CN103472063B - 一种基于图像处理的发动机润滑油清净分散性测定方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的发动机润滑油清净分散性测定方法，具体包括以下步骤：将发动机油样滴一滴在滤纸上得到油斑；用照相机采集油斑的RGB彩色图像f输入计算机；将油斑图像去噪，得到去噪后的RGB彩色图像；将其转换至HSI颜色模型；对HSI颜色模型的S分量图像分割得到饱和度分割图MS；提取饱和度差异图CS；计算饱和度差异图CS的像素数NS；对HSI颜色模型的I分量图像分割得到油斑的密度分割图MI；提取密度差异图CI；计算密度差异图CI的像素数NI；计算油品的清净分散性系数K：本发明依据沉淀区、扩散区和油环区对亮度的具有不同透射率的特性，自动检测扩散区和油环区，从而测定清净分散性的原理。该方法计算简单、精度高，适合在实时的系统中采用。

Description

一种基于图像处理的发动机润滑油清净分散性测定方法

技术领域

本发明涉及一种润滑油的清净分散性测定方法，特别是一种基于图像处理的发动机润滑油清净分散性测定方法。

背景技术

发动机是汽车的心脏，汽车运转过程中发动机内有许多相互摩擦运动的金属表面，这些部件运动速度快、工作环境差。发动机润滑油，被誉为汽车的“血液”，对发动机起到润滑、清洁、冷却、密封、减磨等作用，可降低发动机零件的磨损，延长其使用寿命。随着发动机工作时间的延续，润滑油在高温下的氧化、机械零件的磨损产物、使用过程中的燃油和水分的混入其中，这些原因都将使润滑油受到污染，导致油品下降，甚至丧失润滑油的效能。对润滑油进行实时监测，一方面发现润滑油质量的变化，做到按需要更换润滑油，降低运行成本；另一方面可提前预知机器技术状态，进而及时发现机器的故障征兆及预报设备可能发生的故障，有针对性地进行维护和修理。

目前，发动机润滑油的监测最常用的方法主要是通过油滴斑点试验，具体操作为：首先，用金属或玻璃棒把从发动机内取出的油样滴一滴在滤纸上，静置3个小时以上，滤纸上便形成颜色不同的晕环似的斑痕，斑痕的图像因滤纸、润滑油质量及污染物不同而不同，一般都显示三个或更多的晕环：沉积环、扩散环和油环。其次，手工勾勒出扩散环和油环，并用人工直尺法测量扩散环和油环的直径。再次，重复测量多组扩散环和油环的直径数据，计算每组扩散环和油环直径的比值(扩散环和油环直径的之比为清净分散性系数)，并取平均值作为该润滑油的清净分散性系数，清净分散性系数值越大，表明润滑油分散性越好，反之亦反。

传统的人工直尺法存在以下问题：一是测量过程费时、费力，为了提高精度常常需要进行多次测量；二是测量精度不高。由于实际中无论是扩散环还是油环，都不是标准圆形，而且两环质心一般不重合，这样测得的扩散环和油环直径的就容易存在误差，造成测量精度不高，即使是多次测量也无法保证测量的精度。

综上，研究一种快速、准确地测定发动机润滑油清净分散性的方法，对于快速、准确判定润滑油的质量尤为重要。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种基于图像处理的发动机润滑油清净分散性测定方法，该方法依据沉淀区、扩散区和油环区对亮度的具有不同透射率的特性，自动检测扩散区和油环区，从而测定清净分散性的原理。本发明的计算简单、精度高，且运行时间短，适合在实时的系统中采用。

为了达到上述目的，本发明采用如下的技术方案予以解决：

一种基于图像处理的发动机润滑油清净分散性测定方法，具体包括以下步骤：

步骤1：将发动机油样滴一滴在滤纸上，得到油斑；

步骤2：用照相机采集油斑的RGB彩色图像f，并将得到的RGB彩色图像f输入计算机，RGB彩色图像f的大小为M×N；(R(x,y),G(x,y),B(x,y))分别表示像素(x,y)的R分量值、G分量值和B分量值，1≤x≤M，1≤y≤N，x和y均为整数；

