0。
[0083] b)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：
[0084]g(x, y) =med {f(x~k, y-1),(k,1eff)}
[0085] 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。
[0086] 經過中值濾波處理后，圖像中的脈沖噪聲被很好地濾除，模糊程度明顯降低，并且 保護了信號的邊緣信息，使之不被模糊。其算法比較簡單，耗時較短。
[0087] c)采用對比度增強中的直方圖均衡化方法，經處理后，增加了像素灰度值的動態 范圍，使圖像灰度分布均勻化，去除了圖像中過亮或過暗的噪聲，從而達到了增強圖像整體 對比度的效果。
[0088] 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：
[0089]h = EQ(g) 〇
[0090] 3)氣液兩相流圖像特征分析及提取，分析預處理后的兩相流圖像的形狀和紋理特 征，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。根據這些特性，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，利用其原理分別提取圖像7維不變矩特征向量，記為 卿V…，圖像8維灰度共生矩陣特征向量，記為. .、fs，圖像59維LBP特征向 里，τ??為Pi、P2、· · ·、P59。
[0091]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。
[0092] 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：
[0093]
[0094]
[0095]
[0096] 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 方向上灰度重心；
[0097] (p+q)規一化中心矩定義為：
[0098]
[0099]
[0100] 利用二階和三階規一化中心矩可以導出7個不變矩組終、A、·.·、釣〃作為特征向 量。
[0101] b)灰度共生矩陣
[0102] 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：
[0103]
[0104]
[0105]
[0106]
[0107] 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。
[0108] c)LBP特征
[0109] 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3X3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，否則為〇,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。
[0110]
[0111]
[0112] 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EPl、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。
[0113]
[0114]
[0115]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。
[0116] 4)氣液兩相流圖像特征融合，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h、t2、...、t7，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， 減少了數據的冗余，同時保留原始特征空間中的絕大部分的特征信息，從而解決提取的特 征維數過高的問題。
[0117] 主成分分析將高維數據投影到較低維空間，有效壓縮原來的數據維數，并且很大 程度地保留了原有信息不被丟失，從而達到降維的目的。其主要步驟如下：
[0118]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{mi、m2..... m74}，作為PCA原樣本矩陣M，
[0119]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，
[0120]
[0121] c)計算B的協方差矩陣C，
[0122]
[0123] d)計算協方差矩陣C的特征值λ和特征向量y，
[0124] (λEm-C)y=0
[0125] e)將特征值按照從大到小的順序排序，選擇其中最大的7個，然后將其對應的7個 特征向量分別作為列向量組成特征向量矩陣，得到主成分變換矩陣D，
[0126]f)將樣本點投影到選取的特征向量上，原樣本矩陣Μ與主成分變換矩陣D進行變 換，原樣本數據維數降低至7維。
[0127] 5)氣液兩相流圖像識別及分類，基于支持向量機分類識別，將訓練樣本的特征向 量作為支持向量機的支持向量，選用徑向基核函數，對整個訓練樣本進行訓練獲取支持向 量機模型，利用獲取的模型進行測試與預測；基于ΒΡ神經網絡和概率神經網絡的分類識 另IJ，將特征向量作為神經網絡的訓練樣本，構造用于流型識別的神經網絡結構，設置相關訓 練參數，并進行學習訓練，使用該神經網絡對不同流型的測試樣本進行識別。
[0128] 將上述得到的7維不變矩特征、8維灰度共生矩特征和59維LBP特征融合降維后 的7維特征向量作為一幅圖像的特征向量，即為訓練樣本，由支持向量機、ΒΡ神經網絡和概 率神經網絡自身的輸入和輸出關系來構造訓練模型，其中支持向量機選用徑向基核函數， 核函數中的gamma函數系數設置為1。建立ΒΡ神經網絡時，10個隱層神經元，3個輸出神經 元，隱含層和輸出層傳輸函數分別是對數S形轉移函數和線性傳遞函數，訓練方法采用變 學習率動量梯度下降算法。創建概率神經網絡時，選用徑向基函數，其傳播系數設置為0.6。 用上述訓練模型分別對測試樣本進行檢測。
[0129] 6)流型圖像識別評價，根據識別結果，通過將每個實測像元的位置和分類與分類 圖像中的相應位置和分類像比較計算，把分類結果的精度顯示在一個混淆矩陣里面。在圖 像精度評價中，混淆矩陣用于比較分類結果和實際測得值，可視化較好，以此作為評價標準 較好，將混合特征融合降維后的特征向量識別結果與單個特征向量識別結果進行比較，結 果表明混合特征的識別方法精度最高，時間較短。如此，此方法應用于兩相流的檢測，準確 率更高、可靠性更強、速度更快、支持在線自動識別。
[0130] 用90個樣本（3種流型各30個）作為訓練樣本進行訓練，再用得到的訓練模型對 60個樣本（3種流型各20個）作為測試樣本進行預測。將得出結果用混淆矩陣表示，混淆 矩陣的每一列代表了預測類別，每一列的總數表示預測為該類別的數據的數目，每一行代 表了數據的真實歸屬類別，每一行的數據總數表示該類別的數據實例的數目，每一列中的 數值表示真實數據被預測為該類的數目。如表1、2、3所示，每個數值代表識別率，括號內為 正確識別個數。
[0131] 為了驗證本方法的可靠性，采用混合特征分別與另外三種單獨特征（不變矩，灰 度共生矩陣，LBP特征）進行對比實驗，同時，在特征相同的情況下，我們采用了三種分類器 (BP神經網絡，支持向量機SVM，概率神經網絡PNN)進行對比以選擇效果最好的分類器。三 種混合特征融合降維后作為特征向量的識別結果是最好的，最適用于作為兩相流流型識別 的分類特征，并且與BP神經網絡相結合的方法識別精度