CN113870240B - 一种基于图像显著性检测的安全阀阀门空化现象判别方法 - Google Patents

Abstract

本发明提供一种基于图像显著性检测的安全阀阀门空化现象判别方法，属于数字图像处理技术领域，该方法通过图像显著性检测的方法，对不同工况下的安全阀阀门仿真图像进行显著性检测。首先，对不同工况下的仿真图像进行采集，再对采集到的图像进行训练得到过完备字典，并且获取仿真图像不同通道的对应系数，然后对系数进行处理获取系数中的显著信息并恢复为显著图，最后，根据专家经验对显著性图像进行判断，安全阀阀门是否产生空化现象。本发明在安全阀仿真各种工况下时就识别出空化现象，可以在安全阀设计过程中避免空化状态，延长安全阀使用寿命。

Description

一种基于图像显著性检测的安全阀阀门空化现象判别方法

技术领域

本发明属于数字图像处理技术领域，涉及一种基于图像显著性检测的安全阀阀门空化现象判别方法。

背景技术

安全阀是锅炉、压力容器、压力管道等承压设备的重要安全附件，对超压保护有着重要意义。在安全阀内流动的液体，阀门时常会出现空化现象。空化现象不仅会影响阀门口径的计算，而且会产生严重的扰动，对阀门材质造成损坏，这些严重影响安全阀的寿命。因此，空化现象是安全阀阀门在计算和选择过程中不容小视的问题。当节流孔中产生气泡时，可视为空化现象。

现如今，随着多媒体技术的迅猛发展，图像作为信息的有效载体，得益于其简洁、直观、形象的特点，在生产生活中受到越来越多的关注。图像中只有部分信息能够引起视觉注意，而大部分信息是冗余的。图像显著性检测技术由此提出，其目的是从输入图像中找出显著区域并进行标记。当安全阀阀门发生空化现象时，节流孔产生的气泡是引起视觉注意的重要信息，而其它信息是冗余的。因此，可以通过图像显著性检测来判别安全阀阀门的空化现象。图像的显著性检测大致可分为两种模型：自底向上的数据驱动模型和自顶向下的任务驱动模型。目前，常用的方法大多是利用底层视觉特征生成显著图的自底向上的数据驱动模型，但这些方法没有考虑图像区块信息和空间分布关系。为此，可将区块作为显著性的计算的单位来进行检测，但是这样做并没考虑图像背景中干扰信息的影响。因此，本发明考虑多种因素来进行图像显著性检测。

发明内容

针对现有技术存在的问题，本发明提供了一种基于图像显著性检测的安全阀阀门空化现象判别方法，用以对不同工况下的安全阀仿真图像进行显著性检测，以此判别阀门是否产生空化现象。

为了达到上述目的，本发明采用的技术方案为：

一种基于图像显著性检测的安全阀阀门空化现象判别方法，通过图像显著性检测的方法，对不同工况下的安全阀阀门仿真图像进行显著性检测。首先，对不同工况下的仿真图像进行采集，再对采集到的图像进行训练得到过完备字典，并且获取仿真图像不同通道的对应系数，然后对系数进行处理获取系数中的显著信息并恢复为显著图，最后，根据显著性图像进行判断，安全阀阀门是否产生空化现象。包括以下步骤：

第一步，采集仿真图像，将采集后的仿真图像作为字典学习的训练样本。以滑动窗口方式对训练样本进行分块处理，将每个窗口(n×n)采集到的数据作为一个列向量(n²×1)，后面统一称为原子，其中，n为滑动窗口的大小；这样所有采集到的训练数据最终作为一个n²维的矩阵Y，矩阵中的每列为y_i(i＝1,2,...,n)，则训练数据表示为Y＝[y₁,y₂,...,y_n]。字典学习的目标函数如公式(1)，字典的约束公式如公式(2)，采用最优方向的方法得到过完备字典D。

所述的公式(1)和公式(2)表达式为：

其中，x∈R^k×n表示k行n列的稀疏表示系数，R表示输入空间，D∈A表示字典，D∈R^{m ×k}表示m行k列的字典，R表示输入空间，其中每一列为一个字典原子d_i，A为字典的约束。i表示训练数据的第i列，n为列的总个数。x_i是原子d_i对应的稀疏表示系数。η是正则化权衡参数，用来平衡公式里的失真项约束和稀疏项约束||x_i||₁。

