CN109919853B - 一种基于粒子特征检索的piv图像预处理方法 - Google Patents

Abstract

本发明公开了一种基于粒子特征检索的PIV图像预处理方法，包括步骤如下：观察PIV图像，分析粒子的特征，包括：粒子边界像素点的灰度值g，粒子边界像素点的灰度值与背景噪声所在像素点的灰度值的差值Δ，粒子沿横向或纵向所占据的像素个数d，并对所述三项特征设置阈值；扫描图像的灰度矩阵，运用上述三项特征的阈值条件对图像进行阈值分割，将图像中的所有像素划分为PIV粒子和背景噪声两大类；对判定为背景或噪声的像素点进行灰度值衰减，而粒子所在的像素保持原始灰度值，得到预处理后的图像。本发明的方法从有效信息和干扰信息的特征差异入手，准确地识别出图像中的有效信息，然后针对性地处理干扰信息并保留有效信息。

Description

一种基于粒子特征检索的PIV图像预处理方法

技术领域

本发明属于流体力学试验的图像处理领域，具体涉及一种基于粒子特征检索的PIV图像预处理方法。

背景技术

在许多应用PIV试验的工程环境中，由于试验设备的复杂干扰、信息采集系统的缺陷以及其他干扰因素的存在，最终获取的PIV图像常常伴有复杂多样的噪声干扰，其与有效的粒子信息叠加后对后期的数据处理产生不良影响。这类图像需要经过一定的预处理，然后才能进行有效的流场解算。

例如，图1、图2为任意选取的两组原始的PIV粒子图像的第一帧图像，图1中白框标示出了待测区域。可见，白框内图像受到不同程度的污染，包括不规则的背景干扰，条状光斑等等，干扰信息的强度较高，致使有效的粒子信息出现模糊，甚至被覆盖的情况。若采用传统的滤波方法对受到污染的PIV图像进行预处理，虽然能有效地去除噪声，但也会损失一定程度的有效粒子信息，这对后期的处理是不利的。图3、图4分别为图1、图2经过滤波预处理后得到的图像，图中可见，滤波方法对于背景干扰的去除较为彻底，但同时也存在一些问题，比如滤波方法对强背景干扰(如图1下方横向的条纹)以及强光斑(如图2中右下角的光斑)的处理效果不佳，图2中几乎清除了条纹处的所有信息，图4右下角仍然可见较强的光斑。图5、图6分别为图1、图3经过互相关性算法解算得到的速度场情况(只解算白框内区域)，图7、图8分别为图2、图4经过互相关性算法解算得到的速度场情况，其中，白色小箭头的方向代表当地速度方向，白色小箭头的长短代表当地速度大小，明显错误的计算点已略去。对比可见，滤波预处理能够在一定程度上提升后期的解算结果，比如部分受干扰区域的解算结果得到改善，但在强光斑、强背景干扰的区域，解算出来的结果明显不符合预设流场特征，甚至有些无法解算出结果，究其原因，还是因为滤波法难以准确区分粒子与干扰噪声，也就很难同时做到保留有效信息和去除干扰信息。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于粒子特征检索的PIV图像预处理方法，以解决现有技术下对于强背景干扰的处理效果较为有限，以及在工程应用中，试验获取的很多包含噪声干扰的PIV图像无法解算出理想的结果，只能被放弃，从而导致大量的数据浪费和重复试验的问题。本发明的方法从有效信息和干扰信息的特征差异入手，能够较为准确地识别出图像中的有效信息，然后针对性地处理干扰信息并保留有效信息。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于粒子特征检索的PIV图像预处理方法，包括步骤如下：

1)观察PIV图像，分析粒子的特征，定义三项特征量，包括：粒子边界像素点的灰度值g，粒子边界像素点的灰度值与背景噪声所在像素点的灰度值的差值△，粒子沿横向或纵向所占据的像素个数d，并对所述三项特征量设置阈值；

2)扫描图像的灰度矩阵，运用上述三项特征量的阈值条件对图像进行阈值分割，将图像中的所有像素划分为PIV粒子和背景噪声两大类；

3)对判定为背景或噪声的像素点进行灰度值衰减，而粒子所在的像素保持原始灰度值，得到预处理后的图像。

进一步地，所述步骤1)具体包括：所述三项特征量分别设置阈值为Z₁，Z₂，Z₃，理论上，粒子边界像素点的灰度值g的阈值Z₁为Z₁＝min{g_p}，g_p表示任意粒子p的边界像素点的灰度值，min{g_p}表示g_p的最小值；差值△的阈值Z₂为：Z₂＝min{△_p}，其中，△_p表示任意粒子p的边界像素点的灰度值与附近的背景像素灰度值的差值，min{△_p}表示△_p的最小值；像素个数d的阈值Z₃为：Z₃＝max{d_p}，其中，d_p表示任意粒子p沿横向或纵向所占据的像素个数，max{d_p}表示d_p的最大值；实际上，为提高效率，一般可以简化处理，用抽样观察的方法，同时依据上述理论，确定实际的阈值。