步骤3：将油斑图像去噪，得到去噪后的RGB彩色图像；

步骤4：将去噪后的RGB彩色图像转换至HSI颜色模型；

步骤5：对HSI颜色模型的S分量进行图像分割，得到油斑的饱和度分割图MS；

步骤6：提取饱和度差异图CS；

步骤7：计算饱和度差异图CS的像素数NS；

步骤8：对HSI颜色模型的I分量图像分割，得到油斑的密度分割图MI；

步骤9：提取密度差异图CI；

步骤10：计算密度差异图CI的像素数NI；

步骤11：利用式8计算油品的清净分散性系数K：

$K=\sqrt{\frac{\mathrm{NS}}{\mathrm{NI}}}$    (式8)。

进一步的，所述步骤3中对油斑图像去噪采用中值滤波法。

进一步的，所述步骤4中所使用的转换公式如下：

$I(x,y)=\frac{1}{3}(R(x,y)+G(x,y)+B(x,y))$    (式1)

$S(x,y)=1-\frac{3}{(R(x,y)+G(x,y)+B(x,y))}\left[\min (R(x,y),G(x,y),B(x,y))\right]$    (式2) $H(x,y)=\arccos \left\{\frac{[(R(x,y)-G(x,y))+(R(x,y)-B(x,y))]/2}{{[{(R(x,y)-G(x,y))}^2+(R(x,y)-B(x,y))(G(x,y)-B(x,y))]}^{1/2}}\right\}$    (式3)

其中，R(x,y)、G(x,y)和B(x,y)分别表示像素(x,y)的红色分量值、绿色分量值和蓝色分量值；H(x,y)、S(x,y)和I(x,y)分别表示像素(x,y)的色调分量值，饱和度分量值和密度分量值。

进一步的，所述步骤5对HSI颜色模型的S分量进行图像分割的公式如下：

   (式4)

其中，MS表示油斑的饱和度分割图；MS(x,y)表示像素(x,y)的饱和度分割值；S(x,y)表示像素(x,y)的饱和度分量值；T₁为饱和度分割阈值，对于0-255级的图像，T₁取30-50；

进一步的，所述步骤6具体包括如下步骤：

首先，采用8-连通标记油斑的饱和度分割图MS中MS(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，将像素数最多的连通区域作为饱和度差异图CS。

进一步的，所述步骤7计算饱和度差异图CS的像素数NS包括如下步骤：

从首行开始，从左到右扫描饱和度差异图CS中的所有行，记第x行中CS(x,y)＝1的像素的最左列和最右列的列坐标值分别为S_xl和S_xr，则饱和度差异图CS的像素数NS为：

$\mathrm{NS}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(S_{\mathrm{xr}}-S_{\mathrm{xl}}+1)$    (式5)。

进一步的，所述步骤8对HSI颜色模型的I分量图像分割的公式如下：

   (式6)

其中，MI表示油斑的密度分割图；MI(x,y)表示像素(x,y)的密度分割值；T₂为密度分割阈值，对于0-255级的图像，T₂取160-180；

进一步的，所述步骤9提取密度差异图CI的操作步骤如下：

首先，采用8-连通标记油斑的密度分割图MI中MI(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，将像素数最多的连通区域作为密度差异图CI。

进一步的，所述步骤10计算密度差异图CI的像素数NI包括如下步骤：

从首行开始，从左到右扫描图CI中的所有行，记第x行中CI(x,y)＝1的像素的最左和最右列的列坐标值分别为I_xl和I_xr，则密度差异图CI的像素数NI为：

$\mathrm{NI}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(I_{\mathrm{xr}}-I_{\mathrm{xl}}+1)$    (式7)。

与常用的人工直尺法判定油斑的清净分散性方法相比，本发明的方法优点如下：

(1)能快速测定出机油的精品分散性。以某油斑图样测定六次为例，从人工勾勒扩散环和油环外轮廓——列表格——记录数据——计算，大致需要12分钟，而本技术方案减少了人工勾勒扩散环和油环外轮廓等繁琐步骤，其清净分散性系数由本发明的方法直接处理得到，运行时间为0.34s，速度得到了极大提高。

