林火行为，特别是林火蔓延速率的研究是林火科学中的重要内容，需要大量的野外点烧试验。在试验中，准确方便地测定林火蔓延速率十分重要。目前野外试验中林火蔓延速率的测量一般采用标杆法(崔文彬等，1998；Wottom et al., 1999; Balbi et al., 1999; Femandes et al., 2002)，即在试验燃烧场或燃烧床竖立若干标杆，用肉眼或通过相机观察火焰通过标杆的情况并记录通过时间，由此计算蔓延速率。也有通过热电偶测量火场一些点的温度或通过质量损失情况(mass loss)来间接获取林火蔓延速度的(Vaz et al., 2000)。这些方法受标杆、热电偶或天平布设数量的限制，只能测得火场中个别点或蔓延过程中个别时刻的燃烧特征，无法得到整个燃烧过程中任一时刻或位置上的燃烧情况，这种林火蔓延速率测定技术的局限影响了林火行为的研究。

图像测量学利用计算机图像处理技术在非接触测量和连续信息获取方面具有很大的优势(钟建，2002)。有关学者曾通过连续图像序列测定了沿固体木板面和垂直壁面的火蔓延速率(袁宏永等，1996；王喜世等，2000；邹样辉等，2001)，结果表明连续图像法比标杆法等在测量火蔓延速率上更具优越性。因此，野外林火行为也可以通过图像来测量(Adkins，1995；周建军等，1998)，一旦技术成熟，可以方便地测定野外点烧试验中林火蔓延速率，促进林火行为的研究。因此，开展野外点烧试验中林火蔓延速率的图像测量技术的研究十分必要。

由于森林可燃物的异质性强，野外试验条件复杂，比对实验室内相对均匀介质上开展的点烧火行为测定难度大很多。因此，野外点烧试验中林火蔓延速率的图像测量研究很少，近期见诸文献的有Adkins(1995)开发的林火行为分析系统(fire image analysis system)。

林火行为特征的图像测量一般需要3个过程：一是连续图像的获取，二是火行为图像的处理，三是摄像机的标定和林火蔓延速率的计算。图像处理是其中的关键技术，主要任务是从各图像中提取火行为特征。现有的林火行为分析系统，如Adkins(1995)系统，采用手工提取，这对于少量图像是可行的，但对于大量的连续图像，手工分析不仅繁琐，还会因不同人和不同图像带来人为误差。因此，自动获得林火特征十分重要，是建立高效的林火行为自动测量分析系统的基础。林火蔓延速率是最重要的火行为特征，只有准确地从系列图像中提取出火场边缘，才能够通过相邻2帧图像之间的运算计算出蔓延速率。本文研究了自动提取火场边缘的图像处理技术，为开发野外点烧试验火行为自动分析系统提供基础，为更好地开展林火行为研究提供工具。

1 研究方法 1.1 点烧试验

点烧试验地点位于东北林业大学哈尔滨试验林场内。该林场位于126°37′15″E，45°43′11″N，点烧地为1961年营造的胡桃楸(Juglans mandshurica)人工林，林分平均胸径20 cm，平均树高9 m，密度150株·hm^-2。林下植被主要为苔草(Carex sp.)为主的阳性杂草。

在胡桃楸人工林内设置2 m×3 m长方形样地18块，每块样地间隔0.5 m的生土带，将JVC-2000数码摄像机固定在距样地有一定距离三脚架上(图 1)，摄像机焦点轴线位于样地的中线上，同时垂直于点烧样地的一条边。然后进行摄像机标定设置，具体方法见文献(包学诚等，2002)。从样地中心进行点烧，共点烧18块样地，用摄像机记录整个点烧过程。各样地的载量和林火蔓延速率见表 1。各样地的可燃物分布比较均匀，燃烧在无风时基本呈圆形蔓延。

1.2 序列图像获取

将数码录像带上的图像通过图像捕获卡上传到计算机中，存成AVI格式，利用视频处理软件Premier6.0将动态视频转换成分辨率为720×480像素的24位的静态图像序列，每秒24帧，格式为位图，以减少信息损失。由于摄像机视野所覆盖的区域较大，为降低图像的复杂性、减少分类误差，对图像进行适当剪裁，只保留包括点烧样地部分的图像(图版Ⅰ-1)，大小为400×150像素，形成林火图像序列。

