CN115131387A - 基于图像处理的汽油机喷雾撞壁参数自动提取方法及*** - Google Patents

基于图像处理的汽油机喷雾撞壁参数自动提取方法及*** Download PDF

Info

Publication number
CN115131387A
CN115131387A CN202211022129.3A CN202211022129A CN115131387A CN 115131387 A CN115131387 A CN 115131387A CN 202211022129 A CN202211022129 A CN 202211022129A CN 115131387 A CN115131387 A CN 115131387A
Authority
CN
China
Prior art keywords
edge information
point
growing
points
pixel
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
Application number
CN202211022129.3A
Other languages
English (en)
Other versions
CN115131387B (zh
Inventor
孙士刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Xiaochen Chemical Technology Co ltd
Original Assignee
Shandong Dingtai New Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Dingtai New Energy Co ltd filed Critical Shandong Dingtai New Energy Co ltd
Priority to CN202211022129.3A priority Critical patent/CN115131387B/zh
Publication of CN115131387A publication Critical patent/CN115131387A/zh
Application granted granted Critical
Publication of CN115131387B publication Critical patent/CN115131387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的汽油机喷雾撞壁参数自动提取方法及***；获取缸内直喷汽油机喷油器的喷雾图像，并提取喷雾图像中的初始喷雾区域；获取初始喷雾区域对应的边缘信息，获取边缘信息对应的多个断裂点对与多个连接点对，得到每个断裂点对之间缺失的边缘信息；得到每一个连接点对的待选边缘信息；将每一个连接点对的待选边缘信息与边缘信息记为待检测边缘信息；根据待检测边缘信息对应的第一、第二特征区域计算判定指标，根据判定指标得到各连接点对的终止边缘信息；进而得到最终边缘信息；基于最终边缘信息获取喷雾区域，然后提取喷雾撞壁参数。本发明能够精确的获取喷雾区域，进而准确提取喷雾撞壁参数。

Description

基于图像处理的汽油机喷雾撞壁参数自动提取方法及***
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的汽油机喷雾撞壁参数自动提取方法及***。
背景技术
近年来，为提高汽油机的燃油经济性，越来越多的研究者开始了对汽油机缸内直喷的研究，喷雾特性的好坏直接决定着缸内直喷汽油机的动力性、经济性及排放性能，因此汽油机缸内直喷喷雾特性的研究至关重要；其中，喷雾图像的精确处理，喷雾撞壁参数的准确测量是汽油机缸内直接喷雾特性研究的前提条件。
现有技术中一般首先对喷雾图像进行预处理，得到喷雾图像中的喷雾边界，然后基于喷雾边界获取喷雾区域图像，最后根据喷雾区域图像获取喷雾撞壁参数；由此可见，喷雾边界提取的是否精确直接影响着喷雾撞壁参数的准确性；一般利用大津阈值分割法或canny算子对喷雾图像进行预处理，得到喷雾边界；其中大津阈值分割法对图像中具有双阈值的分割效果较好，能够得到较好的边界，但是大津阈值分割法对图像中具有多阈值的分割效果并不明显，不能很好的得到图像中的边界，且喷雾图像包含的信息过于复杂，利用大津阈值分割法无法精确的获取喷雾边界；而canny算子则容易出现边缘信息丢失、检测出的边缘存在断裂使边界图像不完整的现象。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，所采用的技术方案具体如下：