(2)测量精度高。直尺的最小刻度为1mm，以实施例中计算机采集的图像大小328×364为例，1个像素点测量精度为0.15mm，比直尺的最小1mm提高了近10倍多，大大减少了误差。

(3)能够作为资料长久保存。实际中常常需要保存油斑试验结果，但随着时间的增长，油品容易氧化、挥发，油斑试验结果经过1-2个月的保存后通常只能丢弃。本发明中油斑图像能够长期保存。

(4)可用于发动机润滑油的研制工作中。近年来科研院校均大力开展发动机润滑油的研制工作，该方法也可用于测定研制机油的清净分散性。

附图说明

图1是本发明的方法的流程图。

图2是本发明的实施例中照相机采集的RGB颜色模型的油斑图像。

图3是本发明的实施例的步骤4得到的HSI颜色模型的S分量图。

图4是本发明的实施例的步骤4得到的HSI颜色模型的I分量图。

图5是本发明的实施例的步骤5得到的饱和度分割图MS。

图6是本发明的实施例的步骤6得到的饱和度差异图CS。

图7是本发明的实施例的步骤8得到的密度分割图MI

图8是本发明的实施例的步骤9得到的密度差异图CI。

以下结合附图说明和具体实施方式对本发明作进一步的详细说明。

具体实施方式

如图1所示，本发明的基于图像处理的发动机润滑油清净分散性测定方法，具体包括以下步骤：

步骤1：将发动机油样滴一滴在滤纸上，静置2-3小时得到油斑。

步骤2：将滤纸置于普通LED灯上方5-15cm处，尽量使LED光源中心、滤纸中心和摄像机镜头中心处于一条直线上，用照相机采集油斑的RGB彩色图像f，并将得到的RGB彩色图像f输入计算机，RGB彩色图像f的大小为M×N；(R(x,y),G(x,y),B(x,y))分别表示像素(x,y)的R分量值、G分量值和B分量值，1≤x≤M，1≤y≤N，x和y均为整数。

步骤3：油斑图像去噪。实际中采集到的RGB彩色图像往往存在噪声，它会对后续的处理有一定的影响，故需要对其进行去噪操作，采用工业上常用的中值滤波法去噪即可，得到去噪后的RGB彩色图像。

步骤4：将去噪后的RGB彩色图像转换至HSI颜色模型。HSI颜色模型中有H分量、S分量和I分量，其中H分量表示色调，S分量表示饱和度和I分量表示密度。转换公式如下：

$I(x,y)=\frac{1}{3}(R(x,y)+G(x,y)+B(x,y))$    (式1)

$S(x,y)=1-\frac{3}{(R(x,y)+G(x,y)+B(x,y))}\left[\min (R(x,y),G(x,y),B(x,y))\right]$    (式2) $H(x,y)=\arccos \left\{\frac{[(R(x,y)-G(x,y))+(R(x,y)-B(x,y))]/2}{{[{(R(x,y)-G(x,y))}^2+(R(x,y)-B(x,y))(G(x,y)-B(x,y))]}^{1/2}}\right\}$    (式3)

其中，R(x,y)、G(x,y)和B(x,y)分别表示像素(x,y)的红色(R，Red)分量值、绿色(G，Green)分量值和蓝色(B，Blue)分量值；H(x,y)、S(x,y)和I(x,y)分别表示像素(x,y)的色调(H，Hue)分量值，饱和度(S，Saturation)分量值和密度(I，Intensity)分量值。

步骤5：利用式4对HSI颜色模型的S分量进行图像分割，得到油斑的饱和度分割图MS。由于油斑图像的HSI颜色模型中的H分量差异不明显，因而以下仅对S分量和I分量进行分析处理。

   (式4)

其中，MS表示油斑的饱和度分割图；MS(x,y)表示像素(x,y)的饱和度分割值；S(x,y)表示像素(x,y)的饱和度分量值；T₁为饱和度分割阈值，对于0-255级的图像，T₁取30-50。

