CN114463653A - 一种高浓度微群泡形态识别及轨迹追踪测速方法 - Google Patents
一种高浓度微群泡形态识别及轨迹追踪测速方法 Download PDFInfo
- Publication number
- CN114463653A CN114463653A CN202210376642.6A CN202210376642A CN114463653A CN 114463653 A CN114463653 A CN 114463653A CN 202210376642 A CN202210376642 A CN 202210376642A CN 114463653 A CN114463653 A CN 114463653A
- Authority
- CN
- China
- Prior art keywords
- bubble
- image
- pixel
- micro
- microbubble
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000000875 corresponding effect Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005530 etching Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 229910001873 dinitrogen Inorganic materials 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000005514 two-phase flow Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/26—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting optical wave
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
- G01P5/20—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance using particles entrained by a fluid stream
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
- G01P5/22—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance using auto-correlation or cross-correlation detection means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Abstract
本发明公开了一种高浓度微群泡形态识别及轨迹追踪测速方法，属于图像识别和处理领域。方法包括：微群泡图像采集；图像前处理；对微气泡图像中叠加的像素块进行分割；识别微气泡图像，获取每个气泡的形态信息；获取的每一个微气泡的等效直径，统计尺寸分布信息；对相邻两个时刻的微气泡图像进行互相关计算，获取微气泡的速度场信息和运动轨迹。本发明适用于较高浓度的微气泡群的形态识别和互相关计算，可以对较高浓度的微气泡群进行形态识别，获取气泡的粒径及分布信息，提取微泡群的速度场。
Description
技术领域
本发明涉及微尺度气泡群图像识别和处理领域，具体涉及一种高浓度微群泡形态识别及轨迹追踪测速方法，实现对微尺度高浓度气泡群中每个气泡的形态识别、粒径统计、轨迹追踪和速度计算。
背景技术
水下航行器在工作过程中产生的噪声对舰船、潜艇隐身性有重大影响。同时噪声还会严重影响水下生态环境。微气泡是水下航行器降噪常用手段之一，能够通过耗散生能量，改变声波传播的方式有效抑制噪声传播。微气泡对声波的影响很大程度上取决于气泡本身特征参数以及微气泡在流体中的相对运动规律。因此，实现对微气泡特性的参数化表征，追踪气泡运动轨迹，分析其速度特征对微气泡降噪特性研究有重要意义。
微气泡群对声波的衰减作用取决于微气泡的粒径，分布以及浓度等特性。传统的声色散方法能够实现微气泡参数测量，但是有对测试环境要求高、测试难度复杂的特点。随着光学成像技术的发展，非接触式的光学图像方法已经成为微气泡研究的重要技术途径。但是，由于微气泡粒径较小，一般在微米量级，使得在气泡浓度较高、气泡层厚度大的环境中，相机捕捉的二维气泡图像往往存在气泡重叠多、气泡边界模糊等问题。这在很大程度上影响了气泡形态识别的准确性和后续速度场计算的精度，进一步影响对流场的测量和对噪声衰减作用的判断和控制。CN113838089A提供了一种基于特征匹配算法的气泡轨迹跟踪方法，但其主要针对两相流领域中大尺度不同形状气泡流动行为进行研究，其研究中气泡为单点生成，气泡空间分布基本范围固定，轨迹变化相对小，气泡浓度低、尺度大，不涉及气泡间相互碰撞、干扰、融合；其采用的气泡轨迹追踪主要通过相邻两帧距离进行气泡匹配，进一部获得气泡轨迹；其采用的特征点匹配方法仅适用于气泡浓度很少，运动轨迹变化小的情况，对于高浓度气泡群轨迹计算误差较大。
因此，发展一套在高浓度微气泡的条件下的高精度气泡形态识别和轨迹追踪方法显得尤为重要。另外，以往的气泡成像技术往往由低速成像方法进行，缺乏足够的时间解析度，无法获得气泡在流体中的运动规律，分析气泡的生成演化破碎过程。因此需要利用高速成像的方法突破以往低速成像对微气泡时空解析的局限，更好地捕捉微气泡群的时空演化特性。
发明内容
基于背景中所阐述的问题，本发明的目的在于对较高浓度的微气泡群进行形态识别，通过高速图像技术，获取气泡的粒径及分布信息，并对经过识别后的气泡图像进行时序相关性分析，从而获取气泡的运动轨迹及速度场。本质上，为高浓度的微气泡群的形态识别、空间分布特性和运动特征提取提供了一种解决方案。
本发明的实例公开了一种高浓度微尺度群泡的形态识别和速度测量的方法，具体包括：
1)基于高速CMOS相机成像原理，采集气泡原始图像，
2)输入高时间分辨率的高浓度微气泡图像，进行前处理，所述前处理包括对微气泡图像进行二值化、去除噪点、填充和腐蚀操作；其中，二值化处理后，气泡区域像素灰度值设定为1，其它区域为0；
3) 基于高浓度微气泡空间分布，采用分水岭和距离变换进行气泡图像分割操作，将每一个气泡划分为独立的区域；
4)对区块分割后的微气泡图像进行轮廓识别，获取每个气泡的形态信息，并进行形态匹配；统计微气泡群所有气泡等效直径，获取直径分布信息；