获取缸内直喷汽油机喷油器的喷雾图像，利用大津阈值分割法提取所述喷雾图像中的初始喷雾区域；
通过canny算子获取初始喷雾区域对应的边缘信息，所述边缘信息为非闭合的边缘信息；
获取边缘信息对应的多个断裂点对，且每一个断裂点对之间缺失了边缘信息，在任意一个断裂点对中随机选取一个断裂点作为生长点，基于生长点进行生长得到的下一个生长点，获取该断裂点对之间缺失的边缘信息；
获取边缘信息对应的多个连接点对，且每一个连接点对之间存在多条边缘信息，在任意一个连接点对中随机选取一个连接点作为种子点，将种子点在该连接点对之间的最外侧的两条边缘信息所围成的区域中进行生长，获取该连接点对之间的多条待选边缘信息；
将每一个连接点对之间的边缘信息与待选边缘信息记为待检测边缘信息，获取待检测边缘信息对应的第一、第二特征区域，基于第一、第二特征区域对应的平均灰度值与待检测边缘信息上每一个像素点的灰度值，计算各连接点对之间的每一条待检测边缘信息对应的判定指标，将最大判定指标对应的待检测边缘信息记为各连接点对之间的终止边缘信息；
基于所述终止边缘信息与获取的每一个断裂点对之间缺失的边缘信息，得到初始喷雾区域对应的最终边缘信息；基于最终边缘信息获取喷雾区域，根据喷雾区域提取喷雾撞壁参数。
优选的，所述获取该断裂点对之间缺失的边缘信息的方法为：在生长点所在的边缘信息上以生长点为起点依次选取若干个像素点，计算任意两相邻的像素点的连线与水平线之间的夹角，计算相邻两夹角的差值，得到差异特征值，所述差异特征值为相邻两夹角对应的共同像素点的差异特征值；然后在与生长点相邻的非边缘信息像素点所在竖直线上获取多个非边缘信息像素点，并将其记为第一像素点，根据各个第一像素点与生长点的连线和水平线之间的夹角以及所述差异特征值，计算各个第一像素点对应的优选值，将最大优选值对应的第一像素点作为下一个生长点，并将下一个生长点归入边缘信息，此时的下一个生长点为第一个下一个生长点，然后将第一个下一个生长点作为生长点继续生长，得到第二个下一个生长点，以此类推，直至得到的第m个下一个生长点在与该断裂点对中的另一个断裂点相邻的非边缘信息像素点所在竖直线上，停止生长，则获取的各个下一个生长点构成该断裂点对之间缺失的边缘信息；其中m大于等于1。
优选的，所述优选值为：
Figure 554946DEST_PATH_IMAGE001
其中，
Figure 155561DEST_PATH_IMAGE002
为第q个第一像素点对应的优选值，
Figure 976886DEST_PATH_IMAGE003
为在生长点所在的边缘信息上以生 长点为起点选取的第1个像素点，
Figure 857118DEST_PATH_IMAGE004
为在生长点所在的边缘信息上以生长点为起点选取的 第2个像素点，
Figure 763894DEST_PATH_IMAGE005
为在生长点所在的边缘信息上以生长点为起点选取的第i个像素点，
Figure 168199DEST_PATH_IMAGE006
为
Figure 844031DEST_PATH_IMAGE003
与第q个第一像素点的连线和水平线之间的夹角，
Figure 426322DEST_PATH_IMAGE007
为
Figure 85974DEST_PATH_IMAGE003
与
Figure 762812DEST_PATH_IMAGE004
的连线和水平线之 间的夹角，
Figure 293150DEST_PATH_IMAGE008
为第q个第一像素与
Figure 46342DEST_PATH_IMAGE005
之间的欧氏距离，
Figure 911399DEST_PATH_IMAGE009
为
Figure 673819DEST_PATH_IMAGE005
对应的差异特征值；n为在 生长点所在的边缘信息上以生长点为起点依次选取像素点的总数量；
Figure 324243DEST_PATH_IMAGE010
为以e为底的 指数函数，
Figure 248337DEST_PATH_IMAGE011
为求取绝对值的函数；
Figure 617001DEST_PATH_IMAGE012
为求取最大值的函数。
优选的，所述获取边缘信息对应的多个连接点对的方法为：
