CN101140216A - 基于数字图像处理技术的气液两相流流型识别方法 - Google Patents

Abstract

一种基于数字图像处理技术的气液两相流流型识别方法，其特点是：该方法利用高速摄影机获取水平管道内不同工况下气液两相流的流动图像；经过图像处理技术后提取图像不变矩和灰度共生矩阵特征；运用粗糙集理论进行特征融合，降低特征维数，并以此特征向量构成流型样本对支持向量机进行训练，完成从特征空间到流型空间的映射，最终实现流型识别。所采用的粗糙集理论融合了图像纹理信息和形状信息，提高分类器的识别精度，同时降低了训练时间，能够全面反映流型图像特征；所应用的支持向量机流型识别方法对样本数据的依赖程度和泛化能力比BP神经网络要好，训练时间较短，适合流型在线识别。

Description

基于数字图像处理技术的气液两相流流型识别方法

技术领域

本发明涉及气液两相流测量技术领域，尤其涉及一种基于数字图像处理技术的气液两相流流型识别方法。

背景技术

目前，在动力、化工、核能、制冷、石油和冶金等行业的许多生产设备中都涉及到气液两相流动工况。两相流动介质的相界面分布状况，即流型，极大地影响着气液两相流的流动特性和传热特性，同时也影响流动参数的准确测量以及两相流系统的运行特性，因此气液两相流流型识别的研究一直是两相流参数测量的一个重要研究方向，同时也为相关工业生产设备安全、经济运行提供了有力的技术支持。

传统的流型识别方法有两大类：一类是采用实验方法做出流型图；另一类是根据对流型转变机理的分析得到的转变准则关系式，利用现场的流动参数来确定流型。由于在生产实际中流动参数往往是需要解决的问题，因此传统的方法无法得到广泛应用。

目前流型测量方法最常用的是信号特征分析法，即利用测量的仪器设备测量的压力、压差和含气率等波动信号，通过对信号进行分析、提取特征，结合神经网络等模式识别技术来识别流型。该方法有两个关键问题：一是流型特征向量的提取；二是网络模型的选取，其中特征提取尤为关键。但由于该方法对两相流体进行接触测量，会对流场产生扰动，同时在某些高压环境下会受测量参数影响而应用受到限制，因此需要提出一种能快速准确的非接触流型在线测量方法。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提出一种流型识别准确性、可靠性高，通用性强的基于数字图像处理技术的气液两相流流型识别方法。

本发明的目的是由以下技术方案来实现的：一种基于数字图像处理技术的气液两相流流型识别方法，其特征在于它包括以下步骤：

(1)流型图像信号采集，是对不同工况下气液两相流流型图像信号进行采集：在一个由水平管路、高速摄影机与由计算机组成的基于数字图像处理技术的气液两相流流型信号采集装置中，通过采集水平管路上流型图像信号，分别固定和改变液相和气相流量，得到不同的气液流量下的泡状流、塞状流、弹状流、层状流、波状流、环状流和雾状流等7种典型流型，并实时采集到大小为512×192，帧频为125帧/s的典型流型图像；

(2)流型图像信号去噪预处理，是对采集的气液两相流流型图像信号进行去除噪声预处理：利用中值滤波和灰度拉伸对采集的气液两相流流型图像信号进行去除噪声预处理；

(a)中值滤波是将图像像素领域内灰度的中值代替该像素的值，其表达式如下：

$f(x,y)=\underset{(s,t)\∈S_{\mathrm{xy}}}{\mathrm{median}\left\{g(s,t)\right\}}---\left(1\right)$

式中，g(s，t)表示区域中被干扰的图像，S_xy表示中心在(x，y)点的矩形子图像窗口的坐标组，f(x，y)表示在点(x，y)处复原图像的灰度值。

(b)灰度拉伸是提高图像处理技术时灰度级的动态范围，灰度拉伸函数的形式为： $s=T\left(r\right)=\frac{1}{1+{(m/r)}^E}---\left(2\right)$

式中，r表示输入图像的亮度，s是输出图像中的相应亮度值，E是控制该函数的斜率；

(3)流型图像信号特征提取，是对去除噪声后的流型图像信号进行形状和纹理分析，分别提取图像的不变矩和灰度共生矩阵特征组成流型特征向量；

(a)图像的不变矩能有效地反映图像的本质特征，设物体的二维图像用f(x，y)表示，(p+q)中心矩定义为：

$u_{\mathrm{pq}}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)---\left(3\right)$