得到字典D后，将采集后的仿真图像在HSV颜色空间(H代表色调，S代表饱和度，V代表明度)中的每一个通道以滑动窗口方式进行分块处理，每个窗口(n×n)采集到的数据作为一个列向量(n²×1)，采集后的仿真图像为一个n²维的矩阵Y，矩阵中的每列为y_i(i＝1,2,...,n)，表示为Y＝[y₁,y₂,...,y_n]。公式(3)为求取稀疏表示系数x_i，用稀疏表示系数来求每一个通道的对应系数K_ch，其中ch∈{H,S,V}，K_ch由公式(3)中求取的稀疏表示系数x_i组合表示，x_i利用正交匹配追踪算法来求解。HSV颜色空间有三个通道，重复上述的操作三次，每次计算公式和计算方法相同。

所述的公式(3)的表达式为：

第二步，首先，采用公式对不同通道的对应系数K_ch进行去中心化处理，其中x_i为真实值，/>为平均值。其次，通过计算对应系数K_ch对应的协方差矩阵(K_ch对应的协方差矩阵为/>)中的特征值和特征向量，选取特征总数中前l个最大的特征值(实验中l取总特征数的30％)，其中，l的数值为人为设定的数值，将前l个最大的特征值以及对应的特征向量进行投影处理，并将后l个特征值以及对应的特征向量视为没用的信息，并消除掉，得到最终的有效对应系数矩阵K′_ch，K′_ch为新的对应系数。最后，在每个通道，利用公式DK′_ch将字典和有效对应系数相乘得到显著图，然后将每个通道的显著图利用公式(4)进行融合处理，公式(4)中SR表示融合后的显著图，称之为基于图像信息稀疏性的显著信息。

第三步，得到的显著性图像是黑白的，因此需要减少图像的颜色数量。彩色图像正常的颜色量化值是256，本发明将颜色量化值设为128。并采用基于图论的分割算法对仿真图像的显著图进行分割，得到图像区块r_i。上述颜色量化方法和分割方法都是现有方法，并未进行改进。

第四步，将第三步分割得到的区块用公式(5)进行显著性检测，其称之为基于区域的显著信息。

所述的公式(5)表达式为：

其中，r_i为区块，φ₁(r_i)和φ₂(r_i)为权重约束；D(d_i,d_j)为两个区块r_i和r_j之间的欧氏距离；||c_i-c_j||为两个区块r_i和r_j之间的颜色差异；n为区块的总个数。

所述的φ₁(r_i)表达式为式(6)：其中，L_i是区块r_i中的像素个数；H和W表示图像的高和宽；区块越小其相对显著性越小；P_i是区块r_i中在图像边界的像素的比例，表达式为P_i＝s_i/L；s_i为区块r_i中在仿真图像边界上的像素个数；L是仿真图像边界像素的总和，值为2(H+W)。如果区块r_i中在边界上的像素个数越多，其是背景区域的可能性越大，权值就越小。

所述的φ₂(r_i)表达式为式(7)：

其中，为原图像I在颜色空间中c通道内的均值；/>是区块r_i在c通道的均值，均值差异越大，图像显著值就越大；d(r_i,I)是区域r_i与图像中心的欧式距离；κ_r为权衡参数，区块越靠近图像中心其显著值就越大。

第五步，为了抑制噪声等干扰项的影响，通过式(8)融合上述第二步基于图像信息稀疏性的显著信息和第四步基于区域的显著信息。

S＝(SS*SR)∩SR (8)

其中，SS为基于图像信息稀疏性的显著信息，SR为基于区域的显著信息。

第六步，观察显著性图上的显著性信息，来判别安全阀阀门是否产生空化现象，如果图像上有一块明显白色区域，说明产生空化现象。反之，没有产生空化现象。

本发明的有效增益效果为：本发明通过图像显著性检测的方法对安全阀阀门空化现象进行判别，而目前空化现象对安全阀会产生扰动，对阀门材质会造成损坏，会严重影响安全阀的使用寿命。本发明在安全阀仿真各种工况下时就识别出空化现象，可以在安全阀设计过程中避免空化状态，延长安全阀使用寿命。

附图说明

图1为本发明的流程图；

图2为本发明的显著性待检测的原始图像；

图3为本发明的融合后的显著图像；

具体实施方式

以下结合具体实施例对本发明做进一步说明。

实施例1：如图1所示，本发明提出了一种基于图像显著性检测的安全阀阀门空化现象判别方法，通过图像显著性检测的方法，对不同工况下的安全阀阀门仿真图像进行显著性检测。首先，本发明对不同工况下的仿真图像进行采集，再对采集到的图像进行训练得到过完备字典，并且获取仿真图像不同通道的对应系数，然后对系数进行处理获取系数中的显著信息并恢复为显著图，最后，根据显著性图像进行判断，安全阀阀门是否产生空化现象。