对边缘信息进行角点检测，得到边缘信息对应的若干个角点；任意选取一角点，通过链码法获取该角点与剩余其他角点之间的边缘信息，当该角点与剩余其他角点中的其中一个角点之间存在多条边缘信息时，则将该角点与所述其中一个角点记为一个连接点对。
优选的，所述获取待检测边缘信息对应的第一、第二特征区域的方法为：将待检测边缘信息左侧宽度为a个像素点的区域记为第一特征区域，将待检测边缘信息右侧宽度为a个像素点的区域记为第二特征区域，其中a大于等于1。
优选的，所述判定指标为：
Figure DEST_PATH_IMAGE013
其中，
Figure 370062DEST_PATH_IMAGE014
为判定指标，
Figure 874993DEST_PATH_IMAGE015
为第一特征区域对应的平均灰度值，
Figure 969988DEST_PATH_IMAGE016
为第二特征区 域对应的平均灰度值，
Figure 809637DEST_PATH_IMAGE017
为待检测边缘信息上第j个像素点的灰度值，
Figure 648280DEST_PATH_IMAGE018
为待检测边缘信 息上第j+1个像素点的灰度值；N为待检测边缘信息上像素点的总数量，
Figure 273296DEST_PATH_IMAGE019
为求取最大 值的函数，e为自然常数。
优选的，所述喷雾撞壁参数包括喷雾锥角、喷雾贯穿距离、喷雾半径以及喷雾高度。
本发明还提供了一种基于图像处理的汽油机喷雾撞壁参数自动提取***，包括处理器与存储器，所述处理器执行所述存储器存储的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法的程序。
本发明实施例至少具有如下有益效果：
本发明通过生长点进行生长得到的下一个生长点，获取生长点对应的断裂点对之间缺失的边缘信息，能够使由各个下一个生长点构成的缺失的边缘信息更符合边缘信息的边缘特征，得到的缺失的边缘信息更加真实；通过将各连接点对之间的边缘信息与待选边缘信息记为各连接点对之间的待检测边缘信息，通过待检测边缘信息对应的第一、第二特征区域的平均灰度值与待检测边缘信息上每一个像素点的灰度值，计算判定指标，根据判定指标得到各连接点对之间的终止边缘信息；通过判定指标得到的终止边缘信息为对应连接点对之间的更为准确的边缘信息；根据获取的各断裂点对之间缺失的边缘信息与终止边缘信息，得到最终边缘信息，使得到的最终边缘信息不存在断裂的情况，能够完整的得到喷雾区域的边界；即本发明能够精确的获取喷雾区域，进而准确提取喷雾撞壁参数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法实施例的步骤流程图；
图2为喷雾图像的示意图；
图3为角点示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明的目的是：通过生长点进行生长得到的下一个生长点，获取生长点对应的断裂点对之间缺失的边缘信息，然后通过判定指标获取各连接点对之间的终止边缘信息；根据所述终止边缘信息与获取的每一个断裂点对之间缺失的边缘信息，得到初始喷雾区域对应的精确的最终边缘信息；基于最终边缘信息获取喷雾区域，进而准确提取喷雾撞壁参数。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法的步骤流程图，该方法包括以下步骤：
步骤1，获取缸内直喷汽油机喷油器的喷雾图像，利用大津阈值分割法提取所述喷雾图像中的初始喷雾区域。
具体的，利用高速摄影仪获取缸内直喷汽油机喷油器的喷雾图像，喷雾图像如图2所示，喷雾图像在高速摄影仪中存储为8位字节的无符号灰度数字图像，在数字图像中，每个像素亮度用一个0～255之间的数值表示，0表示黑，255表示白，其它数值则表示其灰度。
然后利用大津阈值分割法提取喷雾图像中的初始喷雾区域，即将初始喷雾区域作为前景，其他区域作为背景，利用大津阈值分割法将初始喷雾区域分割出来。其中大津阈值分割法为公知技术，不再赘述。
步骤2，通过canny算子获取初始喷雾区域对应的边缘信息，所述边缘信息为非闭合的边缘信息；获取边缘信息对应的多个断裂点对，且每一个断裂点对之间缺失了边缘信息，在任意一个断裂点对中随机选取一个断裂点作为生长点，基于生长点进行生长得到的下一个生长点，获取该断裂点对之间缺失的边缘信息。
