简介本资源是一套面向MATLAB图像处理初学者与安防算法实践者的火焰检测入门方案聚焦火灾预警场景下的计算机视觉技术落地解决图像中火焰区域识别与定位的核心问题。压缩包共10个文件7个.m主程序脚本3个.jpg测试图像总大小仅75KB轻量易用m文件涵盖主流程控制main.m、色彩空间转换RGBtoGray.m、火焰颜色分布分析RGB_distribution.m、图像读取read_images.m及多种检测核心逻辑flame_detection.m等jpg图像提供真实火焰样本用于验证。已有1495人学习下载适合课程设计、毕业设计或小型监控系统原型开发。读者可直接运行代码复现基于HSV颜色特征、亮度变化与形态学后处理的多策略火焰检测流程获得完整可调试的算法框架、清晰的模块分工及典型误检优化思路快速掌握从图像预处理到目标判别的全链路实现。 最近有个做安防监控的朋友问我说他们想用 MATLAB 快速验证一个火灾检测算法网上资料一堆但要么讲得太浅、要么抄来抄去还跑不通。这让我想起自己以前折腾火焰检测的那些日子。用 MATLAB 做火焰检测其实是图像处理入门到进阶一个非常经典的实战项目既涉及颜色空间转换、阈值分割、形态学处理这些基本功又牵扯到实时性、鲁棒性这些工程问题非常适合拿来练手和做原型验证。这篇文章我就把手上的完整实现思路、代码细节、以及踩过的坑一次性说清楚希望能给正在做课程设计或者刚接触视觉检测的朋友一些参考。1. 火焰检测的整体思路为什么先选颜色再谈其他很多人拿到火焰检测第一反应是上深度学习这当然是一条路但在很多实际场景里传统图像处理方法依然有不可替代的价值。MATLAB 做火焰检测核心逻辑并不是“识别火焰形状”而是先抓住火焰最稳定的一个特征——颜色。火焰在视觉上最突出的特征就是它的颜色分布高温火焰通常呈现从亮白、亮黄到橙红、暗红的渐变这种颜色特征在特定颜色空间里是相当有区分度的。1.1 火焰视觉特征的本质从 RGB 到 HSV先看一个最基本的物理事实火焰的颜色主要由燃烧温度和燃烧物质决定。蜡烛火焰内焰温度较低偏蓝色外焰温度高偏黄色而木材、纸张等常见固体燃烧时火焰通常呈现橙红色。在监控摄像头画面里我们关心的绝大多数是这类中低温火焰颜色集中在红色到黄色区间。RGB 颜色空间把颜色拆成红绿蓝三个通道但这三个通道之间有很高的相关性而且对亮度变化极其敏感。同一团火焰白天和晚上拍出来的 RGB 值可能差了十万八千里换一个白平衡设置颜色偏移更明显。如果直接在 RGB 空间设阈值做分割今天调好的参数明天场景一变就废了。所以我的做法是先把图像从 RGB 空间转到 HSV 空间。HSV 把色调Hue、饱和度Saturation和明度Value分开其中明度通道基本对应光照信息而色调通道则相对稳定地描述“这是什么颜色”。火焰的色调集中在红色区间这个特性比“RGB 三个通道谁大谁小”要可靠得多。用 HSV 空间做火焰检测等于把光照变化这个干扰因素先剥离了一部分后面的分割阈值才能稳定下来。1.2 方案选型单帧图像检测是第一步整个检测流程我分成五步读取图像、颜色空间转换、阈值分割、形态学去噪、连通域标记。前两步是预处理中间是核心分割最后是后处理和结果输出。这里有个工程上的考虑——先做单帧图像检测再做视频流检测。很多人一上来就想直接处理实时视频但算法参数都没调明白视频里每一帧都在抖问题叠问题根本无从下手。单张图的检测逻辑跑通、参数标定好之后再套一层循环去读视频帧其实只是几分钟的事。1.3 为什么值得用 MATLAB 而不是直接上 Python我不是说 MATLAB 一定比 Python 好但在火焰检测这个场景下MATLAB 有两个独特优势。一个是图像处理工具箱非常成熟rgb2hsv、imopen、bwconncomp、regionprops这套组合拳写起来极快代码量比 OpenCV 少三分之一不止而且每个函数都有详尽的文档非常适合验证算法思路。另一个是可视化能力labeloverlay、insertShape这类函数可以非常直观地把检测结果叠加在原图上调试阈值时一眼就能看出哪里分割过度、哪里漏检了这在原型验证阶段效率极高。