进一步地，所述步骤2)具体包括：取图像像素的灰度矩阵G＝{g_i，j}_m×n，i和j为矩阵元素下标，m为矩阵行数，n为矩阵列数，全体像素的坐标集表示为D＝{(x，y)|x＝1，2，…，n，y＝1，2，…，m}；再定义一个识别因子矩阵F＝{f_i，j}_m×n，其与灰度矩阵G维度相同，用于识别对应位置的像素的身份(背景干扰或粒子)，所有元素的初始值置为0；分别对灰度矩阵的每一个行向量和每一个列向量进行分析，行向量的元素自左向右(横向)扫描，列向量的元素自下而上(纵向)扫描。

进一步地，所述步骤2)具体还包括：对当前像素s，其位置为第a行第b列，定义特征量，包括：灰度值特征量g_s，g_s＝g_a，b；灰度差特征量Δ_s，为当前像素灰度值减去前一像素的灰度值：

对g_s和△_s做判定，若同时满足：g_s≥Z₁，Δ_s≥Z₂，则认为像素s为边界像素，此时向后寻找对应于s的另一个边界像素；否则，跳到下一个像素。

进一步地，所述步骤2)具体还包括：在寻找对应于s的另一个边界像素时，当扫描到某个像素t，其位置为第a行第v列(横向扫描)或者第u行第b列(纵向扫描)，满足g_t+1＜Z₁或者-△_t+1≥Z₂，则认为像素t为对应于s的另一个边界像素；否则，跳到下一个像素；若扫描到了整幅图像的边界像素，将其认定为对应边界像素。

进一步地，所述步骤2)具体还包括：当找到一组对应的边界像素s和t之后，对从s到t的一组像素定义粒子尺寸特征量d_st，为从像素s到像素t的总像素个数：

对d_st作判定，若满足d_st≤Z₃，对该组像素的对应识别因子都自加1；否则，对该组像素的对应识别因子都自减1。

进一步地，所述步骤2)具体还包括：完成两个方向的所有扫描后，做最终的像素身份判定：对应的识别因子为正数的像素为粒子所在像素，否则为背景或噪声；即粒子所在像素的坐标集P为：

P＝{(x，y)|f_y，x＞0，x＝1，2，…，n，y＝1，2，…，m}。

进一步地，所述步骤3)中对判定为背景或噪声的像素点进行灰度值衰减采用的公式如下：

其中，g_o为原始灰度值，g₁为衰减后灰度值，N为阈值，N＝16。

进一步地，所述步骤3)中对判定为背景或噪声的像素点进行灰度值衰减采用的公式如下：

其中，g_o为原始灰度值，g₂为衰减后灰度值，M为级距，M＝8，INT()表示向下取整数。

进一步地，所述步骤3)具体还包括：对所有判定为背景或干扰的像素点运用上述衰减公式进行处理，得到新的灰度值；其他像素点保持原有灰度值；由此形成新的图像灰度矩阵，再依据新的灰度矩阵得到处理后的图像。

本发明的有益效果：

本发明的方法，可适用于背景干扰较强，但又不至于完全覆盖有效粒子的情况，能够有效地削弱背景干扰，同时尽量地保留有效的粒子信息。与传统的滤波方法相比，有效粒子信息几乎没有损失，且削弱后的背景干扰对后期的数据处理负面影响很小。另外，本发明方法的计算量比传统滤波方法的计算量小。

附图说明

图1为第一组原始PIV图像的第一帧图；

图2为第二组原始PIV图像的第一帧图；

图3为图1经过滤波处理后得到的PIV图；

图4为图2经过滤波处理后得到的PIV图；

图5为图1经过互相关性解算后得到的速度场图；

图6为图3经过互相关性解算后得到的速度场图；

图7为图2经过互相关性解算后得到的速度场图；

图8为图4经过互相关性解算后得到的速度场图；

图9为图1经过本方法处理后得到的PIV图；

图10为图2经过本方法处理后得到的PIV图；

图11为图9经过互相关性解算后得到的速度场图；

图12为图10经过互相关性解算后得到的速度场图；

图13为本发明方法的简要流程图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图13所示，本发明的一种基于粒子特征检索的PIV图像预处理方法，包括步骤如下：

