CN109544576A - 一种基于机器视觉的飞机模型冰形轮廓提取方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的飞机模型冰形轮廓提取方法，能实现对结冰风洞飞机模型结冰试验中采集来的冰形轮廓进行识别，经过实验验证该方法具有较高的鲁棒性，在采集得到的一千张冰形图像上实现了冰形识别和曲线提取，并进一步得到冰形曲线的数字化结果。冰形曲线的数字化结果不仅有利于从二维层面分析结冰风洞中不同云雾条件下产生的冰形的几何特征，同时对进一步开展飞机结冰飞行、结冰防护和结冰适航取证等方面的研究具有重要的意义。

Description

一种基于机器视觉的飞机模型冰形轮廓提取方法

技术领域

本发明涉及数据处理领域，尤其是涉及一种基于机器视觉的结冰风洞飞机模型冰形轮廓提取方法。

背景技术

飞机在飞行过程中，在一定高度云层水滴会凝结，当温度在0摄氏度(0℃)及以下时，飞机表面会结冰并有可能进一步形成积冰。冰积聚在飞机的每个暴露的前表面，不仅仅是机翼，螺旋桨和挡风玻璃，还有天线，通风口，进气口和整流罩。飞机结冰增加了飞机整体质量，改变了机身的外形，并进一步影响空气的平稳流动，增加阻力，破坏机翼气动外形,对飞行具有不可估量的危害。因此，研究飞机结冰是空气动力学中的一个重要课题，而通过结冰风洞试验进行飞机结冰研究是最常见且高效的方法。结冰风洞的冰形试验需要输出冰的几何外形，由于结冰环境的特殊性以及结冰类型的复杂性，结冰冰形的测量方法一直是开展结冰风洞试验研究的关键技术之一。

目前，结冰风洞试验的冰形测量主要采用描迹法，该方法在实际应用中，由于操作复杂，人为参与度较高，使得测量结果受到较多干扰，精度较低。此外，在非接触式方法中，文献采用了非接触式的图像分割方法对并行进行了分割提取，取得了较好的效果。由于该方法先对冰形进行分割，然后对冰形标定后与翼型数模拟合之后得到最终的结冰冰形。该种方法虽然可以实现冰形测量，但是冰形与翼型分别提取再进行结合会产生一定误差；并且不适用于大型结冰风洞模型结冰试验。此外，文中也并未就标定具体方法进行阐述，对标定过程产生的误差未进行进一步分析。

发明内容

本发明的目的是提供一种基于机器视觉的飞机模型冰形轮廓提取方法，该方法是从像素级对冰形和翼型曲线进行识别，提高了识别精度，避免了因过多的中间环节和人为主观干扰因素。

为了实现上述目的，本发明采用如下技术方案：

一种基于机器视觉的飞机模型冰形轮廓提取方法，包括以下步骤：

步骤一：冰形图像提取

a)利用摄像设备对试验结束后的冰形正面、侧面及待测剖面位置细节进行取照，记录结冰外形特征；

b)在模型周围安装冰形测量支架，同时利用的加热的热刀沿三个待测剖面位置的导向滑槽切开模型表面的冰；

c)取出热刀，将贴有方格纸的有机玻璃卡板卡于测量剖面位置,用尖头勾线笔沿冰形外轮廓手工绘制冰形的轨迹线；

d)利用扫描仪扫描已绘制冰形迹线的方格纸获取试验结果冰形轮廓图像；

步骤二：冰形图像数值化提取

冰形轮廓图像采集完成后通过旋转矫正方法对图像进行预处理，使得冰形轮廓图像具有几何一致性；

在冰形轮廓图像基础上进行阈值分割和曲线跟踪提取，先对冰形轮廓曲线分割图像进行闭运算，通过膨胀填充曲线中的断点，运用灰度概率差分法保留低层灰度信息得到冰形曲线的分割结果，得到具有清晰轮廓的翼型曲线图和冰形曲线图。