2. 核心算法拆解颜色分割与形态学处理的细节2.1 颜色空间的数学模型与阈值选择刚才提到用 HSV 空间做分割这里把具体怎么选阈值、为什么这样选讲透。在 HSV 空间里三个通道的取值范围分别是H色相0 到 1S饱和度0 到 1V明度0 到 1MATLAB 中经rgb2hsv转换后归一化到这个范围。我积累了一套比较常用的火焰颜色阈值组合如下表所示通道最小值最大值说明H00.12红色到橙黄色区间S0.351排除白色、灰色等低饱和区域V0.351排除过暗的阴影区域这里有几个关键点要解释。首先是 H 通道的边界问题。HSV 空间中 H0 和 H1 都是纯红色这是一个环形边界处理不好会把红色区域切断。火焰的颜色从红色向黄色渐变黄橙色的 H 值在 0.08 到 0.12 之间所以我取了 0 到 0.12 这个区间。如果你检测的火焰偏橙红色可以收窄到 0 到 0.08如果偏亮黄色就放宽到 0.15。其次是饱和度约束。火焰核心区域往往非常亮亮到发白这些区域的饱和度其实很低。但火焰边缘和主体区域饱和度通常不低如果 S 阈值设太低会把场景里的白墙、白色物体都卷进来。S 下限设在 0.35 是我在多个室内外场景下测试出来的平衡点。2.2 形态学操作去掉噪点还原火焰轮廓颜色分割得到的往往是密密麻麻的像素点集合里面既有真正的火焰区域也有大量因为颜色相近被误检的离散噪点。直接拿这个结果去框选目标会得到一堆乱七八糟的小区域。这时候就要上形态学处理了。我的固定操作顺序是先开运算去噪再闭运算填充空洞。开运算是先腐蚀后膨胀作用是把细小的噪点区域先腐蚀掉再把剩下的目标膨胀回接近原来的大小闭运算是先膨胀后腐蚀作用是把火焰内部的暗色空洞填上同时保持整体尺寸不变。结构元素我用strel(disk, 5)一个半径 5 像素的圆形结构元素既不会把大区域削得太厉害又能滤掉绝大多数小噪点。这里有个实际的调参心得如果图像分辨率很高比如 1920x1080结构元素半径可以适当加大到 7 甚至 9。但不要盲目加大否则火焰边缘会变得过于圆滑而且两个距离很近的火焰区域可能被合并成一个。我通常的做法是先跑一遍看分割结果根据噪点大小动态调整。2.3 连通域分析与目标标记从“像素”到“区域”形态学处理后我们得到的是若干块连通的白色区域。接下来用bwconncomp找出所有连通域再用regionprops计算每个连通域的相关属性。这一步的价值在于我们把检测结果从像素级升维到了区域级可以给每个候选区域算面积、质心、外接矩形然后基于这些区域属性做进一步的筛选。筛选规则我一般用两个一是面积下限小于一定像素数的区域直接丢弃因为真实火焰不可能只有指甲盖大小的面积除非是极远距离的小火源二是外接矩形的长宽比正常火焰通常是竖直向上的形态长宽比明显大于 1如果一堆候选区域的长宽比接近 1 且面积很大很可能是误检的橙色灯光或反光。最后用labeloverlay把检测到的区域叠加到原图上或者用insertShape画外接矩形框视觉上非常直观。3. 完整可跑的 MATLAB 实现代码与逐行讲解3.1 从单张图片开始的完整脚本下面是一份可以直接复制运行的核心脚本。我把它封装成一个函数输入图片路径输出标记后的图和候选区域列表。代码里每一段的关键逻辑我都加了注释方便你按自己的场景修改。function flameRegions detectFlame(imgPath) % 读取图像 img imread(imgPath); % 转换到 HSV 颜色空间 hsv rgb2hsv(img); H hsv(:, :, 1); S hsv(:, :, 2); V hsv(:, :, 3); % 火焰颜色阈值分割 maskH (H 0) (H 0.12); maskS (S 0.35) (S 1); maskV (V 0.35) (V 1); mask maskH maskS maskV; % 形态学去噪开运算 闭运算 se strel(disk, 5); mask imopen(mask, se); mask imclose(mask, se); % 