边缘检测的增强方法

1. 边缘检测，图像模糊，灰度化和图像去雾的基本思路是什么呢 说出是需要改变哪些色彩空间的值。。。

我挨个说一下吧，也算给自己复习一下。
一 边缘检测
方法很多很多啊。
1 常用的是用各种边缘检测算子对图像进行卷积运算，计算出来图像每个部分的梯度值，由于边缘有突变的像素值，所以梯度大的地方很可能是边缘。常见的有 sobel算子等。
2 形态学运算，主要是针对二值化之后的图比较高效，直接先膨胀再腐蚀，然后相减图像就是边缘。
3 canny算法，这个用的很多，我也很喜欢，主要是用到强边缘和弱边缘进行区分。
4 通过识别feature进行识别，在边缘不明显的时候比较有效。

二 图像模糊
这里你要知道一个概念，什么是模糊呢？
咱们近视眼就是一个模糊，这个模糊就是眼睛的成像不能精确的成像在视网膜上吧？
你可以想象一下，其实这就是一个尺度变换的问题，你看一张报纸很清楚，但是从五十米外看你这张报纸（我们假设能看得到），就非常模糊，不能辨认吧？
我这里就引出这个模糊的概念：叫做高斯滤波，高斯滤波其实就是一个尺度变换。
我再打个比方吧，比如一个围棋棋盘，黑线是黑线，棋盘是棋盘，即使黑线很细，你也能分清楚是吧？
但是如果你摘下眼镜看呢？黑线变粗了是吧？黑线变暗了是吧？
其实真正原因是棋盘的信息进入了原本黑线的地方，而黑线也进入了棋盘的地方。
这就是滤波的魅力，可以使像素各个梯度变小，让图像的像素点之间的联系没有那么强烈。。
既然引出高斯滤波，那就有其他的各种滤波，比如拉普拉斯滤波，中值滤波，均值滤波。
实际操作中应用的也都是算子求卷积的方法。

三 灰度化
你看电视的时候应该知道，电视上的一个彩色点，其实是GRB颜色模式，就是绿红蓝三色。
对应这个RGB颜色模式，你可以通过对这三个颜色通道的值进行处理，比如我就定义 V=(R+G+B)/3。那么这个V就包含了三种颜色的信息了吧？
但是一般的我们不直接用三个平均，而是由各个相应的系数相乘得到。

这是RGB颜色模式，但是如果你用到HSV颜色模式，问题就简单多了。
什么是HSV模式呢？你遥控器上可能有 色度 饱和度 亮度按钮吧？
这个就是HSV模式，其中这个V 就是 亮度 value，这个就直接是灰度信息了。

四 图像去雾
我对这个去雾的理解是，图像增强。
也可以叫做是图像锐化，这个过程正好和图像模糊相对应。
模糊是让梯度值变小，锐化就是让梯度变大。
对应的方法也是响应的算子进行滤波了。
而需要注意的是，锐化用的是高通滤波，模糊是低通滤波。
因为边缘信息一般都是频率高的信号。

视频分析系统团队
风之风信子

2. 彩色图像的边缘检测程序怎么写

这很明显啊，你没有定义g函数。看你程序的意思是先检测出边缘，因为边缘中的线都是白色的，然后就是用for
和
if语句把边缘经过处理，也就是将边缘中白色点变为g,这就要看你具体想以何种方式增强了，如果是对数变换的话，你可以先让g(:,:)=log((ps(:,:))+1)（将这条语句放在for语句的上面）;这样增强的结果就是扩展低值灰度，压缩高值灰度，当然了，还有很多其它增强方法，你可以具体再找找图像增强这方面的资料。

3. matlab二值图像截取

可以使用bwperim()函数进行轮廓提取，具体代码如下：

%读取原图
im = imread( filepath );
imshow(im);
title('原图');

% 转二值图像
bw = im2bw( im );

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

原图和所提取的轮廓分别如图1和图2所示。

图6canny算子、Laplacian算子检测结果

3.边缘检测结果比较

Roberts算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是利用roberts算子提取边缘的结果是边缘比较粗，因此边缘的定位不是很准确。

Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，sobel算子对边缘定位不是很准确，图像的边缘不止一个像素。

Prewitt算子检测方法对灰度渐变和噪声较多的图像处理效果较好。但边缘较宽，而且间断点多。

Laplacian算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。

Canny方法不容易受噪声干扰，能够检测到真正的弱边缘。优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。

参考文献

[1]赵春晖.现代图像处理技术及Matlab实现[M].北京：人民邮电出版社，2001.

