基于图像处理的森林火灾检测文献综述
浅谈数字图像处理的火险识别技术
浅谈数字图像处理的火险识别技术摘要：论文首先总结了目前各种火灾探测技术的发展现状, 然后对常用的颜色模型及其转换方式进行了阐述, 提出了基于RGB颜色三分量的图像灰度化技术。
对常用的滤波算子和直方图均衡化也进行了分析。
然后提出了背景差分的方法, 重点分析了图像差影以及阈值分割和边缘检测的算法。
关键词：图像处理; 图像分割; 火焰特征; 特征识别;一、绪论(一) 图像型火灾检测技术的出现在使用传统火灾探测技术的过程中, 经常使用火灾特征量作为检测对象。
在过去, 基于温度传感和烟雾感知的检测模型, 科学界已经应用高清晰摄像机、图像处理、计算机多媒体技术来检测火灾。
基于图像的火灾探测技术主要关注数字图像中火灾现象的分析, 并根据图像的特征识别火灾。
由于火灾图像的特点, 图像火灾探测技术在很大程度上避免了复杂地形、植被和恶劣天气对火灾探测精度的影响。
监测范围大, 适用于各种开放空间和大型仓库。
(二) 森林火险的检测目前, 许多森林地区仍然依靠护林员进行人工保护, 但事实上森林火灾的作用很小, 很难及时发现森林火灾, 即使发现, 也很难立即控制。
传统的方法包括航空摄影测量。
然而, 由于大量易燃的森林, 容易产生大量的烟雾, 飞机不仅不安全在烟雾中, 能见度低, 观察的质量也不令人满意。
卫星遥感技术也可用。
但遥感仅适用于大型火灾, 而且反应缓慢, 直到为时已晚才发现【2】。
研究发现, 国内外大多数森林火灾图像都是基于灰色地图, 其缺点是单一判断和高错误率, 而系统的鲁棒性较弱。
根据这种情况, 系统可以通过对各种特征的综合评价来准确判断火灾的发生。
(三) 综述分析了基于火焰图像滤波、前景提取和均衡化的各种颜色模型, 可以对火灾图像进行提取, 然后进行森林火灾预测和及时处理。
二、火灾图像的预处理(一) 颜色模型1、HSI模型HSI模型基于两个重要事实:I组件与图像的颜色信息没有任何关系;H和S的成分与人们感知颜色的方式密切相关。
基于遥感图像的林火监测与预警研究
基于遥感图像的林火监测与预警研究随着气候变化和人类活动的加剧，林火事件频繁发生，严重危害着生态环境和人类健康。
因此，近年来研究人员开发了基于遥感图像的林火监测与预警技术，以快速、准确地掌握林火情况，及时采取应对措施，有效减少林火造成的损失。
一、林火监测的原理和方法1.原理基于遥感图像的林火监测主要借助卫星或无人机收集到的高分辨率遥感图像，利用人工智能技术，对图像中的火灾区域进行自动检测和识别，并实现实时的监测和预警。
2.方法遥感图像处理是基于遥感技术的一种方法，其过程主要包括数据获取、数据处理和结果分析三个阶段。
针对林火监测，具体的方法包括以下几个步骤：（1）数据获取：采用遥感卫星或无人机获取高分辨率图像数据。
（2）数据预处理：对图像进行增强处理，去除云层、阴影、雾霾等干扰信息。
（3）特征提取：利用图像处理算法提取图像中的火源信息，并得到火灾的空间位置和时间序列信息。
（4）分类判别：采用机器学习算法，对特征进行分类判别，实现自动化的林火监测和预警。
二、优势和局限1.优势基于遥感图像的林火监测和预警技术具有以下优势：（1）高精度：利用高分辨率遥感图像，可实现对火源信息的高精度提取和火灾的实时监测。
（2）高效性：实现自动化的监测和预警，可在最短时间内掌握火源信息，快速制定处置方案。
（3）低成本：相比传统的火情巡查方法，无需投入大量人力和物力，成本较低。
2.局限基于遥感图像的林火监测技术也存在一些局限性：（1）依赖性太强：该技术需要利用遥感卫星或无人机等设备获取数据，因此其监测范围和时间受到设备的限制。
（2）复杂性较高：需要采用多种先进的人工智能算法，要求研究人员具备较高的专业技能。
（3）误判率较高：由于遥感图像数据受到多种干扰因素的影响，如云层、阴影等，因此其误判率较高。
三、发展前景与建议基于遥感图像的林火监测和预警技术已经在我国得到广泛的应用，并且在逐步得到拓展和完善。
未来，可以从以下几个方面进行研究和改进：1.加强地面验证遥感监测数据得到的火灾信息需要进行合理的验证，以保证监测结果的可靠性。
基于图像处理的火灾监测系统设计与实现
基于图像处理的火灾监测系统设计与实现随着社会的发展和科技的进步，火灾对人类的危害越来越大。
为了及时发现和防范火灾，保障人民生命财产安全，图像处理技术在火灾监测领域得到广泛应用。
本文将介绍基于图像处理的火灾监测系统的设计与实现。