移除面积过小的噪点区域 mask bwareaopen(mask, 200); % 连通域分析 cc bwconncomp(mask); stats regionprops(cc, Area, BoundingBox, Centroid); % 筛选有效火焰候选区域 flameRegions []; for i 1:length(stats) area stats(i).Area; bbox stats(i).BoundingBox; aspectRatio bbox(4) / max(bbox(3), 1); % 高/宽 % 过滤条件面积足够大且长宽比合理 if area 300 aspectRatio 0.8 aspectRatio 5 flameRegions [flameRegions; stats(i)]; end end % 在原图上叠加检测框 output img; for i 1:length(flameRegions) bbox flameRegions(i).BoundingBox; output insertShape(output, Rectangle, bbox, ... LineWidth, 3, Color, red); end % 可视化 figure; subplot(1, 3, 1); imshow(img); title(原图); subplot(1, 3, 2); imshow(mask); title(火焰分割掩码); subplot(1, 3, 3); imshow(output); title(检测结果); end3.2 参数标定实测记录这份代码使用的时候有四个参数最需要根据实际场景调整H 通道上限、S 通道下限、形态学结构元素半径、面积筛选阈值。我把自己在三种场景下的实测标定结果整理成一张表方便你对照参考场景H 上限S 下限结构元素半径面积阈值效果室内蜡烛/酒精灯暗背景0.120.305100精准检出无漏检室外木材燃烧白天0.100.407500少量误检需调 V 下限监控画面远景火焰夜间0.120.25550完整检出但会有灯源误检这个表格是真实调试记录的浓缩版。可以看到不同场景下参数差异还挺大的这也解释了为什么很多人直接抄代码总是跑不出理想效果——环境和目标尺度不一样参数必须跟着调。3.3 从单帧到视频流只需一个循环单帧检测跑通之后处理视频其实非常简单。用VideoReader读取视频文件循环逐帧调用检测函数再把结果写入VideoWriter输出视频。核心代码如下v VideoReader(fire_video.mp4); w VideoWriter(output.avi); open(w); while hasFrame(v) frame readFrame(v); result detectFlameFrame(frame); % 把上面函数改成接收图像矩阵即可 writeVideo(w, result); end close(w);这里有个性能优化的点imread和VideoReader读进来的图像在 MATLAB 里都是 uint8 类型的 HxWx3 矩阵所以检测函数不需要区分是图片还是视频帧接口完全统一。但如果视频分辨率很高每一帧都做完整的rgb2hsv加形态学处理会有点慢这时候可以先缩小图像再进行检测检测框坐标再映射回原尺寸。4. 常见问题与排查技巧实录4.1 环境光干扰导致误检白天室外场景下阳光、红色横幅、消防栓、橙色汽车都可能被误判为火焰。这类误检的根源在于颜色空间本身的表达能力有限——色调落在红橙范围内的并不只有火焰。我试过几种思路比较有效的是组合图像纹理特征和颜色特征。火焰的纹理相对均匀边缘不规则且动态变化而横幅、汽车这类物体表面纹理平整边缘是规则的直线。用stdfilt计算局部标准差火焰区域的纹理方差通常显著高于平整表面。当然这个特征在单帧图像上不够鲁棒真正可靠的方法是结合帧间动态信息这部分我在第 5 节展开。4.2 肤色与近距离红色物体干扰另一个高频误检源是肤色。