第一步，采集图2所示仿真图像，将采集后的仿真图像作为字典学习的训练样本。以滑动窗口方式对训练样本进行分块处理，将每个窗口(n×n)采集到的数据作为一个列向量(n²×1)，后面统一称为原子，其中，n为滑动窗口的大小；这样所有采集到的训练数据最终作为一个n²维的矩阵Y，矩阵中的每列为y_i(i＝1,2,...,n)，则训练数据表示为Y＝[y₁,y₂,...,y_n]。字典学习的目标函数如公式(1)，字典的约束公式如公式(2)，采用最优方向的方法得到过完备字典D。

所述的公式(1)和公式(2)表达式为：

其中，x∈R^k×n表示k行n列的稀疏表示系数，R表示输入空间，D∈A表示字典，D∈R^{m ×k}表示m行k列的字典，R表示输入空间，其中每一列为一个字典原子d_i，A为字典的约束。i表示训练数据的第i列，n为列的总个数。x_i是原子d_i对应的稀疏表示系数。η是正则化权衡参数，用来平衡公式里的失真项约束和稀疏项约束||x_i||₁。

得到字典D后，将采集后的仿真图像图2在HSV颜色空间(H代表色调，S代表饱和度，V代表明度)中的每一个通道以滑动窗口方式进行分块处理，每个窗口(n×n)采集到的数据作为一个列向量(n²×1)，采集后的仿真图像为一个n²维的矩阵Y，矩阵中的每列为y_i(i＝1,2,...,n)，表示为Y＝[y₁,y₂,...,y_n]。公式(3)为求取稀疏表示系数x_i，用稀疏表示系数来求每一个通道的对应系数K_ch，其中ch∈{H,S,V}，K_ch由公式(3)中求取的稀疏表示系数x_i组合表示，x_i利用正交匹配追踪算法来求解。HSV颜色空间有三个通道，重复上述的操作三次，每次计算公式和计算方法相同。

所述的公式(3)的表达式为：

第二步，首先，采用公式对不同通道的对应系数K_ch进行去中心化处理，其中x_i为真实值，/>为平均值。其次，通过计算对应系数K_ch对应的协方差矩阵(K_ch对应的协方差矩阵为/>)中的特征值和特征向量，选取特征总数中前l个最大的特征值(实验中l取总特征数的30％)，其中，l的数值为人为设定的数值，将前l个最大的特征值以及对应的特征向量进行投影处理，并将后l个特征值以及对应的特征向量视为没用的信息，并消除掉，得到最终的有效对应系数矩阵K′_ch，K′_ch为新的对应系数。最后，在每个通道，利用公式DK′_ch将字典和有效对应系数相乘得到显著图，然后将每个通道的显著图利用公式(4)进行融合处理，公式(4)中SR表示融合后的显著图，称之为基于图像信息稀疏性的显著信息。

第三步，得到的显著性图像是黑白的，因此需要减少图像的颜色数量。彩色图像正常的颜色量化值是256，本发明将颜色量化值设为128。并采用基于图论的分割算法对仿真图像的显著图进行分割，得到图像区块r_i。上述颜色量化方法和分割方法都是现有方法，并未进行改进。

第四步，将第三步分割得到的区块用公式(5)进行显著性检测，其称之为基于区域的显著信息。

所述的公式(5)表达式为：

其中，r_i为区块，φ₁(r_i)和φ₂(r_i)为权重约束；D(d_i,d_j)为两个区块r_i和r_j之间的欧氏距离；||c_i-c_j||为两个区块r_i和r_j之间的颜色差异；n为区块的总个数。

所述的φ₁(r_i)表达式为式(6)：其中，L_i是区块r_i中的像素个数；H和W表示图像的高和宽；区块越小其相对显著性越小；P_i是区块r_i中在图像边界的像素的比例，表达式为P_i＝s_i/L；s_i为区块r_i中在仿真图像边界上的像素个数；L是仿真图像边界像素的总和，值为2(H+W)。如果区块r_i中在边界上的像素个数越多，其是背景区域的可能性越大，权值就越小。

所述的φ₂(r_i)表达式为式(7)：

其中，为原图像I在颜色空间中c通道内的均值；/>是区块r_i在c通道的均值，均值差异越大，图像显著值就越大；d(r_i,I)是区域r_i与图像中心的欧式距离；κ_r为权衡参数，区块越靠近图像中心其显著值就越大。

第五步，为了抑制噪声等干扰项的影响，通过式(8)融合上述第二步基于图像信息稀疏性的显著信息和第四步基于区域的显著信息。

S＝(SS*SR)∩SR (8)

其中，SS为基于图像信息稀疏性的显著信息，SR为基于区域的显著信息。

第六步，观察图3所示显著性图上的显著性信息，图像上有一块明显白色区域，说明安全阀阀门产生了空化现象。

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (1)