5)对相邻两个时刻的微气泡图像进行相关性分析；获取微气泡群的瞬时速度场信息；对获取的速度场进行速度矢量纠正；显示微气泡群的运动轨迹和方向。
作为本发明的优选方案，所述的步骤1）采用高速CMOS相机对微气泡群图像进行高时间分辨率图像采集，时间分辨率最高为10kH；测试区域由高能连续LED光源提供照明光源。
作为本发明的优选方案，所述的步骤2）中在保证步骤1)所得微气泡图像基本清晰的情况下，对其进行图像前处理，包括二值化，去除噪点，填充和腐蚀等基本操作。
所述的二值化操作为：将无微气泡的背景图像作为基底，用需要处理的微气泡图像信息减去该基底。将得到的图像中每一块灰度差值与原基底图像相比较，如果某一像素块的灰度差值范围大于特定阈值（例如原基底图像相应像素区域中每个像素点的灰度值的50%），则认为该像素块为气泡所在区域，并将该区域内每一个像素点的灰度值设为1（即为纯白，对应原灰度为255）；反之，则设为0（即为纯黑，对应原灰度为0）。由此，可以得到一个完整二值化图像。
为了进一步提升气泡图像清晰度，需要将所得到的二值化图像中存在的噪点去除。具体方法为：首先对原气泡图像中的噪点信号进行基本的判断和识别，根据该结果对二值化图像动态设置一个像素面积阈值，如果二值化图像中某一像素块面积高于这个阈值（本质上为像素面积的下限），被保留，反之，则被删除。为了避免得到直径过大的非气泡信号，也可给出第二个阈值作为像素块面积的上限。所有被保留的像素块即为所需要的气泡图像。
通常，高速相机拍摄的气泡图像可能因景深不足以及反光的影响而出现气泡边缘模糊、核心过曝光的问题。因此，需要对去除噪点后的气泡二值化图像进行基本的填充和边缘腐蚀处理。首先，对除噪点后的二值化图像中的每一个气泡像素块进行筛选，找出气泡区域灰度值为0的像素点并将其填充为1；同时，基于给定的形状参数对每一个气泡像素块的边缘进行腐蚀处理，处理结果不影响气泡原始形态。
在对二值化的气泡图像进行基本的填充和腐蚀之后，所有的像素块即为有效的气泡图像。当气泡浓度较高时，尤其是微气泡的粒径小，数量多，粒径变化较大的情况下，小气泡与大气泡之间容易相互重叠。此时，需要对叠加的像素块进行分割。
优选的，所述的步骤3）具体操作如下：
对经步骤2）处理的二值化气泡图像进行取非运算，得到新的二值图像。此时原气泡区域像素块区域像素灰度值为0。针对新图像进行距离变换，即计算该二值图像中所有像素点离其最近的灰度值非0的像素点的距离，并用得到的距离覆盖其原始的灰度值，成为新的灰度图像；
将上述经过距离变换操作的获得的灰度图像对应的像素矩阵乘以系数-1，使得所有气泡像素（目标像素区域）对应位置存在区域灰度极小值，确定该区域内的所有灰度极小值的像素点数目并将这些像素点的灰度极小值统一标记为1。
对以上含有区域灰度极小值的二值图像，再次进行距离变换，得到一幅新的灰度图像。进行分水岭变换操作，得到该灰度图像的分水岭区域并对这些区域进行标记，得到一个标签矩阵，该标签矩阵记录了所有被分割后的气泡的像素块的属性，包括像素面积和质心等信息；
对上述获取的新灰度图像中所有灰度值为0的像素点进行调整，使其灰度值为1，该图像中的其他像素点的灰度值被调整为0，由此获得一幅新的二值图像；这一步骤目的在于将经过上诉分水岭变换之后得到的灰度图像转换为一幅新的二值图像，为后续提取气泡分割界线做准备。
对上述获取的新二值图像做取非运算，将得到的新矩阵作为分割因子矩阵；
用上述分割因子矩阵乘以2）中得到的气泡的二值化图像矩阵，获得分割后的二值化图像；
以上进行气泡图像分割的关键是对其反复进行距离变换和分水岭变换，最终获得重叠的气泡像素块的分界线。在对2）中二值图像进行取非运算并进行距离变换之后得到的灰度图像中，考察每一个气泡像素区域（目标像素块）的所有像素点的局域灰度极小值时，需结合气泡像素图像整体的重叠情况加以判断。例如，当每个重叠的气泡包含原先独立的气泡数为2-3个时，一般要求从每个重叠像素区域中获取2-3个极小值，这里选取的极小值个数将直接影响气泡分割的效果和气泡形态信息等相关特征。
完成气泡分割之后，需对气泡的形态进行识别来获取气泡的大小和位置等关键信息。作为本发明的可选方案，所述的步骤4）包括如下步骤：对区块分割后的微气泡图像进行轮廓识别，获取每个气泡的形态信息，并进行形态匹配；统计微气泡群所有气泡等效直径，获取直径分布信息。
其中，对区块分割后的微气泡图像进行轮廓识别，获取每个气泡的形态信息，并进
行形态匹配，具体为：对每个气泡的轮廓进行椭圆拟合；确定最符合气泡轮廓的椭圆，y记录
下该椭圆的长短轴，确定质心信息。对气泡轮廓进行拟合时，当球形气泡形态变化不大时，
用椭圆来拟合二维气泡图像的轮廓准确度较高。这里设被拟合的椭圆轮廓气泡像素点横纵
坐标为x，y（包括椭圆轮廓和轮廓内部像素点）。当用椭圆成功拟合气泡轮廓后，椭圆形气泡
轮廓上的像素点的坐标（x，y）应满足椭圆方程，即横坐标x的平方乘以半长轴平方的倒数与
纵坐标的平方乘以半短轴平方的倒数的和为定值；该气泡内部像素点相应的应满足横坐标x的平方乘以半长轴平方的倒数与纵坐标y的平方乘以半短轴平方的倒数的和小于该定值。
由于所绘制的椭圆轮廓有一定的误差，需要找到最符合被拟合气泡形态的椭圆轮廓。假设
任意一个被拟合的气泡（包括内部和轮廓）包含的所有像素点的x、y坐标满足高斯分布
（Gaussian Distribution），则x、y分别与椭圆长短半轴的比值也满足高斯分布（Gaussian
Distribution）。因此，气泡包含的像素点（包括气泡轮廓上的像素点）有如下特征：x/a与y/b的平方和s满足卡方分布（Chi-Square Distribution），其中a、b分别为椭圆长、短半轴。因
此，当我们在用椭圆拟合气泡轮廓时，在累积卡方分布中给定一个置信区间P，在此区间内
使得
，其中
为常数，则可以找到合适地拟合气泡像素点的椭圆轮廓的s值，这个s值
使得拟合的椭圆轮廓最准确地反应气泡的形态。由此，可以得到该椭圆的半长轴（a）和半短
轴（b）大小。
得到独立的气泡像素区域后，输出包含每个气泡的像素面积和质心的标签矩阵，每个气泡的质心由标签矩阵所记录。
在完成微气泡图像的识别之后，进行微气泡的分布特提取，主要包括粒径及其分布规律，关系到微气泡群中的气泡的均匀程度。
所述的步骤4）中的统计微气泡群所有气泡等效直径，获取直径分布信息，具体为：由微气泡的椭圆轮廓对应的长短半轴得到每个微气泡的粒径，统计不同气泡粒径所占的比例，拟合出粒径的分布情况。
微气泡的粒径及分布统计主要分为两个部分：由微气泡的椭圆轮廓对应的长短半轴得到每个微气泡的粒径；统计不同气泡粒径所占的比例。
每个微气泡的粒径估计值为1/2(a + b)，其中a，b为气泡识别的椭圆轮廓的半长轴和半短轴。得到不同微气泡的粒径后即可统计个粒径所占的比例，可以拟合出粒径的近似分布情况。