1. 火灾监测系统的需求分析在设计火灾监测系统之前，我们首先需要进行需求分析。
火灾监测系统的基本任务是实时监测建筑物内外的火灾情况，并对火灾进行预警和报警。
针对这个需求，我们可以分析出以下几个方面的要求：（1）实时性要求高：火灾监测系统需要在第一时间发现火灾并进行报警，因此其实时性要求较高。
（2）准确性要求高：误报或漏报都会对人员的生命财产安全造成重大威胁，因此火灾监测系统的准确性要求也较高。
（3）全面性要求高：火灾在发生时可能会出现在不同的位置和形式，因此火灾监测系统需要对建筑内外的所有区域进行监测。
2. 火灾监测系统的工作原理基于图像处理的火灾监测系统主要是通过视频摄像头采集图像进行火灾检测，然后通过算法进行分析和处理，最终发出报警信号。
火灾监测系统的工作流程如下图所示：（1）图像采集：系统通过预先安装在建筑内外的摄像头对建筑进行实时视频监测。
（2）图像处理：在图像采集的基础上，系统利用图像处理技术对采集到的图像进行分析和处理，提取出火灾特征。
（3）火灾检测：根据提取到的火灾特征，系统通过算法进行火灾检测，判断是否存在火灾。
（4）报警：如果系统检测到火灾存在，它会发出报警信号，通知相关人员及时处置。
3. 系统设计与实现针对上述工作原理，我们需要进行系统的硬件和软件设计。
（1）硬件设计：系统的硬件主要包括视频采集卡、视频摄像头、计算机等。
（2）软件设计：系统的软件主要包括图像采集程序、图像处理程序、火灾检测程序和报警程序等。
在软件设计方面，我们采用MATLAB编写图像处理程序，采用OpenCV进行图像处理和火灾检测，采用Python编写报警程序等。
4. 系统测试与效果展示为了测试系统的效果，我们在校园内的一栋建筑物进行了实际测试。
基于卫星遥感技术的森林火灾监测研究
基于卫星遥感技术的森林火灾监测研究一、引言森林火灾是指森林及其周边地区因火灾而造成火势不易发展的条件包括林分密度大，降雨量足够，天气潮湿，及时进行灭火等，但是由于诸如气候变化、人类活动等因素影响，森林火灾时有发生，给生态环境和人类带来灾害性后果。
随着现代遥感技术的发展，卫星遥感监测技术已成为森林火灾监测的重要手段之一。
二、卫星遥感技术在森林火灾监测中的应用卫星遥感技术在森林火灾监测中的应用主要体现在以下几个方面：1. 火情监测卫星图像能够及时获取森林火灾的位置和范围等信息，从而为救援部门提供较精确的火情资料和情况分析，使其能够采取针对性救援措施。
比如在山火火源探测中，利用高空卫星图像对热源进行探测，通过煤气监测，能够对火源进行有效预测和监测，将危害降到最低。
2. 火势扩散监测传统的方案将仅依靠对流体模型来识别山火和预测山火形态的数值解，但这种方法对于复杂地形来说效果不好。
而利用卫星图像处理技术，可以准确、实时地检测到山火前沿位置信息，并在地图上直接反映出山火运动方向和速度等数据，在很大程度上满足了早期的山火监测和预警工作。
3. 火灾损失评估利用卫星图像不仅可以实时判断火灾损失的程度和范围，同时还可以定期监测整个火灾影响区域，比如卫星图像所获取的图像可以提供受灾面积、烧毁林木、损失面积的详细数据，有助于政府部门采取针对性措施以保障森林的生态平衡。
三、卫星遥感技术在森林火灾监测中的优势相比于传统的森林火灾监测手段，卫星遥感技术有以下几个优势：1. 宽覆盖性卫星技术能够覆盖全球不同地区，并且可以在不同时间段对特定地区进行操作，实现了全球范围内对森林火灾的监测和预警。
2. 实时准确性卫星图像具有卫星自身运动轨迹和运动速度的性质，运用其拍摄的高分辨率图像处理出的数据及时高效、准确地反映出森林火灾的实时情况。
3. 高覆盖率相较于其他监测手段，卫星遥感技术可以覆盖山区、森林等较难进入的地区，从而可以实现对更广广泛的地区的灾害监测。
基于图像特征识别的火灾检测系统设计与实现
基于图像特征识别的火灾检测系统设计与实现一、绪论随着人们对火灾安全意识的提高，对于预防火灾的需求日益迫切。
火灾检测是预防火灾的重要手段之一。
目前，传统的火灾检测系统主要使用温度、烟雾和气体传感器等进行探测。
然而，这些传感器灵敏度和准确度有限，而且在复杂环境下易受到干扰。
因此，基于图像特征的火灾检测系统受到越来越多的关注。
二、图像特征识别的基本原理图像特征识别技术是通过对图像的特征提取来判断该图像是否具有某种特定性质的技术。
其基本原理是：首先对原始图像进行滤波、边缘检测、特征提取等操作，得到一组特征信息；然后通过这些特征信息来识别图像，并进行分类或者判断。
三、火灾图像特征的提取与分析在火灾检测中，需要提取出火灾图像的特征。