[2]阮秋琦.数字图像处理学[M].北京：电子工业出版社，2001.

[3]何斌.数字图像处理[M].北京：人民邮电出版社，2001

I=imread('lena.bmp');%提取图像

BW1=edge(I,'sobel');%用SOBEL算子进行边缘检测

BW2=edge(I,'roberts');%用Roberts算子进行边缘检测

BW3=edge(I,'prewitt');%用prewitt算子进行边缘检测

BW4=edge(I,'log');%用log算子进行边缘检测

BW5=edge(I,'canny');%用canny算子进行边缘检测

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’);%此为用高斯滤波后Canny算子边缘检测结果

（注意：代码中有一些标点是中文模式，若输入代码后标点显示红色，则为中文标点，改回来就行了）

4. 遥感图像的边缘增强

遥感系统成像过程中可能产生的“模糊”作用，常使遥感图像上某些用户感兴趣的线性形迹、纹理与地物边界等信息显示得不够清晰，不易识别。上节所述的各种通过单个象元灰度值调整的处理方法对此均难以奏效；需采用邻域处理方法来分析、比较和调整象元与其周围相邻象元间的对比度关系，图像才能得到增强，也就是说需要采用滤波增强技术处理。

图5-17 频率域滤波过程示意图

u，υ为频率域变量，u=0，1，2，3，…，M-1；υ=0，1，2，3，…，N-1。

频率滤波增强图像的边缘和细节信息时，这类信息在图上反映的连续性较突出，对比度增大，但如果地面没有明显的形迹显示。信息反映得相当分散和微弱，则通过频率域滤波的效果也不一定好，这时往往需要采用多波段图像组合等处理才有可能取得较好的效果。频率域滤波除上述低通滤波和高通滤波之外，还有带通、带阻滤波和同态滤波等，后者是一种在频率域能同时压缩图像亮度范围，又增强图像各部分之间对比度的方法，各有不同的适用范围和增强效果。

5. laplace边缘检测算子与laplace边缘增强算子有什么不同

laplace边缘检测算子是用来检测边缘的，有很多形式，比如：罗伯特算子等。
边缘增强算子有微分算子，计算出边缘后要与原图像相叠加。

6. 边缘检测的理论依据是什么有哪些方法各有什么特点

就是通过一些临近像素相关算法突出灰度变化比较大的部分。变化平缓的取值低，变化越剧烈取值越高。比如有卷积算法，具体计算方法，有拉普拉斯算子、高斯算子等的应用。

7. 边缘检测的检测边缘

如果将边缘认为是一定数量点亮度发生变化的地方，那么边缘检测大体上就是计算这个亮度变化的导数。为简化起见，我们可以先在一维空间分析边缘检测。在这个例子中，我们的数据是一行不同点亮度的数据。例如，在下面的1维数据中我们可以直观地说在第4与第5个点之间有一个边界：
除非场景中的物体非常简单并且照明条件得到了很好的控制，否则确定一个用来判断两个相邻点之间有多大的亮度变化才算是有边界的阈值，并不是一件容易的事。实际上，这也是为什么边缘检测不是一个微不足道问题的原因之一。
检测方法
有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零交叉。
基于搜索的边缘检测方法首先计算边缘强度， 通常用一阶导数表示， 例如梯度模，然后，用计算估计边缘的局部方向， 通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。 通常用拉普拉斯算子或非线性微分方程的零交叉点。
滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。
已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。 正如许多边缘检测方法依赖于图像梯度的计算，他们用不同种类的滤波器来估计x-方向和y-方向的梯度。
计算一阶导数
许多边缘检测操作都是基于亮度的一阶导数——这样就得到了原始数据亮度的梯度。使用这个信息我们能够在图像的亮度梯度中搜寻峰值。如果 I(x) 表示点 x 的亮度，I′(x) 表示点 x 的一阶导数（亮度梯度），这样我们就会发现：
对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据（1维）卷积计算得到。