本发明的步骤5）为对相邻两个时刻的微气泡图像进行相关性分析；获取微气泡群的瞬时速度场信息；对获取的速度场进行速度矢量纠正；显示微气泡群的运动轨迹和方向。
微气泡的位置信息记录了气泡的动力学特性，将不同时刻的气泡图像关联起来，这是进一步获取微气泡的速度信息的基础，这一步骤主要是对不同时刻的经过气泡识别操作之后的二值化气泡图像进行相关性分析，得到空间上的对应关系。
首先，对不同时刻的经过前处理并进行分割、识别后的二值化微气泡图像进行互相关计算。经过气泡识别操作之后，每个微气泡都被标记为独立的个体。选择某一时刻图像中某个微气泡的像素块的质心作为中心点，向上下左右延伸一定的宽度和高度来构成一个查询窗口W 1 。类似地，对应于当前时刻（t 1 ）查询窗口的位置，在下一个时刻（t 2 ）的图像中确定同样位置、同样大小的查询窗口W，并找出该查询窗口中包含的所有微气泡并统计数量。设统计后的数量为N，分别以每个微气泡的质心建立与W大小相同的查询窗口W 2 ，来构成N个像素矩阵，也称为参考矩阵，微气泡个数等于参考矩阵的个数。对t 1 时刻的查询窗口（W 1 ）对应的像素矩阵与t 2 时刻的N个参考矩阵分别进行互相关运算得到互相关系数，产生最大互相关系数的参考矩阵即为当前时刻参考窗口中心对应的微气泡在下一刻的气泡图像中所对应的像素区域，记录下两个微气泡的像素区域的对应关系。
根据不同时刻微气泡的空间位置对应关系和时间间隔，获取速度场信息和运动轨
迹。互相关系数
的计算方法为
其中分子为W 1 ，W 2 重叠区域的像素面积之和，B 1 , B 2 为W 1 ，W 2 各自区域内包含的所有像素块面积之和；i为当前时刻查询窗口中心区域的微气泡的标记号，j为下一时刻选定的某一个像素矩阵中心的微气泡的标记号。
当气泡位于图像边缘时，由于边界切割导致互相关计算查询窗口无法以气泡质心为中心。此时气泡将位于查询窗口边缘的位置，与下一个时刻的气泡图像中的每个参考矩阵进行互相关运算，得到互相关系数。
所述的步骤5）中的获取微气泡群的瞬时速度场信息，具体包括如下步骤：根据每个气泡在不同时刻的对应关系，计算位移对时间的变化率，得到速度大小和方向；将速度矢量标记在原始气泡图像中。
高速相机所拍摄的每个时刻的气泡图像中气泡位置变化很微小，在不同时刻微气泡的位置被关联之后，每个气泡的位移对时间的变化率可以被作为当前时刻的速度。由此，可以得到每个时刻的所有气泡的速度场。
所述的步骤5）中的对获取的速度场进行速度矢量纠正，具体包括如下步骤：确定因查询窗口与下一个时刻气泡图像中参考矩阵区域错误关联的气泡（在相邻时刻气泡图像进行互相关运算后）；在被标记的速度场图像上，纠正错误的速度矢量以符合物理实际的运动轨迹。纠正的基本原则为：气泡的速度大小不能有突变；气泡的速度方向需符合气泡真实地运动方向。
由于每个气泡图像的实际拍摄间隔可达0.1ms，气泡的速度变化不大。所呈现的速度场为渐变趋势，气泡速度大小变化异常（超过预计值）的速度矢量应被删除；同时，气泡图像记录了气泡的真实运动信息，标记的速度场方向不能违背实际气泡运动的方向。速度矢量方向与相邻时刻比较变化异常（超过一定的角度）时应被删除。
所述的步骤5）中的，显示微气泡群的运动轨迹和方向，包括如下步骤：从获取的气泡互相关信息确定每个微气泡在不同时刻对应关系，以此来确定微气泡运动方向；将同一气泡在不同时刻的运动位置叠加在同一图像中获取该气泡的运动轨迹；将微气泡的速度矢量标记在原始的气泡图像上，可视化气泡的速度场。
与现有技术相比，本发明所具有的有益效果有：
（1）采用了高精度的图像分割和绘制误差椭圆的方式，对浓度较高的微气泡群图像进行分割和识别，获取了微气泡的形态和位置信息，克服了当前浓度较高的微气泡群形态特征无法准确提取和识别的问题，为研究微气泡的动力学特性打下了基础。
（2）采用高速图像采集技术，将微气泡图像处理和微气泡运动学分析结合，将经过提取的微气泡的形态和位置信息直接用于运动学分析，避免了当前微气泡群形态和位置信息获取和运动学分析的不连贯性和不兼容性，使得后续的微气泡的运动学和动力学分析（例如速度场的获取）的结果更为精确。
附图说明
图1为本发明实例所采用的微气泡生成及图像采集实验装置示意图；
图2为本发明方法的基本流程图；
图3为实施例中高速相机获得的气泡图像；
图4为对气泡图像进行二值化操作得到的二值化图像；
图5为对气泡图像进行分割的分界线与气泡灰度图像的叠加效果；
图6为对气泡图像进行气泡分割和标记的二值化图像；
图7为本发明实施例中采用的微气泡识别和标记技术对实例图像处理得到的误差椭圆示意图；
图8为实施例中的气泡的粒径大小和统计结果；
图9为采用本发明中的图像互相关技术对实例中相邻两个时刻微气泡群图像进行互相关的示意图；
图10为微气泡图像进行速度矢量修正前的微气泡速度信息；
图11为微气泡图像进行速度矢量修正后的微气泡速度信息；
图12为经过速度修正后的微气泡速度场与实例的微气泡图像原图叠加；
图13为本发明方法对实例图像中蕴含的微气泡运动信息处理后得到的微气泡轨迹图；
图14为对实例图像中蕴含的微气泡运动信息处理后的速度信息示意图。
具体实施方式
这里结合附图内容，以实例来说明本发明方法的具体实施方式。这里需要说明的是，以下仅为本发明方法的一个应用实例，该方法并不限于处理本实例中涉及的微气泡群图像。
微气泡群采用微孔陶瓷产生。微气泡产生装置如图1所示，从氮气钢瓶中释放一定压力的氮气，并以控制流量的方式对微孔陶瓷充气，从而产生气泡群并在水槽中形成气泡幕。实验中的微气泡浓度和分布可控。在稳定地产生气泡幕之后，通过高速相机记录一定景深下的微气泡群上浮图像，为后续处理提供原始的气泡属性信息。
如图2所示，为本发明某具体实施例实施本发明方法的基本流程图，在该实施例中，将本发明方法的步骤进一步拆分为9个具体步骤进行说明，具体如下：
1）基于高速CMOS相机成像原理，采集气泡原始图像，时间分辨率最高为10kH；
2）输入高时间分辨率的高浓度微气泡图像，进行前处理，所述前处理包括对微气泡图像进行二值化、去除噪点、填充和腐蚀操作；
3）基于高浓度微气泡空间分布，采用分水岭和距离变换进行气泡图像分割操作，将每一个气泡划分为独立的区域；
4）对区块分割后的微气泡图像进行轮廓识别，获取每个气泡的形态信息，并进行形态匹配；
5）统计微气泡群所有气泡等效直径，获取直径分布信息；
6）对相邻两个时刻的微气泡图像进行相关性分析；
7）获取微气泡群的瞬时速度场信息；
8）对获取的速度场进行速度矢量纠正；
9）显示微气泡群的运动轨迹和方向。
以下对各部分进行详细说明。
在通过微孔陶瓷产生微气泡群之后，高速相机获得的气泡图像如图3所示。对该气泡图像进行二值化操作得到图4所示的二值图像。二值化的方法是将原图像与背景图像（无任何气泡条件）相比较，将像素波动值大于50%的区域识别为微气泡，设置像素点的灰度值为1，反之，设置像素点的灰度值为0。