通过canny算子获取初始喷雾区域对应的边缘信息，由canny算子的特性可知，canny算子在检测时的抗噪声能力较差，对噪声比较敏感，微小噪声就可能使图像边界产生较大偏差，还会在检测边界的同时加强局部噪声，因此在利用canny算子检测图像的边缘信息时，容易检测出断裂的边缘信息或噪声边缘信息。所以初始喷雾区域对应的边缘信息并不精确，即初始喷雾区域对应的边缘信息中可能存在断裂的边缘信息（边缘信息缺失）与噪声边缘信息。为了精确的获取初始喷雾区域对应的边缘信息则需要获取缺失的边缘信息。
由于边缘信息为非闭合的边缘信息，首先获取边缘信息对应的多个断裂点对，具体地，获取边缘信息对应的各个端点，当相邻两端点之间缺失了边缘信息时，则相邻两端点为一个断裂点对；例如，当获取的边缘信息对应的各个端点依次为端点1，端点2，端点3，端点4时；端点1与端点2之间存在边缘信息，端点3与端点4之间存在边缘信息，端点2与端点3之间不存在边缘信息，则将端点2与端点3记为一个断裂点对；端点2为该断裂点对中的一个断裂点，端点3为该断裂点对中的另一个断裂点；因为端点2与端点3之间本应是存在边缘信息的，但是canny算子并未将端点2与端点3之间的边缘信息检测出来，所以端点2与端点3为一个断裂点对。
然后在任意一个断裂点对中随机选取一个断裂点作为生长点，基于生长点进行生长得到的下一个生长点，获取该断裂点对之间缺失的边缘信息。
上述中获取该断裂点对之间缺失的边缘信息的方法为：
在生长点所在的边缘信息上以生长点为起点依次选取若干个像素点，计算任意两相邻的像素点的连线与水平线之间的夹角，计算相邻两夹角的差值，得到差异特征值，所述差异特征值为相邻两夹角对应的共同像素点的差异特征值；然后在与生长点相邻的非边缘信息像素点所在竖直线上获取多个非边缘信息像素点，并将其记为第一像素点；本实施例获取3个非边缘信息像素点，即3个第一像素点，在实际操作过程中，实施者可根据实际情况进行调整；其中，非边缘信息像素点为不在边缘信息上的像素点，根据各个第一像素点与生长点的连线和水平线之间的夹角以及所述差异特征值，计算各个第一像素点对应的优选值，将最大优选值对应的第一像素点作为下一个生长点，并将下一个生长点归入边缘信息，此时的下一个生长点为第一个下一个生长点，然后将第一个下一个生长点作为生长点继续生长，得到第二个下一个生长点，以此类推，直至得到的第m个下一个生长点在与该断裂点对中的另一个断裂点相邻的非边缘信息像素点所在竖直线上，停止生长，则获取的各个下一个生长点构成该断裂点对之间缺失的边缘信息。
所述优选值为：
Figure 539193DEST_PATH_IMAGE001
其中，
Figure 866138DEST_PATH_IMAGE002
为第q个第一像素点对应的优选值，
Figure 508471DEST_PATH_IMAGE003
为在生长点所在的边缘信息上以生 长点为起点选取的第1个像素点，
Figure 722415DEST_PATH_IMAGE004
为在生长点所在的边缘信息上以生长点为起点选取的 第2个像素点，
Figure 159213DEST_PATH_IMAGE005
为在生长点所在的边缘信息上以生长点为起点选取的第i个像素点，
Figure 244892DEST_PATH_IMAGE006
为
Figure 425338DEST_PATH_IMAGE003
与第q个第一像素点的连线和水平线之间的夹角，
Figure 24947DEST_PATH_IMAGE007
为
Figure 632645DEST_PATH_IMAGE003
与
Figure 668603DEST_PATH_IMAGE004
的连线和水平线之 间的夹角，
Figure 652740DEST_PATH_IMAGE008
为第q个第一像素与
Figure 106855DEST_PATH_IMAGE005
之间的欧氏距离，
Figure 885455DEST_PATH_IMAGE009
为
Figure 408709DEST_PATH_IMAGE005
对应的差异特征值；n为在 生长点所在的边缘信息上以生长点为起点依次选取像素点的总数量；实施者根据实际情况 获取依次选取像素点的总数量，当生长点所在的边缘信息的走势较为平缓时，则可依次选 取较少的像素点，当生长点所在的边缘信息的走势不平缓时，则可相应的依次选取较多的 像素点；
Figure 196537DEST_PATH_IMAGE010
为以e为底的指数函数，
Figure 505158DEST_PATH_IMAGE011
为求取绝对值的函数；
Figure 454660DEST_PATH_IMAGE012
为求取最大值 的函数。
上述中欧式距离与夹角的计算均为公知技术不在具体阐述。
优选值表征根据第q个第一像素点得到的
Figure 481522DEST_PATH_IMAGE003
