邊緣檢測的增強方法

1. 邊緣檢測，圖像模糊，灰度化和圖像去霧的基本思路是什麼呢 說出是需要改變哪些色彩空間的值。。。

我挨個說一下吧，也算給自己復習一下。
一 邊緣檢測
方法很多很多啊。
1 常用的是用各種邊緣檢測運算元對圖像進行卷積運算，計算出來圖像每個部分的梯度值，由於邊緣有突變的像素值，所以梯度大的地方很可能是邊緣。常見的有 sobel運算元等。
2 形態學運算，主要是針對二值化之後的圖比較高效，直接先膨脹再腐蝕，然後相減圖像就是邊緣。
3 canny演算法，這個用的很多，我也很喜歡，主要是用到強邊緣和弱邊緣進行區分。
4 通過識別feature進行識別，在邊緣不明顯的時候比較有效。

二 圖像模糊
這里你要知道一個概念，什麼是模糊呢？
咱們近視眼就是一個模糊，這個模糊就是眼睛的成像不能精確的成像在視網膜上吧？
你可以想像一下，其實這就是一個尺度變換的問題，你看一張報紙很清楚，但是從五十米外看你這張報紙（我們假設能看得到），就非常模糊，不能辨認吧？
我這里就引出這個模糊的概念：叫做高斯濾波，高斯濾波其實就是一個尺度變換。
我再打個比方吧，比如一個圍棋棋盤，黑線是黑線，棋盤是棋盤，即使黑線很細，你也能分清楚是吧？
但是如果你摘下眼鏡看呢？黑線變粗了是吧？黑線變暗了是吧？
其實真正原因是棋盤的信息進入了原本黑線的地方，而黑線也進入了棋盤的地方。
這就是濾波的魅力，可以使像素各個梯度變小，讓圖像的像素點之間的聯系沒有那麼強烈。。
既然引出高斯濾波，那就有其他的各種濾波，比如拉普拉斯濾波，中值濾波，均值濾波。
實際操作中應用的也都是運算元求卷積的方法。

三 灰度化
你看電視的時候應該知道，電視上的一個彩色點，其實是GRB顏色模式，就是綠紅藍三色。
對應這個RGB顏色模式，你可以通過對這三個顏色通道的值進行處理，比如我就定義 V=(R+G+B)/3。那麼這個V就包含了三種顏色的信息了吧？
但是一般的我們不直接用三個平均，而是由各個相應的系數相乘得到。

這是RGB顏色模式，但是如果你用到HSV顏色模式，問題就簡單多了。
什麼是HSV模式呢？你遙控器上可能有 色度 飽和度 亮度按鈕吧？
這個就是HSV模式，其中這個V 就是 亮度 value，這個就直接是灰度信息了。

四 圖像去霧
我對這個去霧的理解是，圖像增強。
也可以叫做是圖像銳化，這個過程正好和圖像模糊相對應。
模糊是讓梯度值變小，銳化就是讓梯度變大。
對應的方法也是響應的運算元進行濾波了。
而需要注意的是，銳化用的是高通濾波，模糊是低通濾波。
因為邊緣信息一般都是頻率高的信號。

視頻分析系統團隊
風之風信子

2. 彩色圖像的邊緣檢測程序怎麼寫

這很明顯啊，你沒有定義g函數。看你程序的意思是先檢測出邊緣，因為邊緣中的線都是白色的，然後就是用for
和
if語句把邊緣經過處理，也就是將邊緣中白色點變為g,這就要看你具體想以何種方式增強了，如果是對數變換的話，你可以先讓g(:,:)=log((ps(:,:))+1)（將這條語句放在for語句的上面）;這樣增強的結果就是擴展低值灰度，壓縮高值灰度，當然了，還有很多其它增強方法，你可以具體再找找圖像增強這方面的資料。

3. matlab二值圖像截取

可以使用bwperim()函數進行輪廓提取，具體代碼如下：

%讀取原圖
im = imread( filepath );
imshow(im);
title('原圖');

% 轉二值圖像
bw = im2bw( im );

%輪廓提取
contour = bwperim(bw);
figure
imshow(contour);
title('輪廓')