计算二阶导数
其它一些边缘检测操作是基于亮度的二阶导数。这实质上是亮度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点将得到梯度中的局部最大值。另一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。如上所述，边线是双重边缘，这样我们就可以在边线的一边看到一个亮度梯度，而在另一边看到相反的梯度。这样如果图像中有边线出现的话我们就能在亮度梯度上看到非常大的变化。为了找到这些边线，我们可以在图像亮度的二阶导数中寻找过零点。如果 I(x) 表示点 x 的亮度，I′′(x) 表示点 x 亮度的二阶导数，那么：
同样许多算法也使用卷积掩码快速处理图像数据：

步骤：
①滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。
②增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显着变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。
③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。
④定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。
边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。

8. 图像边缘检测后怎么可以对图像进一步处理使边缘成联通的曲线

其实, 最重要的不是进一步怎么样, 而是需要首先做一下预处理, 不要直接就边缘检测, 直接边缘检测效果往往不好, 如果直接边缘检测, 很多原始信息在噪声的影响下就丢失了, 丢失掉的东西, 你想补上去是不容易的. 所以我建议你, 首先, 做一下图像增强, 然后再做边缘检测, 边缘检测的时候 试验几种不同的算子, 比如sobel, canny等等, 选一种效果好的, 不同的算子对不同的图像检测的效果也不同. 然后再处理非连通区域, 处理的时候可以用形态学方法, 比如膨胀,或者 霍夫变换也可以.
另外, 如果你的目的就是统计细胞的个数, 不一定非要用边缘检测, 可以试试直接应用形态学方法

9. 边缘检测算子中抗噪性能最好的是

边缘检测算法是一个传统的CV问题，传统的CV方法有canny算法。引入机器学习，深度学习的方法后，又有了structure forests，以及HED算法。

canny 算子

canny算法是一种multi-stage 的算法，其处理图片的过程分为如下五个步骤：

1. Noise Rection

图片中的高频信息指颜色快速变化，低频信息指颜色平缓的变化。边缘检测过程中需要检测的图片边缘属于高频信息。而图片中噪声部分也属于高频信息，因此我们需要对图像进行去噪处理。常用的是使用5*5的高斯滤波核来平滑图像，滤波核的数量呈高斯分布。

2. Finding Intensity Gradient of the Image

计算像素梯度的幅值以及方向，常用的算子有Rober，sobel，计算水平及垂直方向的差分。找出梯度较大的区域，这部分区域属于图像增强的区域，此时得到的边缘信息比较粗大。

3.Non-Maximun Suppression

非极大值抑制属于一种边缘细化的方法，梯度大的位置有可能为边缘，在这些位置沿着梯度方向，找到像素点的局部最大值，并将非最大值抑制。

4.Double Threhold

双阀值方法，设置一个maxval，以及minval，梯度大于maxval则为强边缘，梯度值介于maxval与minval则为弱边缘点，小于minval为抑制点。

5.Edge tracking by hysteresis

滞后边缘追踪，主要处理梯度值位于maxval，minval中的一些像素点。由于边缘是连续的，因此可以认为弱边缘如果为真实边缘则和强边缘是联通的，可由此判断其是否为真实边缘。

10. 地表燃烧裂隙信息提取方法

地表燃烧裂隙信息反映了地下煤层自燃的供氧通道位置、范围、分布和走向等信息，是灭火治理的一个关键因素。地表燃烧裂隙信息的提取，是进一步确定供氧通道参数的基础和依据，对灭火工程的开展具有指导作用。

（一）裂隙信息自动提取方法

利用高分辨率QuickBird遥感影像，采用计算机边缘检测方法可以实现对地表裂隙信息的自动提取。主要关键技术包括边缘检测算子选择、线性要素自动提取和裂隙信息的调查与评价。