手、脸这种区域色调偏红饱和度和明度也跟火焰阈值范围重叠。如果你做的是室内火焰检测摄像头又可能拍到人这个问题几乎必然遇到。我的临时解决方案是缩小 H 通道范围到 0 到 0.08同时把 S 下限拉高到 0.45肤色区域的饱和度通常偏低这样能滤掉一部分。但这对偏橙黄的火焰检测不利需要你根据实际火焰颜色权衡。如果火焰本身就是偏橙红色跟肤色非常接近那单凭颜色就没法区分了只能上后续的动态特征或者深度学习分类器。4.3 分割结果碎片化火焰区域不完整这个问题的典型表现是分割掩码里同一团火焰分成几个独立的小块中间有明显空洞连通域分析后每个小块面积都很小过不了面积筛选最终一整团火焰漏检。原因通常是火焰边缘和内部颜色差异大——边缘是暗红色内部是亮黄色这两个颜色在 HSV 空间的距离很远阈值分割时只有部分区域落入区间。解决办法是把 S 和 V 的下限放宽一些同时把结构元素半径加大让闭运算能填充内部空洞。还有一个技巧是分割前对图像做一次高斯模糊imgaussfilt(img, 2)让颜色过渡更平滑分割结果会更连续。4.4 检测结果实时性不足想做到实时检测最大的瓶颈在rgb2hsv和形态学操作。如果项目对实时性要求高我的经验是三步优化。第一步降低处理分辨率把图像缩放到 640x480 左右再检测很多场景完全够用。第二步把浮点运算换成整数运算MATLAB 里可以用rgb2hsv但也可以自己写简化版本只计算色相通道跳过完整转换。第三步如果检测区域固定可以先用帧差法或者背景建模找出“变化区域”只在变化区域里做火焰颜色检测把计算量降一个量级。5. 进阶优化从静态颜色到动态特征5.1 火焰的“闪烁”是天然身份标签如果你只做单帧检测遇到红色灯光、橙色反光这类顽固误检基本无解。但把单帧扩展成多帧序列后火焰有一个极其独特的动态特征——闪烁。火焰因为是湍流燃烧每一帧的形状、亮度都在高频变化中心位置基本稳定但边缘像素会剧烈跳动。这个特征在频域上表现为 10 到 20 赫兹左右的闪烁频率普通红色物体则没有这个特性。我实现过一个简单的火焰闪烁检测对检测区域内的像素平均亮度按时间序列采样连续采样 64 帧做 FFT然后查看是否有明显的低频峰值。如果有判断为火焰如果没有判断为静态红色物体。这个方法在区分红色灯光和火焰上效果非常好是我自己项目中最满意的一个优化点。5.2 传统方法与深度学习的取舍深度学习检测火焰比如用 YOLO 系列在复杂场景下的准确率确实更高但它也有代价需要标注数据、需要训练时间、推理速度受模型大小影响。MATLAB 里也可以调用深度学习模型做火焰检测甚至自带deepNetworkDesigner辅助搭建网络。但如果你只是做一个课程设计或者快速原型验证传统方法半小时就能跑通深度学习可能一周还在标注数据。我的建议是两条腿走路传统颜色分割法作为快速基线深度学习方法作为准确率上限先拿到基线结果再判断要不要上深度学习。5.3 火焰检测不只是“找红色”实际工程中的流程整合最后提一个工程上的点。实际部署火焰检测系统时很少单独跑一个分割算法就完事需要的是完整的检测流程视频画面进来后先判断摄像头是否被遮挡或失焦再做运动区域检测再对运动区域做火焰特征分析最后还要结合置信度做报警决策避免一次误判就触发警报。这个流程整合到 MATLAB 里并不复杂但很考验代码组织能力。建议把检测功能拆成独立函数用主脚本串联这样每一层逻辑都能单独测试和调参。6. 写在最后的实操感受做火焰检测这个项目我最大的体会是算法本身的原理并不复杂真正花时间的地方全在细节调优上。从第一次跑通分割到在真实场景下误检率降到可接受范围中间改了几十版参数。这也是我坚持用 MATLAB 做原型的原因——改参数、看结果、再调整这个循环非常快。如果你想在这个基础上继续深入我建议往三个方向走一是把单帧检测扩展成视频检测这会逼你考虑性能优化二是加入火焰闪烁特征你会接触到频域分析和时间序列处理三是在 MATLAB 里尝试调用深度学习模型做检测对比感受传统方法和现代方法的差异。这三个方向每一个都能让你学到新东西而且最终都能落到实处。本文还有配套的精品资源点击获取