在上述技术方案中，冰形轮廓图像的阈值分割法，该方法采用一个相对的类间差函数：

ρ＝ω₁|μ-μ₁|+ω₂|μ-μ₂|

其中：假设图像中存在最有的灰度分割阈值T，则根据该阈值可将图像分为B₁，B₂两部分,用ω₁表示B₁中所有像素点占图像总像素点的比率，ω₂表示B₂中像素点占图像总像素点的比率,μ₁表示B₁中像素的平均灰度值，μ₂表示B₂中像素的平均灰度，μ表示图像整体的平均灰度,ρ表示B₁，B₂两部分之间的类间差，其实质为度量由阈值T分割得到的两部分之间的一范数,当ρ最大时，得到的阈值T为最优分割阈值。

在上述技术方案中，灰度概率差分法首先对原始图像进行低亮区域的灰度粗分割，得到的处理结果包含较多的噪声信息，然后进一步计算各通道像素点占预处理图像的比例、各通道灰度均值和图像总灰度均值，利用如下类间差方程获取低亮区域的精分阈值，

ρ_i(k)＝ω_r|μ-μ_r|+ω_g|μ-μ_g|+ω_b|μ-μ_b|

其中：ω_r、ω_g和ω_b分别表示图像中红、绿、蓝三个通道各自级灰度值占图像总灰度的比率，μ_r、μ_g和μ_b分别表示红、绿蓝三个通道第k级的灰度值，μ为图像总的灰度均值。通过求解最大的类间差函数得到各通道的最优阈值T_i。

在上述技术方案中，阈值分割得到的翼型分割图像，翼型区域和其他区域有明显的界限，从翼型图像的左上角开始从上到下进行行扫描，先对第i行的前n列像素点的灰度值进行累加，当前n个像素点灰度之和小于一定阈值时，列标加一并继续累加该行前n+1列像素点灰度值和，如此迭代，直到该行前N列像素点灰度和大于阀值，标记该像素点为翼型曲线上的点，列标为N-1，保存该点坐标为(i，N-1)，然后行标加一进入下一行，继续进行翼型曲线提取，如此迭代，直到扫描完成所有行，完成翼型曲线扫描且得到曲线在冰形图像中的位置信息，其中i、n、N均为自然数。

在上述技术方案中，冰形图像经过灰度阈值分割处理后，得到了清晰的冰形曲线图像，冰形的曲线的数字化提取包括两个阶段，确定冰形曲线的起止点，然后根据阈值分割得到的图像提取冰形曲线的数值化结果。

在上述技术方案中，确定冰形曲线的起止点包括：图像只有冰形曲线上的两个像素点，通过行扫描计算一个区域内的的灰度之和来判别冰形曲线上的这一点是否为冰形曲线上的点，如果该区域内像素之和大于一定的阈值，那么该点既在翼型曲线上又在冰形曲线上，冰形图像上的冰形曲线和翼型曲线有多个交点。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明在冰形曲线上通过随机密集采样，并对各行相对应的冰形坐标点进行比较，原始冰形图像上手动测量得到的坐标，为采用本文算法测量得到的该行冰形曲线的坐标，采用该方法可以更加准确地衡量算法的测量精度；

在一千张冰形图像中随机挑选五十张图片，并在剩余的图像中精心挑选五十张特征丰富、尺度多样的样本，从而得到一个一百张冰形图像的测试数据集，在该数据集上进行检测结果评估，其中每张图像上离散提取一千个采样点进行评估。评估结果表明，检测误差在3-5之间样本占到78％，误差在5-8之间的样本占比为16％，误差为8-15的比重为6％。在100张测试样本上进行误差平均分析，得到平均误差为4.21。通过验证表明，采用本文算法可以精确且快速方便的得到冰形轮廓信息，从而进一步对冰形进行准确的几何分析。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1、图3是翼型图像；