1.边缘检测算子选择

边缘检测算法分4个步骤：滤波、增强、检测和定位。使用多尺度滤波模板并在滤波器的不同尺度上分析边缘特性是边缘检测的基本思想，即通过使用大尺度滤波模板产生鲁棒边缘和小尺度滤波模板产生精确定位边缘的特性，来检测出图像的最优边缘。

高斯滤波和拉普拉斯算子有比较好的边缘检测效果。因此，为了实现煤火区比较精细的地表裂隙等线性特征的自动识别和提取，使用高斯滤波和拉普拉斯两种滤波和边缘检测方式，进行不同顺序、不同尺度空间的组合试验。实验的结果比较见图3⁃3⁃2。由于煤矿开采活动和地下煤火所导致的地表裂隙宽度一般不大（≤3m），在QuickBird遥感影像上不大于5个像元。因此，在去除图像噪声干扰时，所选用的平滑滤波窗口不宜太大。如果太大，本来就很微弱的裂隙信息就会损失殆尽，达不到应有的增强效果。同样，在进行边缘检测时，所用的拉普拉斯边缘检测算子的滑动窗口也不能太大，过大会把不是裂隙的信息全部包括进去，将分散的裂隙连接起来，从而产生人为的干扰（图3⁃3⁃2（e））。图3⁃3⁃3是两种不同边缘检测结果灰度拉伸后的图像比较，可以看出虽然两种方法采用的都是3×3高斯平滑滤波和3×3拉普拉斯边缘检测算子，但是由于它们采用了不同的平滑滤波和边缘检测的顺序，导致了不同结果。通过比较分析，发现先进行拉普拉斯边缘检测，再进行高斯平滑滤波的效果较好，可以更多地保留细微的边缘信息，见图3⁃3⁃3（b）。

2.线性要素自动提取

线性要素自动提取的主要步骤如下：

（1）3×3拉普拉斯边缘检测；

（2）3×3高斯平滑滤波；

（3）图像灰度拉伸；

（4）栅格转为矢量；

（5）地物干扰（如沙漠、建筑物、街道等）去除。

其中，图像灰度的线性拉伸非常重要。如果不线性拉伸，直接进行栅格转为矢量的操作，将得到令人费解的矢量图像，见图3⁃3⁃4、图3⁃3⁃5。

3.假裂隙信息的剔除

对于沙丘阴影、道路、建筑物和岩石地层煤层等产生的假裂隙信息，应予以剔除。其方法有两种。

（1）对周边的沙漠、城区等非煤火区进行掩膜处理，在线性要素提取之前予以去除。

（2）先不进行掩膜处理，而是在提取出的结果图上对照遥感影像进行矢量操作，予以去除假裂隙信息。

4.断裂、裂隙调查与分析

采用上述方法，对整个乌达煤田进行地面断裂和裂隙的自动提取，获得了裂隙分布的概况信息；对提取裂隙进行野外的实地验证，发现吻合度很好。图3⁃3⁃6所表示的是东西向大断裂及其周边裂隙的分布情况和野外照片。该裂隙地处黄百茨井田和五虎山井田的交界处，裂隙分为平行的南北两条。裂隙中间部位是矿区的边界，下面为没有开采的保安煤柱。由于两边的采空区发生塌陷，从而形成了在QuickBird遥感影像中标志明显的大裂隙带，提取出来的裂隙与之吻合很好。

图3⁃3⁃7反映火区地表的主导裂隙大致呈东北—西南走向，中间为采空塌陷区，故而还发育了与主导断裂近乎垂直的西北—东南走向的次一级断裂。图幅的左下方为活动的火区，有明显的地表裂隙发育。

图3⁃3⁃8中部黑色区域是生产矿山，采矿活动频繁，故而导致其周边的砂岩顶面发生了严重的断裂塌陷。断裂塌陷主要集中在4个部位，在这些部位裂隙密度明显要高于其他地方。经过实地验证，发现裂隙密度较高处的下方对应着一些正在开采的或废弃的矿井（照片右），煤火主要是采空塌陷区煤层自燃所致。