1)观察PIV图像，分析粒子的特征，定义三项特征量，包括：粒子边界像素点的灰度值g，粒子边界像素点的灰度值与背景噪声所在像素点的灰度值的差值△，粒子沿横向或纵向所占据的像素个数d，并对所述三项特征量设置阈值；

2)扫描图像的灰度矩阵，运用上述三项特征量的阈值条件对图像进行阈值分割，将图像中的所有像素划分为PIV粒子和背景噪声两大类；

3)对判定为背景或噪声的像素点进行灰度值衰减，而粒子所在的像素保持原始灰度值，得到预处理后的图像。

针对图1、图2，应用本发明方法进行预处理，并与传统方法作比较，具体实施步骤如下：

(1)分析原始PIV图像中存在的粒子的特征，包括：粒子边界像素点的灰度值g，粒子边界像素点的灰度值与背景噪声所在像素点的灰度值的差值△，粒子沿横向或纵向所占据的像素个数d。所述三项特征量分别设置阈值为Z₁，Z₂，Z₃，理论上，粒子边界像素点的灰度值g的阈值Z₁为Z₁＝min{g_p}，g_p表示任意粒子p的边界像素点的灰度值，min{g_p}表示g_p的最小值；差值△的阈值Z₂为：Z₂＝min{△_p}，其中，△_p表示任意粒子p的边界像素点的灰度值与附近的背景像素灰度值的差值，min{△_p}表示△_p的最小值；像素个数d的阈值Z₃为：Z₃＝max{d_p}，其中，d_p表示任意粒子p沿横向或纵向所占据的像素个数，max{d_p}表示d_p的最大值。实际上，为提高效率，一般可以简化处理，用抽样观察的方法，同时依据上述理论，确定实际的阈值。

(2)取图像像素的灰度矩阵G＝{g_i，j}_m×n，i和j为矩阵元素下标，m为矩阵行数，n为矩阵列数，全体像素的坐标集表示为D＝{(x，y)|x＝1，2，…，n，y＝1，2，…，m}；再定义一个识别因子矩阵F＝{f_i，j}_m×n，其与灰度矩阵G维度相同，用于识别对应位置的像素的身份(背景干扰或粒子)，所有元素的初始值置为0；分别对灰度矩阵的每一个行向量和每一个列向量进行分析，行向量的元素自左向右(横向)扫描，列向量的元素自下而上(纵向)扫描；具体如下：

对当前像素s，其位置为第a行第b列，定义特征量，包括：灰度值特征量g_s，g_s＝g_a，b；灰度差特征量△_s，为当前像素灰度值减去前一像素的灰度值：

对g_s和△_s做判定，若同时满足：g_s≥Z₁，Δ_s≥Z₂，则认为像素s为边界像素，此时向后寻找对应于s的另一个边界像素；否则，跳到下一个像素。

在寻找对应于s的另一个边界像素时，当扫描到某个像素t，其位置为第a行第v列(横向扫描)或者第u行第b列(纵向扫描)，满足g_t+1＜Z₁或者-△_t+1≥Z₂，则认为像素t为对应于s的另一个边界像素；否则，跳到下一个像素；特别地，若扫描到了整幅图像的边界像素，将其认定为对应边界像素。

当找到一组对应的边界像素s和t之后，对从s到t的一组像素定义粒子尺寸特征量d_st，为从像素s到像素t的总像素个数：

对d_st作判定，若满足d_st≤Z₃，对该组像素的对应识别因子都自加1；否则，对该组像素的对应识别因子都自减1。

完成两个方向的所有扫描后，做最终的像素身份判定：对应的识别因子为正数的像素为粒子所在像素，否则为背景或噪声；即粒子所在像素的坐标集P为：

P＝{(x，y)|f_y，x＞0，x＝1，2，…，n，y＝1，2，…，m}。

(3)对判定为背景或噪声的像素点进行灰度值衰减采用的一种公式如下：

其中，g_o为原始灰度值，g₁为衰减后灰度值，N为阈值，N＝16。

对判定为背景或噪声的像素点进行灰度值衰减采用的另一种公式如下：

其中，g₀为原始灰度值，g₂为衰减后灰度值，M为级距，M＝8，INT()表示向下取整数。

对所有判定为背景或干扰的像素点运用上述衰减公式进行处理，得到新的灰度值；其他像素点保持原有灰度值；由此形成新的图像灰度矩阵，再依据新的灰度矩阵得到处理后的图像。

图9、图10分别为图1、图2经过上述方法预处理后得到的图像(分别运用上述两种衰减公式)，由图可见，针对较强的干扰本方法也能识别出部分粒子，比如图2中右下方的光斑区域。对图9、图10分别进行互相关性解算(图9只解算白框内区域)，得到图11、图12。将图5、图6与图11一起比较，图7、图8与图12一起比较，可见，经过本方法预处理之后，后期的解算结果得到了改善，对于强光斑，强背景干扰区域也能解算出部分结果，这一点上优于传统的滤波方法。整体上，虽然本方法对于干扰信息的去除力度不如滤波方法，但是能够更有效地保留有效信息，同时对于干扰信息的削弱也能有效地减弱其对后期处理效果的影响。以上证实了本发明方法的有效性以及它相对于传统方法的优越之处。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种基于粒子特征检索的PIV图像预处理方法，其特征在于，包括步骤如下：