对于火灾图像，其特征主要包括以下几个方面：1. 颜色特征：火灾图像中的颜色以红、橙、黄为主，因此可以使用颜色分布来判断图像是否为火灾图像。
2. 纹理特征：火灾图像中的纹理比较明显，可以使用灰度共生矩阵(Grey level co-occurrence matrix, GLCM)来提取图像的纹理特征。
3. 形状特征：火灾图像中的形状比较独特，可以使用主成分分析(Principal Component Analysis, PCA)等方法来提取图像的形状特征。
通过对火灾图像的特征分析，可以对火灾图像进行有效地描述和判定。
四、火灾检测系统设计基于图像特征识别的火灾检测系统设计主要由以下几个部分组成：1. 火灾图像采集：使用摄像头等设备对火灾现场进行图像采集。
2. 图像处理：对采集的图像进行滤波、边缘检测、特征提取等处理。
3. 特征分类：使用分类器来对提取出的特征进行分类，以判断该图像是否为火灾图像。
4. 报警处理：如果图像为火灾图像，则触发报警处理程序进行响应处理。
五、系统实现与优化基于图像特征识别的火灾检测系统的实现需要考虑以下几个因素：1. 图像采集设备选择：需要选择性能稳定、图像质量高的摄像头等设备。
基于数字图像处理的森林火灾识别方法研究的开题报告
基于数字图像处理的森林火灾识别方法研究的开题报告一、选题背景与意义森林火灾的发生对环境和经济都会造成重大损失，因此对森林火灾的早期检测和及时处理非常重要。
目前，大多数森林火灾都是由人类活动或气象因素引起的，并且通常在较大面积内蔓延。
传统的森林火灾监测技术通常依赖于人力巡视和航空监测，但这种方法存在缺陷，比如人工巡视的范围有限，而航空监测的设备和成本较高。
随着数字图像处理技术的发展，利用数字图像处理技术自动检测森林火灾已成为一种新的解决方案。
数字图像处理技术可以提取图像中的特征，比如颜色、纹理和形状，然后对这些特征进行分析和处理，从而自动检测火灾。
因此，本研究旨在基于数字图像处理技术，提出一种有效的森林火灾识别方法，从而实现森林火灾的自动监测和及时处理。
二、研究内容和方案2.1 研究内容（1）分析数字图像处理技术在森林火灾识别中的应用现状和发展趋势；（2）研究常见的数字图像处理算法，比如图像分割、特征提取和目标检测，以及它们在森林火灾识别中的应用；（3）提出一种基于数字图像处理的森林火灾识别方法，该方法将图像分割和特征提取算法应用于火灾区域的提取和特征提取，然后采用目标检测算法识别火灾区域、火源等特征；（4）实现所提出的森林火灾识别方法，并对其性能进行测试和分析。
2.2 研究方案（1）收集和整理与数字图像处理和森林火灾识别相关的文献和数据；（2）研究常见的数字图像处理算法和其在森林火灾识别中的应用，包括图像分割、特征提取和目标检测等方面；（3）提出一种基于数字图像处理的森林火灾识别方法，包括：①预处理：包括图像增强、去噪等；②图像分割：利用某种分割算法将图像分为火灾区域和非火灾区域；③特征提取：对火灾区域进行形状、纹理等特征提取；④目标检测：采用某种目标检测算法，如卷积神经网络、支持向量机等，对火灾区域、火源等特征进行识别和定位。
（4）实现所提出的森林火灾识别方法，并对其性能进行测试和分析，包括准确率、召回率、F1值等。
基于图像处理技术的火灾识别方法的应用与研究
基于图像处理技术的火灾识别方法的应用与研究摘要：针对火灾图像特征提取方法使用的特征单一造成火灾误报率高的问题，在最小二乘支持向量机超参数选取在快速留一法的基础上，结合共轭梯度算法，提出改进的最小二乘支持向量机的火灾图像处理方法，构建了FR?LSSVM模型。
通过对比采用BP神经网络、最小二乘法支持向量机、FR?LSSVM和标准支持向量机的实验结果可以得出，改进算法具有更好的稳定性、更快的运算速度和更高的识别率，有利于提高火灾识别的有效性，进而保护人们的生命财产安全。