得到的二值图像中包含了一些非气泡的噪声信号，对该二值化图像设置一个像素阈值下限，所有灰度值为1的像素点组成区域为目标区域，目标区域像素块面积高于特定值时，即认为是真实的微气泡，也可设置一个阈值上限，使得识别出气泡直径不会过大，具体实现过程为：在阈值上限和下限之外的像素点的灰度值设为1，超出在阈值上限和下限之外的像素点的灰度值均被设为0，所有灰度值为1的区域为气泡像素区域；反之，则为非气泡像素区域。
此后，对去除噪点后的气泡二值化图像进行基本的填充和腐蚀处理。首先，对二值化图像中的每一个像素块（气泡像素块）进行筛选，找出气泡中心区域像素点灰度值为0的像素点并进行灰度值调整，使其灰度值为1，即可实现填充的处理效果；同时，按照特定的形状（特定的像素结构元素区域，其像素灰度值均为1，如盘状）对每一个像素块的边缘在不影响气泡形态的情况下，进行合理的腐蚀操作，即超出盘状结构元素区域的像素点的灰度值设为0，得到的二值图像即为前处理后的无噪点的包含所有气泡像素块的二值矩阵。
接下对气泡图像进行分割，如图5和6所示，这里气泡图像分割采用分水岭函数和
距离变换函数进行操作，操作时加以合适的约束，将每一个气泡划分为独立的区域。随后采
用绘制误差椭圆(error eclipse)的方式用误差椭圆（这里给定置信区间为90%，即90%的概
率包含该气泡所有的像素点在某个椭圆轮廓内部）来标记每一个气泡轮廓，从而达到识别
的目的，为后续分析气泡属性打下基础。这里考虑到气泡图像多由球形的小气泡和易变形
的大气泡组成，在提取出它们的像素点坐标后，它们的轮廓可由一个个椭圆来拟合。由椭圆
方程可知，气泡轮廓上像素点的x，y坐标在分别给出一定的系数的情况下的平方和为定值。
假设每个气泡包含的所有像素点（包括轮廓）的x，y坐标都符合高斯分布（Gaussian
Distribution），进一步可知x/a与y/b满足高斯分布。由于两个符合高斯分布的变量的平方
和满足卡方分布，因此
满足卡方分布（Chi-Square Distribution）。设气泡
轮廓像素点的x，y坐标满足椭圆方程（当气泡轮廓为标准椭圆时），
其中a, b为椭圆的半长轴和半短轴。考虑到每一个气泡内像素点的离散程度不同
（即像素点x, y坐标的集合对应的方差不同），当用椭圆轮廓拟合该气泡时，总有些气泡内
部的像素点在该椭圆之外，因此，当用椭圆轮廓拟合一个特定的气泡时，存在一个置信区
间。由于a, b的值分别取决于像素点坐标所有x和y组成的两个数据集的方差
，
，即气
泡轮廓和内部像素点横纵坐标的离散程度。所以可由像素点x，y坐标的标准差来定义半长
轴和半短轴，以此在统计意义上反映使用该椭圆轮廓拟合对应气泡的置信区间，则上述标
准椭圆方程可转化为
上式则为中心在原点，长、短轴与x、y轴对齐的椭圆，其中s为任意给定值，s的值越
大，对于一个特定的气泡像素块，绘制的椭圆轮廓范围就越大，包含该气泡所有的像素点的
概率就越大。因此，s在统计意义上与绘制的椭圆轮廓的置信区间有关，所绘制的椭圆也被
称为误差椭圆。当给定一个s值，该椭圆轮廓被确定，其内部（也包括轮廓本身）包含的所有
气泡像素点的坐标在各自方向上的离散程度也被确定，可分别由气泡像素点x，y坐标所在
数据集方差所反映。此时反映两个数据集变化趋势的协方差矩阵的特征值为
，
，
为x构成的数据集的方差，
是y构成的数据集的方差。因此，该椭圆轮廓的半长轴和半短轴
依赖
，
和s的值，其取向为其内部所有像素点离散程度最大的两个方向。对于任意取向
且中心位置不在原点的椭圆，仍可由上述定义轴对齐椭圆的方式类似地定义任意取向椭圆
的半长轴和半短轴。如图7中左边部分所示，
，
为像素点坐标变化最大的两个方向上
（方差最大）的特征向量，且满足
，
，其中
，
，则长轴长
度
，短轴长度为
。同时，长轴与X轴的夹角
可由协方差矩阵的
最大特征值(长轴相关)对应的特征向量
(即为图7中左边部分中的
)求出，
，
，
分别为特征向量在X，Y两个方向上的分量。
如前文所述，椭圆的半长轴和半短轴与像素点坐标的离散程度和轮廓椭圆方程给
定的s值有关，而给定s的值与拟合的气泡的椭圆轮廓的置信度有关。像素点坐标的离散程
度
可由计算得知，最后需要确定是s的值。根据满足最小包围所有像素点的椭圆方
程右边的s值服从卡方分布，在累积卡方分布中给定一个置信区间
，
为常数，，则可
以找到拟合像素点的椭圆轮廓的s值，这个s值使得拟合的椭圆轮廓最准确地反应气泡的形
态。由以上，可以计算得到椭圆长轴，短轴以及长轴与X轴夹角信息并将该椭圆标记在气泡
原图中。单个椭圆轮廓（误差椭圆）如图7中左边部分所示，不同置信区间的椭圆轮廓（误差
椭圆）如图7中右边部分所示。在得到椭圆的长轴和短轴长度之后，取长轴和短轴的平均值
即可估算出气泡的粒径大小并进行统计，结果如图8所示，气泡粒径集中分布在500 ~ 600
微米之间。
本发明对气泡图像后处理主要包括气泡图像的互相关和气泡速度矢量的计算和纠正，具体如下：
1）气泡图像的互相关
为了得到气泡的速度信息，首先需要对每个时刻经过预处理、图像分割和识别后得到的二值化气泡图像（以下提到的气泡图像均为经过气泡识别的二值化图像）进行互相关，找出气泡群之间质心的对应关系。气泡图像的互相关操作采用了粒子追踪测速技术常用的互相关算法。这里考虑了相邻两个时刻的经过气泡识别后的二值化气泡图像，如图9所示。图9的左边部分中第i个气泡位于查询窗口W 1 的中央，当前窗口的所有气泡对应的像素构成一个原始像素密度矩阵。类似地，在图9的右边部分中对应于图9的左边部分中第i个气泡的位置给予同样的查询窗口大小，记录下当前查询窗口W包含的每个气泡的位置(如果某个微气泡的质心在W内，则认为被该气泡被包含在W内)，并分别以这些气泡为中心构成一个个等宽等高的查询窗口W 2 （每个查询窗口内气泡像素密度构成一个参考矩阵）。最后，将每个参考矩阵与图9的左边部分中的原始像素密度矩阵做相关性分析，得到相关系数，拥有最大相关系数的参考矩阵中央对应的气泡即为原始像素密度矩阵中央的气泡i在下一刻时刻的位置。
互相关系数
的计算方法为
其中互相关系数分子为W 1 ，W 2 重叠区域的像素面积之和，B 1 , B 2 为W 1 ，W 2 各自区域内包含的所有像素块面积之和。i为当前时刻查询窗口中心区域的微气泡的标记号，j为下一时刻选定的某一个像素矩阵中心的微气泡的标记号。
按照这个思路遍历当前时刻气泡图像中所有气泡，即可找到相邻的下一刻对应的气泡，达到关联两个时刻气泡图像中每个气泡质心的目的。
2）气泡速度矢量的计算和纠正
在完成相邻时刻二值图像的互相关之后，利用相邻的时刻每个气泡的质心位置即可计算得到气泡的速度信息。如图10所示，两个时刻的气泡图像的互相关之后计算得到的气泡群速度信息（水平和竖直两个方向的速度）。经过修正的气泡速度矢量如图11所示。