原圖和所提取的輪廓分別如圖1和圖2所示。

圖6canny運算元、Laplacian運算元檢測結果

3.邊緣檢測結果比較

Roberts運算元檢測方法對具有陡峭的低雜訊的圖像處理效果較好，但是利用roberts運算元提取邊緣的結果是邊緣比較粗，因此邊緣的定位不是很准確。

Sobel運算元檢測方法對灰度漸變和雜訊較多的圖像處理效果較好，sobel運算元對邊緣定位不是很准確，圖像的邊緣不止一個像素。

Prewitt運算元檢測方法對灰度漸變和雜訊較多的圖像處理效果較好。但邊緣較寬，而且間斷點多。

Laplacian運算元法對雜訊比較敏感，所以很少用該運算元檢測邊緣，而是用來判斷邊緣像素視為與圖像的明區還是暗區。

Canny方法不容易受雜訊干擾，能夠檢測到真正的弱邊緣。優點在於，使用兩種不同的閾值分別檢測強邊緣和弱邊緣，並且當弱邊緣和強邊緣相連時，才將弱邊緣包含在輸出圖像中。

參考文獻

[1]趙春暉.現代圖像處理技術及Matlab實現[M].北京：人民郵電出版社，2001.

[2]阮秋琦.數字圖像處理學[M].北京：電子工業出版社，2001.

[3]何斌.數字圖像處理[M].北京：人民郵電出版社，2001

I=imread('lena.bmp');%提取圖像

BW1=edge(I,'sobel');%用SOBEL運算元進行邊緣檢測

BW2=edge(I,'roberts');%用Roberts運算元進行邊緣檢測

BW3=edge(I,'prewitt');%用prewitt運算元進行邊緣檢測

BW4=edge(I,'log');%用log運算元進行邊緣檢測

BW5=edge(I,'canny');%用canny運算元進行邊緣檢測

h=fspecial('gaussian』,5);

BW6=edge(I,』canny』);

subplot(2,3,1),imshow(BW1);

title(『sobeledgecheck』);

subplot(2,3,2),imshow(BW2);

title(『sobeledgecheck』);

subplot(2,3,3),imshow(BW3);

title(『prewittedgecheck』);

subplot(2,3,4),imshow(BW4);

title(『logedgecheck』);

subplot(2,3,5),imshow(BW5);

title(『cannyedgecheck』);

subplot(2,3,6),imshow(BW6);

title(『gasussian&cannyedgecheck』);%此為用高斯濾波後Canny運算元邊緣檢測結果

（注意：代碼中有一些標點是中文模式，若輸入代碼後標點顯示紅色，則為中文標點，改回來就行了）

4. 遙感圖像的邊緣增強

遙感系統成像過程中可能產生的「模糊」作用，常使遙感圖像上某些用戶感興趣的線性形跡、紋理與地物邊界等信息顯示得不夠清晰，不易識別。上節所述的各種通過單個象元灰度值調整的處理方法對此均難以奏效；需採用鄰域處理方法來分析、比較和調整象元與其周圍相鄰象元間的對比度關系，圖像才能得到增強，也就是說需要採用濾波增強技術處理。

圖5-17 頻率域濾波過程示意圖

u，υ為頻率域變數，u=0，1，2，3，…，M-1；υ=0，1，2，3，…，N-1。

頻率濾波增強圖像的邊緣和細節信息時，這類信息在圖上反映的連續性較突出，對比度增大，但如果地面沒有明顯的形跡顯示。信息反映得相當分散和微弱，則通過頻率域濾波的效果也不一定好，這時往往需要採用多波段圖像組合等處理才有可能取得較好的效果。頻率域濾波除上述低通濾波和高通濾波之外，還有帶通、帶阻濾波和同態濾波等，後者是一種在頻率域能同時壓縮圖像亮度范圍，又增強圖像各部分之間對比度的方法，各有不同的適用范圍和增強效果。