关键词：图像处理；火灾识别；快速留一法；共轭梯度；BP 神经网络；最小二乘支持向量机中图分类号：TN911.73?34 文献标识码：A 文章编号：1004?373X（2018）13?0043?04Abstract：Since the traditional fire image feature extraction method has high false alarm rate due to its single feature，an improved fire image processing method based on least square support vector machine （LSSVM）is proposed in combination with the conjugate gradient algorithm and parameter selection of least square support vector machinebased on the fast leave?one?out method，and the FR?LSSVM （Fletcher Reeves?least squares support vector machine）model is constructed. The experimental results of BP neural network，LSSVM，FR?LSSVM and standard support vector machine are compared to obtain that the improved algorithm has higher stability，faster operating speed and higher recognition rate，can improve the effectiveness of fire identification，and further protect people′s life and property safety.Keywords：image processing；fire disaster recognition；fast leave?one?out method；conjugate gradient；BP neural network；least square support vector machine 0 引言模式识别是通过计算机技术对图像、客观物体、各种物理对象与过程进行描述、分类的科学，在最小错误概率的情况下，使识别后的结果最大程度地符合实际情况，提高识别的准确度，达到利用机器对物理对象自动分类、识别的目的[1?2]。
基于图像分割的森林火灾早期烟检测算法研究
1引言针对森林火灾的智能图像处理技术是一个新的研究领域。
为了避免火势的蔓延，火灾检测的实时性和精确性是至关重要的；另外，对于火势蔓延的预测和着火位置的定位，也有利于火灾的及时扑救。
在森林中，由于树木的遮挡，烟雾的出现往往会早于火焰，所以研究基于数字图像的烟雾检测，能够及早地对森林火情进行预警，并能够直观地定位出着火位置。
文献[1]已对现有基于视频图像的林火烟雾检测算法做了较全面的总结：一般性的，可以从烟雾的光谱特征、形状特征和运动基于图像分割的森林火灾早期烟检测算法研究禹素萍1，2，顾晓雯1，2，吴贇1，2YU Suping 1，2,GU Xiaowen 1，2,WU Yun 1，21.东华大学信息科学与技术学院，上海2016202.东华大学教育部数字化纺织服装工程技术工程研究中心，上海2016201.College of Information Science and Technology,Donghua University,Shanghai 201620,China2.Engineering Research Center of Digitized Textile &Fashion Technology of Ministry of Education,Donghua University,Shanghai 201620,ChinaYU Suping,GU Xiaowen,WU Yun.Early forest fire smoke detection algorithm based on image segmentation puter Engineering and Applications,2017,53（16）：166-171.Abstract ：Focused on fire detection in large and complicated space such as forest region,a method is presented for forest fire smoke detection in a single frame,and a new superpixels merging algorithm is studied,and then an existed horizon detection algorithm is improved.Firstly,Simple