新型火焰颜色空间——IFCS

doi:10.3778/j.issn.1002-8331.1711-0390

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (5): 203-210.DOI: 10.3778/j.issn.1002-8331.1711-0390

新型火焰颜色空间——IFCS

冯建新1，2，李慧1，2，刘治国1，2

1.大连大学通信与网络重点实验室，辽宁大连 116622
2.大连大学信息工程学院，辽宁大连 116622

出版日期:2019-03-01 发布日期:2019-03-06

New Flame Color Space—IFCS

FENG Jianxin1，2, LI Hui1，2, LIU Zhiguo1，2

1.Communication and Network Laboratory, Dalian University, Dalian, Liaoning 116622, China
2.School of Information Engineering, Dalian University, Dalian, Liaoning 116622, China

Online:2019-03-01 Published:2019-03-06

摘要/Abstract

摘要： 针对火焰识别颜色空间模型FCS带来的错判率高问题，基于混沌理论和[k]-medoids的粒子群算法，提出了一种改进的火焰识别颜色空间——IFCS。利用IFCS颜色空间进行火焰识别，可以在保证计算的简单快捷的同时，相对FCS更加突出火焰/非火焰像素颜色属性差异特性。采用混沌序列初始化粒子、自适应调整惯性权重、动态非线性调整学习因子、混沌搜索跳出局部最优等方法，得到了IFCS火焰识别颜色空间；进一步，在IFCS火焰颜色空间中通过经典Otsu阈值方法得到二值图像，建立了基于IFCS和Otsu的火焰识别算法——IOFR算法。实验结果表明：IOFR算法有效降低了当前基于FCS颜色空间火焰识别算法的火焰错判率。

关键词: 火焰识别, 火焰颜色空间, 粒子群算法, 混沌, k-medoids

Abstract: In order to solve the high false probability caused by FCS, a new color space model IFCS based on chaos theory and k-medoids PSO algorithm is proposed in this paper. The flame recognition with IFCS can compute simply and quickly, and highlight the attribute differences between the flame pixels and non-flame pixels more than FCS. Particles are initialized by chaos sequence. Inertia weight is adjusted adaptively. Learning factors are nonlinear adjusted dynamically. Locally optimal solutions are avoided with chaotic searching. Then IFCS is obtained. Further, IOFR algorithm based on IFCS and Otsu is established with the classic Otsu method in IFCS fire color space. Results show that IOFR algorithm can reduce the false probability effectively.

Key words: flame recognition, fire color space, Particle Swarm Optimization（PSO）, chaos, k-medoids

冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.

FENG Jianxin1，2, LI Hui1，2, LIU Zhiguo1，2. New Flame Color Space—IFCS[J]. Computer Engineering and Applications, 2019, 55(5): 203-210.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[5]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[6]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[7]	王海瑞，鲜于建川. 改进麻雀搜索算法在分布式电源配置中的应用[J]. 计算机工程与应用, 2021, 57(20): 245-252.
[8]	廖列法，杨红. 天牛须搜索算法研究综述[J]. 计算机工程与应用, 2021, 57(12): 54-64.
[9]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[10]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[11]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[12]	李宏伟，陈亮，白景波. 基于CMFO算法的投影寻踪威胁目标评估模型[J]. 计算机工程与应用, 2020, 56(2): 152-157.
[13]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[14]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[15]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.

新型火焰颜色空间——IFCS

New Flame Color Space—IFCS

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics