基于pca混合特征融合的氣液兩相流流型識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及氣液兩相流測(cè)量技術(shù)領(lǐng)域，尤其是涉及基于PCA混合特征融合的氣液 兩相流流型識(shí)別的方法。
【背景技術(shù)】
[0002] 自然界和工程領(lǐng)域中廣泛存在著兩相流，在石油、動(dòng)力、制冷、核能、冶金、水利、環(huán) 境保護(hù)、建筑及航天等領(lǐng)域都有著廣泛的應(yīng)用。而氣液兩相流是兩相流動(dòng)中最為常見的形 式之一。兩相流體的傳熱、傳質(zhì)特性會(huì)受到流型的影響，而且兩相流其他參數(shù)的準(zhǔn)確測(cè)量也 往往依賴于對(duì)流型的了解。它是決定傳熱與流動(dòng)的計(jì)算依據(jù)，尤其流型判斷準(zhǔn)確與否決定 著壓降計(jì)算的精度，根據(jù)流型來選擇相應(yīng)的壓降計(jì)算公式，能提高壓降計(jì)算結(jié)果的準(zhǔn)確 性。流道中流型的變化往往也會(huì)引發(fā)流阻、流動(dòng)的穩(wěn)定性改變以及出現(xiàn)不良的傳熱危機(jī)。因 此研究氣液兩相流流型的判別就顯得尤為重要。
[0003] 兩相流流型及其轉(zhuǎn)變特性的研究，是兩相流研究中最基本也是最重要的問題之 一。目前，流型識(shí)別方法可以分為兩類：一類是根據(jù)兩相流流動(dòng)圖像的形式直接確定流型， 如目測(cè)法，人眼捕捉并識(shí)別流型，在高速管道中準(zhǔn)確率不高；射線吸收法，利用射線通過介 質(zhì)發(fā)生吸收衰減的原理確定流型，但很難得到穩(wěn)定的射線源，且射線本身的輻射性也是需 要注意防護(hù)的；過程層析成像法，主要是利用傳感器進(jìn)行圖像重建實(shí)現(xiàn)在線檢測(cè)，其速度較 低，不能滿足所需的實(shí)時(shí)性要求。另一類是間接方法，波動(dòng)信號(hào)分析法，通過對(duì)反映兩相流 流動(dòng)特性的波動(dòng)信號(hào)進(jìn)行處理分析，提取流型特征，進(jìn)而識(shí)別流型。不論是利用壓差波動(dòng)信 號(hào)的提取還是對(duì)電導(dǎo)波動(dòng)信號(hào)的提取都存在干擾流場(chǎng)的問題；數(shù)字圖像處理法，是一種較 為新興的方法，通過對(duì)圖像信號(hào)進(jìn)行處理獲取定性的分析，可視化強(qiáng)，信息量豐富，客觀反 映流動(dòng)現(xiàn)象，而且不干擾流場(chǎng)。但是數(shù)字圖像處理方法中，針對(duì)特征提取時(shí)，特征信息較為 單一，只包括一種信息，不能全面表達(dá)圖像信息。而混合特征維數(shù)又較高，復(fù)雜度較大，不易 計(jì)算，因而關(guān)于在線自動(dòng)檢測(cè)方面的應(yīng)用依然有限，仍需繼續(xù)研究。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提取三種特征，圖像信息較為全面，且有效 地降低混合特征維數(shù)，減少計(jì)算量，識(shí)別速度高，識(shí)別準(zhǔn)確性高、可靠性高、通用性強(qiáng)、支持 在線自動(dòng)檢測(cè)的基于PCA混合特征融合的氣液兩相流流型的識(shí)別方法。
[0005] 為實(shí)現(xiàn)上述目的，以下為該發(fā)明的技術(shù)方案：
[0006] 基于PCA混合特征融合的氣液兩相流流型識(shí)別方法，它包括以下步驟：
