為研究的熱點,。對此，國內(nèi)外學者作了大量的研究工作,，意在通過火焰圖像信息的解讀,，對其燃燒狀態(tài)進行識別，從而保證電站鍋爐的正常運行[1-5],。圖像分割是圖像處理和分析的關鍵環(huán)節(jié),，是成功進行下一步工作的有力保證，現(xiàn)有大量的人工智能算法己應用到火焰圖像分割之中[6-10],。

    根據(jù)上述研究現(xiàn)狀,，本文將計算機視覺技術應用到所從事的工作之中，即向各個社區(qū)供暖的電站鍋爐爐膛火焰圖像,，提出一種基于馬爾科夫隨機場模型的爐膛火焰分割算法,。算法分別對火焰圖像建立觀測場模型和標記場模型,將圖像分割轉化為求后驗概率最大值的問題。實驗證明,，該方法有效地分割火焰圖像,，為火焰燃燒狀態(tài)的識別、電站鍋爐運行狀態(tài)的監(jiān)督及社區(qū)供暖監(jiān)控等工作奠定了堅實的基礎,。
1 系統(tǒng)裝置
    本文設計的爐膛火焰圖像分割系統(tǒng)具有一定的創(chuàng)新性,，適用于各種有無工業(yè)電視監(jiān)督的電站，具有方便,、經(jīng)濟,、成本低的特點。硬件裝置包括具有靈敏度高,、抗強光,、體積小等特點的CCD攝像機，CPU為Intel Pentium 4,、內(nèi)存1 GB,、硬盤80 GB的計算機(或筆記本電腦)，可以自由移動的暗箱及固定在暗箱上的2個高精密度光源,。暗箱用來阻止外界光的干擾,，CCD攝像機與計算機相連，安插固定在暗箱上方。獲取圖像時,，將暗箱與電站爐膛口相對即可,。2個高靈敏光源與爐膛火焰均成45°，既充當了自然光,，又消除了火焰在攝像頭前留下的陰影,。通過計算機控制調(diào)整CCD攝像機與火焰的距離，每隔一定的時間可獲取火焰圖像,，并存儲在計算機內(nèi),。系統(tǒng)硬件裝置如圖1所示。軟件選擇Matlab,，其圖像處理工具箱中自帶的圖像處理函數(shù)和簡單的語法結構,，使得仿真試驗可以方便快速地進行。

2 算法
    火焰圖像分割算法包括顏色特征提取,、標記場模型Potts和觀測場模型FGMM的建立及最大后驗概率(MAP)的計算三部分,，由此將圖像分割問題轉化成統(tǒng)計學計算的問題。
2.1 顏色特征提取
    系統(tǒng)裝置獲取的原始火焰圖像是在RGB顏色空間中表示的,，RGB顏色空間由于參數(shù)R,、G、B具有高度的相關性,，所以不適合顏色提取分析,。HSV顏色空間由RGB顏色空間演變而來，參數(shù)H表示色彩信息,，參數(shù)S表示純度,，參數(shù)V為色彩明亮程度，彼此之間的相關度不高,，適合顏色分析,。本文采用HSV顏色空間表示顏色特征，將提取的顏色特征記為α,。
2.2 模型建立
    設圖像中的觀測像素為?琢,，圖像的標號為Ma，可以定義為離散隨機變量,，從L={1,2,…,N}中取值,，這樣標號集合M={Ma,a∈A}是隨機場。每個觀測像素都有其相應的標號,，圖像分割就是找出相同標號的不同觀測像素,，并放在一起。數(shù)學表達為求P{M|?琢},，即后驗概率(MAP)值最大,。


    (1) 設定圖像的分類數(shù)K,，勢函數(shù)?茁及迭代次數(shù)；
    (2) 使用K-均值算法計算初始分割結果,；
    (3) 估計觀測場參數(shù)μa和δ2；
    (4) 計算式(9),；
    (5) 根據(jù)式(9)最小原則,，估計新的分割結果；
    (6) 判斷終止條件是否滿足,。若滿足,，則停止計算，否則返回步驟(3),。
2.4 算法流程
   本文的算法流程圖如圖2所示,。

3 仿真及結果分析
    針對本文提出的算法，在Matlab7.1環(huán)境下,，對在系統(tǒng)硬件裝置中,，間隔5 s所獲取的原始火焰圖像進行仿真，如圖3所示,。
     本文提出的算法可以準確地分割不同區(qū)域的火焰輪廓,，為下一步分析工作打下堅實的基礎。系統(tǒng)全部程序的運行時間僅為6.023 8 s,，體現(xiàn)了算法的準確快速性,。仿真結果如圖4所示。

    本設計成功地將計算機視覺技術應用到爐膛火焰分割之中,。創(chuàng)新點在于系統(tǒng)裝置的設計和對原始火焰圖像的建模,。通過對系統(tǒng)硬件獲取的火焰圖像建立馬爾科夫隨機場模型，準確地分割火焰圖像,，為之后的火焰識別等工作奠定了基礎,。
參考文獻
[1] HIRANO T, ISHIZUKA S, TSURUDA T, et al. The potential od visualization for studies on flames and furnace[J]. Fuel, 1994,73(11):1697-1705.
[2] 劉道光, 呂麗霞, 劉長良. 支持向量機在爐膛火焰監(jiān)測中的應用[J]. 化工自動化及儀表, 2010,37(1):41-44.
[3] 韓璞, 張欣, 王兵. 基于神經(jīng)網(wǎng)絡的交互式爐膛火焰圖像識別[J]. 中國電機工程學報, 2008,28(20):22-26.
[4] 周鵬，朱虹,，季瑞瑞. 爐膛火焰圖像預處理的Matlab實現(xiàn)[J]. 微計算機信息, 2007,23(6):306-307.
[5] 孟令軍. 用計算機數(shù)字圖像處理技術檢測電站鍋爐燃燒器火焰[J]. 化工自動化及儀表,2001, 28(2):43-45.
[6] 田麗軍. 煤礦監(jiān)控中火災圖像分割方法研究[J]. 煤炭技術, 2011,30(7):83-85.
[7] 許志聞, 紀政,郭嘵新,等. 基于小波神經(jīng)網(wǎng)絡的爐膛火焰識別和診斷[J]. 儀器儀表學報, 2004, 25(8):376-378.
[8] 劉禾.基于火焰圖像和模糊神經(jīng)網(wǎng)絡的鍋爐燃燒穩(wěn)定性判別[J]. 儀器儀表學報, 2008,29(6):1280-1283.
[9] 吳錚, 孫立,汪亞明.基于隱馬爾可夫模型的火焰檢測[J].計算機工程, 2008,34(20):213-215.
[10] 董增壽, 張鳳春.基于OSTU爐膛火焰圖像分割建模[J].微計算機信息, 2010,26(6):201-203.