其中，x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀。对于二维图像，x₀表示图像灰度在水平方向上灰度重心，y₀表示图像灰度在垂直方向上灰度重心；

(p+q)规范化中心矩定义为：

${\mathrm{\η}}_{\mathrm{pq}}=\frac{u_{\mathrm{pq}}}{u_{00}^r},$ $r=\frac{(p+q)}{2}+1---\left(4\right)$

利用二阶和三阶规范化中心矩可以导出下面7个不变矩组，如下所示：

φ₁＝η₂₀+η₀₂    (5)

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2---\left(6\right)$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²    (7)

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²    (8)

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]    (9)

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₃₀)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)    (10)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]    (11)

(b)灰度共生矩阵可以分析图像的局部模式和排列规则，利用灰度共生矩阵计算求得纹理特征参数作为流型图像特征，其中，P(i，j，d，β)表示在β方向上距离为d的一对像素分别具有灰度i和j的出现概率，11种特征参数的计算式如下：

二阶角矩： $f_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[P(i,j,d,\mathrm{\β})\right]}^2---\left(12\right)$

对比度： $f_2=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2{\left[\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β})\right]}^2,$ |i-j|＝n    (13)

相关： $f_3=\frac{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}(i\·j)P(i,j,d,\mathrm{\β})-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(14\right)$

其中，μ_x、μ_y为P_x(i)、P_y(j)的均值，σ_x、σ_y为P_x(i)、P_y(j)的标准差；

逆差矩： $f_4=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}P(i,j,d,\mathrm{\β})---\left(15\right)$

和平均： $f_5=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}k\·P_{x+y}\left(k\right)---\left(16\right)$

其中， $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β}),$ k＝i+j，k＝{2，3，…，2N_g}

和方差： $f_6=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{(k-f_5)}^2{P}_{x+y}\left(k\right)---\left(17\right)$

和熵： $f_7=-\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{P}_{x+y}\left(k\right)\log \left[P_{x+y}\left(k\right)\right]---\left(18\right)$

熵： $f_8=-\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β})\log \left[P(i,j,d,\mathrm{\β})\right]---\left(19\right)$

差平均： $f_9=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}k\·P_{x-y}\left(k\right)---\left(20\right)$

其中， $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β}),$ k＝|i-j|，k＝{0，1，…，N_g-1}

差方差： $f_{10}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{(k-f_9)}^2{P}_{x-y}\left(k\right)---\left(21\right)$

差熵： $f_{11}=-\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{P}_{x-y}\left(k\right)\log \left[P_{x-y}\left(k\right)\right]---\left(22\right)$

为获得旋转不变的纹理特征，需对灰度共生矩阵的结果作适当处理，取同一幅图像的同一个特征参数值在0°、45°、90°、135°方向上的平均值，这样处理就抑制了方向分量，使得到的纹理特征与方向无关，同时通过对流型图像纹理特征参数随d变化情况分析得出：当d取1时计算的纹理特征参数值具有较好的代表性；

(4)流形图像特征融合，是运用粗糙集理论对流型图像的不变矩和灰度共生矩阵特征进行融合，降低特征向量维数，利用提取的图像7维不变矩特征向量和11维灰度共生矩阵特征向量，发现关键特征，剔除冗余信息，提高识别效率，并采用自组织映射神经网络方法，通过自组织方式利用大量的训练样本数据来调整网络权值，分类结果较为客观反映数据的实际分布情况，具体步骤如下：

①权连接初始化：开始时，对所有n个连接权值赋予一个[0，1]区间的随机数；确定学习速率r(t)的初值r(0)(0＜r(0)＜1)；确定邻域的初值及总学习次数；

②给定网络输入样本模式X^k：X^k＝(x₁，x₂，…，x_n)

③计算输入X^k与全部输出节点的距离： $d_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i^k-w_{\mathrm{ij}})}^2,$ i∈{1，2，…，n}

④选取距离最小的节点N_j ^*： $d_j^{*}=\underset{j}{\min }\left\{d_j\right\}$

⑤对输出节点N_j ^*所连接的权值，以及N_j ^*几何邻域内节点的连权值进行更新： ${\mathrm{\Δw}}_{\mathrm{ij}}=r\left(t\right)(x_i^k-w_{\mathrm{ij}}),$ 式中r(t)(0＜r(t)＜1)为标量自适应增益，往往选择r(t)＝0.9(1-t/1000)

