记 为a，Ra的取值范围为Ra>0.9。在[1，α-1忡选定一个值作为列捜索步长CL。显然，列捜索 步长化越大，捜索次数越少，列捜索步长化越小，捜索结果越准确，因此列捜索步长化的值 可W根据实际需要在范围内设置。本实施例中设置列步长化=曰-1。
[0043] S103:数据块划分：
[0044] 在(0，Α)范围内设置Κ个时间阔值，将红外热图像序列的时长划分为Κ+1个时间段Τ 化），k=l ,2,…,Κ+1。对于每个热响应数据S(m,n,:)，捜索其所有热响应值S(m,n,p)中最大 热响应值对应的时刻，如果该时刻属于第k个时间段，则将该热响应数据S(m，η，：）划入第k 个数据块，Wsk(m，n，：）表示第k个数据块里坐标为(m，n)的像素点的热响应数据。
[0045] S104:设置数据块的行捜索步长：
[0046] 对每个数据块中第列的热响应数据设置行捜索步长化k。'，n/ =1+λΧ&<Ν，λ = 〇，1，2···。显然只需要对将会被捜索到的列设置行捜索步长即可。行捜索步长也可W根据经 验值进行设置，此处给出一种变步长的行捜索步长确定方法，可W根据不同的列确定其行 捜索步长，其具体方法为：
[0047] 对于每个数据块，根据列捜索步长化捜索得到热响应值Sk(m，n/，p)的最大值 尸以/：,;.，即：
[004引
[0049]其中，η' =1+λΧ(Χ<Ν，λ = 〇，1，2...。
[00加]记户化4巧所在的X轴、y轴、t轴的坐标值分别为巧、Jj和巧，即
[0化1]对于每个数据块，在第η'列中计算热响应数据与所在行其他热响应 数据5片4，:）的相关度，i的取值范围为]之/??Μ，/*-/,?.。在M-1个相关度值中，捜索和 沪沾：，:巧，:)相连通的区域，也就是捜索得到包括巧在内的X坐标区域[Xmin，Xmax]，当i' e [Xmin，Xmax]时，所有54护，乃，:）与沪巧,，而，:）的相关度值都大于预设阔值Rk，将运个区域的 热响应数据沪(/'，據，;）的数量记为.然，Rk的取值范围为化>〇. 9。一般来说，每个数据块的 阔值化可W采用统一的值。与列步长相似，在|?，片,?-Γ|中选定一个值作为第k个数据块中 第r/列的热响应数据的行捜索步长巧Zt。本实施例中化(6= )? -1。
[0化2] S105:捜索代表热响应数据：
[0053] 对于每个数据块的所有热响应数据，根据设置的列捜索步长和行捜索步长捜索具 有区域代表性的热响应数据。运些筛选出的热响应数据可W-定程度上作为其附近若干个 像素点的代表。
[0054] 图3是捜索代表热响应数据的流程图。如图3所示，捜索代表热响应数据包括W下 步骤：
[0055] 8301:初始化数据，即令111=1，11/=1，9 = 1^=1，首个代表热响应数据乂（1)=8 (ΙΡΕΑΚ, JPEAK,:)。
[0056] S3〇2:计算Sk(m，n,:)与X(q)的相关度fCC於心伸。.
[0057] S303:判断是否大于预设阔值C，本实施例中C的取值范围为0<C< 0.9，如果是，进入步骤S304，否则进入步骤S305。
[0化引 S304:令W = W +欠片，进入步骤S306。
[0化9] S305:令q = q+l，X(q)=Sk(m,n,:)，奶=m + 化;，,..,进入步骤 S306。
[0060] S306:判断是否111>1，如果是，进入步骤S307,否则返回步骤S302。
[0061] S307^m=m-M，n'=n'+&。
[0062] S308:判断是否r/ >N，如果是，进入步骤S309,否则返回步骤S302。
[0063] S309:令 k = k+l。
[0064] S310:如果k>K+l，捜索结束，捜索结束，保存捜索得到的代表热响应数据X(q)，记 其数量为G，否则返回步骤S302。
[0(?日]S106:对代表热响应数据进行聚类：
[0066] 记步骤S106捜索得到的G个代表热响应数据进行聚类。聚类算法可W根据需要选 择，本实施例中采用模糊C均值算法来进行聚类。图4是本实施例中模糊C均值算法的流程 图。如图4所示，采用模糊C均值算法对代表热响应数据聚类的具体步骤包括：
[0067] S401:初始化类别数量L = 2。
[0068] S402:初始化隶属矩阵其中G表示代表热响应数据的数量，隶属矩阵中 的每个元素是[0，1 ]范围内的随机数，并且
，显然1 < a <L，1 <b<G。
[0069] S403:初始化迭代次数w = 0。
[0070] S404:计算聚类中屯、：