[0007] 1)由高速攝影機(jī)獲得精餾塔中不同狀態(tài)下的氣液兩相流的流型圖像；
[0008] 2)提取圖像感興趣區(qū)域（R0I區(qū)域），對(duì)圖像進(jìn)行中值濾波和對(duì)比度增強(qiáng)對(duì)流型圖 像進(jìn)行去除噪聲預(yù)處理；
[0009] 3)分析步驟2)預(yù)處理后的兩相流圖像的形狀和紋理特征，提取圖像不變矩、灰度 共生矩陣和LBP特征；
[0010] 4)將步驟3)三種特征融合后，利用PCA技術(shù)，對(duì)融合后的混合特征進(jìn)行降維，得到 一個(gè)新的特征向量，該新的特征向量包括紋理特征和幾何特征信息；
[0011] 5)采用步驟4)中新的特征向量分別與三種單獨(dú)特征進(jìn)行對(duì)比實(shí)驗(yàn)，分別利用支 持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別。
[0012] 優(yōu)選的，所述步驟1)中的流型圖像為不同的氣液流量下的彈狀流、波狀流、霧環(huán) 狀流3種典型流型的流型圖像。
[0013] 所述步驟1)對(duì)彈狀流、波狀流、霧環(huán)狀流3種典型流型采集到大小為600X600的 典型流型圖像。
[0014] 所述步驟2)對(duì)圖像進(jìn)行感興趣區(qū)域提取的處理，大小為300X60。
[0015] 所述步驟2)所述中值濾波處理，將圖像局部區(qū)域的像素按灰度等級(jí)進(jìn)行排序，取 該鄰域中灰度的中值作為當(dāng)前像素的灰度值；令鄰域的像素值接近的真實(shí)值，從而消除孤 立的噪聲點(diǎn)，其表達(dá)式如下：
[0016]g(x,y) =med{f(x~k,y-1), (k, 1eff)}
[0017] 式中，f(x,y)和g(x,y)分別為原始圖像和處理后圖像，W為二維模板，選用3X3 區(qū)域；
[0018] 所述步驟2)所述對(duì)比度增強(qiáng)預(yù)處理為采用對(duì)比度增強(qiáng)中的直方圖均衡化方法： 設(shè)原始圖像在（x，y)處的灰度為g，而改變后的圖像為h，則對(duì)圖像增強(qiáng)的方法可表述為將 在（x，y)處的灰度g映射為h。在灰度直方圖均衡化處理中對(duì)圖像的映射函數(shù)可定義為：
[0019] h = EQ(g)。
[0020] 優(yōu)選的，所述步驟3)所述不變矩特征主要表征了圖像區(qū)域的形狀特征，其具有旋 轉(zhuǎn)、平移、尺度等特性的不變特征，灰度共生矩陣是通過研究灰度的空間相關(guān)特性來描述圖 像紋理，LBP特征能度量和提取圖像局部的紋理信息，對(duì)光照具有不變性。
[0021] 優(yōu)選的，所述步驟3)分別提取圖像的不變矩、灰度共生矩陣和LBP特征組成流型 特征向量，利用不變矩、灰度共生矩陣和LBP特征的原理，分別提取圖像7維不變矩特征向 量，記為卿釣、·.·、熟，圖像8維灰度共生矩陣特征向量，記為f\、f2.....fs，圖像59維LBP 特征向里，記為Pl、P2、···、P59。
[0022] 其中，所述不變矩、灰度共生矩陣和LBP特征分別為：
[0023]a)不變矩特征主要表征圖像區(qū)域的幾何特征，因?yàn)榫哂行D(zhuǎn)、平移、尺度等不變特 性，具有全局特性，抗干擾性強(qiáng)，在圖像處理中，能夠作為一個(gè)重要的特征來表示物體，因而 可以據(jù)此特征來對(duì)圖像進(jìn)行分類等操作；
[0024] 對(duì)于灰度分布為h(x，y)的圖像，其（p+q)階普通矩和中心距定義為：
[0028] 對(duì)于二維圖像，X。表示圖像灰度在水平方向上灰度重心，y。表示圖像灰度在垂直