对气泡的速度矢量进行修正之后，将速度矢量图与气泡群原始图像进行叠加（图12），即可得到气泡群在每个时刻更为清晰地上浮的过程。除此之外，我们还可以对当前时刻之后的气泡群质心进行追踪，将多个时刻气泡的位置显示在当前时刻的气泡图像中，即可得到每个气泡的轨迹和速度，如图13和图14所示，其中图13为多个时刻后微气泡的轨迹图，图14为相应的速度信息。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。对于本领域的普通技术人员来说，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，这些都属于本发明的保护范围。
Claims (8)
1.一种高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，包括如下步骤：
1)基于高速CMOS相机成像原理，采集气泡原始图像，
2)输入高时间分辨率的高浓度微气泡图像，进行前处理，所述前处理包括对微气泡图像进行二值化、去除噪点、填充和腐蚀操作；其中，二值化处理后，气泡区域像素灰度值设定为1，其它区域为0；
3) 基于高浓度微气泡空间分布，采用分水岭和距离变换进行气泡图像分割操作，将每一个气泡划分为独立的区域；
4)对区块分割后的微气泡图像进行轮廓识别，获取每个气泡的形态信息，并进行形态匹配；统计微气泡群所有气泡等效直径，获取直径分布信息；
5)对相邻两个时刻的微气泡图像进行相关性分析；获取微气泡群的瞬时速度场信息；对获取的速度场进行速度矢量纠正；显示微气泡群的运动轨迹和方向；
所述对相邻两个时刻的微气泡图像进行相关性分析，具体为：
对不同时刻的经过前处理并进行分割、识别后的二值化微气泡图像进行互相关计算；选择某一时刻图像中某个微气泡的像素块的质心作为中心点，向上下左右延伸一定的宽度和高度来构成一个像素矩阵，记为查询窗口W 1 ，对应于当前时刻查询窗口的位置，在下一个时刻的图像中确定同样位置、同样宽度和高度的查询窗口W，并找出该查询窗口中包含的所有微气泡并统计数量；设统计后的数量为N，分别以这N个微气泡的质心建立与W 1 同样宽度和高度的查询窗口W 2 ，来构成N个像素矩阵，其中微气泡个数等于参考矩阵的个数，即N个W 2 窗口，每个W 2 窗口对应一个参考矩阵，对当前时刻的查询窗口W 1 对应的像素矩阵与下一时刻中N个参考矩阵分别进行互相关运算得到互相关系数，产生最大互相关系数的参考矩阵即为当前时刻参考窗口中心对应的微气泡在下一刻的气泡图像中所对应的像素区域，记录下两个微气泡的像素区域的对应关系；
互相关系数
的计算方法为
其中分子为W 1 ，W 2 重叠区域的像素面积之和，B 1 , B 2 为W 1 ，W 2 各自区域内包含的所有像素块面积之和；i为当前时刻查询窗口中心区域的微气泡的标记号，j为下一时刻选定的某一个像素矩阵中心的微气泡的标记号。
2.根据权利要求1所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，步骤2）中，所述的填充和腐蚀操作具体为：
对去除噪点后的气泡二值化图像中的每一个气泡像素块进行筛选，找出中心区域像素灰度值为0的点并将其填充为1；同时，对每一个像素块的边缘在不影响气泡形态的情况下，进行腐蚀。
3.根据权利要求1所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，所述的步骤3)具体为：
3.1）对经过前处理得到的二值化气泡图像先做取非运算，然后做距离变换运算，得到一幅新的灰度图像；
3.2）对进行距离变换后得到的灰度图像矩阵乘以系数-1，并对该图像找出具有局部灰度极小值的像素点，并将这些具有极小值的像素点的灰度标记1，非极小值像素点的灰度值标记为0，得到一幅新的二值图像；
3.3）对步骤3.2）中得到的二值图像，再次进行距离变换，得到一幅新的灰度图像；
3.4）对步骤3.3）二次进行距离变换后得到的灰度图像矩阵进行分水岭变换操作，即取出图像中所有非零灰度值对应区域的像素块并给出每个气泡对应标签，其中同一气泡区域的像素点的灰度值均由相同的序号来标记，得到一幅新的灰度图像；
3.5）调整步骤3.4）中得到的灰度图像使其成为一幅二值图像，其中所有气泡区域像素点的灰度值均为0，非气泡区域像素点的灰度值为1，为后续提取气泡分割界线做准备；由此获得一幅新的二值图像，并对其做取非运算，得到的新矩阵作为分割因子矩阵；
3.6）用分割因子矩阵乘以经过步骤2）前处理得到的二值化气泡图像对应的矩阵，获得分割后的二值化图像。
4.根据权利要求1所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，所述的步骤4）中的对区块分割后的微气泡图像进行轮廓识别，获取每个气泡的形态信息，并进行形态匹配，为：
对每个气泡的轮廓进行椭圆拟合；确定最符合气泡轮廓的椭圆，记录下该椭圆的长短轴，确定质心信息。
5.根据权利要求4所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，所述的，对每个气泡的轮廓进行椭圆拟合；确定最符合气泡轮廓的椭圆，记录下该椭圆的长短轴，确定质心信息，具体为：
用椭圆来拟合二维气泡图像的轮廓，设被拟合的椭圆轮廓气泡像素点横纵坐标为x,y，当用椭圆成功拟合气泡轮廓后，椭圆形气泡轮廓上的像素点的坐标满足椭圆方程；
当在用椭圆拟合气泡轮廓时，椭圆轮廓上的像素坐标满足：x/a与y/b的平方和s服从卡方分布，在累积卡方分布中给定一个置信区间
，
为常数，找到合适地拟合气泡像素点的椭圆轮廓的s值，这个s值使得拟合的椭圆轮廓最准确地反应气泡的形态；
同时，该椭圆方程的半长轴和半短轴与x, y坐标集合在各自方向上的标准差有关，确定标准差和上述s的值；由此，得到该椭圆的半长轴a，半短轴b；
得到独立的气泡像素区域后，由输出包含每个气泡的像素面积和质心的标签矩阵，每个气泡的质心由标签矩阵所记录。
6.根据权利要求4所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，所述的步骤4）中的统计微气泡群所有气泡等效直径，获取直径分布信息，具体为：
由微气泡的椭圆轮廓对应的长短半轴得到每个微气泡的粒径，统计不同气泡粒径所占的比例，拟合出粒径的分布情况。
7.根据权利要求1所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，所述的步骤5）中的获取微气泡群的瞬时速度场信息，具体包括如下步骤：
根据每个气泡在不同时刻的对应关系，计算位移对时间的变化率，得到速度大小和方向；