的实际差异特征值与
Figure 791149DEST_PATH_IMAGE003
的预测差异特 征值之间的相似程度，该相似程度越大，则第q个第一像素点为下一个生长点的可能性越 大，优选值越大；
Figure 219856DEST_PATH_IMAGE020
表征根据第q个第一像素点得到的
Figure 340259DEST_PATH_IMAGE003
的实际差异特征值，
Figure 588838DEST_PATH_IMAGE021
表征
Figure 702156DEST_PATH_IMAGE003
的预测差异特征值，本实施例根据依次选取的若干个像素点计 算差异特征值，获取生长点所在的边缘信息的走势，并对生长点所在的边缘信息之后的走 势进行预测，得到
Figure 985370DEST_PATH_IMAGE003
的预测差异特征值，同时在计算预测差异特征值时，考虑了依次选取的 各个像素点与第q个第一像素点之间的距离，距离越近，则该像素点对应的差异特征值的权 重越大，能够更加精确的得到
Figure 276674DEST_PATH_IMAGE003
的预测差异特征值。
需要说明的是，通过依次选取的若干个像素点计算的差异特征值对生长点的差异特征值进行预测，得到生长点的差异特征值，进而获取各个第一像素点作为缺失的边缘信息的优选值；在计算优选值时，不仅考虑了边缘信息的角度变化趋势，即差异特征值，也考虑了距离对预测差异特征值的影响；使得到的预测差异特征值更加准确；同时，在计算第一个下一个生长点对应的预测差异特征值时，对应的依次选取的像素点数量比计算断裂点作为生长点对应的依次选取的像素点数量多一个，即加入了得到的第一个下一个生长点，在计算第二个下一个生长点对应的预测差异特征值时，则加入得到的第一个下一个生长点与第二个下一个生长点，以此类推。即本发明将第一次的预测结果加入到第二次的预测中，将第一次、第二次预测的预测结果加入到第三次的预测中，以此类推；能够使由各个下一个生长点构成的缺失的边缘信息更符合边缘信息的边缘特征，得到的缺失的边缘信息更加真实。
步骤3，获取边缘信息对应的多个连接点对，且每一个连接点对之间存在多条边缘信息，在任意一个连接点对中随机选取一个连接点作为种子点，将种子点在该连接点对之间的最外侧的两条边缘信息所围成的区域中进行生长，获取该连接点对之间的多条待选边缘信息。
首先获取边缘信息对应的多个连接点对，获取多个连接点对的方法具体为：
利用Harris角点检测算法对边缘信息进行角点检测，得到边缘信息对应的若干个角点；任意选取一角点，通过链码法获取该角点与剩余其他角点之间的边缘信息，当该角点与剩余其他角点中的其中一个角点之间存在多条边缘信息时，则将该角点与所述其中一个角点记为一个连接点对。其中，实施者也可选取其他的角点检测算法获取边缘信息对应的若干个角点，Harris角点检测算法与链码法均为公知技术，不再赘述。
例如，边缘信息对应的各个角点的示意图如图3所示，则角点d和角点e为一个连接点对；即角点d为该连接点对中的一个连接点，角点e为该连接点对中的另外一个连接点。
然后在任意一个连接点对中随机选取一个连接点作为种子点，将种子点在该连接点对之间最外侧的两条边缘信息所围成的区域中进行生长，获取该连接点对之间的多条待选边缘信息；例如以角点d点作为种子点，角点e为终点，将种子点在该连接点对之间最外侧的两条边缘信息所围成的区域Q中进行生长，生长方向为种子点的0°方向、45°方向以及-45°方向，当生长方向上的像素点的灰度值与种子点的灰度值的差值小于差值阈值时，则种子点生长一次，并将对应生长方向上的像素点作为种子点继续生长，直至生长方向上的像素点的灰度值与种子点的灰度值的差值均大于差值阈值时，或者生长到终点（角点e）时，停止生长，获取此时的待选边缘信息，但由于生长过程中的干扰因素过多，此时获取的待选边缘信息可能存在多条。其中，不同的喷雾图像对应的差值阈值的取值不同，差值阈值由实施者根据具体情况设定。
需要说明的是，一个连接点对之间存在多条边缘信息是canny算子在检测时不够准确导致的；既然canny算子在一个连接点对之间检测到了多条边缘信息，那么认为连接点对之间必然存在一条准确的边缘信息，因此，在任意一个连接点对中随机选取一个连接点作为种子点，通过种子点的生长获取对应连接点对之间的待选边缘信息，后续从待选边缘信息与两连接点对之间的边缘信息中选取一条准确的边缘信息。