图2、图4是冰形图像；

图5是冰形曲线提取结果。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

飞机结冰试验环境为3m×2m的结冰风洞，基本试验流程包括四部分：模型安装、喷雾结冰、“热刀”切割冰形以及绘制冰形轨迹。结冰试验结果的冰形迹线由冰形测量装置获得并由参试人员手工绘制完成。冰形测量装置主要由“热刀”、有机玻璃卡板、支架和方格纸等组成。“热刀”主要用于冰形的切割，其内轮廓与模型剖面外轮廓相同，并且能够包络翼型前缘至最大厚度区域。“热刀”由3mm厚的紫铜板和把手构成，把手为绝热材料，可防止试验人员操作“热刀”切割冰形时被烫伤。卡板由厚度为3mm的有机玻璃制成，其内轮廓与模型剖面外轮廓相同，主要用途是在待测剖面上承托方格纸以完成冰形的手工绘制。支架的主要用途是在冰形切割和测量时承托“热刀”及卡板，主要由支架足、支架柱、导向滑槽架等组成，在支架的足部设计有磁力座，通过改变磁力座的位置和方向，可实现支架的准确定位。支架的主要构成为方钢管，在保证较高刚度的同时使支架的重量较轻，并能够保持良好的水平度。

试验结束后，利用相机对冰形正面、侧面及待测剖面位置细节进行取照，记录结冰外形特征。

在模型周围安装冰形测量支架，同时利用乙炔加热喷枪加热“热刀”；将加热后的“热刀”沿三个待测剖面位置的导向滑槽切开模型表面的冰，同时利用速冻喷剂喷涂切割位置，避免“热刀”对周围冰形的破坏；取出热刀，将贴有方格纸的有机玻璃卡板卡于测量剖面位置；用尖头勾线笔沿冰形外轮廓手工绘制冰形的轨迹线；利用扫描仪扫描已绘制冰形迹线的方格纸获取试验结果冰形图形文件。

完成图像预处理后，首先对图像进行灰度阈值分割，以便得到适合提取冰形和翼型曲线的二值图像。阈值分割算法通常用来对前景和背景差别较大的图像进行处理。通过对一个或几个给定阈值把图像划分成几个像素集合。单阈值分割指用一个阈值把图像像素点分成两个集合，两个集合中的像素对比度较为明显。多阈值分割是指多个阈值把图像分成若干相似的部分，每一部分的像素点具有高度相似性。冰形图像期望通过阈值分割对背景进行过滤，得到较好的前景图像，以便于曲线提取。

阈值指定法通过预先设定阈值对图像实现二值化分割。在冰形图像处理中，先得到图像的像素直方图，然后通过实验确定最佳阈值分割比α，最后得到最佳阈值分割点B＝255×α。在冰形图像处理中，由于图像背景干扰造成直接提取冰形和翼型曲线的不便，需要分别对冰形图像进行处理，得到适于提取翼型曲线和冰形曲线的预处理图像。经过观察和实验分析发现翼型区域是类抛物线形的高亮区域，而冰形曲线则是黑色的曲线，这就意味着冰形曲线在进行灰度分割时，提取翼型曲线我们要保留高亮区域，而提取冰形曲线则需要保留低层弧度信息。通过分别设定相应的阈值得分割后的翼型曲线图像和冰形曲线图形，实验结果如图1、图2所示。由图1可以看出，阈值指定法可以较好的实现翼型曲线和背景的分割，但是翼型曲线内部存在少量噪声半点，且翼型曲线附近黑白像素点交错重叠，很难得到较为理想的翼型曲线。图2为分割得到翼型曲线图像，分割得到的白色冰形曲线较为清晰，但是分割得到的图像同样存在较多的离散噪声，不利于后期曲线提取。

自适应阈值分割法是基于前景和背景特征像素方差进行像素分割的方法，当图像中像素的最大值是H，N_i表示像素值为i的像素点个数，则图像在该灰度值下概率如下式所示。

假设阈值为T，则根据阈值可将图像分为B₁，B₂两部分。用ω₁表示B₁像素点占图像总像素点的比率，ω₂表示B₂像素点占图像总像素点的比例。μ₁表示B₁中像素的平均灰度值，μ₂表示B₂像素的平均灰度值，μ表示图像的总灰度值。两类间方差记为σ₂(k)，则自适应阈值分割法的计算公如下所示。