[0025]
[0026]
[0027]
[0030] 方向上灰度重心；[0029] (p+q)規(guī)一化中心矩定義為：
[0031]
[0032] 利用二階和三階規(guī)一化中心矩可以導(dǎo)出7個(gè)不變矩組科、A、…、：約，作為特征向 量；
[0033] b)灰度共生矩陣
[0034] 灰度共生矩陣通過研究灰度的空間相關(guān)特性來描述紋理，能反映出圖像灰度關(guān)于 方向、相鄰間隔、變化幅度的綜合信息。用一些標(biāo)量來表征灰度共生矩陣的特征，令G表示 灰度共生矩陣常用的特征有：
[0035]
[0036]
[0037]
[0038]
[0039] 對(duì)對(duì)同一幅圖像的同一個(gè)特征參數(shù)分別選擇0°、45°、90°、135°四個(gè)方向進(jìn)行 計(jì)算，可以獲取旋轉(zhuǎn)不變的紋理特征參數(shù)，這樣便抑制了方向分量對(duì)結(jié)果的影響，能反映出 圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息；將能量、熵、逆差矩、自相關(guān)的均值和 標(biāo)準(zhǔn)差，分別為f\、f2、f3、f4、f5、f6、f7、f8,作為最終8維紋理特征；
[0040] c) LBP特征
[0041] LBP用來描述圖像局部紋理特征，具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)，用 于紋理特征提取；定義3 X 3的窗口，以窗口中心像素點(diǎn)為閾值，將相鄰的8個(gè)像素的灰度值 與其進(jìn)行比較，若周圍像素值大于中心點(diǎn)的值，則該像素位置被標(biāo)記1，否則為0,最后將中 心像素點(diǎn)周圍的二進(jìn)制數(shù)化為十進(jìn)制數(shù)，得到LBP值，其計(jì)算公式如下：
[0042]
[0043]
[0044] 采用LBP等價(jià)模式，即在傳統(tǒng)LBP算法的基礎(chǔ)上，選擇從0到1或是從1到0的跳 變不超過2次的一個(gè)八位二進(jìn)制序列，轉(zhuǎn)化為十進(jìn)制后作為該窗口的LBP值，提取的特征是 圖像的局部的紋理特征Pl、p2.....P59;這樣直方圖從原來的256維變成59維，起到了降 維的作用；
[0045]
[0046]
[0047]LBP等價(jià)模式大大減少二進(jìn)制模式的種類，而且不丟失任何信息，降低了特征向量 的維數(shù)，減少了高頻噪聲產(chǎn)生的影響。
[0048] 優(yōu)選的，所述步驟4)基于PCA技術(shù)，對(duì)上述提取的原始空間數(shù)據(jù)中的三種主要特 征向量進(jìn)行融合，獲得74維特征向量，對(duì)該向量進(jìn)行線性變換，即特征中心化，求取協(xié)方差 矩陣及其特征值和特征向量，特征值由大到小排列，由于前7個(gè)特征值的和已經(jīng)超過了所 有特征值之和的95%，選取前7個(gè)特征值對(duì)應(yīng)的特征向量，提取主成分獲得7維特征向量 tl，t2，…，ts，再對(duì)此向量進(jìn)行歸一化處理，組成新的較低維特征空間中的數(shù)據(jù)集。
[0049] 更優(yōu)選的，步驟4)主要步驟如下：
[0050] a)對(duì)訓(xùn)練樣本進(jìn)行特征提取，提取后的三種特征共74維特征向量{nvm2、...、 m74}，作為PCA原樣本矩陣M，
[0051]b)對(duì)矩陣Μ求均值，即每一維數(shù)據(jù)都減去該維均值，得到矩陣B，
[0052]
[0053]