1.一种基于图像显著性检测的安全阀阀门空化现象判别方法，通过图像显著性检测的方法，对不同工况下的安全阀阀门仿真图像进行显著性检测，其特征在于，所述安全阀阀门空化现象判别方法首先，对不同工况下的仿真图像进行采集，再对采集到的图像进行训练得到过完备字典，并且获取仿真图像不同通道的对应系数，然后，对系数进行处理获取系数中的显著信息并恢复为显著图，最后，根据显著性图像进行判断，安全阀阀门是否产生空化现象；包括以下步骤：

第一步，采集仿真图像，将采集后的仿真图像作为字典学习的训练样本；以滑动窗口方式对训练样本进行分块处理，将每个窗口(n×n)采集到的数据作为一个列向量(n²×1)，后面统一称为原子，其中，n为滑动窗口的大小；最终将所有采集到的训练数据作为一个n²维的矩阵Y，矩阵中的每列为y_i(i＝1,2,...,n)，则训练数据表示为Y＝[y₁,y₂,...,y_n]；字典学习的目标函数如公式(1)，字典的约束公式如公式(2)，采用最优方向的方法得到过完备字典D；

所述的公式(1)和公式(2)表达式为：

其中，x∈R^k×n表示k行n列的稀疏表示系数，R表示输入空间，D∈A表示字典，D∈R^m×k表示m行k列的字典，R表示输入空间，其中每一列为一个字典原子d_i，A为字典的约束；i表示训练数据的第i列，n为列的总个数；x_i是原子d_i对应的稀疏表示系数；η是正则化权衡参数，用来平衡公式里的失真项约束和稀疏项约束||x_i||₁；

得到字典D后，将采集后的仿真图像在HSV颜色空间中的每一个通道以滑动窗口方式进行分块处理，其中H代表色调，S代表饱和度，V代表明度，每个窗口(n×n)采集到的数据作为一个列向量(n²×1)，采集后的仿真图像为一个n²维的矩阵Y，矩阵中的每列为y_i(i＝1,2,...,n)，表示为Y＝[y₁,y₂,...,y_n]；公式(3)为求取稀疏表示系数x_i，用稀疏表示系数来求每一个通道的对应系数K_ch，其中ch∈{H,S,V}，K_ch由公式(3)中求取的稀疏表示系数x_i组合表示，x_i利用正交匹配追踪算法来求解；HSV颜色空间有三个通道，重复上述过程三次，每次计算公式和计算方法相同；

所述的公式(3)的表达式为：

第二步，首先，采用公式对不同通道的对应系数K_ch进行去中心化处理，其中x_i为真实值，/>为平均值；其次，通过计算对应系数K_ch对应的协方差矩阵中的特征值和特征向量，选取特征总数中前l个最大的特征值，其中l的数值为人为设定的数值，将前l个最大的特征值以及对应的特征向量进行投影处理，并将后l个特征值以及对应的特征向量视为没用的信息，并消除掉，得到最终的有效对应系数矩阵K′_ch，K′_ch为新的对应系数；最后，在每个通道，利用公式DK′_ch将字典和有效对应系数相乘得到显著图，将每个通道的显著图利用公式(4)进行融合处理，公式(4)中SR表示融合后的显著图，称之为基于图像信息稀疏性的显著信息；

第三步，将颜色量化值设为128，并采用基于图论的分割算法对仿真图像的显著图进行分割，得到图像区块r_i；

第四步，将第三步分割得到的区块用公式(5)进行显著性检测，所述的公式(5)表达式为：

其中，r_i为区块，φ₁(r_i)和φ₂(r_i)为权重约束；D(d_i,d_j)为两个区块r_i和r_j之间的欧氏距离；||c_i-c_j||为两个区块r_i和r_j之间的颜色差异；n为区块的总个数；

所述的φ₁(r_i)表达式为式(6)：其中，L_i是区块r_i中的像素个数；H和W表示图像的高和宽；区块越小其相对显著性越小；P_i是区块r_i中在图像边界的像素的比例，表达式为P_i＝s_i/L；s_i为区块r_i中在仿真图像边界上的像素个数；L是仿真图像边界像素的总和，值为2(H+W)；如果区块r_i中在边界上的像素个数越多，其是背景区域的可能性越大，权值就越小；

所述的φ₂(r_i)表达式为式(7)：

其中，为原图像I在颜色空间中c通道内的均值；/>是区块r_i在c通道的均值；d(r_i,I)是区域r_i与图像中心的欧式距离；κ_r为权衡参数；

第五步，通过式(8)融合上述第二步基于图像信息稀疏性的显著信息和第四步基于区域的显著信息；

S＝(SS*SR)∩SR (8)

其中，SS为基于图像信息稀疏性的显著信息，SR为基于区域的显著信息；

第六步，观察显著性图上的显著性信息，来判别安全阀阀门是否产生空化现象，如果图像上有一块明显白色区域，说明产生空化现象；反之，没有产生空化现象。