⑥若仍有输入样本数据，返回步骤②，重复执行直至学习完毕，

⑦采用属性约简算法对有图像不变矩和灰度共生矩阵组成的流型识别特征向量进行约简，其算法过程如下：

输入：S＝(U，C∪D，V，f)

输出：C相对于D的某个约简RED

计算C相对于D的核CORE_D(C)

RED＝CORE_D(C)

计算POS_C(D)，U/RED和POS_RED(D)

若|POS_C(D)|≠|POS_RED(D)|，反复执行：在C-RED中找出使SGF(a，RED，D)取最大值的属性a；将a加入到RED的尾部，计算新的U/RED和POS_RED(D)

从RED的尾部开始，从后往前对每个属性a进行判断是否可省：

若a∈COR_ED(C)，则从a开始往前的属性都是不可省的，算法结束，RED就是所求结果；否则，若|POS_C(D)|＝|POS_RED-{a}(D)|，则说明a是可省的，从RED中把a删除；

(5)流型图像识别，是将融合后的特征向量作为支持向量机的输入样本，输入与输出的关系由支持向量机来完成，并构造21个二值分类器，由径向基核函数支持向量机，由支持向量机来实现流型的识别，水平管内气液两相流流型有泡状流、塞状流、弹状流、层状流、波状流、环状流和雾状流等7种，采用“一对一”的策略，构造21个二值分类器，支持向量机的输出是一个7维向量，每一个分量表示样本是否对应该流型，训练好的支持向量机可实现对流型的识别。

本发明基于数字图像处理技术的气液两相流流型识别方法是将数字图像处理技术运用气液两相流流型识别中，并综合了粗糙集理论和支持向量机识别方法，适合流型的在线识别，其方法的优点是：

1.采用高速摄影法实现了流型的非接触测量，其在测量过程中不干扰流场的运动，即使在高速气液两相流环境下，也可通过调节高速摄影机的拍摄帧频，获得同样清晰的流型图像，拓展了高速摄影法进行流型在线识别的应用范围。

2.对采集到的典型流型图像，从形状和纹理两方面分别提取不变矩和灰度共生矩阵特征，并利用粗糙集理论进行特征融合，融合后的特征能全面反映流型的信息。

3.采用支持向量机来实现流型的识别，具有计算速度快、识别精度高、泛化能力强等优点，有利于流型的在线识别。

附图说明

图1是基于数字图像处理技术的气液两相流流型识别方法流程图。

图2是基于数字图像处理技术的气液两相流流型图像信号采集装置的结构示意图。

图3是基于数字图像处理技术的气液两相流流型信号采集装置的软件程序框图。

具体实施方式

下面利用附图和实施例对本发明基于数字图像处理技术的气液两相流流型识别方法作进一步说明。

如图1所示，本发明基于数字图像处理技术的气液两相流流型识别方法包括下述步骤：

(1)流型图像信号采集，是对不同流型的图像信号进行采集：在一个由水平管路、高速摄影机与由计算机组成的基于数字图像处理技术的气液两相流流型信号采集装置中，通过采集水平管路上流型图像信号，分别固定和改变液相和气相流量，得到不同的气液流量下的泡状流、塞状流、弹状流、层状流、波状流、环状流和雾状流等7种典型流型，并实时采集到大小为512×192，帧频为125帧/s的典型流型图像。

(2)流型图像信号去噪预处理，是利用中值滤波和灰度拉伸对流型图像信号进行去除噪声预处理。

(a)中值滤波是将图像像素领域内灰度的中值代替该像素的值，其表达式如下：

$f(x,y)=\underset{(s,t)\∈S_{\mathrm{xy}}}{\mathrm{median}\left\{g(s,t)\right\}}---\left(1\right)$

式中，g(s，t)表示区域中被干扰的图像，S_xy表示中心在(x，y)点的矩形子图像窗口的坐标组，f(x，y)表示在点(x，y)处复原图像的灰度值。

中值滤波器的使用非常普遍，这是因为对于一定类型的随机噪声，例如盐粒噪声，它提供了一种优秀的去除噪声能力，比小尺寸的线性平滑滤波器的模糊程度明显要低，在去除噪声的同时保证了图像的清晰度。