5. laplace邊緣檢測運算元與laplace邊緣增強運算元有什麼不同

laplace邊緣檢測運算元是用來檢測邊緣的，有很多形式，比如：羅伯特運算元等。
邊緣增強運算元有微分運算元，計算出邊緣後要與原圖像相疊加。

6. 邊緣檢測的理論依據是什麼有哪些方法各有什麼特點

就是通過一些臨近像素相關演算法突出灰度變化比較大的部分。變化平緩的取值低，變化越劇烈取值越高。比如有卷積演算法，具體計算方法，有拉普拉斯運算元、高斯運算元等的應用。

7. 邊緣檢測的檢測邊緣

如果將邊緣認為是一定數量點亮度發生變化的地方，那麼邊緣檢測大體上就是計算這個亮度變化的導數。為簡化起見，我們可以先在一維空間分析邊緣檢測。在這個例子中，我們的數據是一行不同點亮度的數據。例如，在下面的1維數據中我們可以直觀地說在第4與第5個點之間有一個邊界：
除非場景中的物體非常簡單並且照明條件得到了很好的控制，否則確定一個用來判斷兩個相鄰點之間有多大的亮度變化才算是有邊界的閾值，並不是一件容易的事。實際上，這也是為什麼邊緣檢測不是一個微不足道問題的原因之一。
檢測方法
有許多用於邊緣檢測的方法, 他們大致可分為兩類：基於搜索和基於零交叉。
基於搜索的邊緣檢測方法首先計算邊緣強度， 通常用一階導數表示， 例如梯度模，然後，用計算估計邊緣的局部方向， 通常採用梯度的方向，並利用此方向找到局部梯度模的最大值。
基於零交叉的方法找到由圖像得到的二階導數的零交叉點來定位邊緣。 通常用拉普拉斯運算元或非線性微分方程的零交叉點。
濾波做為邊緣檢測的預處理通常是必要的，通常採用高斯濾波。
已發表的邊緣檢測方法應用計算邊界強度的度量，這與平滑濾波有本質的不同。 正如許多邊緣檢測方法依賴於圖像梯度的計算，他們用不同種類的濾波器來估計x-方向和y-方向的梯度。
計算一階導數
許多邊緣檢測操作都是基於亮度的一階導數——這樣就得到了原始數據亮度的梯度。使用這個信息我們能夠在圖像的亮度梯度中搜尋峰值。如果 I(x) 表示點 x 的亮度，I′(x) 表示點 x 的一階導數（亮度梯度），這樣我們就會發現：
對於更高性能的圖像處理來說，一階導數能夠通過帶有掩碼的原始數據（1維）卷積計算得到。

計算二階導數
其它一些邊緣檢測操作是基於亮度的二階導數。這實質上是亮度梯度的變化率。在理想的連續變化情況下，在二階導數中檢測過零點將得到梯度中的局部最大值。另一方面，二階導數中的峰值檢測是邊線檢測，只要圖像操作使用一個合適的尺度表示。如上所述，邊線是雙重邊緣，這樣我們就可以在邊線的一邊看到一個亮度梯度，而在另一邊看到相反的梯度。這樣如果圖像中有邊線出現的話我們就能在亮度梯度上看到非常大的變化。為了找到這些邊線，我們可以在圖像亮度的二階導數中尋找過零點。如果 I(x) 表示點 x 的亮度，I′′(x) 表示點 x 亮度的二階導數，那麼：
同樣許多演算法也使用卷積掩碼快速處理圖像數據：

步驟：
①濾波：邊緣檢測演算法主要是基於圖像強度的一階和二階導數，但導數的計算對雜訊很敏感，因此必須使用濾波器來改善與雜訊有關的邊緣檢測器的性能。需要指出，大多數濾波器在降低雜訊的同時也導致了邊緣強度的損失，因此，增強邊緣和降低雜訊之間需要折中。
②增強:增強邊緣的基礎是確定圖像各點鄰域強度的變化值。增強演算法可以將鄰域(或局部)強度值有顯著變化的點突顯出來。邊緣增強一般是通過計算梯度幅值來完成的。
③檢測：在圖像中有許多點的梯度幅值比較大，而這些點在特定的應用領域中並不都是邊緣，所以應該用某種方法來確定哪些點是邊緣點。最簡單的邊緣檢測判據是梯度幅值閾值判據。
④定位：如果某一應用場合要求確定邊緣位置，則邊緣的位置可在子像素解析度上來估計，邊緣的方位也可以被估計出來。在邊緣檢測演算法中，前三個步驟用得十分普遍。這是因為大多數場合下，僅僅需要邊緣檢測器指出邊緣出現在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向。
邊緣檢測的實質是採用某種演算法來提取出圖像中對象與背景間的交界線。我們將邊緣定義為圖像中灰度發生急劇變化的區域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術來獲得邊緣檢測運算元。經典的邊緣檢測方法，是通過對原始圖像中像素的某小鄰域構造邊緣檢測運算元來達到檢測邊緣這一目的的。