图3-3-2 不同滤波、窗口组合的边缘检测比较

将上述方法提取出的乌达煤田地表裂隙分布图与地下煤火分布图进行对比，可以看出煤火大多分布在裂隙密度比较大的区域，如Ⅶ、Ⅹ、Ⅺ、Ⅻ号火区等。砂岩表面由于受自然风化和本身的物理性质影响，裂隙和节理极为发育，故而提取出的裂隙密度很大，但除去砂岩区西北边缘的Ⅲ⁃1、Ⅳ⁃1、Ⅴ号火区外，其他裂隙密度大的地方大多与地下煤火无关。

图3-3-3 两种边缘检测结果比较图

图3-3-4 不进行拉伸结果比较

图3-3-5 经过拉伸结果比较

图3-3-6 东西向大断裂遥感自动提取结果与实地照片

（二）裂隙识别率分析

利用线性影像增强、检测、自动识别提取的裂隙分布图像，通过人机交互分析方法，把不同宽度和长度的裂隙和构造坐标输入到计算机中，进行裂隙信息自动成图，图3⁃3⁃9是Ⅹ号火区部分地段的裂隙构造信息提取图像。

由于本区裂隙大量发育，很难进行全面调查。根据1：1万QuickBird图像裂隙综合提取结果和火区裂隙稠密程度，通过选取五虎山西南Ⅺ号火区裂隙抽样进行重点煤火地质调查，见图3⁃3⁃10。从图像上提取出解译裂隙的地理坐标，使用GPS定位进行野外检查。从裂隙提取图像上共抽取47条裂隙进行野外检查，发现40条与地表实际裂隙情况吻合，识别率为85%。各观测裂隙的宽度、长度、产状、性质和展布关系等信息见表3⁃3⁃1。

图3-3-7 苏海图Ⅲ-2火区裂隙图像与实地照片

（照片所示为红箭头处）

图3-3-8 Ⅺ号火区西南部地表裂隙图及地面部分裂隙分布

图3-3-9 乌达Ⅹ号火区构造裂隙提取与解译图

图3-3-10 裂隙野外检查图

（三）燃烧裂隙信息提取

燃烧裂隙是指地下煤层沿裂隙燃烧而形成的具有串珠状燃烧中心或热流、煤烟流喷出的裂隙。它是乌达煤火区地下煤层燃烧后喷出的主要形态。小型裂隙长数十米，地下热流、烟流沿裂隙连续喷出；大型的燃烧裂隙长数百米到数千米。由多个裂隙燃烧组成裂隙群，呈不连续的分段燃烧。

1.燃烧中心遥感影像特征

（1）Ⅰ类燃烧中心。燃烧中心形成初期，属煤火区地质模型Ⅲ、Ⅳ时期。喷出口受热变形、水分蒸发，因喷出烟尘的理化作用，地表逐渐变色、变白，生成燃烧中心特有的微地貌景观，构成QuickBird卫星影像中白色或浅色调的直径在3～5m 之间的圆斑。又因煤层燃烧初期的热解作用，黑色煤焦油析出；煤焦油析出地面后，燃烧中心的喷出口受到黑色污染，形成黑白两色相间或深灰-灰白色的晕渲影像，见图3⁃3⁃11。这个时期燃烧在煤层上部进行，燃烧范围小。

（2）Ⅱ类燃烧中心。处于燃烧中期，属煤火区地质模型Ⅴ—Ⅵ期。地表沿喷出口发生向上、向外的胀裂，形成以喷出口为中心的浅色调圆形影像。该阶段煤层顶底板之间的煤全部燃烧，煤层燃烧点在空气动力系统的支持下迅速扩大，燃烧面积成倍增大，见图3⁃3⁃12。