1)观察PIV图像，分析粒子的特征，定义三项特征量，包括：粒子边界像素点的灰度值g，粒子边界像素点的灰度值与背景噪声所在像素点的灰度值的差值Δ，粒子沿横向或纵向所占据的像素个数d，并对所述三项特征量设置阈值；

2)扫描图像的灰度矩阵，运用上述三项特征量的阈值条件对图像进行阈值分割，将图像中的所有像素划分为PIV粒子和背景噪声两大类；

3)对判定为背景或噪声的像素点进行灰度值衰减，而粒子所在的像素保持原始灰度值，得到预处理后的图像；

所述步骤1)具体包括：分析原始PIV图像中存在的粒子的特征，包括：粒子边界像素点的灰度值g，粒子边界像素点的灰度值与背景噪声所在像素点的灰度值的差值Δ，粒子沿横向或纵向所占据的像素个数d；所述三项特征量分别设置阈值为Z₁，Z₂，Z₃，粒子边界像素点的灰度值g的阈值Z₁为Z₁＝min{g_p}，g_p表示任意粒子p的边界像素点的灰度值，min{g_p}表示g_p的最小值；差值Δ的阈值Z₂为：Z₂＝min{Δ_p}，其中，Δ_p表示任意粒子p的边界像素点的灰度值与附近的背景像素灰度值的差值，min{Δ_p}表示Δ_p的最小值；像素个数d的阈值Z₃为：Z₃＝max{d_p}，其中，d_p表示任意粒子p沿横向或纵向所占据的像素个数，max{d_p}表示d_p的最大值；

所述步骤2)具体包括：取图像像素的灰度矩阵G＝{g_i，j}_m×n，i和j为矩阵元素下标，m为矩阵行数，n为矩阵列数，全体像素的坐标集表示为D＝{(x，y)x＝1，2，…，n，y＝1，2，…，m}；再定义一个识别因子矩阵F＝{f_i，j}_m×n，其与灰度矩阵G维度相同，用于识别对应位置的像素的身份，所有元素的初始值置为0；分别对灰度矩阵的每一个行向量和每一个列向量进行分析，行向量的元素自左向右扫描，列向量的元素自下而上扫描；

对当前像素s，其位置为第a行第b列，定义特征量，包括：灰度值特征量g_s，g_s＝g_a，b；灰度差特征量Δ_s，为当前像素灰度值减去前一像素的灰度值：

对g_s和Δ_s做判定，若同时满足：g_s≥Z₁，Δ_s≥Z₂，则认为像素s为边界像素，此时向后寻找对应于s的另一个边界像素；否则，跳到下一个像素；

在寻找对应于s的另一个边界像素时，当扫描到某个像素t，其位置为第a行第v列或者第u行第b列，满足g_t+1＜Z₁或者-Δ_t+1≥Z₂，则认为像素t为对应于s的另一个边界像素；否则，跳到下一个像素；若扫描到了整幅图像的边界像素，将其认定为对应边界像素；

当找到一组对应的边界像素s和t之后，对从s到t的一组像素定义粒子尺寸特征量d_st，为从像素s到像素t的总像素个数：

对d_st作判定，若满足d_st≤Z₃，对该组像素的对应识别因子都自加1；否则，对该组像素的对应识别因子都自减1；

完成两个方向的所有扫描后，做最终的像素身份判定：对应的识别因子为正数的像素为粒子所在像素，否则为背景或噪声；即粒子所在像素的坐标集P为：

P＝{(x，y)|f_y，x＞0，x＝1，2，…，n，y＝1，2，…，m}。

2.根据权利要求1所述的基于粒子特征检索的PIV图像预处理方法，其特征在于，所述步骤3)中对判定为背景或噪声的像素点进行灰度值衰减采用的公式如下：

其中，g₀为原始灰度值，g₁为衰减后灰度值，N为阈值，N＝16。

3.根据权利要求1所述的基于粒子特征检索的PIV图像预处理方法，其特征在于，所述步骤3)中对判定为背景或噪声的像素点进行灰度值衰减采用的公式如下：

其中，g₀为原始灰度值，g₂为衰减后灰度值，M为级距，M＝8，INT()表示向下取整数。

Images