(b)灰度拉伸是提高图像处理技术时灰度级的动态范围，它对由于照明不足、成像传感器动态范围太小，甚至在图像获取过程中透镜光圈设置错误引起的低对比度图像有很好的修正作用。灰度拉伸函数的形式为：

$s=T\left(r\right)=\frac{1}{1+{(m/r)}^E}---\left(2\right)$

式中，r表示输入图像的亮度，s是输出图像中的相应亮度值，E是控制该函数的斜率。

灰度拉伸函数可将输入值低于m的灰度级压缩为输出图像中较暗灰度级的较窄范围内；同样可将输入值高于m的灰度级压缩为输出图像中较亮灰度级的较窄范围内，因此能够输出一幅具有高对比度的图像。

(3)流型图像信号特征提取，是对去除噪声后的流型图像信号进行形状和纹理分析，分别提取图像的不变矩和灰度共生矩阵特征组成流型特征向量。

(a)由于不变矩概念清晰，识别率稳定，对具有平移、旋转和缩放变化的目标有良好的不变性及抗干扰性，因此能有效地反映图像的本质特征。设物体的二维图像用f(x，y)表示，(p+q)中心矩定义为： $u_{\mathrm{pq}}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)---\left(3\right)$

其中，x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀。对于二维图像，x₀表示图像灰度在水平方向上灰度重心，y₀表示图像灰度在垂直方向上灰度重心。

(p+q)规范化中心矩定义为：

${\mathrm{\η}}_{\mathrm{pq}}=\frac{u_{\mathrm{pq}}}{u_{00}^r},$ $r=\frac{(p+q)}{2}+1---\left(4\right)$

利用二阶和三阶规范化中心矩可以导出下面7个不变矩组，如下所示：

φ₁＝η₂₀+η₀₂    (5)

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2---\left(6\right)$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²    (7)

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²    (8)

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]    (9)

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₃₀)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)    (10)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)]    (11)

(b)灰度共生矩阵是一种用来分析图像纹理特征的重要方法，它建立在估计图像的二阶组合条件概率密度函数的基础上。通过计算图像中有一定距离和一定方向的两像素点之间的灰度相关性，反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。通过灰度共生矩阵，可以分析图像的局部模式和排列规则，为流型图像识别提供有力的依据。

纹理特征参数可利用灰度共生矩阵计算求得，本发明取其中11种作为流型图像特征。其中，P(i，j，d，β)表示在β方向上距离为d的一对像素分别具有灰度i和j的出现概率。11种特征参数的计算式如下：

二阶角矩： $f_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[P(i,j,d,\mathrm{\β})\right]}^2---\left(12\right)$

对比度： $f_2=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2{\left[\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β})\right]}^2,$ |i-j|＝n    (13)

相关： $f_3=\frac{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}(i\·j)P(i,j,d,\mathrm{\β})-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(14\right)$

其中，μ_x、μ_y为P_x(i)、P_y(j)的均值，σ_x、σ_y为P_x(i)、P_y(j)的标准差；

逆差矩： $f_4=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}P(i,j,d,\mathrm{\β})---\left(15\right)$

和平均： $f_5=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}k\·P_{x+y}\left(k\right)---\left(16\right)$

其中， $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β}),$ k＝i+j，k＝{2，3，…，2N_g}

和方差： $f_6=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{(k-f_5)}^2{P}_{x+y}\left(k\right)---\left(17\right)$

和熵： $f_7=-\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{P}_{x+y}\left(k\right)\log \left[P_{x+y}\left(k\right)\right]---\left(18\right)$

熵： $f_8=-\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β})\log \left[P(i,j,d,\mathrm{\β})\right]---\left(19\right)$

差平均： $f_9=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}k\·P_{x-y}\left(k\right)---\left(20\right)$

其中， $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_x}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\β}),$ k＝|i-j|，k＝{0，1，…，N_g-1}

差方差： $f_{10}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{(k-f_9)}^2{P}_{x-y}\left(k\right)---\left(21\right)$

差熵： $f_{11}=-\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{P}_{x-y}\left(k\right)\log \left[P_{x-y}\left(k\right)\right]---\left(22\right)$

为获得旋转不变的纹理特征，需对灰度共生矩阵的结果作适当处理。最简单的方法是取同一幅图像的同一个特征参数值在0°、45°、90°、135°方向上的平均值，这样处理就抑制了方向分量，使得到的纹理特征与方向无关。同时通过对流型图像纹理特征参数随d变化情况分析得出：当d取1时计算的纹理特征参数值具有较好的代表性。