步骤6：提取饱和度差异图CS。步骤5得到的油斑的饱和度分割图MS还存在噪声，因而需要对其进行去零星操作得到饱和度差异图CS，操作步骤如下：首先，采用8-连通标记油斑的饱和度分割图MS中MS(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，将像素数最多的连通区域作为饱和度差异图CS。

步骤7：计算饱和度差异图CS的像素数NS。具体操作为：从首行开始，从左到右扫描饱和度差异图CS中的所有行，记第x行中CS(x,y)＝1的像素的最左列和最右列的列坐标值(即列号)分别为S_xl和S_xr，则饱和度差异图CS的像素数NS为：

$\mathrm{NS}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(S_{\mathrm{xr}}-S_{\mathrm{xl}}+1)$    (式5)

步骤8：利用式6对HSI颜色模型的I分量图像分割，得到油斑的密度分割图MI。

   (式6)

其中，MI表示油斑的密度分割图；MI(x,y)表示像素(x,y)的密度分割值；T₂为密度分割阈值，对于0-255级的图像，T₂通常取160-180为宜。

步骤9：提取密度差异图CI。步骤8得到的油斑的密度分割图MI还存在噪声，因而需要对其进行去零星操作得到密度差异图CI。操作步骤如下：首先，采用8-连通标记油斑的密度分割图MI中MI(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，将像素数最多的连通区域作为密度差异图CI。

步骤10：计算密度差异图CI的像素数NI。具体操作为：从首行开始，从左到右扫描图CI中的所有行，记第x行中CI(x,y)＝1的像素的最左和最右列的列坐标值(即列号)分别为I_xl和I_xr，则密度差异图CI的像素数NI为：

$\mathrm{NI}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(I_{\mathrm{xr}}-I_{\mathrm{xl}}+1)$    (式7)

步骤11：利用式8计算油品的清净分散性系数K：

$K=\frac{D_k}{D_y}=\sqrt{\frac{S_k}{S_y}}=\sqrt{\frac{\mathrm{NS}}{\mathrm{NI}}}$    (式8)

其中，K表示清净分散性系数；D_k和D_y分别表示扩散环和油环的直径，S_k和S_y分别表示扩散环和油环的面积；可以看出，清净分散性系数K为扩散环和油环的直径之比，等于扩散环区面积和油环区面积之比开平方根，亦等于饱和度差异图CS的像素数NS和密度差异图CI的像素数NI之比。

由本发明得到的清净分散性系数可快速准确地判定机油的品质，清净分散性系数越大，说明发动机机油品质较好；清净分散性系数越小，则说明发动机机油的品质低劣。

实施例1：

以下是发明人给出的优选的实施例，需要说明的是，以下实施例仅仅是本发明技术方案实施的一种优选的方式，本发明的保护范围不仅仅局限于该实施例。

参照图1，本发明的发动机机油清净分散性的测定方法，具体包括以下步骤：

步骤S1：用金属或玻璃棒把刚从发动机内取出的油样滴一滴在滤纸上。滤纸采用的为直径9cm的双圈牌中速定量滤纸。

步骤S2：静置3个小时后，将滤纸置于普通LED灯上方10cm处，尽量使LED光源中心、滤纸中心和摄像机镜头中心处于一条直线上，用照相机采集油斑的RGB彩色图像。

步骤S3：将油斑的RGB彩色图像输入计算机，油斑的RGB彩色图像f大小为328×364，即M＝328，N＝364。

步骤S4：油斑图像去噪。为减少图像噪声对后续处理的影响，采用中值滤波去除噪声，得到去噪后的RGB彩色图像。

步骤S5：将去噪后的RGB彩色图像转换至HSI颜色模型。转换公式如下：

$I(x,y)=\frac{1}{3}(R(x,y)+G(x,y)+B(x,y))$    (式1)

$S(x,y)=1-\frac{3}{(R(x,y)+G(x,y)+B(x,y))}\left[\min (R(x,y),G(x,y),B(x,y))\right]$    (式2)

