基于pca混合特征融合的氣液兩相流流型識別方法
【技術領域】
[0001] 本發明涉及氣液兩相流測量技術領域，尤其是涉及基于PCA混合特征融合的氣液 兩相流流型識別的方法。
【背景技術】
[0002] 自然界和工程領域中廣泛存在著兩相流，在石油、動力、制冷、核能、冶金、水利、環 境保護、建筑及航天等領域都有著廣泛的應用。而氣液兩相流是兩相流動中最為常見的形 式之一。兩相流體的傳熱、傳質特性會受到流型的影響，而且兩相流其他參數的準確測量也 往往依賴于對流型的了解。它是決定傳熱與流動的計算依據，尤其流型判斷準確與否決定 著壓降計算的精度，根據流型來選擇相應的壓降計算公式，能提高壓降計算結果的準確 性。流道中流型的變化往往也會引發流阻、流動的穩定性改變以及出現不良的傳熱危機。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，流型識別方法可以分為兩類：一類是根據兩相流流動圖像的形式直接確定流型， 如目測法，人眼捕捉并識別流型，在高速管道中準確率不高；射線吸收法，利用射線通過介 質發生吸收衰減的原理確定流型，但很難得到穩定的射線源，且射線本身的輻射性也是需 要注意防護的；過程層析成像法，主要是利用傳感器進行圖像重建實現在線檢測，其速度較 低，不能滿足所需的實時性要求。另一類是間接方法，波動信號分析法，通過對反映兩相流 流動特性的波動信號進行處理分析，提取流型特征，進而識別流型。不論是利用壓差波動信 號的提取還是對電導波動信號的提取都存在干擾流場的問題；數字圖像處理法，是一種較 為新興的方法，通過對圖像信號進行處理獲取定性的分析，可視化強，信息量豐富，客觀反 映流動現象，而且不干擾流場。但是數字圖像處理方法中，針對特征提取時，特征信息較為 單一，只包括一種信息，不能全面表達圖像信息。而混合特征維數又較高，復雜度較大，不易 計算，因而關于在線自動檢測方面的應用依然有限，仍需繼續研究。
【發明內容】
[0004] 本發明的目的是克服現有技術的不足，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，減少計算量，識別速度高，識別準確性高、可靠性高、通用性強、支持 在線自動檢測的基于PCA混合特征融合的氣液兩相流流型的識別方法。
[0005] 為實現上述目的，以下為該發明的技術方案：
[0006] 基于PCA混合特征融合的氣液兩相流流型識別方法，它包括以下步驟：
[0007] 1)由高速攝影機獲得精餾塔中不同狀態下的氣液兩相流的流型圖像；
[0008] 2)提取圖像感興趣區域（R0I區域），對圖像進行中值濾波和對比度增強對流型圖 像進行去除噪聲預處理；
[0009] 3)分析步驟2)預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，對融合后的混合特征進行降維，得到 一個新的特征向量，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特征進行對比實驗，分別利用支 持向量機、BP神經網絡和概率神經網絡進行訓練和識別。
[0012] 優選的，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 狀流3種典型流型的流型圖像。
[0013] 所述步驟1)對彈狀流、波狀流、霧環狀流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)對圖像進行感興趣區域提取的處理，大小為300X60。
[0015] 所述步驟2)所述中值濾波處理，將圖像局部區域的像素按灰度等級進行排序，取 該鄰域中灰度的中值作為當前像素的灰度值；令鄰域的像素值接近的真實值，從而消除孤 立的噪聲點，其表達式如下：
[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 區域；
[0018] 所述步驟2)所述對比度增強預處理為采用對比度增強中的直方圖均衡化方法： 設原始圖像在（x，y)處的灰度為g，而改變后的圖像為h，則對圖像增強的方法可表述為將 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圖像的映射函數可定義為：
[0019] h = EQ(g)。
[0020] 優選的，所述步驟3)所述不變矩特征主要表征了圖像區域的形狀特征，其具有旋 轉、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，對光照具有不變性。
[0021] 優選的，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域的幾何特征，因為具有旋轉、平移、尺度等不變特 性，具有全局特性，抗干擾性強，在圖像處理中，能夠作為一個重要的特征來表示物體，因而 可以據此特征來對圖像進行分類等操作；
[0024] 對于灰度分布為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)規一化中心矩定義為：
[0031]
[0032] 利用二階和三階規一化中心矩可以導出7個不變矩組科、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特性來描述紋理，能反映出圖像灰度關于 方向、相鄰間隔、變化幅度的綜合信息。用一些標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] 對對同一幅圖像的同一個特征參數分別選擇0°、45°、90°、135°四個方向進行 計算，可以獲取旋轉不變的紋理特征參數，這樣便抑制了方向分量對結果的影響，能反映出 圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息；將能量、熵、逆差矩、自相關的均值和 標準差，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，具有旋轉不變性和灰度不變性等顯著的優點，用 于紋理特征提取；定義3 X 3的窗口，以窗口中心像素點為閾值，將相鄰的8個像素的灰度值 與其進行比較，若周圍像素值大于中心點的值，則該像素位置被標記1，否則為0,最后將中 心像素點周圍的二進制數化為十進制數，得到LBP值，其計算公式如下：
[0042]
[0043]
[0044] 采用LBP等價模式，即在傳統LBP算法的基礎上，選擇從0到1或是從1到0的跳 變不超過2次的一個八位二進制序列，轉化為十進制后作為該窗口的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等價模式大大減少二進制模式的種類，而且不丟失任何信息，降低了特征向量 的維數，減少了高頻噪聲產生的影響。
[0048] 優選的，所述步驟4)基于PCA技術，對上述提取的原始空間數據中的三種主要特 征向量進行融合，獲得74維特征向量，對該向量進行線性變換，即特征中心化，求取協方差 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個特征值的和已經超過了所 有特征值之和的95%，選取前7個特征值對應的特征向量，提取主成分獲得7維特征向量 tl，t2，…，ts，再對此向量進行歸一化處理，組成新的較低維特征空間中的數據集。
[0049] 更優選的，步驟4)主要步驟如下：
[0050] a)對訓練樣本進行特征提取，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)對矩陣Μ求均值，即每一維數據都減去該維均值，得到矩陣B，
[0052]
[0053]