基于MATLAB的火焰检测：颜色分割与形态学处理实战
简介本资源是一套面向MATLAB图像处理初学者与安防算法实践者的火焰检测入门方案聚焦火灾预警场景下的计算机视觉技术落地解决图像中火焰区域识别与定位的核心问题。压缩包共10个文件7个.m主程序脚本3个.jpg测试图像总大小仅75KB轻量易用m文件涵盖主流程控制main.m、色彩空间转换RGBtoGray.m、火焰颜色分布分析RGB_distribution.m、图像读取read_images.m及多种检测核心逻辑flame_detection.m等jpg图像提供真实火焰样本用于验证。已有1495人学习下载适合课程设计、毕业设计或小型监控系统原型开发。读者可直接运行代码复现基于HSV颜色特征、亮度变化与形态学后处理的多策略火焰检测流程获得完整可调试的算法框架、清晰的模块分工及典型误检优化思路快速掌握从图像预处理到目标判别的全链路实现。 最近有个做安防监控的朋友问我说他们想用 MATLAB 快速验证一个火灾检测算法网上资料一堆但要么讲得太浅、要么抄来抄去还跑不通。这让我想起自己以前折腾火焰检测的那些日子。用 MATLAB 做火焰检测其实是图像处理入门到进阶一个非常经典的实战项目既涉及颜色空间转换、阈值分割、形态学处理这些基本功又牵扯到实时性、鲁棒性这些工程问题非常适合拿来练手和做原型验证。这篇文章我就把手上的完整实现思路、代码细节、以及踩过的坑一次性说清楚希望能给正在做课程设计或者刚接触视觉检测的朋友一些参考。1. 火焰检测的整体思路为什么先选颜色再谈其他很多人拿到火焰检测第一反应是上深度学习这当然是一条路但在很多实际场景里传统图像处理方法依然有不可替代的价值。MATLAB 做火焰检测核心逻辑并不是“识别火焰形状”而是先抓住火焰最稳定的一个特征——颜色。火焰在视觉上最突出的特征就是它的颜色分布高温火焰通常呈现从亮白、亮黄到橙红、暗红的渐变这种颜色特征在特定颜色空间里是相当有区分度的。1.1 火焰视觉特征的本质从 RGB 到 HSV先看一个最基本的物理事实火焰的颜色主要由燃烧温度和燃烧物质决定。蜡烛火焰内焰温度较低偏蓝色外焰温度高偏黄色而木材、纸张等常见固体燃烧时火焰通常呈现橙红色。在监控摄像头画面里我们关心的绝大多数是这类中低温火焰颜色集中在红色到黄色区间。RGB 颜色空间把颜色拆成红绿蓝三个通道但这三个通道之间有很高的相关性而且对亮度变化极其敏感。同一团火焰白天和晚上拍出来的 RGB 值可能差了十万八千里换一个白平衡设置颜色偏移更明显。如果直接在 RGB 空间设阈值做分割今天调好的参数明天场景一变就废了。所以我的做法是先把图像从 RGB 空间转到 HSV 空间。HSV 把色调Hue、饱和度Saturation和明度Value分开其中明度通道基本对应光照信息而色调通道则相对稳定地描述“这是什么颜色”。火焰的色调集中在红色区间这个特性比“RGB 三个通道谁大谁小”要可靠得多。用 HSV 空间做火焰检测等于把光照变化这个干扰因素先剥离了一部分后面的分割阈值才能稳定下来。1.2 方案选型单帧图像检测是第一步整个检测流程我分成五步读取图像、颜色空间转换、阈值分割、形态学去噪、连通域标记。前两步是预处理中间是核心分割最后是后处理和结果输出。这里有个工程上的考虑——先做单帧图像检测再做视频流检测。很多人一上来就想直接处理实时视频但算法参数都没调明白视频里每一帧都在抖问题叠问题根本无从下手。单张图的检测逻辑跑通、参数标定好之后再套一层循环去读视频帧其实只是几分钟的事。1.3 为什么值得用 MATLAB 而不是直接上 Python我不是说 MATLAB 一定比 Python 好但在火焰检测这个场景下MATLAB 有两个独特优势。一个是图像处理工具箱非常成熟rgb2hsv、imopen、bwconncomp、regionprops这套组合拳写起来极快代码量比 OpenCV 少三分之一不止而且每个函数都有详尽的文档非常适合验证算法思路。另一个是可视化能力labeloverlay、insertShape这类函数可以非常直观地把检测结果叠加在原图上调试阈值时一眼就能看出哪里分割过度、哪里漏检了这在原型验证阶段效率极高。