Linear Iterative Clustering （SLIC ）is performed to compute superpixels and a new superpixels merging algorithm is used.Secondly,a robust horizon detection algorithm is proposed to reduce false alarm rata by cloud interference.Finally,these superpixel areas are characterized using spectrum information,and support vector machine classification is applied to distinguish smoke and background.Experimental results show that this supepixels merging algorithm is efficient and concise,which is easy to be programmed.The smoke detection algorithm is based on image segmentation method,which can reduce noise interference,and smoke detection rate is 77%under forest scene.Key words ：single frame;smoke detection;image segmentation;horizon detection;supepixels merging摘要：针对森林这样的大空间、复杂场景下的火灾检测，提出一种在单帧视频序列图像中的烟检测方法，并研究一种新的超像素合并算法，改进现有的天地线检测算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本科毕业论文(设计)
文献综述
学生姓名 文慧 学 号
091014429
专 业 机械设计制造及其自动化 班 级 机械09-4
指导教师 郑嫦娥
基于红外图像处理的森林火灾识别方法研究
1国内外现状
国内外很多公司、科研机构和大学院校都对图像型火灾探测技术进行过大量
的研究。
Bosque 公司的 BSDS 系统采用红外和普通摄像机进行双波段监控，在准确
识别森林火灾的同时还可以区别其它现象的干扰，误报率较低。在大空间火灾监
控方面有 ISLI 公司和 Magnox Electric 公司联合开发的用于电站火灾监控的
VSD－8 系统。该系统以视频运动检测软件为主体，使用各种滤波器技术，并与
人工智能相结合，进行电站内的火灾监控。
国内相关单位对于图像型火灾探测技术也进行了深入的研究。其中，中国科
技大学的火灾科学国家重点实验室的研究处于国际领先的地位。依托火灾科学重
点实验室的科大立安公司已经研制出双波段火灾探测器 LIAN-DC，并通过相关
反面的验收，投入实际应用。同时，上海交通大学，西安交通大学都曾在火灾探
测方面进行过积极的研究，并在工程实践中提出过一些算法，其探测手段主要集
中在使用红外型摄像机，探测系统的抗干扰性还有待提高。
迄今为止，国内外图像型火灾探测系统还存在误报率高，自动灭火算法误差
大等问题。还有待提出更多更好的探测算法以及算法的实现方法。
2常用的探测系统
国内外科研机构和各大公司开发的众多火灾探测系统基于各种火灾识别模
式，常见的是感烟探测系统、感温探测系统、火焰探测系统、气体探测系统和复
合式探测系统等， 感烟探测系统占有量最高，约70%～80%。
2.1感烟探测系统
感烟式火灾探测器主要是利用烟雾传感器探测火灾中产生的烟雾气溶胶，
如中国科技大学提出高灵敏度红外图像式烟雾相对浓度测试系统，该系统利用利
用发射红外光，使红外光穿过烟雾，并用CCD接收红外光的方法来检测烟雾浓
度。北京林业大学的郭炜强也对基于运动特征的林火烟雾图像检测技术进行研
究，感烟是探测系统在国内国外研究较多，研究较为成熟。
2.2感温探测系统
感温式烟雾探测器主要是利用一个点型或线缆型的温度传感器来探测传感
器周围温度的变化或升温速率。其结构有点型和线缆型，当前广泛使用的是点型
电子感温火灾探测器和线缆型易熔金属或记忆金属感温火灾探测器。如美国的智
能微尘监测网络通过直升机飞播温度传感器来了解火灾情况；德国发明的防火机