（3）Ⅲ类燃烧中心。燃烧最强烈期，属煤火区地质模型Ⅶ—Ⅷ期。地面可见明火，因为温度高，煤中灰分融化，呈微滴状随热流喷出，落地凝结后在喷出口形成椭圆形的白色薄膜。又因地下煤层烧空，喷出口塌陷。在QuickBird卫星影像上显示由塌陷切开的白色椭圆状影像，见图3⁃3⁃13。

（4）Ⅳ类燃烧中心。处于煤层燃烧后期，属煤火区地质模型Ⅺ期。该阶段煤层逐步燃烬熄灭；煤层烧空，地表形成大面积燃烧塌陷；地下温度逐步下降；煤中燃烧所余的灰分呈细粉状喷出地面，喷出后的灰白色粉末以喷出口为中心堆积成圆锥体，形成灰白色圆锥形影像，见图3⁃3⁃14。

2.燃烧裂隙遥感影像特征分析

（1）煤柱型燃烧裂隙。该裂隙是采空塌陷型燃烧裂隙的一种，煤层地下采空后，产生地面沉降，上覆地层沿采空区遗留煤柱产生竖直裂隙，直达地表。煤火沿煤柱燃烧，燃烧后产生的煤烟流沿竖直裂隙喷出，形成煤柱型燃烧裂隙。图3⁃3⁃15为乌达煤田井田边界东段特大煤柱燃烧裂隙群。

表3-3-1 野外裂隙调查信息表

续表

续表

图3-3-11 Ⅰ类中心

图3-3-12 Ⅱ类中心

图3-3-13 Ⅲ类中心

图3-3-14 Ⅳ类中心

图3-3-15 特大煤柱型燃烧裂隙

（2）多煤层开采台阶式压密型裂隙群。如见图3⁃3⁃16。裂隙群在QuickBird卫星图像中显示为集束状细丝影像，共11条细线组成一束，南北长约600m，束宽30～80m，细线中分布有白色斑点（燃烧点）。获取多煤层台阶型压密型裂隙燃烧段的信息最难，需要辅以地面热红外成图。

图3-3-16 多煤层开采台阶式压密型燃烧裂隙

（3）节理型燃烧裂隙。煤层地下燃烧后，热流、烟流沿岩石节理喷出，一般发生在顶板为砂岩的地段。节理地表部位发生向上、向外膨胀，裂隙缝扩大，长数十米，数百米，宽5～50 ㎝，深度十几米。从地表贯通煤层，见图3⁃3⁃17。

（4）采空塌陷型燃烧裂隙。煤层地下采空后形成的地面塌陷，采空区遗留煤沿着塌陷裂隙燃烧，形成采空区燃烧的塌陷裂隙。这是乌达煤田的主要燃烧形式，约占总量的80%以上。例如苏海图煤矿5429采区东缘裂隙。在QuickBird影像上呈笔直的一条黑线，南北长800m，北部影像呈“V”谷，中部影像呈“麻花状”，南部影像呈锯齿状，沿黑线有浅灰色圆斑（燃烧点），见图3⁃3⁃18。

3.燃烧裂隙信息自动提取

（1）燃烧中心自动识别与提取。在QuickBird图像上，燃烧中心的反射蓝光较强。通过统计分析，建立自动识别的基本光谱模型为：B1·r+B4＞B2+B3，其中r为B1波段的加权系数。在乌达煤田取r =1.5为最佳。依照基本光谱模型识别燃烧中心，将自动识别的燃烧中心按坐标输入地下煤火三维信息系统中，实现煤火信息的自动提取，见图3⁃3⁃19。

（2）燃烧裂隙自动信息提取。地表的燃烧裂隙或采空塌陷裂隙，是向深部切穿煤层的竖直状裂隙，深数十米。在地表与地下采煤工作面分布一致，近南北向或近东西向平直延展，是张性裂隙，裂隙宽0.2～2m。

燃烧裂隙与非燃烧裂隙的区别是：燃烧裂隙线上及其两侧有燃烧中心分布，非燃烧裂隙没有燃烧中心分布。

图3-3-17 节理型燃烧裂隙

利用QuickBird图像，采用裂隙与燃烧中心交互分析可实现燃烧裂隙信息自动提取，见图3⁃3⁃20。