2. 核心算法拆解颜色分割与形态学处理的细节2.1 颜色空间的数学模型与阈值选择刚才提到用 HSV 空间做分割这里把具体怎么选阈值、为什么这样选讲透。在 HSV 空间里三个通道的取值范围分别是H色相0 到 1S饱和度0 到 1V明度0 到 1MATLAB 中经rgb2hsv转换后归一化到这个范围。我积累了一套比较常用的火焰颜色阈值组合如下表所示通道最小值最大值说明H00.12红色到橙黄色区间S0.351排除白色、灰色等低饱和区域V0.351排除过暗的阴影区域这里有几个关键点要解释。首先是 H 通道的边界问题。HSV 空间中 H0 和 H1 都是纯红色这是一个环形边界处理不好会把红色区域切断。火焰的颜色从红色向黄色渐变黄橙色的 H 值在 0.08 到 0.12 之间所以我取了 0 到 0.12 这个区间。如果你检测的火焰偏橙红色可以收窄到 0 到 0.08如果偏亮黄色就放宽到 0.15。其次是饱和度约束。火焰核心区域往往非常亮亮到发白这些区域的饱和度其实很低。但火焰边缘和主体区域饱和度通常不低如果 S 阈值设太低会把场景里的白墙、白色物体都卷进来。S 下限设在 0.35 是我在多个室内外场景下测试出来的平衡点。2.2 形态学操作去掉噪点还原火焰轮廓颜色分割得到的往往是密密麻麻的像素点集合里面既有真正的火焰区域也有大量因为颜色相近被误检的离散噪点。直接拿这个结果去框选目标会得到一堆乱七八糟的小区域。这时候就要上形态学处理了。我的固定操作顺序是先开运算去噪再闭运算填充空洞。开运算是先腐蚀后膨胀作用是把细小的噪点区域先腐蚀掉再把剩下的目标膨胀回接近原来的大小闭运算是先膨胀后腐蚀作用是把火焰内部的暗色空洞填上同时保持整体尺寸不变。结构元素我用strel(disk, 5)一个半径 5 像素的圆形结构元素既不会把大区域削得太厉害又能滤掉绝大多数小噪点。这里有个实际的调参心得如果图像分辨率很高比如 1920x1080结构元素半径可以适当加大到 7 甚至 9。但不要盲目加大否则火焰边缘会变得过于圆滑而且两个距离很近的火焰区域可能被合并成一个。我通常的做法是先跑一遍看分割结果根据噪点大小动态调整。2.3 连通域分析与目标标记从“像素”到“区域”形态学处理后我们得到的是若干块连通的白色区域。接下来用bwconncomp找出所有连通域再用regionprops计算每个连通域的相关属性。这一步的价值在于我们把检测结果从像素级升维到了区域级可以给每个候选区域算面积、质心、外接矩形然后基于这些区域属性做进一步的筛选。筛选规则我一般用两个一是面积下限小于一定像素数的区域直接丢弃因为真实火焰不可能只有指甲盖大小的面积除非是极远距离的小火源二是外接矩形的长宽比正常火焰通常是竖直向上的形态长宽比明显大于 1如果一堆候选区域的长宽比接近 1 且面积很大很可能是误检的橙色灯光或反光。最后用labeloverlay把检测到的区域叠加到原图上或者用insertShape画外接矩形框视觉上非常直观。3. 完整可跑的 MATLAB 实现代码与逐行讲解3.1 从单张图片开始的完整脚本下面是一份可以直接复制运行的核心脚本。我把它封装成一个函数输入图片路径输出标记后的图和候选区域列表。代码里每一段的关键逻辑我都加了注释方便你按自己的场景修改。function flameRegions detectFlame(imgPath) % 读取图像 img imread(imgPath); % 转换到 HSV 颜色空间 hsv rgb2hsv(img); H hsv(:, :, 1); S hsv(:, :, 2); V hsv(:, :, 3); % 火焰颜色阈值分割 maskH (H 0) (H 0.12); maskS (S 0.35) (S 1); maskV (V 0.35) (V 1); mask maskH maskS maskV; % 形态学去噪开运算 闭运算 se strel(disk, 5); mask imopen(mask, se); mask