将速度矢量标记在原始气泡图像中；
高速相机所拍摄的每个时刻的气泡图像中气泡位置变化很微小，在不同时刻微气泡的位置被关联之后，每个气泡的位移对时间的变化率被作为当前时刻的速度；由此，可以得到每个时刻的所有气泡的速度场。
8.根据权利要求1所述的高浓度微群泡形态识别及轨迹追踪测速方法，其特征在于，所述的步骤5）中的，显示微气泡群的运动轨迹和方向，包括如下步骤：
从获取的气泡互相关信息确定每个微气泡在不同时刻对应关系，以此来确定微气泡运动方向；
将同一气泡在不同时刻的运动位置叠加在同一图像中获取该气泡的运动轨迹；
将微气泡的速度矢量标记在原始的气泡图像上，可视化气泡的速度场。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210376642.6A CN114463653B (zh) | 2022-04-12 | 2022-04-12 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
| US18/132,444 US11875515B2 (en) | 2022-04-12 | 2023-04-10 | Method for morphology identification, trajectory tracking and velocity measurement of high-concentration microbubbles |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210376642.6A CN114463653B (zh) | 2022-04-12 | 2022-04-12 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114463653A true CN114463653A (zh) | 2022-05-10 |
| CN114463653B CN114463653B (zh) | 2022-06-28 |
Family
ID=81418380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210376642.6A Active CN114463653B (zh) | 2022-04-12 | 2022-04-12 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11875515B2 (zh) |
| CN (1) | CN114463653B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797654A (zh) * | 2022-12-09 | 2023-03-14 | 中国民用航空飞行学院 | 气液两相流动中气泡泡底参数识别方法 |
| CN115937295A (zh) * | 2023-03-09 | 2023-04-07 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于集合思想的气泡形状类型判别方法 |
| CN116563342A (zh) * | 2023-05-18 | 2023-08-08 | 广东顺德西安交通大学研究院 | 一种基于图像识别的水泡跟踪方法及装置 |
| CN116580059A (zh) * | 2023-05-18 | 2023-08-11 | 广东顺德西安交通大学研究院 | 一种基于智能视觉算法的检测水泡方法及装置 |
| CN117058335A (zh) * | 2023-07-21 | 2023-11-14 | 北京航空航天大学 | 气泡三维形态重构方法、装置、电子设备和存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409001B (zh) * | 2023-12-14 | 2024-04-05 | 合肥晶合集成电路股份有限公司 | 一种晶圆键合的气泡分析方法及分析装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070196005A1 (en) * | 2006-02-23 | 2007-08-23 | White Christopher A | Feature Tracing Process for M-mode Images |
| CN102129548A (zh) * | 2011-03-15 | 2011-07-20 | 中国石油大学(华东) | 多孔介质中流动泡沫结构图像实时采集与识别方法 |
| CN103177248A (zh) * | 2013-04-16 | 2013-06-26 | 浙江大学 | 一种基于视觉的快速行人检测方法 |
| CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
| CN107705318A (zh) * | 2017-08-22 | 2018-02-16 | 哈尔滨工程大学 | 一种基于边界示踪的湍流边界层流场测速方法 |
| CN108020168A (zh) * | 2017-11-23 | 2018-05-11 | 哈尔滨工程大学 | 基于粒子图像测速的近自由液面气液两相流场三维测量系统及测量方法 |
| CN109272548A (zh) * | 2018-09-28 | 2019-01-25 | 北京拓金科技有限公司 | 一种浮选过程气泡直径的测量方法 |
| CN110415257A (zh) * | 2019-07-23 | 2019-11-05 | 东南大学 | 一种气液两相流重叠气泡图像分割方法 |
| CN111553085A (zh) * | 2020-04-30 | 2020-08-18 | 上海理工大学 | 一种基于hog+svm的流场气泡图像压力识别算法 |
| US20210014563A1 (en) * | 2019-07-11 | 2021-01-14 | International Business Machines Corporation | Video fractal cross correlated action bubble transition |