1.3 火场边缘提取技术

一般的图像在进行目标提取前要进行增强或滤波等预处理(钟建，2002；郭毅等, 2005)，对于林火图像而言，由于火焰和其他目标差别较大，可暂不进行预处理。

野外林火点烧的图像一般包括火焰(正在燃烧部分)、过火部分(熄灭部分)、烟雾覆盖区域、背景或未燃烧的部分。样地的异质性影响背景的复杂性和可分性, 视情况背景可以进一步分成几类。对于本研究的火场图像(图 1)，背景中包括未燃的可燃物和树影。本文将图像区域分成上述4个部分，背景没有进一步细分。以像素的RGB颜色分量值(0~255)作为判别变量，随机从图像序列中选择3帧，分别从图像中提取这4个成分的像素值作为判别函数的训练样本，然后建立四个模式的线性判别函数(张尧庭等，1982)，根据这些函数对所有的图像进行分类分割。为获得火场边缘，在分类后的图像上，将过火区域、火焰和烟雾覆盖区域合并成一个类型作为前景，将未燃烧区域作为背景，然后生成二值化图像。对二值图像顺序进行收缩、扩张和取反操作以消除由于分类误差产生的小斑块，然后对这些图像进行边缘提取(方如明等，1999)。

本文中处理的火线是火焰后部的边缘，虽然有驻留时间的影响，但对于计算蔓延速率，火焰前后部边缘影响不大。上述图像处理利用Matlab6.0编程实现。

2 结果与分析 2.1 分类函数

根据取样建立的分类函数是：

式中：d_i为判别得分；i=1, 2, 3, 4, 分别是背景区、过火区、火焰和烟雾区; x₁为图像中红颜色值；x₂为图像中绿颜色值；x₃为图像中蓝颜色值；b_0i、b_1i、b_2i、b_3i对应分类函数的系数，见表 2。

当d_i=max(d₁、d₂、d₃、d₄), i=1, 2, 3, 4时，待判图像划分为第i类。

上述模型的统计检验结果如下：

Wilks'Lambda=0.041 99, F(9, 776)=231.14, 显著水平p < 0.000，这说明所建立的分类器统计上可靠。

从表 3中可见，4种模式的分类准确率都在90%以上，其中背景区的分类准确率最低，火焰区分类准确率最高。尽管火焰区的分类准确率没有达到100%，但其他3类成分都没有被误分成火焰，因此，对于分类后的图像而言，虽然有3%的火焰被误分成其他成分，但被确定为火焰成分的一定是原来的火焰，而不是由其他3种成分误分产生的，这就保证了后面进行的火焰边缘提取的准确性。

图版Ⅰ-2是对图版Ⅰ-1进行自动分类后的图像。

对于其他17块样地，采用同样的方法进行分类，背景区、过火区、火焰区和烟雾区平均分类准确率分别为93.6%，93.2%，97.1%和97.5%。其平均背景分类准确率要高于第1块样地，主要是这17块样地中有14块样地没有树影。

2.2 图像分割和边缘提取

图版Ⅰ-3是将过火区域、火焰区和烟雾区合并为一个类型作为前景，将未燃烧区域作为背景后生成二值化图像。白色是合并后的过火区，其中有许多误分成背景区的小斑块，同时背景中也有许多误分成过火区的小斑块。

图版Ⅰ-4是通过收缩、扩张和取反操作(方如明等，1999)后获得的连续火场形状的二值图像，图版Ⅰ-5是从图版Ⅰ-4中提取的火场边缘图像。这2个图右下角的边缘是背景中一棵树的阴影，由于林火蔓延速率的计算是通过2幅图像的差值来获得的，较短时间内太阳角度变化很小，2幅图像中树影部分的差应很小，在进行林火蔓延速率计算时，可以通过设定一个接近于零的阈值将其消去，因此，在图像处理中可以不考虑，故在此没有将此阴影剔除。

与图版Ⅰ-1相比，图版Ⅰ-5的火场边缘与实际火场的边缘基本接近。但需要指出的是，并不是所有的边缘都可以用来进行林火蔓延速率的计算(受风向变化的影响)。

3 结论

利用摄像机记录林火的燃烧过程，将动态图像转换为静态图像后，可以通过线性判别函数进行火场图像不同成分或模式的自动识别，可以较准确地获得火场边缘。特别是由于火焰与其他图像对象的差异较大，在自动分类获取的图像中，火焰组分都是来自实际的火焰，从而避免了因分类而带来的额外误差。因此，利用图像自动提取火场边缘的方法可行。

在林火行为自动分析系统的构建中，可以建立一个模式生成模块，结合点烧地点的实际情况，具体划定成分或模式类别数量，然后由系统自动建立训练样本和生成分类函数，从而自动提取火场边缘，并据此进行确定方向上的林火蔓延速率的计算。