对采集到的每副流型图像分别提取其7维不变矩特征向量和11维灰度共生矩阵特征向量组成的18维流型识别特征向量，部分归一化后的特征参数如表1所示。

表17种典型流型图像归一化后部分特征参数

序号	流型	图像不变矩特征							图像灰度共生矩阵特征
																				φ1	φ2	φ3	φ4	φ5	φ6	φ7	f1	f2	f3	f4	f5	f6	f7	f8	f9	f10	f11
		1234567891011121314	泡状流泡状流塞状流塞状流弹状流弹状流层状流层状流波状流波状流环状流环状流雾状流雾状流	0.650.630.230.250.130.140.410.400.590.610.340.300.940.97	0.420.420.970.970.310.300.070.080.080.070.200.270.410.53	0.020.020.980.980.530.550.290.290.260.220.700.810.590.62	0.630.610.010.030.310.300.690.700.750.770.590.600.980.99	0.600.580.120.120.130.120.660.690.710.760.440.480.940.99	0.830.840.730.740.900.900.440.420.150.180.250.230.330.34	0.050.050.420.410.630.650.800.790.760.740.890.890.580.50	0.050.040.060.040.110.100.590.620.600.620.420.470.931.00	0.020.020.980.980.560.550.160.160.140.110.660.770.440.45	0.320.320.030.010.230.220.720.740.750.770.520.540.971.00	0.450.440.010.020.360.350.640.650.610.630.370.370.911.00	0.190.190.030.010.560.550.560.560.340.340.090.080.800.79	0.870.870.730.740.680.700.640.600.360.390.300.380.260.34	0.920.920.800.820.710.730.630.600.350.340.290.270.440.55	0.670.580.420.430.110.090.500.510.380.430.410.430.200.18	0.710.680.550.560.180.160.510.500.430.420.680.660.270.25																			0.750.700.580.590.160.150.550.570.500.480.500.650.260.25	0.610.590.570.580.170.140.430.480.390.370.410.500.190.21

(4)流型图像特征融合，是运用粗糙集理论对流型图像的不变矩和灰度共生矩阵特征进行融合，降低特征向量维数，在工程应用中，为保证流型识别精度，综合了图像形状和纹理信息，利用图像7维不变矩特征向量和11维灰度共生矩阵特征向量构成的18维特征向量。但特征向量中一些关键特征对分类比较敏感，而且相互独立能够提供互补信息，提高诊断精度，应该加以充分利用；一些冗余信息对分类不敏感，或者与其它特征相互关联，没有利用价值，会增加识别工作量和成本，应该从分类规则中剔除。粗糙集理论的提出，为发现关键特征，剔除冗余信息，从而提高识别效率，降低识别成本奠定了理论基础。

由于粗糙集理论只能处理离散属性值，而流型识别的特征向量值是连续的，因此必须对决策系统中的数据进行离散化处理，本文采用自组织映射神经网络方法。它是一种无监督自组织竞争学习型前馈神经网络，能通过自组织方式利用大量的训练样本数据来调整网络权值，分类结果较为客观反映数据的实际分布情况。具体步骤如下：

①权连接初始化：开始时，对所有n个连接权值赋予一个[0，1]区间的随机数；确定学习速率r(t)的初值r(0)(0＜r(0)＜1)；确定邻域的初值及总学习次数。

②给定网络输入样本模式X^k：X^k＝(x₁，x₂，…，x_n)

③计算输入X^k与全部输出节点的距离： $d_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i^k-w_{\mathrm{ij}})}^2,$ i∈{1，2，…，n}

④选取距离最小的节点N_j ^*： $d_j^{*}=\underset{j}{\min }\left\{d_j\right\}$

⑤对输出节点N_j ^*所连接的权值，以及N_j ^*几何邻域内节点的连权值进行更新： ${\mathrm{\Δw}}_{\mathrm{ij}}=r\left(t\right)(x_i^k-w_{\mathrm{ij}}),$ 式中r(t)(0＜r(t)＜1)为标量自适应增益，往往选择r(t)＝0.9(1-t/1000)

⑥若仍有输入样本数据，返回步骤②，重复执行直至学习完毕。

采用属性约简算法对有图像不变矩和灰度共生矩阵成的流型特征向量进行约简，其算法过程如下：

输入：S＝(U，C∪D，V，f)