8. 圖像邊緣檢測後怎麼可以對圖像進一步處理使邊緣成聯通的曲線

其實, 最重要的不是進一步怎麼樣, 而是需要首先做一下預處理, 不要直接就邊緣檢測, 直接邊緣檢測效果往往不好, 如果直接邊緣檢測, 很多原始信息在雜訊的影響下就丟失了, 丟失掉的東西, 你想補上去是不容易的. 所以我建議你, 首先, 做一下圖像增強, 然後再做邊緣檢測, 邊緣檢測的時候 試驗幾種不同的運算元, 比如sobel, canny等等, 選一種效果好的, 不同的運算元對不同的圖像檢測的效果也不同. 然後再處理非連通區域, 處理的時候可以用形態學方法, 比如膨脹,或者 霍夫變換也可以.
另外, 如果你的目的就是統計細胞的個數, 不一定非要用邊緣檢測, 可以試試直接應用形態學方法

9. 邊緣檢測運算元中抗噪性能最好的是

邊緣檢測演算法是一個傳統的CV問題，傳統的CV方法有canny演算法。引入機器學習，深度學習的方法後，又有了structure forests，以及HED演算法。

canny 運算元

canny演算法是一種multi-stage 的演算法，其處理圖片的過程分為如下五個步驟：

1. Noise Rection

圖片中的高頻信息指顏色快速變化，低頻信息指顏色平緩的變化。邊緣檢測過程中需要檢測的圖片邊緣屬於高頻信息。而圖片中雜訊部分也屬於高頻信息，因此我們需要對圖像進行去噪處理。常用的是使用5*5的高斯濾波核來平滑圖像，濾波核的數量呈高斯分布。

2. Finding Intensity Gradient of the Image

計算像素梯度的幅值以及方向，常用的運算元有Rober，sobel，計算水平及垂直方向的差分。找出梯度較大的區域，這部分區域屬於圖像增強的區域，此時得到的邊緣信息比較粗大。

3.Non-Maximun Suppression

非極大值抑制屬於一種邊緣細化的方法，梯度大的位置有可能為邊緣，在這些位置沿著梯度方向，找到像素點的局部最大值，並將非最大值抑制。

4.Double Threhold

雙閥值方法，設置一個maxval，以及minval，梯度大於maxval則為強邊緣，梯度值介於maxval與minval則為弱邊緣點，小於minval為抑制點。

5.Edge tracking by hysteresis

滯後邊緣追蹤，主要處理梯度值位於maxval，minval中的一些像素點。由於邊緣是連續的，因此可以認為弱邊緣如果為真實邊緣則和強邊緣是聯通的，可由此判斷其是否為真實邊緣。

10. 地表燃燒裂隙信息提取方法

地表燃燒裂隙信息反映了地下煤層自燃的供氧通道位置、范圍、分布和走向等信息，是滅火治理的一個關鍵因素。地表燃燒裂隙信息的提取，是進一步確定供氧通道參數的基礎和依據，對滅火工程的開展具有指導作用。

（一）裂隙信息自動提取方法

利用高解析度QuickBird遙感影像，採用計算機邊緣檢測方法可以實現對地表裂隙信息的自動提取。主要關鍵技術包括邊緣檢測運算元選擇、線性要素自動提取和裂隙信息的調查與評價。