$H(x,y)=\arccos \left\{\frac{[(R(x,y)-G(x,y))+(R(x,y)-B(x,y))]/2}{{[{(R(x,y)-G(x,y))}^2+(R(x,y)-B(x,y))(G(x,y)-B(x,y))]}^{1/2}}\right\}$    (式3)

其中：R(x,y)、G(x,y)和B(x,y)分别为像素(x,y)的红色(R，Red)分量、绿色(G，Green)分量和蓝色(B，Blue)分量；H(x,y)、S(x,y)和I(x,y)分别表示色调(H，Hue)分量，饱和度(S，Saturation)分量和密度(I，Intensity)分量。

步骤S6：利用式4对HSI颜色模型的S分量图像分割，得到油斑的饱和度分割图MS。

   (式4)

其中，MS表示油斑的饱和度分割图；MS(x,y)表示像素(x,y)的饱和度分割值；T₁取30。

步骤S7：提取饱和度差异图CS。操作步骤为：首先，采用8-连通标记MS中MS(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，提取像素数最多的连通区域，作为密度差异图CS。

步骤S8：计算饱和度差异图CS的像素数NS。具体操作为：从首行开始，从左到右扫描标记饱和度差异图CS中的所有行，记第x行中CS(x,y)＝1的像素的最左列和最右列的列坐标值为S_xl和S_xr，则饱和度差异图CS的像素数NS为：

$\mathrm{NS}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(S_{\mathrm{xr}}-S_{\mathrm{xl}}+1)$    (式5)

步骤S9：利用式6对HSI颜色模型的I分量图像分割，得到油斑的密度分割图。

   (式6)

其中，MI表示油斑的密度分割图；MI(x,y)表示像素(x,y)的密度分割值；T₂取165。

步骤S10：提取密度差异图CI。操作步骤为：首先，采用8-连通标记MI中MI(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，提取像素数最多的连通区域，作为密度差异图CI。

步骤S11：计算密度差异图CI的像素数NI。具体操作为：从首行开始，从左到右扫描标记图CI中的所有行，记第x行中CI(x,y)＝1的像素的最左和最右列的列坐标值(即列号)分别为I_xl和I_xr，则密度差异图CI的像素数NI为：

$\mathrm{NI}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(I_{\mathrm{xr}}-I_{\mathrm{xl}}+1)$    (式7)

步骤S12：利用式8计算清净分散性系数K：

$K=\frac{D_k}{D_y}=\frac{S_k}{S_y}=\sqrt{\frac{\mathrm{NS}}{\mathrm{NI}}}$    (式8)

其中，K表示清净分散性系数，D_k和D_y分别表示扩散环和油环的直径，S_k和S_y分别表示扩散环和油环的面积。

为了说明本发明的效果，发明人从运行时间和测定精度两方面，将本发明的实施例1和传统的人工直尺法作对比，表1为两个方法的测定结果，对比如下：

(1)运行时间。以每个油斑图样测定六次为例，从勾勒扩散环和油环外轮廓——列表格——记录数据——计算，普通人工直尺测量法大致需要大约为12分钟，当然人工测定时间会随着实验测定组数的增加而增加。本发明在Intel cpu2.4GHz，1GB的内存的计算机中，利用matlab软件进行仿真，对采集到的328×364的油斑图像进行清净分散性测定，所用的时间为0.34S，速度得到了极大的提高。

(2)测定精度。一方面，人工测定法所用的直尺的最小刻度为1mm，以计算机采集的图像大小328×364为例，1个像素点测量精度为0.15mm，比直尺的最小1mm提高了近10倍。另一方面人工直尺法、本技术方案和标准清净分散性系数值进行了定量比较。人工直尺法和本发明测定的清净分散系数分别为0.75和0.7597，和标准的清净分散性系数值0.7585相比，本发明的方法测定精度更高。

表1 人工直尺法与本发明的方法测定的两个油斑的数据

Claims (9)