ω₂＝1-ω₁

σ²(k)＝ω₁ω₂(μ₁-μ₂)²

根据大津法算法，当方差最大时，得到最佳分割阈值T，其式子如下所示：

σ²(T)＝max(σ²(k))

采用大津法对冰形图像进行灰度分割后得到的阈值分割结果如图3、图4所示。通过分析结果可以知，灰度分割得到的翼型图像中翼型曲线内部同样存在少量白色噪声，而且翼型边界较为模糊，不易得到较为精确的翼型曲线。而以冰形曲线为目标的分割结果中离散的白色噪声点虽然相对阈值指定法处理得到的图像中噪声较少，但是依然有明显的噪声存在。

通过对阈值指定法和自适应阈值分割法的实验和研究，发现这两种算法在冰形图像处理中具有一定的有效性，但是也存在较为明显的缺陷。在翼型曲线为分割目标的处理中，这两种算法得到的结果在翼型边界处黑白像素点交错分别，不能分割得到明显的翼型边界曲线。在以冰形曲线为分割目标中，这两种算法得到的结果中都存在较多的白色离散噪声点，但自适应阈值分割法得到的处理结果中噪声点相对较少。进一步分析了飞机结冰图像的灰度信息后，发现冰形图像的灰度信息主要集中在高亮区域。

由于灰度信息分布较为集中，分割翼型区域和冰形图像的其他区域的灰度信息的相对差较小，本发明设计了一种变形的自适应阈值分割法，该算法与原有算法相比采用了一个相对小的类间差函数：

ρ＝ω₁|μ-μ₁|+ω₂|μ-μ₂|。

通过对冰形图像的直观观察和灰度分析，可以发现冰形图像的主要灰度信息集中在高亮区域，但冰形曲线本身与图像周围具有较大的灰度差，且灰度信息主要集中在低亮度区域。注意有别于翼型曲线的分割方法，冰形曲线提取需要保存冰形图像低层的灰度信息，为了降低阈值分割带来的噪声信息，本发明设计了一种专门用来提取低亮区域的灰度概率差分法，该算法的基本思想是首先对原始图像进行低亮区域的灰度粗分割，得到的处理结果包含较多的噪声信息，然后进一步计算各通道像素点占预处理图像的比例、各通道灰度均值和图像总灰度均值，其中各通道像素占比分别用ω_r，ω_g和ω_b表示，灰度均值分别为μ_r，μ_g，μ_b和μ表示。可以得到类间差方程如下所示：

ρ_i(k)＝ω_r|μ-μ_r|+ω_g|μ-μ_g|+ω_b|μ-μ_b|

当ρ_i(k获得最大值时，我们得到低亮区域的精分阈值T_i。

从阈值分割得到的翼型分割图像中可以看到该图像中黑色的翼型区域和其他区域有明显的界限。根据翼型阈值分割的图像特征，本发明设计了一种边界跟踪算法进行翼型曲线提取。该算法的基本思想是从图像的左上角开始从上到下进行行扫描，先对第i行的前n列像素点的灰度值进行累加，当前n个像素点灰度之和小于一定阈值T_l时，列标加一并继续累加该行前n+1列像素点灰度值和，如此迭代，直到该行前N列像素点灰度和大于T_l，标记该像素点为翼型曲线上的点，列标为N-1，保存该点坐标为(i，N-1)，然后行标加一进入下一行，继续进行翼型曲线提取，如此迭代，直到扫描完成所有行，完成翼型曲线扫描且得到曲线在冰形图像中的位置信息。为了提高算法的鲁棒性，降低曲线跟踪中因噪声引起的误差，本发明采用了一个L×L的模板。当对第i行第j列进行行扫描时，计算该像素点为中心的L×L区域内像素点的灰度值之和，然后判断该区域像素点之和是否大于预设阈值，若小于指定阈值，则进入到下一列继续累加得到第i行第j列为中心的模板区域像素点灰度和。如此迭代，直到第i行第k列像素点所在模板内像素点的灰度和大于阈值，则标记(i，k-1)为翼型曲线上的点，然后进入下一行继续迭代，直到完成所有的行扫描并得到翼型曲线在冰形图像中的位置和几何信息，最后在冰形图像中画出翼型曲线。

