森林火灾的预防是保护森林资源,提高森林覆盖率,改善人类生活环境质量的重要措施之一。随着计算机技术的发展,利用红外成像技术对森林火灾进行监控,能够弥补可见光夜间监控的弊端,能够穿透云雾和障碍物的遮挡,实现全天时、远距离检测、大面积覆盖、初期明火点识别以及火灾隐患(异常高温区)识别和实时性等森林防火领域内的难题,是适合我国国情、能够有效预防森林火灾发生的重要手段之一。红外图像处理是红外成像森林防火的重要部分,需要用到远距离弱小火源目标的检测和近距离有形状火源目标的识别两个关键技术。围绕两个关键技术进行了深入的分析和研究,取得了以下成果:1.图像降噪,针对红外图像存在目标不明、对比度不高的特点,红外图像预处理时易发生图像模糊和边缘信息丢失的问题,对红外林区图像提出了使用基于简化的脉冲耦合神经网络模型进行降噪处理的方法。通过改进神经元连接强度的取值方法,使其与邻域内像素的灰度值相关,利于噪声消除;简化了阈值的衰减指数的计算方法,使其依赖于阈值幅度,并能自动获取阈值幅度的最佳值。2.图像分割,对经过预处理的红外图像继续使用简化脉冲耦合神经网络对目标进行分割,利用邻域内点火状态图,通过迭代运算,不断修正阈值直到是分割前后图像的交叉熵最小时的灰度值作为阈值,对图像进行分割。通过实验数据能够看出,采用脉冲耦合神经网络分割图像在森林防火方面具有一定的优势,分割效果良好,有利于图像的识别。3.对林区弱小火源目标构建序列模型。针对弱小目标距离远,无明显形状特征,图像对比度和信噪比低的特点采用单帧和序列相结合的方式,实现对小目标的检测。对于背景较简单的图像采用全局阈值的方式进行检测,当图像背景复杂时利用自适应结构元素通过灰度形态学上的顶帽变换进行背景抑制;在此基础上结合目标运动的相关性,通过管道进行滤波实现弱小火源目标的序列检测。4.对近距离有形状火源目标的分割后,提取目标的特征向量,通过计算特征间的互信息,消除特征冗余,将选出的目标的特征向量送入由BP神经网络搭建的智能识别器进行识别分类。用20%的样本数据进行识别器训练,再对余下的80%数据进行识别测试,输出分类结果。本文针对红外成像森林防火开展了研究,实现了对远距离弱小火源目标检测和近距离有形状目标识别,通过仿真实验数据表明了有效性,具有一定的理论意义和应用价值,可将红外成像图像处理技术应用于森林防火。