1.一种基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，具体包括以下步骤：

步骤1：将发动机油样滴一滴在滤纸上，得到油斑；

步骤2：用照相机采集油斑的RGB彩色图像f，并将得到的RGB彩色图像f输入计算机，RGB彩色图像f的大小为M×N；(R(x,y),G(x,y),B(x,y))分别表示像素(x,y)的R分量值、G分量值和B分量值，1≤x≤M，1≤y≤N，x和y均为整数；

步骤3：将油斑图像去噪，得到去噪后的RGB彩色图像；

步骤4：将去噪后的RGB彩色图像转换至HSI颜色模型；

步骤5：对HSI颜色模型的S分量进行图像分割，得到油斑的饱和度分割图MS；

步骤6：提取饱和度差异图CS；

步骤7：计算饱和度差异图CS的像素数NS；

步骤8：对HSI颜色模型的I分量图像分割，得到油斑的密度分割图MI；

步骤9：提取密度差异图CI；

步骤10：计算密度差异图CI的像素数NI；

步骤11：利用式8计算油品的清净分散性系数K：

$K=\sqrt{\frac{\mathrm{NS}}{\mathrm{NI}}}$   式8。

2.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤3中对油斑图像去噪采用中值滤波法。

3.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤4中所使用的转换公式如下：

$I(x,y)=\frac{1}{3}(R(x,y)+G(x,y)+B(x,y))$   式1

$S(x,y)=1-\frac{3}{(R(x,y)+G(x,y)+B(x,y))}\left[\min (R(x,y),G(x,y),B(x,y))\right]$   式2

$H(x,y)=\arccos \left\{\frac{[(R(x,y)-G(x,y))+(R(x,y)-B(x,y))]/2}{{[(R(x,y)-G(x,y){)}^2+(R(x,y)-B(x,y))(G(x,y)-B(x,y))]}^{1/2}}\right\}$   式3

其中，R(x,y)、G(x,y)和B(x,y)分别表示像素(x,y)的红色分量值、绿色分量值和蓝色分量值；H(x,y)、S(x,y)和I(x,y)分别表示像素(x,y)的色调分量值，饱和度分量值和密度分量值。

4.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤5对HSI颜色模型的S分量进行图像分割的公式如下：

其中，MS表示油斑的饱和度分割图；MS(x,y)表示像素(x,y)的饱和度分割值；S(x,y)表示像素(x,y)的饱和度分量值；T₁为饱和度分割阈值，对于0-255级的图像，T₁取30-50。

5.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤6具体包括如下步骤：

首先，采用8-连通标记油斑的饱和度分割图MS中MS(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，将像素数最多的连通区域作为饱和度差异图CS。

6.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤7计算饱和度差异图CS的像素数NS包括如下步骤：

从首行开始，从左到右扫描饱和度差异图CS中的所有行，记第x行中CS(x,y)＝1的像素的最左列和最右列的列坐标值分别为S_xl和S_xr，则饱和度差异图CS的像素数NS为：

$\mathrm{NS}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(S_{\mathrm{xr}}-S_{\mathrm{xl}}+1)$   式5。

7.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤8对HSI颜色模型的I分量图像分割的公式如下：

其中，MI表示油斑的密度分割图；MI(x,y)表示像素(x,y)的密度分割值；T₂为密度分割阈值，对于0-255级的图像，T₂取160-180。

8.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤9提取密度差异图CI的操作步骤如下：

首先，采用8-连通标记油斑的密度分割图MI中MI(x,y)＝1的连通区域；其次，统计各连通区域的像素数；最后，将像素数最多的连通区域作为密度差异图CI。

9.如权利要求1所述的基于图像处理的发动机润滑油清净分散性测定方法，其特征在于，所述步骤10计算密度差异图CI的像素数NI包括如下步骤：

从首行开始，从左到右扫描图CI中的所有行，记第x行中CI(x,y)＝1的像素的最左和最右列的列坐标值分别为I_xl和I_xr，则密度差异图CI的像素数NI为：

$\mathrm{NI}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}(I_{\mathrm{xr}}-I_{\mathrm{xl}}+1)$   式7。