| CN113838089A (zh) * | 2021-09-20 | 2021-12-24 | 哈尔滨工程大学 | 一种基于特征匹配算法的气泡轨迹跟踪方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU7702798A (en) * | 1997-05-30 | 1998-12-30 | Alliance Pharmaceutical Corporation | Methods and apparatus for monitoring and quantifying the movement of fluid |
| CA2653068A1 (en) * | 2006-07-13 | 2008-01-17 | The Regents Of The University Of Colorado | Echo particle image velocity (epiv) and echo particle tracking velocimetry (eptv) system and method |
| US9144383B2 (en) * | 2007-12-13 | 2015-09-29 | The Board Of Trustees Of The University Of Arkansas | Device and method for in vivo noninvasive magnetic manipulation of circulating objects in bioflows |
| US8678539B2 (en) * | 2010-09-27 | 2014-03-25 | Cordis Corporation | Quantitation and analysis of droplets ejected from an inkjet device |
| US20140147013A1 (en) * | 2010-10-11 | 2014-05-29 | The Regents Of The University Of Colorado, A Body Corporate | Direct echo particle image velocimetry flow vector mapping on ultrasound dicom images |
| GB2513679B (en) * | 2013-04-30 | 2016-01-06 | Iphase Ltd | Method of defining a mulitphase flow comprising three phases |
| US20200187910A1 (en) * | 2017-05-09 | 2020-06-18 | The University Of North Carolina At Chapel Hill | Adaptive multifocus beamforming ultrasound methods and systems for improved penetration and target sensitivity at high frame-rates |
| WO2018222724A1 (en) * | 2017-05-31 | 2018-12-06 | Mayo Foundation For Medical Education And Research | Methods for super-resolution ultrasound imaging of microvessels |
| GB201716606D0 (en) * | 2017-10-10 | 2017-11-22 | Heriot-Watt Univ | Tracking in ultrasound imaging |
| WO2020141127A1 (en) * | 2019-01-03 | 2020-07-09 | Koninklijke Philips N.V. | Systems and methods for contrast enhanced imaging |
| US11083435B2 (en) * | 2019-01-17 | 2021-08-10 | Bk Medical Aps | Super resolution ultrasound imaging |
| CN111598782B (zh) * | 2020-05-18 | 2022-05-17 | 南京超维景生物科技有限公司 | 超分辨流场重建方法及其装置 |
| CN114375178A (zh) * | 2020-06-16 | 2022-04-19 | 梅约医学教育与研究基金会 | 对微血管进行高空间和时间分辨率超声成像的方法 |
-
2022
- 2022-04-12 CN CN202210376642.6A patent/CN114463653B/zh active Active
-
2023
- 2023-04-10 US US18/132,444 patent/US11875515B2/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070196005A1 (en) * | 2006-02-23 | 2007-08-23 | White Christopher A | Feature Tracing Process for M-mode Images |
| CN102129548A (zh) * | 2011-03-15 | 2011-07-20 | 中国石油大学(华东) | 多孔介质中流动泡沫结构图像实时采集与识别方法 |
| CN103177248A (zh) * | 2013-04-16 | 2013-06-26 | 浙江大学 | 一种基于视觉的快速行人检测方法 |
| CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
| CN107705318A (zh) * | 2017-08-22 | 2018-02-16 | 哈尔滨工程大学 | 一种基于边界示踪的湍流边界层流场测速方法 |
| CN108020168A (zh) * | 2017-11-23 | 2018-05-11 | 哈尔滨工程大学 | 基于粒子图像测速的近自由液面气液两相流场三维测量系统及测量方法 |
| CN109272548A (zh) * | 2018-09-28 | 2019-01-25 | 北京拓金科技有限公司 | 一种浮选过程气泡直径的测量方法 |
| US20210014563A1 (en) * | 2019-07-11 | 2021-01-14 | International Business Machines Corporation | Video fractal cross correlated action bubble transition |