[0071] 计算每个类别的聚类中屯、，计算公式为：
[0072]
[0073] S405:计算隶属矩阵巧'某> ;
[0074] 隶属矩阵巧的各个元素的计算公式如下：
[0075]
[0076] 其中，《；:嗦示数据X(b)到各个聚类中屯、cf9的距离，本实施例中采用皮尔森相关 度来计算距离，其计算公式为：
[0077]
[0078] S406:判断是S
ε表示预设的迭代计算精度，I I · I I表示求矩 阵的模，如果不是，进入步骤S407，否则进入步骤S409。
[0079] S407 :判断是否*<￥，￥表示迭代最大次数，如果是，进入步骤S408，否则进入步骤 S409。
[0080] S408:令w=w+l，返回步骤 S404。
[0081] S409:计算聚类中各个数据到其所属聚类中屯、的距离《:；；。本实施例中采用 皮尔森相关度来计算距离，计算公式为：
[0082]
[0083] 其中，坤'嗦示第a个聚类的中屯、，式*(的表示属于聚类a*的代表热响应数据。
[0084] S410:判断是否所有鸣；；<Γ，τ表示预设的距离阔值。由于本实施例中采用皮尔森 相关度来计算距离，因此其取值范围为〇<τ<〇.5,如果是，聚类结束，否则进入步骤411。
[00 化]S411:令 L = L+1，返回步骤 S402。
[00化]S107:构建矩阵Y:
[0087] 根据步骤S106可知，G个代表热响应数据被分成L类，记第φ类中的第V个热响应数 据为式％其中口 = 1，2，...，王，和=】，2....，|取|，|糾表示第巧类中的热响应数据数量，记第 特类的聚类中屯、为Gp。对于每个热响应数据X：%计算其与其他类的聚类中屯、的距离之和 Λ/尸/''，也就是类间距离之和，计算公式为：
[0090]在每一类代表热响应数据中，筛选出/V巧"最大的热响应数据，然后将筛选出的L 个热响应数据构建得到二维矩阵Y，二维矩阵Y中的每一列表示一个热响应数据。可见矩阵Y 的大小为T XL。
[0091] S108:计算得到L个特征图像：
[0092] 根据W下公式计算得到红外热图像序列的L个特征图像：
[0093] R = ?^Ο
[0094] 其中，F是矩阵Υ的伪逆矩阵，矩阵0中每一行表示一幅红外热图像，也就是将红外 热图像序列中的每幅图像按列拼接得到的。可见F的大小为LXT，0的大小为ΤΧ(ΜΧΝ)，得 到的矩阵R的大小为LX (ΜΧΝ)，其每一行代表一幅特征图像。
[00巧]实施例
[0096] 为了更好地说明本发明的技术方案，采用一个具体实施例对本发明方法进行实验 验证。图5是本实施例检测的不诱钢样本。如图5所示，不诱钢样本上有一个长度为10mm，宽 度为2mm的狭槽，用来模拟表面缺陷。然后通过加热线圈对不诱钢样本进行脉冲满流加热， 采集0.53s的表面热分布数据存储在红外热图像序列中，序列中热图像数量Τ = 200。图6是 脉冲满流热成像检测系统中使用的加热线圈。图7是图5所示样本的红外热图像序列。
[0097] 采用本发明脉冲满流红外热图像的特征提取方法对红外热图像序列进行特征提 取。在确定列捜索步长时，设置阔值化L = 0.95，得到的列捜索步长化=12。在数据块划分时， 选取两个时间阔值0.03s和0.06s，从而将所有热响应数据划分为Ξ个数据块。在确定行捜 索步长时，令相关度阔值Ri = Ri = R3 = 〇.94,从而得到行捜索步长。在捜索代表热响应数据 时，设置阔值C = 0.6,捜索得到13个代表热响应数据。然后用模糊C均值算法进行聚类，设置 最大迭代数次W=100,迭代计算精度ε = 1〇Λ距离阔值τ = 0.1。根据模糊C均值分类原理，热 响应数据应该W与其相关度距离最小的聚类中屯、为类中屯、。表1是本实施例的聚类结果。 [009引
[0099] 表 1
[0100] 表1中展示了当聚类数量L分别等于2,3,4时，每一个热响应数据和聚类中屯、的相 关度距离，黑体字是每一个热响应数据的类内距离，有下划线的距离是最大类内距离，图中 最后一列表示热响应数据的类间距离之和。可见，当L = 4时，每个热响应数据的类内距离都 小于阔值0.1，因此将代表热响应数据分为4类，即X(l)为第一类，X(3)，X(5)，X(7)，X(9)，X (11)，乂(13)为第二类，乂(2)，乂(8)，乂(10)为第^类，乂(4)，乂(6)，乂(12)为第四类。
[0101] 根据类间距离之和筛选出4个热响应数据用于特征图像的提取。在第一类 中，只有x(l)-个热响应数据，所Wx(l)被挑选出来。第二类中