imclose(mask, se); % 移除面积过小的噪点区域 mask bwareaopen(mask, 200); % 连通域分析 cc bwconncomp(mask); stats regionprops(cc, Area, BoundingBox, Centroid); % 筛选有效火焰候选区域 flameRegions []; for i 1:length(stats) area stats(i).Area; bbox stats(i).BoundingBox; aspectRatio bbox(4) / max(bbox(3), 1); % 高/宽 % 过滤条件面积足够大且长宽比合理 if area 300 aspectRatio 0.8 aspectRatio 5 flameRegions [flameRegions; stats(i)]; end end % 在原图上叠加检测框 output img; for i 1:length(flameRegions) bbox flameRegions(i).BoundingBox; output insertShape(output, Rectangle, bbox, ... LineWidth, 3, Color, red); end % 可视化 figure; subplot(1, 3, 1); imshow(img); title(原图); subplot(1, 3, 2); imshow(mask); title(火焰分割掩码); subplot(1, 3, 3); imshow(output); title(检测结果); end3.2 参数标定实测记录这份代码使用的时候有四个参数最需要根据实际场景调整H 通道上限、S 通道下限、形态学结构元素半径、面积筛选阈值。我把自己在三种场景下的实测标定结果整理成一张表方便你对照参考场景H 上限S 下限结构元素半径面积阈值效果室内蜡烛/酒精灯暗背景0.120.305100精准检出无漏检室外木材燃烧白天0.100.407500少量误检需调 V 下限监控画面远景火焰夜间0.120.25550完整检出但会有灯源误检这个表格是真实调试记录的浓缩版。可以看到不同场景下参数差异还挺大的这也解释了为什么很多人直接抄代码总是跑不出理想效果——环境和目标尺度不一样参数必须跟着调。3.3 从单帧到视频流只需一个循环单帧检测跑通之后处理视频其实非常简单。用VideoReader读取视频文件循环逐帧调用检测函数再把结果写入VideoWriter输出视频。核心代码如下v VideoReader(fire_video.mp4); w VideoWriter(output.avi); open(w); while hasFrame(v) frame readFrame(v); result detectFlameFrame(frame); % 把上面函数改成接收图像矩阵即可 writeVideo(w, result); end close(w);这里有个性能优化的点imread和VideoReader读进来的图像在 MATLAB 里都是 uint8 类型的 HxWx3 矩阵所以检测函数不需要区分是图片还是视频帧接口完全统一。但如果视频分辨率很高每一帧都做完整的rgb2hsv加形态学处理会有点慢这时候可以先缩小图像再进行检测检测框坐标再映射回原尺寸。4. 常见问题与排查技巧实录4.1 环境光干扰导致误检白天室外场景下阳光、红色横幅、消防栓、橙色汽车都可能被误判为火焰。这类误检的根源在于颜色空间本身的表达能力有限——色调落在红橙范围内的并不只有火焰。我试过几种思路比较有效的是组合图像纹理特征和颜色特征。火焰的纹理相对均匀边缘不规则且动态变化而横幅、汽车这类物体表面纹理平整边缘是规则的直线。用stdfilt计算局部标准差火焰区域的纹理方差通常显著高于平整表面。当然这个特征在单帧图像上不够鲁棒真正可靠的方法是结合帧间动态信息这部分我在第 5 节展开。4.2 肤色与近距离红色物体干扰另一个高频误检源是肤色。