冰形图像经过灰度阈值分割处理后，得到了清晰的冰形曲线图像，为了对冰形进行进一步的几何特征分析，本发明设计了一种基于灰度特征的曲线跟踪算法，得到冰形的曲线的数字化提取结果。该算法主要包括两个阶段，首先确定冰形曲线的起止点，然后根据阈值分割得到的图像提取冰形曲线的数值化结果。

为了提高算法的效率，减少因不必要的坐标扫描造成的资源消耗，首先要在阈值分割得到的图像中冰形曲线的起止点。为此我们设计了一个灰度累计算法，由于处理得到的图像只有冰形曲线上的像素点事灰度值为1的白色两点，所以可以通过行扫描计算一个L×L区域内的的灰度之和来判别冰形曲线上的这一点是否为冰形曲线上的点，如果该区域内像素之和大于一定的阈值，那么我们认为该点既在翼型曲线上又在冰形曲线上。经过观察发现，飞机结冰具有一定的随机性和多样性，体现在冰形图像上就是冰形曲线和翼型曲线可能有多个交点。

在进行冰形曲线提取时，首先要对阈值分割后得到的冰形曲线图像进行骨架细化，以便使得冰形曲线为单一像素点构成的曲线，从而提高提取得到的冰形曲线的精度。

完成骨架细化后我们得到了单一像素点构成的冰形曲线图像，有别于翼型曲线的提取，冰形曲线往往呈现出非凸性，这就意味着仅仅使用行扫描跟踪算法不能实现冰形曲线的精确提取。为了解决这一问题，本文调用MATLAB自带函数bwtraceboundary提取得到冰形曲线，由于已经得到了骨干细化的冰形曲线图和原始的起止点，本文采用了一种起止点迭代策略。根据根据得到的冰形起止点，先从第一个点出发，若该起点横坐标为i，则在[i-k,i+k]范围内依次扫描(k∈[0，D])，当冰形曲线图像上的点(i,P_s(2)±k)处像素点大于零时，标记并更新起始坐标。然后对纵坐标进行扫描，当纵坐标为j，在[j-k,j+k]范围内依次扫描(k∈[0，D])，当冰形曲线图像上的点(P_s(1)±k，j)像素大于零时，得到左右两个坐标，根据得到的四个坐标我们可以确定冰形曲线在起止点处的的搜索范围，依次迭代所有起止点，得到每一个冰形起止点的搜索范围，其中P_s(1)和P_s(2)为冰形起始点的横纵坐标。

根据分割得到的翼型曲线分割图像和冰形曲线分割图像，分割进行曲线提取，得到冰形曲线的图像如图5所示，图中曲线是由翼型曲线分割图像提取得到翼型曲线，在于图中画出该翼型曲线，通过观察可以发现提取得到的结果可以充分体现翼型特征，由于我们采用了一个矩形掩模，降低了翼型边界噪声点对曲线提取造成的干扰，从而得到精确的翼型曲线。图中绿色曲线是从分割得到的冰形曲线图中提取的冰形曲线，观察可发现该曲线可以拟合原始图像中的冰形特征，不会丢失冰形的细节信息。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (6)

