研究背景及意义
1.课题背景
2019年11月，澳大利亚新南威尔士州爆发了数十场大火，迅速蔓延到整个大陆，并成为有史以来最严重的一场山火。澳洲林火至今已造成至少20人丧命，10多人失踪，1300多所房屋烧毁，灾情严重程度超乎想象。分析员说，林火造成的经济损失，光是悉尼每天就可能超过5000万美元。森林火灾造成的损失巨大，为有效保护人们的生命财产安全和保护森林资源，世界各国不惜花费巨资，投入几十亿、上百亿美元，用于研制森林防火预警系统。
自上世纪70年代起,图像检索就成为十分活跃的研究领域,但由于人工标注工作量大和“语义鸿沟”的出现,大大的限制了图像检索技术的发展,为改善该技术的困境,图像自动标注技术得到了广泛的应用。图像自动标注描述的是计算机通过算法将一个或多个描述性关键字自动地分配给相关图像的过程。[1]图像自动标注是当前图像处理领域中的研究热点,其目的是为图像分配若干能描述其图像视觉内容的标签,它是当前以文本为基础的图像检索过程中一个关键性的步骤。图像自动标注在十多年的发展历程中,取得了丰硕的研究成果,不但其精度在持续提高,而且标注模型也在不断完善。但是由于低层视觉特征与高层语义之间存在语义鸿沟的制约,使得图像自动标注的标注性能和标注效率仍然有待提升。[2]
起火初期温度低，颜色主要表现为红色或黄色，随着温度升高，颜色逐渐变为淡黄或白色；白天的火焰饱和度高于晚上等。因此，基于颜色的火焰识别较之其他方法更有优势。常用的颜色空间有RGB(Red, Green, Blue)、HSI(Hue Saturation Intensity)、YCbCr等。但是起火初期往往范围很小，而当火焰无法控制以后，范围就会无法想象，因此图像分割显得尤为重要。图像分割的目的是将图像的划分成若干个区域，区域之间彼此不相交。该工作属图像预处理步骤，但分割质量会直接影响后续的识别效果。目前，常用的图像分割方法有：阈值分割、边缘检测、区域生长和基于其他理论的分割方法(如形态学方法)等。[3]
相对于多项式和支持向量回归等函数模拟方法，样条回归光滑性好，且易于求解图像的多阈值分割问题。伴随着机器视觉的兴起，图像标注工作对机器学习方法的性能起到至关重要的作用。
2.研究目的和意义
本课题拟结合图像数据的先验知识，如林火图像的推理规则，实现林火图像的自动标注功能。
当发生森林火灾时，可以第一时间标注出发现火灾的地点。当发生大型森林火灾时也可以根据火焰颜色及时发现火灾重灾区域及将要发生火灾的地点，以达到森林火灾损失最小化的目的。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