手、脸这种区域色调偏红饱和度和明度也跟火焰阈值范围重叠。如果你做的是室内火焰检测摄像头又可能拍到人这个问题几乎必然遇到。我的临时解决方案是缩小 H 通道范围到 0 到 0.08同时把 S 下限拉高到 0.45肤色区域的饱和度通常偏低这样能滤掉一部分。但这对偏橙黄的火焰检测不利需要你根据实际火焰颜色权衡。如果火焰本身就是偏橙红色跟肤色非常接近那单凭颜色就没法区分了只能上后续的动态特征或者深度学习分类器。4.3 分割结果碎片化火焰区域不完整这个问题的典型表现是分割掩码里同一团火焰分成几个独立的小块中间有明显空洞连通域分析后每个小块面积都很小过不了面积筛选最终一整团火焰漏检。原因通常是火焰边缘和内部颜色差异大——边缘是暗红色内部是亮黄色这两个颜色在 HSV 空间的距离很远阈值分割时只有部分区域落入区间。解决办法是把 S 和 V 的下限放宽一些同时把结构元素半径加大让闭运算能填充内部空洞。还有一个技巧是分割前对图像做一次高斯模糊imgaussfilt(img, 2)让颜色过渡更平滑分割结果会更连续。4.4 检测结果实时性不足想做到实时检测最大的瓶颈在rgb2hsv和形态学操作。如果项目对实时性要求高我的经验是三步优化。第一步降低处理分辨率把图像缩放到 640x480 左右再检测很多场景完全够用。第二步把浮点运算换成整数运算MATLAB 里可以用rgb2hsv但也可以自己写简化版本只计算色相通道跳过完整转换。第三步如果检测区域固定可以先用帧差法或者背景建模找出“变化区域”只在变化区域里做火焰颜色检测把计算量降一个量级。5. 进阶优化从静态颜色到动态特征5.1 火焰的“闪烁”是天然身份标签如果你只做单帧检测遇到红色灯光、橙色反光这类顽固误检基本无解。但把单帧扩展成多帧序列后火焰有一个极其独特的动态特征——闪烁。火焰因为是湍流燃烧每一帧的形状、亮度都在高频变化中心位置基本稳定但边缘像素会剧烈跳动。这个特征在频域上表现为 10 到 20 赫兹左右的闪烁频率普通红色物体则没有这个特性。我实现过一个简单的火焰闪烁检测对检测区域内的像素平均亮度按时间序列采样连续采样 64 帧做 FFT然后查看是否有明显的低频峰值。如果有判断为火焰如果没有判断为静态红色物体。这个方法在区分红色灯光和火焰上效果非常好是我自己项目中最满意的一个优化点。5.2 传统方法与深度学习的取舍深度学习检测火焰比如用 YOLO 系列在复杂场景下的准确率确实更高但它也有代价需要标注数据、需要训练时间、推理速度受模型大小影响。MATLAB 里也可以调用深度学习模型做火焰检测甚至自带deepNetworkDesigner辅助搭建网络。但如果你只是做一个课程设计或者快速原型验证传统方法半小时就能跑通深度学习可能一周还在标注数据。我的建议是两条腿走路传统颜色分割法作为快速基线深度学习方法作为准确率上限先拿到基线结果再判断要不要上深度学习。5.3 火焰检测不只是“找红色”实际工程中的流程整合最后提一个工程上的点。实际部署火焰检测系统时很少单独跑一个分割算法就完事需要的是完整的检测流程视频画面进来后先判断摄像头是否被遮挡或失焦再做运动区域检测再对运动区域做火焰特征分析最后还要结合置信度做报警决策避免一次误判就触发警报。这个流程整合到 MATLAB 里并不复杂但很考验代码组织能力。建议把检测功能拆成独立函数用主脚本串联这样每一层逻辑都能单独测试和调参。6. 写在最后的实操感受做火焰检测这个项目我最大的体会是算法本身的原理并不复杂真正花时间的地方全在细节调优上。从第一次跑通分割到在真实场景下误检率降到可接受范围中间改了几十版参数。这也是我坚持用 MATLAB 做原型的原因——改参数、看结果、再调整这个循环非常快。如果你想在这个基础上继续深入我建议往三个方向走一是把单帧检测扩展成视频检测这会逼你考虑性能优化二是加入火焰闪烁特征你会接触到频域分析和时间序列处理三是在 MATLAB 里尝试调用深度学习模型做检测对比感受传统方法和现代方法的差异。这三个方向每一个都能让你学到新东西而且最终都能落到实处。本文还有配套的精品资源点击获取