输出：C相对于D的某个约简_RED

①计算C相对于D的核CORE_D(C)

②RED＝CORE_D(C)

③计算POS_C(D)，U/RED和POS_RED(D)

④若|POS_C(D)|≠|POS_RED(D)|，反复执行：在C-RED中找出使SGF(a，RED，D)取最大值的属性a；将a加入到RED的尾部，计算新的U/RED和POS_RED(D)

⑤从RED的尾部开始，从后往前对每个属性a进行判断是否可省：若a∈COR_ED(C)，则从a开始往前的属性都是不可省的，算法结束，RED就是所求结果；否则，若|POS_C(D)|＝|POS_RED-{a}(D)|，则说明a是可省的，从RED中把a删除。

应用自组织映射神经网络将流型图像特征参数进行离散化处理，而正确选取聚类数目非常关键。聚类数目少，可能会得到不相容的决策系统，导致实际应用时根据判断条件无法做出决策；聚类数目多，会出现过离散情况，极端情况下离散处理后决策系统中对象的条件部分互不相同，各自形成独立的规则，导致应用中对规则条件匹配判断的复杂性。根据试验，决定利用自组织映射神经网络将每个属性离散为4类，离散化后的结果如表2所示。

利用粗糙集的属性约简算法对表2进行属性约简处理，图像7维不变矩特征向量和11维灰度共生矩阵特征向量{Φ₁，Φ₂，Φ₃，Φ₄，Φ₅，Φ₆，f₁，f₂，f₃，f₄，f₅，f₆，f₇，f₈，f₉，f₁₀，f₁₁}，共计18个条件属性仅留下了{Φ₆，f₂，f₄，f₅}，此时特征维数大大减少，由原先的18维降低为4维，可作为支持向量机分类的输入向量。

表2流型图像特征参数离散化后得到的决策表

流型	图像不变矩特征							图像灰度共生矩阵特征											类别
																				φ1	φ2	φ3	φ4	φ5	φ6	φ7	f1	f2	f3	f4	f5	f6	f7	f8	f9	f10	f11
	泡状流泡状流塞状流塞状流弹状流弹状流层状流层状流波状流波状流环状流环状流雾状流雾状流	11444422114411	33442211111133	44113344441133	22444411112211	22111144443344	44444433111111	44443311111122	11111144443344	11442211114433	11111144442244	33444411113311	11114444331144	44444422111111	11112233444422	44221144442211	11334433112244	11114422113344																				44441133443311	11223344556677

(5)流型图像识别，是将融合后的特征向量作为支持向量机的输入样本，输入与输出的关系由支持向量机来完成，并构造21个二值分类器，由径向基核函数支持向量机，由支持向量机来实现流型的识别，水平管内气液两相流流型有泡状流、塞状流、弹状流、层状流、波状流、环状流和雾状流等7种，采用“一对一”的策略，构造21个二值分类器，支持向量机的输出是一个7维向量，每一个分量表示样本是否对应该流型，训练好的支持向量机可实现对流型的识别。用210个(7种流型各30个样本)对支持向量机进行训练，通过比较，确定核函数为径向基核函数，即K(x，y)＝e^{-‖x-y‖2/2σ2}，式中σ取1，惩罚因子C＝100，训练精度为10^-4。在CPU为Pentium D CPU 2.80GHz和512MB内存的计算机上，支持向量机的训练耗时间为0.226s，每幅图像的判别时间大约为0.5s，其中，图像的预处理为0.274s，将维后的图像特征提取为0.225s，支持向量机的分类为0.001s。正确识别样本数为140，整体识别率达到100％，取得了较好的分类效果。如果提高计算机的性能，可进一步降低支持向量机的训练时间和流型图像的判别时间，以适合流型在线识别的要求。流型识别结果如表3所示。

表3BP神经网络与支持向量机的分类性能比较

分类模型	初始特征向量		约简后的特征向量
					训练时间(s)	识别率(％)	训练时间(s)	识别率(％)
	BP神经网络支持向量机	7.5310.288	97.999.3	0.3940.226					98.6100

从表3可以看出，运用粗糙集理论对输入特征参数进行约简，不仅提高了支持向量机的分类性能，而且减低了训练时间(BP神经网络更加明显)，取得了满意的识别效果。同时与BP神经网络相比较，支持向量机在训练时间和泛化能力方面有明显优势。

