空间色彩不稳定性：一种用于野火检测的轻量化特征提取技术

《Fire》：Spatial Chromatic Instability: A Lightweight Feature Extraction Technique for Wildfire Detection

　　

空间色彩不稳定性（ICCS）是目前改进基于图像的火灾检测系统解决方案中最稳健的方法之一。真实火焰表现出不规则、湍流的局部颜色变化，比全局颜色信息提供更可靠的判别信号，尤其在视觉模糊的非火灾场景中。本研究提出了一种基于空间色彩不稳定性指数（ICCS）的可泛化特征表示，用于测量局部RGB变化（ICCS^R、ICCS^G、ICCS^B和ICCS^T）。研究人员使用了两个包含火灾图像文件和非火灾图像的公共数据集。采用Hilbert–Schmidt独立性准则（HSIC）和轮廓系数分析来量化特征集与所得聚类分离之间的统计依赖性。为评估空间色彩不稳定性的实际判别性能，研究人员采用了三种分类器即逻辑回归、线性支持向量机和随机森林。为验证所提方法的有效性，研究人员还采用了三种深度学习模型Swin Transformer、MobileViT和ViT-Base-16进行交叉验证。性能指标表明，将ICCS特征集成到全局颜色特征中可改善分类效果。在Kaggle数据集上，逻辑回归在包含局部ICCS特征时整体表现最佳，准确率达到0.935，F1分数为0.958。对于Mendeley数据集，线性支持向量机达到0.862的准确率和0.881的F1分数。ICCS是一种稳健、易于理解且快速的火灾识别方法，由于其对计算能力的需求有限，在早期预警系统中具有实际潜力。

## 一、研究背景与意义

野火是全球性自然灾害，对生态环境和人类社会构成严重威胁。截至2026年3月31日，欧洲森林火灾信息系统报告欧盟境内野火已烧毁54,572公顷土地，年初以来已有486起火灾每起损毁超过30公顷。2025年欧盟野火造成超过100万公顷植被死亡，成为2006年有记录以来最严重的火灾季节之一。联合研究中心的数据表明，欧洲南部和中部的火灾频率和范围均呈上升趋势，且火灾持续时间更长、破坏更严重。这些发现凸显了开发能够快速准确识别图像中火灾的自动化早期检测系统的必要性。

火灾具有独特的视觉特性，包括从黄色到橙色再到红色的快速色调空间变化，以及热点核心与较冷边缘之间的亮度波动。其不规则的空间纹理缺乏固定边界，且由于湍流产生高频色彩梯度。这些特性与静态红色或橙色物体、交通标志、服装、日落光照或木材等存在显著差异。传统的火灾检测方法主要依赖全局颜色描述符，如直方图统计、颜色矩或基于阈值的分割。虽然这些特征能有效捕捉图像的整体颜色分布，但在日落、人工照明、秋叶、反射和明亮照射物体等视觉模糊场景中常常失效，因为这些场景可能表现出与火焰相似的颜色分布。高反射性的红/橙色秋叶、裸土或照射云霾的红色夕阳光照可能模拟火焰和烟雾的精确色彩特征。火灾和烟雾具有高度动态性和非均匀性，全局特征将图像视为平坦的颜色分布，忽略了内部空间结构。由于全局描述符汇总整个图像的信息，可能无法区分真实火灾区域与具有可比色彩特征的非火灾区域。

真实火焰表现出由燃烧动力学、湍流和波动照明引起的高度不规则空间变化，这些变化表现为RGB值的快速局部变化，无法被全局颜色统计充分表示。所提出的空间色彩不稳定性指数（ICCS）通过量化小空间邻域内的局部色彩变异性来解决这一局限。ICCS不仅描述图像的整体颜色组成，还捕捉表征火灾区域的不稳定和异质颜色模式，从而提供与全局颜色描述符互补的信息，改善火灾与视觉相似非火灾场景之间的区分。

本研究旨在探究局部色彩不稳定性是否能为火灾检测提供超越传统全局颜色特征的独特视觉特性，目标并非开发通用局部描述符。为评估所提方法的有效性，研究人员分析了两种特征：（i）基于Otsu分割和HS型统计的全局色彩描述符；（ii）量化局部色彩不稳定性的ICCS特征，由此提出了一种能够在任何图像中准确快速识别火焰的检测方法。该研究的主要贡献包括：提出基于ICCS的评估RGB通道局部变化的新颖框架，ICCS在5×5滑动窗口上计算以更好捕捉真实火灾的不稳定、不规则模式；使用希尔伯特-施密特独立性准则（HSIC）结合多种核函数和轮廓系数进行相对比较分析，证明全局与局部描述符之间的互补关系；评估多种机器学习分类器（逻辑回归、支持向量机、随机森林）作为基线模型在考虑局部和全局特征时区分火灾与非火灾图像的性能，并采用Swin Transformer、MobileViT和ViT-Base-16三种深度学习模型进行交叉验证。

