工业排放烟尘是大气污染的主要来源之一,对工业排放烟尘进行检测对保护环境、减少污染起到重要意义。烟气黑度能反映工业排放烟尘污染程度,林格曼黑度法是目前烟气黑度检测方法中比较常用的方法,但该方法受人为因素影响较大,且效率较低。随着图像识别技术的发展,对工业排放烟尘进行分割能为烟气黑度检测提供一种新方法。基于图像的方法检测烟气黑度的关键和难点在于将烟尘区域从背景中准确分割,本论文针对这一问题对白天时间段内工业排放烟尘图像的分割开展深入的研究。(1)基于动态目标检测与区域生长的工业烟尘图像分割方法。首先,采用高斯混合模型进行背景建模,利用背景差分法,得到烟尘边缘运动区域,然后用形态学处理的方法去除干扰,最后在均匀空间下通过区域生长算法分割出准确的烟尘区域。采用此方法分别分割3个不同场景烟尘视频中烟尘图像,并对比均值背景建模等烟尘分割方法,实验结果表明,此方法在查全率和查准率两个指标上优于其它方法。(2)基于目标粗定位和精细分割的工业烟尘图像分割方法。为了提高分割出的视频中烟尘的准确率,首先,同样提取边缘运动区域,通过凸壳算法得到烟尘粗分割区域,在大类间方差法的基础上,结合粗分割区域中烟尘面积占较大比例的特点,更新分割阈值,最后,对不同的工业烟尘场景图像进行分割实验。实验结果表明,此方法的查全率和查准率均有所提升。(3)自适应变步长高斯混合模型的工业烟尘图像分割方法。针对传统的高斯混合模型在进行背景建模时,参数是在先前固定帧值的基础上进行参数更新,导致烟尘检测不准确等问题,采用自适应变步长高斯混合模型的工业烟尘图像分割方法。结合烟尘变化速度不均匀的特点,以熵值差变化率为依据,计算最佳步长,得到一个关于熵值差变化率与最佳步长的模型,以熵值差变化率为输入,以最佳步长为输出,得到适用于本文工业烟尘图像分割的网络模型,最后,进行分割实验。实验结果表明,此方法的查全率和查准率高于前两种方法。