基于数字图像处理技术的气液两相流流型识别方法实现了流型的非接触测量，不会干扰生产设备的正常运行，即使在高速气液两相流中，只需将有机玻璃管换做一段能承受高压的透明管段，可以采用蓝宝石、石英玻璃或硼化玻璃等特殊材料，并通过调节拍摄频率也可得到较为清晰的流型图像，有较好的应用前景。

如图2所示，基于数字图像处理技术的气液两相流流型图像信号采集装置，具有两相流水平管路2，6400k色温的三基色荧光灯4，为了使光线分布均匀，两相流水平管路2位于流动图像的后侧为一段有机玻璃管，在有机玻璃管上蒙上两层绘图用的硫酸纸3，高速摄影机1与计算机5连接，实现流型图像的实时采集。高速摄影机1、计算机5和三基色荧光灯4均为市售产品。

如图3所示，描述了基于数字图像处理技术的气液两相流流型信号采集装置的软件程序框图。软件程序依据自动检测技术及计算机数据处理技术编制，为本领域技术人员所熟悉的技术。程序首先进行硬件的初始化，检查硬件的驱动是否正常，硬件是否都连接，如果成功则进行下面的操作，如果不成功则需进行检查。若硬件设备初始化成功，则进行软件的参数设置，包括拍摄频率、图像大小等。按要求设置好这些参数后，就可进行图像采集，采集后的图像信号先经过预处理，去除其中所含的噪声，进而特征提取和分类，实现气液两相流流型的在线识别。

Claims (6)

1.一种基于数字图像处理技术的气液两相流流型识别方法，其特征是它包括下述步骤：

1)流型图像信号采集，是对不同工况下气液两相流型的图像信号进行采集；

2)流型图像信号去噪预处理，是对采集到的流型图像信号进行去除噪声预处理；

3)流型图像信号特征提取，是对去除噪声后的流型图像信号进行形状和纹理分析，分别提取图像的不变矩和灰度共生矩阵特征组成流型特征向量；

4)流形图像特征融合，是运用粗糙集理论对流型图像的不变矩和灰度共生矩阵特征进行融合，降低特征向量维数；

5)流型图像识别，是将融合后的特征向量作为支持向量机的输入样本，输入与输出的关系由支持向量机来完成，并构造2 1个二值分类器，由径向基核函数支持向量机，由支持向量机来实现流型的识别。

2.根据权利要求1所述的基于数字图像处理技术的气液两相流流型识别方法，其特征是：所述步骤1是在一个由水平管路、高速摄影机与由计算机组成的基于数字图像处理技术的气液两相流流型信号采集装置中，通过采集水平管路上流型图像信号，分别固定和改变液相和气相流量，得到不同的气液流量下的泡状流、塞状流、弹状流、层状流、波状流、环状流和雾状流等7种典型流型，对7种典型流型图像进行采集。

3.根据权利要求1所述的基于数字图像处理技术的气液两相流流型识别方法，其特征是：所述步骤2是利用中值滤波和灰度拉伸对流型图像进行去除噪声预处理。

4.根据权利要求1所述的基于数字图像处理技术的气液两相流流型识别方法，其特征是：所述的步骤3中的流型特征向量提取是利用图像处理技术分别提取图像7维不变矩特征向量，记为(φ₁，φ₂，φ₃，φ₄，φ₅，φ₆，φ₇)；图像11维灰度共生矩阵特征向量，记为(f₁，f₂，…，f₁₁)。

5.根据权利要求1所述的基于数字图像处理技术的气液两相流流型识别方法，其特征是：所述步骤4中的流型特征向量融合是利用图像处理技术分别提取图像7维不变矩特征向量和11维灰度共生矩阵特征向量，运用粗糙集理论剔除冗余信息，发现关键特征，并采用属性约简算法对有图像不变矩和灰度共生矩阵特征向量组成的流型识别特征向量进行约简。

6.根据权利要求1所述的基于数字图像处理技术的气液两相流流型识别方法，其特征是：所述步骤5是将水平管内气液两相流的泡状流、塞状流、弹状流、层状流、波状流、环状流和雾状流等7种流型，采用“一对一”的策略，构造21个二值分类器，支持向量机的输出是一个7维向量，每一个分量表示样本是否对应该流型，训练好的支持向量机可实现对流型的识别。

Images