1.邊緣檢測運算元選擇

邊緣檢測演算法分4個步驟：濾波、增強、檢測和定位。使用多尺度濾波模板並在濾波器的不同尺度上分析邊緣特性是邊緣檢測的基本思想，即通過使用大尺度濾波模板產生魯棒邊緣和小尺度濾波模板產生精確定位邊緣的特性，來檢測出圖像的最優邊緣。

高斯濾波和拉普拉斯運算元有比較好的邊緣檢測效果。因此，為了實現煤火區比較精細的地表裂隙等線性特徵的自動識別和提取，使用高斯濾波和拉普拉斯兩種濾波和邊緣檢測方式，進行不同順序、不同尺度空間的組合試驗。實驗的結果比較見圖3⁃3⁃2。由於煤礦開采活動和地下煤火所導致的地表裂隙寬度一般不大（≤3m），在QuickBird遙感影像上不大於5個像元。因此，在去除圖像雜訊干擾時，所選用的平滑濾波窗口不宜太大。如果太大，本來就很微弱的裂隙信息就會損失殆盡，達不到應有的增強效果。同樣，在進行邊緣檢測時，所用的拉普拉斯邊緣檢測運算元的滑動窗口也不能太大，過大會把不是裂隙的信息全部包括進去，將分散的裂隙連接起來，從而產生人為的干擾（圖3⁃3⁃2（e））。圖3⁃3⁃3是兩種不同邊緣檢測結果灰度拉伸後的圖像比較，可以看出雖然兩種方法採用的都是3×3高斯平滑濾波和3×3拉普拉斯邊緣檢測運算元，但是由於它們採用了不同的平滑濾波和邊緣檢測的順序，導致了不同結果。通過比較分析，發現先進行拉普拉斯邊緣檢測，再進行高斯平滑濾波的效果較好，可以更多地保留細微的邊緣信息，見圖3⁃3⁃3（b）。

2.線性要素自動提取

線性要素自動提取的主要步驟如下：

（1）3×3拉普拉斯邊緣檢測；

（2）3×3高斯平滑濾波；

（3）圖像灰度拉伸；

（4）柵格轉為矢量；

（5）地物干擾（如沙漠、建築物、街道等）去除。

其中，圖像灰度的線性拉伸非常重要。如果不線性拉伸，直接進行柵格轉為矢量的操作，將得到令人費解的矢量圖像，見圖3⁃3⁃4、圖3⁃3⁃5。

3.假裂隙信息的剔除

對於沙丘陰影、道路、建築物和岩石地層煤層等產生的假裂隙信息，應予以剔除。其方法有兩種。

（1）對周邊的沙漠、城區等非煤火區進行掩膜處理，在線性要素提取之前予以去除。

（2）先不進行掩膜處理，而是在提取出的結果圖上對照遙感影像進行矢量操作，予以去除假裂隙信息。

4.斷裂、裂隙調查與分析

採用上述方法，對整個烏達煤田進行地面斷裂和裂隙的自動提取，獲得了裂隙分布的概況信息；對提取裂隙進行野外的實地驗證，發現吻合度很好。圖3⁃3⁃6所表示的是東西向大斷裂及其周邊裂隙的分布情況和野外照片。該裂隙地處黃百茨井田和五虎山井田的交界處，裂隙分為平行的南北兩條。裂隙中間部位是礦區的邊界，下面為沒有開採的保安煤柱。由於兩邊的采空區發生塌陷，從而形成了在QuickBird遙感影像中標志明顯的大裂隙帶，提取出來的裂隙與之吻合很好。

圖3⁃3⁃7反映火區地表的主導裂隙大致呈東北—西南走向，中間為采空塌陷區，故而還發育了與主導斷裂近乎垂直的西北—東南走向的次一級斷裂。圖幅的左下方為活動的火區，有明顯的地表裂隙發育。

圖3⁃3⁃8中部黑色區域是生產礦山，采礦活動頻繁，故而導致其周邊的砂岩頂面發生了嚴重的斷裂塌陷。斷裂塌陷主要集中在4個部位，在這些部位裂隙密度明顯要高於其他地方。經過實地驗證，發現裂隙密度較高處的下方對應著一些正在開採的或廢棄的礦井（照片右），煤火主要是采空塌陷區煤層自燃所致。