| CN110415257A (zh) * | 2019-07-23 | 2019-11-05 | 东南大学 | 一种气液两相流重叠气泡图像分割方法 |
| CN111553085A (zh) * | 2020-04-30 | 2020-08-18 | 上海理工大学 | 一种基于hog+svm的流场气泡图像压力识别算法 |
| CN113838089A (zh) * | 2021-09-20 | 2021-12-24 | 哈尔滨工程大学 | 一种基于特征匹配算法的气泡轨迹跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| DIMITRI ACKERMANN 等: "Detection and Tracking of Multiple Microbubbles in Ultrasound B-Mode Images", 《 IEEE TRANSACTIONS ON ULTRASONICS, FERROELECTRICS, AND FREQUENCY CONTROL (VOLUME:63,ISSUE:1,JAN.2016)》 * |
| 孙伟奇: "溶液前驱物等离子喷涂中液滴蒸发雾化的动力学研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797654A (zh) * | 2022-12-09 | 2023-03-14 | 中国民用航空飞行学院 | 气液两相流动中气泡泡底参数识别方法 |
| CN115937295A (zh) * | 2023-03-09 | 2023-04-07 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于集合思想的气泡形状类型判别方法 |
| CN116563342A (zh) * | 2023-05-18 | 2023-08-08 | 广东顺德西安交通大学研究院 | 一种基于图像识别的水泡跟踪方法及装置 |
| CN116580059A (zh) * | 2023-05-18 | 2023-08-11 | 广东顺德西安交通大学研究院 | 一种基于智能视觉算法的检测水泡方法及装置 |
| CN116563342B (zh) * | 2023-05-18 | 2023-10-27 | 广东顺德西安交通大学研究院 | 一种基于图像识别的水泡跟踪方法及装置 |
| CN116580059B (zh) * | 2023-05-18 | 2024-01-23 | 广东顺德西安交通大学研究院 | 一种基于智能视觉算法的检测水泡方法及装置 |
| CN117058335A (zh) * | 2023-07-21 | 2023-11-14 | 北京航空航天大学 | 气泡三维形态重构方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230326038A1 (en) | 2023-10-12 |
| US11875515B2 (en) | 2024-01-16 |
| CN114463653B (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114463653B (zh) | 一种高浓度微群泡形态识别及轨迹追踪测速方法 | |
| CN106204572B (zh) | 基于场景深度映射的道路目标深度估计方法 | |
| CN103714541B (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
| CN113156421A (zh) | 基于毫米波雷达和摄像头信息融合的障碍物检测方法 | |
| CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
| CN108764027A (zh) | 一种基于改进的rbd显著性计算的海面目标检测方法 | |
| CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
| CN113838089B (zh) | 一种基于特征匹配算法的气泡轨迹跟踪方法 | |
| CN105809715B (zh) | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 | |
| CN111445488A (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
| CN110021029B (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
| CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
| CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
| CN104463877A (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
| CN106778742B (zh) | 一种基于Gabor滤波器背景纹理抑制的车标检测方法 | |
| CN105046721A (zh) | 基于Grabcut及LBP跟踪质心矫正模型的Camshift算法 | |
| CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
| CN109284663A (zh) | 一种基于正态和均匀混合分布模型的海面障碍物检测方法 | |
| CN110827262A (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
| CN111797738A (zh) | 基于视频识别的多目标交通行为快速提取方法 | |
| CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
| CN111931555A (zh) | 一种利用视频图像识别船舶ais是否开启的方法 | |
| CN109064473B (zh) | 一种2.5d超声宽景图像分割方法 | |
| CN105005757B (zh) | 一种基于Grassmann流行的车牌字符识别方法 | |
| CN116844036A (zh) | 基于人工智能及opencv图像识别算法的覆冰类型与厚度检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |