基于pca混合特征融合的气液两相流流型识别方法
【技术领域】
[0001] 本发明涉及气液两相流测量技术领域，尤其是涉及基于PCA混合特征融合的气液 两相流流型识别的方法。
【背景技术】
[0002] 自然界和工程领域中广泛存在着两相流，在石油、动力、制冷、核能、冶金、水利、环 境保护、建筑及航天等领域都有着广泛的应用。而气液两相流是两相流动中最为常见的形 式之一。两相流体的传热、传质特性会受到流型的影响，而且两相流其他参数的准确测量也 往往依赖于对流型的了解。它是决定传热与流动的计算依据，尤其流型判断准确与否决定 着压降计算的精度，根据流型来选择相应的压降计算公式，能提高压降计算结果的准确 性。流道中流型的变化往往也会引发流阻、流动的稳定性改变以及出现不良的传热危机。因 此研究气液两相流流型的判别就显得尤为重要。
[0003] 两相流流型及其转变特性的研究，是两相流研究中最基本也是最重要的问题之 一。目前，流型识别方法可以分为两类：一类是根据两相流流动图像的形式直接确定流型， 如目测法，人眼捕捉并识别流型，在高速管道中准确率不高；射线吸收法，利用射线通过介 质发生吸收衰减的原理确定流型，但很难得到稳定的射线源，且射线本身的辐射性也是需 要注意防护的；过程层析成像法，主要是利用传感器进行图像重建实现在线检测，其速度较 低，不能满足所需的实时性要求。另一类是间接方法，波动信号分析法，通过对反映两相流 流动特性的波动信号进行处理分析，提取流型特征，进而识别流型。不论是利用压差波动信 号的提取还是对电导波动信号的提取都存在干扰流场的问题；数字图像处理法，是一种较 为新兴的方法，通过对图像信号进行处理获取定性的分析，可视化强，信息量丰富，客观反 映流动现象，而且不干扰流场。但是数字图像处理方法中，针对特征提取时，特征信息较为 单一，只包括一种信息，不能全面表达图像信息。而混合特征维数又较高，复杂度较大，不易 计算，因而关于在线自动检测方面的应用依然有限，仍需继续研究。
【发明内容】
[0004] 本发明的目的是克服现有技术的不足，提取三种特征，图像信息较为全面，且有效 地降低混合特征维数，减少计算量，识别速度高，识别准确性高、可靠性高、通用性强、支持 在线自动检测的基于PCA混合特征融合的气液两相流流型的识别方法。
[0005] 为实现上述目的，以下为该发明的技术方案：
[0006] 基于PCA混合特征融合的气液两相流流型识别方法，它包括以下步骤：
[0007] 1)由高速摄影机获得精馏塔中不同状态下的气液两相流的流型图像；
[0008] 2)提取图像感兴趣区域（R0I区域），对图像进行中值滤波和对比度增强对流型图 像进行去除噪声预处理；
[0009] 3)分析步骤2)预处理后的两相流图像的形状和纹理特征，提取图像不变矩、灰度 共生矩阵和LBP特征；
[0010] 4)将步骤3)三种特征融合后，利用PCA技术，对融合后的混合特征进行降维，得到 一个新的特征向量，该新的特征向量包括纹理特征和几何特征信息；
[0011] 5)采用步骤4)中新的特征向量分别与三种单独特征进行对比实验，分别利用支 持向量机、BP神经网络和概率神经网络进行训练和识别。
[0012] 优选的，所述步骤1)中的流型图像为不同的气液流量下的弹状流、波状流、雾环 状流3种典型流型的流型图像。
[0013] 所述步骤1)对弹状流、波状流、雾环状流3种典型流型采集到大小为600X600的 典型流型图像。
[0014] 所述步骤2)对图像进行感兴趣区域提取的处理，大小为300X60。
[0015] 所述步骤2)所述中值滤波处理，将图像局部区域的像素按灰度等级进行排序，取 该邻域中灰度的中值作为当前像素的灰度值；令邻域的像素值接近的真实值，从而消除孤 立的噪声点，其表达式如下：
[0016]g(x,y) =med{f(x~k,y-1), (k, 1eff)}
[0017] 式中，f(x,y)和g(x,y)分别为原始图像和处理后图像，W为二维模板，选用3X3 区域；
[0018] 所述步骤2)所述对比度增强预处理为采用对比度增强中的直方图均衡化方法： 设原始图像在（x，y)处的灰度为g，而改变后的图像为h，则对图像增强的方法可表述为将 在（x，y)处的灰度g映射为h。在灰度直方图均衡化处理中对图像的映射函数可定义为：
[0019] h = EQ(g)。
[0020] 优选的，所述步骤3)所述不变矩特征主要表征了图像区域的形状特征，其具有旋 转、平移、尺度等特性的不变特征，灰度共生矩阵是通过研究灰度的空间相关特性来描述图 像纹理，LBP特征能度量和提取图像局部的纹理信息，对光照具有不变性。
[0021] 优选的，所述步骤3)分别提取图像的不变矩、灰度共生矩阵和LBP特征组成流型 特征向量，利用不变矩、灰度共生矩阵和LBP特征的原理，分别提取图像7维不变矩特征向 量，记为卿釣、·.·、熟，图像8维灰度共生矩阵特征向量，记为f\、f2.....fs，图像59维LBP 特征向里，记为Pl、P2、···、P59。
[0022] 其中，所述不变矩、灰度共生矩阵和LBP特征分别为：
[0023]a)不变矩特征主要表征图像区域的几何特征，因为具有旋转、平移、尺度等不变特 性，具有全局特性，抗干扰性强，在图像处理中，能够作为一个重要的特征来表示物体，因而 可以据此特征来对图像进行分类等操作；
[0024] 对于灰度分布为h(x，y)的图像，其（p+q)阶普通矩和中心距定义为：
[0028] 对于二维图像，X。表示图像灰度在水平方向上灰度重心，y。表示图像灰度在垂直
[0025]
[0026]
[0027]
[0030] 方向上灰度重心；[0029] (p+q)规一化中心矩定义为：
[0031]
[0032] 利用二阶和三阶规一化中心矩可以导出7个不变矩组科、A、…、：約，作为特征向 量；
[0033] b)灰度共生矩阵
[0034] 灰度共生矩阵通过研究灰度的空间相关特性来描述纹理，能反映出图像灰度关于 方向、相邻间隔、变化幅度的综合信息。用一些标量来表征灰度共生矩阵的特征，令G表示 灰度共生矩阵常用的特征有：
[0035]
[0036]
[0037]
[0038]
[0039] 对对同一幅图像的同一个特征参数分别选择0°、45°、90°、135°四个方向进行 计算，可以获取旋转不变的纹理特征参数，这样便抑制了方向分量对结果的影响，能反映出 图像灰度关于方向、相邻间隔、变化幅度的综合信息；将能量、熵、逆差矩、自相关的均值和 标准差，分别为f\、f2、f3、f4、f5、f6、f7、f8,作为最终8维纹理特征；
[0040] c) LBP特征
[0041] LBP用来描述图像局部纹理特征，具有旋转不变性和灰度不变性等显著的优点，用 于纹理特征提取；定义3 X 3的窗口，以窗口中心像素点为阈值，将相邻的8个像素的灰度值 与其进行比较，若周围像素值大于中心点的值，则该像素位置被标记1，否则为0,最后将中 心像素点周围的二进制数化为十进制数，得到LBP值，其计算公式如下：
[0042]
[0043]
[0044] 采用LBP等价模式，即在传统LBP算法的基础上，选择从0到1或是从1到0的跳 变不超过2次的一个八位二进制序列，转化为十进制后作为该窗口的LBP值，提取的特征是 图像的局部的纹理特征Pl、p2.....P59;这样直方图从原来的256维变成59维，起到了降 维的作用；
[0045]
[0046]
[0047]LBP等价模式大大减少二进制模式的种类，而且不丢失任何信息，降低了特征向量 的维数，减少了高频噪声产生的影响。
[0048] 优选的，所述步骤4)基于PCA技术，对上述提取的原始空间数据中的三种主要特 征向量进行融合，获得74维特征向量，对该向量进行线性变换，即特征中心化，求取协方差 矩阵及其特征值和特征向量，特征值由大到小排列，由于前7个特征值的和已经超过了所 有特征值之和的95%，选取前7个特征值对应的特征向量，提取主成分获得7维特征向量 tl，t2，…，ts，再对此向量进行归一化处理，组成新的较低维特征空间中的数据集。
[0049] 更优选的，步骤4)主要步骤如下：
[0050] a)对训练样本进行特征提取，提取后的三种特征共74维特征向量{nvm2、...、 m74}，作为PCA原样本矩阵M，
[0051]b)对矩阵Μ求均值，即每一维数据都减去该维均值，得到矩阵B，
[0052]
[0053]