圖3-3-2 不同濾波、窗口組合的邊緣檢測比較

將上述方法提取出的烏達煤田地表裂隙分布圖與地下煤火分布圖進行對比，可以看出煤火大多分布在裂隙密度比較大的區域，如Ⅶ、Ⅹ、Ⅺ、Ⅻ號火區等。砂岩表面由於受自然風化和本身的物理性質影響，裂隙和節理極為發育，故而提取出的裂隙密度很大，但除去砂岩區西北邊緣的Ⅲ⁃1、Ⅳ⁃1、Ⅴ號火區外，其他裂隙密度大的地方大多與地下煤火無關。

圖3-3-3 兩種邊緣檢測結果比較圖

圖3-3-4 不進行拉伸結果比較

圖3-3-5 經過拉伸結果比較

圖3-3-6 東西向大斷裂遙感自動提取結果與實地照片

（二）裂隙識別率分析

利用線性影像增強、檢測、自動識別提取的裂隙分布圖像，通過人機交互分析方法，把不同寬度和長度的裂隙和構造坐標輸入到計算機中，進行裂隙信息自動成圖，圖3⁃3⁃9是Ⅹ號火區部分地段的裂隙構造信息提取圖像。

由於本區裂隙大量發育，很難進行全面調查。根據1：1萬QuickBird圖像裂隙綜合提取結果和火區裂隙稠密程度，通過選取五虎山西南Ⅺ號火區裂隙抽樣進行重點煤火地質調查，見圖3⁃3⁃10。從圖像上提取出解譯裂隙的地理坐標，使用GPS定位進行野外檢查。從裂隙提取圖像上共抽取47條裂隙進行野外檢查，發現40條與地表實際裂隙情況吻合，識別率為85%。各觀測裂隙的寬度、長度、產狀、性質和展布關系等信息見表3⁃3⁃1。

圖3-3-7 蘇海圖Ⅲ-2火區裂隙圖像與實地照片

（照片所示為紅箭頭處）

圖3-3-8 Ⅺ號火區西南部地表裂隙圖及地面部分裂隙分布

圖3-3-9 烏達Ⅹ號火區構造裂隙提取與解譯圖

圖3-3-10 裂隙野外檢查圖

（三）燃燒裂隙信息提取

燃燒裂隙是指地下煤層沿裂隙燃燒而形成的具有串珠狀燃燒中心或熱流、煤煙流噴出的裂隙。它是烏達煤火區地下煤層燃燒後噴出的主要形態。小型裂隙長數十米，地下熱流、煙流沿裂隙連續噴出；大型的燃燒裂隙長數百米到數千米。由多個裂隙燃燒組成裂隙群，呈不連續的分段燃燒。

1.燃燒中心遙感影像特徵

（1）Ⅰ類燃燒中心。燃燒中心形成初期，屬煤火區地質模型Ⅲ、Ⅳ時期。噴出口受熱變形、水分蒸發，因噴出煙塵的理化作用，地表逐漸變色、變白，生成燃燒中心特有的微地貌景觀，構成QuickBird衛星影像中白色或淺色調的直徑在3～5m 之間的圓斑。又因煤層燃燒初期的熱解作用，黑色煤焦油析出；煤焦油析出地面後，燃燒中心的噴出口受到黑色污染，形成黑白兩色相間或深灰-灰白色的暈渲影像，見圖3⁃3⁃11。這個時期燃燒在煤層上部進行，燃燒范圍小。

（2）Ⅱ類燃燒中心。處於燃燒中期，屬煤火區地質模型Ⅴ—Ⅵ期。地表沿噴出口發生向上、向外的脹裂，形成以噴出口為中心的淺色調圓形影像。該階段煤層頂底板之間的煤全部燃燒，煤層燃燒點在空氣動力系統的支持下迅速擴大，燃燒面積成倍增大，見圖3⁃3⁃12。

（3）Ⅲ類燃燒中心。燃燒最強烈期，屬煤火區地質模型Ⅶ—Ⅷ期。地面可見明火，因為溫度高，煤中灰分融化，呈微滴狀隨熱流噴出，落地凝結後在噴出口形成橢圓形的白色薄膜。又因地下煤層燒空，噴出口塌陷。在QuickBird衛星影像上顯示由塌陷切開的白色橢圓狀影像，見圖3⁃3⁃13。