## 二、关键技术方法

研究所用主要技术方法包括以下核心内容。特征提取方面，采用Otsu自适应阈值分割各RGB通道获取火灾区域掩膜，配合直方图弥散（HS）提取全局颜色信息；提出空间色彩不稳定性指数（ICCS），在5×5滑动窗口内计算局部标准差及通道间绝对差值，得到ICCS^R、ICCS^G、ICCS^B及综合指标ICCS^T。统计分析方法上，采用希尔伯特-施密特独立性准则（HSIC）配合径向基函数（RBF）核、中值启发式核和自适应多尺度核，以及标准化nHSIC度量评估特征间统计依赖性；同时采用轮廓系数（Silhouette coefficient）评估聚类质量与类别可分性。分类器构建方面，使用逻辑回归、线性支持向量机和随机森林三种传统机器学习分类器作为基线模型，并选用Swin Transformer（swin_tiny_patch4_window7_224变体）、MobileViT（mobilevit_s小型变体）和ViT-Base-16（vit_base_patch16_224变体）三种深度学习模型进行交叉验证。数据预处理方面，采用对比度限制自适应直方图均衡化（CLAHE）在LAB颜色空间对亮度通道处理，HSV颜色空间提取色调和饱和度分量辅助火灾区域定位。性能评估采用McNemar统计检验比较配对分类器差异，通过准确率、精确率、召回率、F1分数和受试者工作特征（ROC）曲线综合评价。研究所用数据来源于Kaggle和Mendeley两个公开数据集，共3,946幅图像。

## 三、研究结果

**ICCS窗口大小消融实验。** 为验证ICCS邻域大小的选择，研究人员在Kaggle数据集上进行消融实验，比较3×3、5×5、7×7和9×9四种窗口大小。结果显示5×5邻域达到最佳整体分类性能，准确率为0.935，火灾与非火灾类F1分数分别为0.958和0.853；较小邻域（3×3）对局部噪声更敏感导致性能降低，较大邻域（7×7和9×9）因过度空间平滑而轻微降低判别力。因此后续实验均采用5×5滑动窗口。

**HSIC特征依赖性分析。** 研究人员采用三种核函数（RBF、中值启发式、自适应多尺度）分析X（全局颜色）和Y（全局+ICCS）特征组的统计依赖性。结果表明两组特征统计独立，ICCS特征补充而非被全局描述符捕获。通道加权HSIC分析显示X与Y特征组关联极弱，多尺度核最适用于火灾检测中复杂非线性特征交互。标准化nHSIC分析显示，Mendeley数据集上ICCS与全局颜色描述符存在中度统计依赖性（nHSIC值0.432-0.603），而Kaggle数据集上nHSIC值显著较低（0.041-0.106），表明ICCS描述符提供大量互补信息，红色通道在表征火灾相关色彩变化中起主导作用。

**轮廓系数分析。** Silhouette分析评估特征区分数据和分类可靠性。ICCS特征显著改善类选择性，综合ICCS指标Kaggle数据集平均轮廓指数为0.59，Mendeley数据集为0.60，表明聚类更紧凑、火灾与非火灾样本重叠减少。而全局颜色特征（X）的类别分离能力较低，两数据集平均轮廓分数约0.26；结合全局颜色和ICCS特征仅有轻微改善，平均轮廓指数仍低于0.30，表明基于全局颜色的方法对类别分离效果不佳。

**分类性能评估。** 在Mendeley数据集上（表7），X特征集表现最低，加入ICCS后所有模型性能显著提升；线性支持向量机配ICCS嵌入特征表现最优，逻辑回归和随机森林表现略低但接近。在Kaggle数据集上（表8），ICCS特征同样增强所有模型性能，逻辑回归表现最佳。因Kaggle数据集含未受损树木非火灾图像，火灾类召回率略低而非火灾类召回率较高，表明区分正负样本存在一定困难，火灾类呈现低召回率高精确率特征。

**ROC曲线与McNemar检验。** ROC分析显示Kaggle数据集特征效力高于Mendeley数据集；Kaggle数据在所有分类器和特征下ROC曲线下面积接近1.0，表明强判别能力。McNemar统计检验显示，对于两个数据集，分类器在X和Y测试集上的预测无统计显著差异（p>0.05），错误率相当；Kaggle数据集逻辑回归最接近临界值但仍无统计显著差异（p=0.07044）。

**深度学习模型对比。** Swin Transformer、MobileViT和ViT-Base-16三种深度学习模型表现与所提方法几乎相同，但计算成本更高。传统分类器处理Kaggle数据集需10-30分钟，Mendeley数据集30-60分钟；深度学习算法需更长时间，Kaggle上25-70分钟，Mendeley上80-240分钟。

## 四、讨论与结论

研究结果表明，ICCS嵌入特征能同时保证火灾图像分类的高准确率、召回率和精确率，其性能优于仅使用全局颜色变量的模型。HSIC和nHSIC结果表明，ICCS捕捉了传统全局颜色描述符未表示的局部色彩不稳定性模式，支持将ICCS与Otsu与直方图统计结合使用。全局颜色特征下火灾与非火灾样本在特征空间中难以区分，而ICCS特征改善了类别分离；Kaggle数据集轮廓指数从0.26提升至0.57，Mendeley数据集从0.27提升至0.42。基于全局颜色特征的模型难以处理火灾与非火灾（或类火焰）样本不确定的复杂情况。ICCS反映火灾图像中微妙但明显的局部变化，而全局特征仅显示图像中广泛的颜色分散。

分类结果呈现相同趋势。仅基于全局特征的模型结果通常可靠性较低，尤其在更具挑战性的Mendeley数据集上。加入ICCS特征后，所有评估指标的整体分类性能均得到改善。不同分类器在敏感性与特异性之间存在权衡，真正例改善往往导致假正例下降或反之。所提方法对火灾类具有高召回率，尤其在Kaggle数据集上，表明对基于图像的火灾检测系统具有强识别能力。实际消防减灾中，召回率比精确率更重要，因为任何火灾检测遗漏都可能导致严重灾难。非火灾类精确率和召回率偶尔低于0.8并不关键，实际防火中应优先减少假阴性而非假阳性。

数据集质量对结果有重要影响。火灾数据通常基于所有者兴趣（如火情位置、周界或严重程度）编纂，引发数据非均质性担忧。Kaggle数据集图像设置更一致，火灾、烟雾和正常类别分布均衡；Mendeley数据集因照明和背景特征多变而更具挑战性。

计算效率方面，ICCS方法具有低维特征表示、无需深度网络训练与反向传播、可在标准CPU硬件运行无需GPU、计算时间显著低于Transformer架构等优势。传统机器学习分类器明显快于深度学习系统，逻辑回归是最快的传统分类器，线性支持向量机使用ICCS特征时计算成本最高。

与已发表最先进方法的直接比较仍具挑战性，但ICCS描述符在公开数据集上达到高达0.987的召回率和0.958的F1分数，表明轻量化色彩不稳定性特征可提供与复杂学习架构相当的性能，同时计算成本显著降低。文献呈现向日益复杂的深度学习架构发展的明确趋势，但通常需要大量计算资源、大量训练数据和更长推理时间；ICCS表示则设计为可与传统机器学习分类器集成的轻量化特征提取方法，同时保持有竞争力的分类性能。

**研究结论：** 本研究引入了一种可靠的、基于特征的火灾检测系统，将全局颜色描述与局部色彩不稳定性指标相结合。在建议的技术框架内，空间色彩不稳定性指数（ICCS）测量RGB值的局部波动，准确描述火灾的不可预测性和可变性。使用全局颜色特征（如直方图弥散和Otsu分割）与ICCS特征的关键区别在于，前者在视觉复杂图像中可靠地失效于火灾识别。将全局颜色特征与局部色彩不稳定性指标相结合，可以更有效地分离和分类火灾与非火灾类别。对全局颜色描述和局部色彩不稳定性指标的全面评估揭示了特征表示的关键见解。实验结果显示轮廓系数和分类性能指标得到改善，结果一致表明ICCS提供与全局描述符基本独立的信息，并在与全局描述符结合时改善类别可分离性和分类性能。对于深度学习模型，性能提升伴随着更高的计算成本、更长执行时间和更高实现复杂性。所提基于ICCS的方法并非要替代最先进的深度学习模型，而是作为适合资源受限环境和实时火灾监测应用的计算高效、轻量化替代方案，适用于需要实时处理和早期预警系统的应用。该系统在区分火灾与非火灾条件方面表现出强劲性能，尤其在最小化误报的同时不牺牲真实火灾检测能力。