器昆虫通过红外线和生物传感技术监视森林里的温度来判断是否发生火灾。
2.3感光探测系统（火焰探测系统）
感光式火灾探测器主要是探测火灾中火焰辐射光波的特性。通常有红外光探
测器和紫外光探测器。（优点缺点）？？？
2.4气体探测系统
可燃气体探测器采用各种光敏元件或传感器来探测火灾初期产生的烟气中
某些气体的浓度或气体成分，一般的结构为点型。当前用于火灾探测的可燃气体
探测器主要采用催化燃烧式或者电化学式探测原理。如葡萄牙的“F3”森林火灾
探测系统则是在探测到烟雾后对大气进行化学分析然后发出警报。
2.5复合式探测系统
有些场合会综合使用两种或者两种以上的探测方法，或者是同一种方法两种
或两种以上灵敏度的探测器来提高探测能力和性能。如烟温复合式火灾探测器，
双灵敏度感烟输出式火灾探测器。
随着科学技术的发展，森林防火工作正日益走向智能化、系统化、综合化。
因此本毕业设计将综合研究感烟和感温探测系统，以实现降低火灾探测系统的误
报率。
3林火识别的算法研究
目前的红外热成像仪林火识别主要依据系统设计者的主观经验对热图像的
数据进行处理，现主要的林火识别算法包括阈值判定法、邻域阈值判定法和均值
对比判定法。
3. 1 阈值判定法
在红外热成像中，温度越高的区域图像的像元值就越大，表现在图像上就越
亮。因此需要根据试验，事先设置红外热像仪的着火点的阈值，当像元取值高于
这一阈值时系统便认为发现着火点。将该阈值设定为F，则着火点的集合可表示
为:
Fire = { a( i，j) ︳a( i，j ) ＞ F，1≤i≤m，1≤j≤n} ( 2)
3. 2 邻域阈值判定法
该方法仍然需要事先设置红外热像仪的着火点阈值F，当像元取值高于这一
阈值时，需要该像元取值及该像元周边八邻域( 考虑到误差及红外热像仪处于不
断扫描过程中，均值判定法一般不考虑图像边缘点的取值，故像元均包含八邻域)
的取值求平均，若该平均值仍然大于着火点阈值F，则认为发现着火点。设像元
取值及像元周边八邻域取值之和为
Sum，其算法为:Sum = Σi + 1x = i － 1a( x，j － 1) + Σi + 1x = i － 1a( x，
j) +Σi + 1x = i － 1a( x，j + 1) ，1＜ i ＜ m，1 ＜ j ＜ n ( 3)
则着火点的集合可以表示为:
Fire = { a( i，j) ︳a( i，j) ＞ F ＆ Sum/9 ＞ F，1 ＜ i ＜ m，1 ＜ j ＜ n}
3. 3 均值对比判定法
该方法是在均值判定法的基础之上，求取全图所有像元取值的平均值Ave，
再设定一个阈值T，当像元及周边八邻域像元取值的平均值大于Ave + T时，认
为发现着火点。全图所有像元取值的平均值可表示为:
Ave = Σm，ni = 1，j = 1a( i，j ) /m × n ( 5)120
阈值判定法通过判定单一像元点取值计算火点，灵敏性最高，但也容易受野
外个别奇异点干扰; 邻域阈值判定法提取火点抗干扰能力比阈值判定法有所增
强，但能准确判定火点的最远距离会有所缩短; 均值对比判定法提取火点的时
候，可以通过求取均值来排除大多数干扰，但其监测距离最短。
为此我们将深入研究监测距离长抗干扰能力又比较强的森林火灾识别算法，
以实现算法的最优化。
4基于红外图像分析的图像处理方法
4.1滤波法 平均滤波法处理背景噪音。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
4.2图像分割 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
4.3阀值确定。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
5实验分析的方法
林火自动识别算法的参数设置受外界环境的影响较大，必须根据当地的实际
情况进行测试和调整，国内已有相当多的可以可靠获取算法参数的验证火灾系统
可靠度的方法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
本毕业设计将采用的方法。。。。。。。。。。。。。。。。。。。。。。。。。
参考文献
[1] 李明. 大空间早期火灾的双波段图像型探测方法的研究[D].天津：天津大学，
2007
[2] 都该欣. 高灵敏度红外图像式烟雾相对浓度测试的研究和实现[J].火灾科学，
2001（1）
[3] 基于红外图像和视频分析的林火监测技术[J].。。。。。。。。