（4）Ⅳ類燃燒中心。處於煤層燃燒後期，屬煤火區地質模型Ⅺ期。該階段煤層逐步燃燼熄滅；煤層燒空，地表形成大面積燃燒塌陷；地下溫度逐步下降；煤中燃燒所余的灰分呈細粉狀噴出地面，噴出後的灰白色粉末以噴出口為中心堆積成圓錐體，形成灰白色圓錐形影像，見圖3⁃3⁃14。

2.燃燒裂隙遙感影像特徵分析

（1）煤柱型燃燒裂隙。該裂隙是采空塌陷型燃燒裂隙的一種，煤層地下采空後，產生地面沉降，上覆地層沿采空區遺留煤柱產生豎直裂隙，直達地表。煤火沿煤柱燃燒，燃燒後產生的煤煙流沿豎直裂隙噴出，形成煤柱型燃燒裂隙。圖3⁃3⁃15為烏達煤田井田邊界東段特大煤柱燃燒裂隙群。

表3-3-1 野外裂隙調查信息表

續表

續表

圖3-3-11 Ⅰ類中心

圖3-3-12 Ⅱ類中心

圖3-3-13 Ⅲ類中心

圖3-3-14 Ⅳ類中心

圖3-3-15 特大煤柱型燃燒裂隙

（2）多煤層開采台階式壓密型裂隙群。如見圖3⁃3⁃16。裂隙群在QuickBird衛星圖像中顯示為集束狀細絲影像，共11條細線組成一束，南北長約600m，束寬30～80m，細線中分布有白色斑點（燃燒點）。獲取多煤層台階型壓密型裂隙燃燒段的信息最難，需要輔以地面熱紅外成圖。

圖3-3-16 多煤層開采台階式壓密型燃燒裂隙

（3）節理型燃燒裂隙。煤層地下燃燒後，熱流、煙流沿岩石節理噴出，一般發生在頂板為砂岩的地段。節理地表部位發生向上、向外膨脹，裂隙縫擴大，長數十米，數百米，寬5～50 ㎝，深度十幾米。從地表貫通煤層，見圖3⁃3⁃17。

（4）采空塌陷型燃燒裂隙。煤層地下采空後形成的地面塌陷，采空區遺留煤沿著塌陷裂隙燃燒，形成采空區燃燒的塌陷裂隙。這是烏達煤田的主要燃燒形式，約占總量的80%以上。例如蘇海圖煤礦5429采區東緣裂隙。在QuickBird影像上呈筆直的一條黑線，南北長800m，北部影像呈「V」谷，中部影像呈「麻花狀」，南部影像呈鋸齒狀，沿黑線有淺灰色圓斑（燃燒點），見圖3⁃3⁃18。

3.燃燒裂隙信息自動提取

（1）燃燒中心自動識別與提取。在QuickBird圖像上，燃燒中心的反射藍光較強。通過統計分析，建立自動識別的基本光譜模型為：B1·r+B4＞B2+B3，其中r為B1波段的加權系數。在烏達煤田取r =1.5為最佳。依照基本光譜模型識別燃燒中心，將自動識別的燃燒中心按坐標輸入地下煤火三維信息系統中，實現煤火信息的自動提取，見圖3⁃3⁃19。

（2）燃燒裂隙自動信息提取。地表的燃燒裂隙或采空塌陷裂隙，是向深部切穿煤層的豎直狀裂隙，深數十米。在地表與地下採煤工作面分布一致，近南北向或近東西向平直延展，是張性裂隙，裂隙寬0.2～2m。

燃燒裂隙與非燃燒裂隙的區別是：燃燒裂隙線上及其兩側有燃燒中心分布，非燃燒裂隙沒有燃燒中心分布。

圖3-3-17 節理型燃燒裂隙

利用QuickBird圖像，採用裂隙與燃燒中心交互分析可實現燃燒裂隙信息自動提取，見圖3⁃3⁃20。