1.一种基于机器视觉的飞机模型冰形轮廓提取方法，其特征在于包括以下步骤：

步骤一：冰形图像提取

a)利用摄像设备对试验结束后的冰形正面、侧面及待测剖面位置细节进行取照，记录结冰外形特征；

b)在模型周围安装冰形测量支架，同时利用加热的热刀沿三个待测剖面位置的导向滑槽切开模型表面的冰；

c)取出热刀，将贴有方格纸的有机玻璃卡板卡于测量剖面位置,用尖头勾线笔沿冰形外轮廓手工绘制冰形的轨迹线；

d)利用扫描仪扫描已绘制冰形迹线的方格纸获取试验结果冰形轮廓图像；

步骤二：冰形图像数值化提取

冰形轮廓图像采集完成后通过旋转矫正方法对图像进行预处理，使得冰形轮廓图像具有几何一致性；

在冰形轮廓图像基础上进行阈值分割和曲线跟踪提取，在阈值分割阶段先运用灰度概率差分法得到冰形曲线的分割结果，并设计横纵坐标滤波函数去除孤立噪声点，得到更高质量的冰形曲线的分割结果，在曲线提取阶段对冰形轮廓曲线分割图像进行闭运算，通过膨胀填充曲线中的断点，得到具有清晰轮廓的翼型曲线图和冰形曲线图，并通过逐行扫描的方式实现曲线信息的提取，从而得到精确的冰形曲线。

2.根据权利要求1所述的一种基于机器视觉的飞机模型冰形轮廓提取方法，其特征在于冰形轮廓图像的阈值分割法，该方法采用一个相对的类间差函数：

ρ＝ω₁|μ-μ₁|+ω₂|μ-μ₂|

其中：假设图像中存在最有的灰度分割阈值T，则根据该阈值可将图像分为B₁，B₂两部分,用ω₁表示B₁中所有像素点占图像总像素点的比率，ω₂表示B₂中像素点占图像总像素点的比率,μ₁表示B₁中像素的平均灰度值，μ₂表示B₂中像素的平均灰度，μ表示图像整体的平均灰度,ρ表示B₁，B₂两部分之间的类间差，其实质为度量由阈值T分割得到的两部分之间的一范数,当ρ最大时，得到的阈值T为最优分割阈值。

3.根据权利要求1所述的一种基于机器视觉的飞机模型冰形轮廓提取方法，其特征在于灰度概率差分法首先对原始图像进行低亮区域的灰度粗分割，得到的处理结果包含较多的噪声信息，然后进一步计算各通道像素点占预处理图像的比例、各通道灰度均值和图像总灰度均值，利用如下类间差方程获取低亮区域的精分阈值，

ρ_i(k)＝ω_r|μ-μ_r|+ω_g|μ-μ_g|+ω_b|μ-μ_b|

其中：ω_r、ω_g和ω_b分别表示图像中红、绿、蓝三个通道各自级灰度值占图像总灰度的比率，μ_r、μ_g和μ_b分别表示红、绿蓝三个通道第k级的灰度值，μ为图像总的灰度均值。通过求解最大的类间差函数得到各通道的最优阈值T_i。

4.根据权利要求1所述的一种基于机器视觉的飞机模型冰形轮廓提取方法，其特征在于阈值分割得到的翼型分割图像，翼型区域和其他区域有明显的界限，从翼型图像的左上角开始从上到下进行行扫描，先对第i行的前n列像素点的灰度值进行累加，当前n个像素点灰度之和小于一定阈值时，列标加一并继续累加该行前n+1列像素点灰度值和，如此迭代，直到该行前N列像素点灰度和大于阀值，标记该像素点为翼型曲线上的点，列标为N-1，保存该点坐标为(i，N-1)，然后行标加一进入下一行，继续进行翼型曲线提取，如此迭代，直到扫描完成所有行，完成翼型曲线扫描且得到曲线在冰形图像中的位置信息，其中i、n、N均为自然数。

5.根据权利要求1所述的一种基于机器视觉的飞机模型冰形轮廓提取方法，其特征在于冰形图像经过灰度阈值分割处理后，得到了清晰的冰形曲线图像，冰形的曲线的数字化提取包括两个阶段，确定冰形曲线的起止点，然后根据阈值分割得到的图像提取冰形曲线的数值化结果。

6.根据权利要求5所述的一种基于机器视觉的飞机模型冰形轮廓提取方法，其特征在于确定冰形曲线的起止点包括：图像只有冰形曲线上的两个像素点，通过行扫描计算一个区域内的的灰度之和来判别冰形曲线上的这一点是否为冰形曲线上的点，如果该区域内像素之和大于阈值，那么该点既在翼型曲线上又在冰形曲线上，冰形图像上的冰形曲线和翼型曲线有多个交点。