步骤4，将每一个连接点对之间的边缘信息与待选边缘信息记为待检测边缘信息，获取待检测边缘信息对应的第一、第二特征区域，基于第一、第二特征区域对应的平均灰度值与待检测边缘信息上每一个像素点的灰度值，计算各连接点对之间的每一条待检测边缘信息对应的判定指标，将最大判定指标对应的待检测边缘信息记为各连接点对之间的终止边缘信息。
获取待检测边缘信息对应的第一、第二特征区域的方法为：将待检测边缘信息左侧宽度为a个像素点的区域记为第一特征区域，将待检测边缘信息右侧宽度为a个像素点的区域记为第二特征区域，其中a大于等于1。本实施中a=2，实施者可根据具体情况选取a的取值。
具体的，判定指标为：
Figure 12549DEST_PATH_IMAGE022
其中，
Figure 929558DEST_PATH_IMAGE014
为判定指标，
Figure 67279DEST_PATH_IMAGE015
为第一特征区域对应的平均灰度值，
Figure 529484DEST_PATH_IMAGE016
为第二特征区 域对应的平均灰度值，
Figure 752655DEST_PATH_IMAGE017
为待检测边缘信息上第j个像素点的灰度值，
Figure 473355DEST_PATH_IMAGE018
为待检测边缘信 息上第j+1个像素点的灰度值；N为待检测边缘信息上像素点的总数量，
Figure 465582DEST_PATH_IMAGE019
为求取最大 值的函数，e为自然常数。
判定指标表征待检测边缘信息为终止边缘信息的概率，概率越大，则对应的待检 测边缘信息越有可能为终止边缘信息，
Figure 98688DEST_PATH_IMAGE023
表征待检测边缘信息上两两相邻像素 点之间的差异度，该差异度越大，说明待检测边缘信息上两两相邻像素点之间的相似程度 越小，即待检测边缘信息上像素点的灰度分布越凌乱，则待检测边缘信息越不可能是终止 边缘信息，
Figure 74735DEST_PATH_IMAGE024
表征待检测边缘信息对应的第一特征区域与第二特区域之间的差 异，该差异越大，表征待检测边缘信息的分割效果越好，则该待检测边缘信息为终止边缘信 息的可能性越大。根据上述分析可知，
Figure 333547DEST_PATH_IMAGE023
与判定指标两者之间呈现负相关关系， 但并非线性关系，
Figure 180280DEST_PATH_IMAGE024
与判定指标两者之间呈现正相关关系，但并非线性关系，因 此，利用数学建模的方法获取判定指标的计算公式，满足各个因素与判定指标之间的关系。
需要说明的是，由步骤3的叙述可知，每一个连接点对之间存在一条准确的边缘信息，那么终止边缘信息则为对应连接点对之间的准确的边缘信息。
步骤5，基于终止边缘信息与获取的每一个断裂点对之间缺失的边缘信息，得到初始喷雾区域对应的最终边缘信息；基于最终边缘信息获取喷雾区域，根据喷雾区域提取喷雾撞壁参数。
最终边缘信息包括利用canny算子获取的边缘信息、终止边缘信息以及获取的每一个断裂点对之间缺失的边缘信息；最终边缘信息完成了对喷雾区域边界的准确获取，然后根据最终边缘信息准确获取喷雾区域，进而能够从喷雾区域中精确提取喷雾撞壁参数。
其中最终边缘信息包括的利用canny算子获取的边缘信息为：两角点之间只存在一条边缘信息，例如图3中角点a与角点b之间的边缘信息、角点c与角点d之间的边缘信息以及角点e与角点a之间的边缘信息。
喷雾撞壁参数包括喷雾锥角、喷雾贯穿距离、喷雾半径以及喷雾高度。其中喷雾锥角为喷嘴位置到1/2喷雾贯穿距离处，喷雾两侧切线之间的夹角；喷雾贯穿距离在撞壁前为喷嘴位置到喷雾发展最远端的距离，撞壁后为喷嘴位置到壁面的竖直距离；喷雾半径为喷雾撞壁后，射流沿壁面向铺展距离；喷雾高度为自由喷雾撞壁后沿壁面方向向外，垂直壁面的喷雾卷吸高度；
需要说明的是，根据喷雾区域提取喷雾撞壁参数为公知技术，不再赘述。
本发明还提供了一种基于图像处理的汽油机喷雾撞壁参数自动提取***，包括处理器与存储器，处理器执行存储器存储的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法的程序，由于一种基于图像处理的汽油机喷雾撞壁参数自动提取方法的具体实施方式已在上述步骤1至步骤5中详细给出，不再过多赘述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，该方法包括以下步骤：
获取缸内直喷汽油机喷油器的喷雾图像，利用大津阈值分割法提取所述喷雾图像中的初始喷雾区域；
通过canny算子获取初始喷雾区域对应的边缘信息，所述边缘信息为非闭合的边缘信息；
获取边缘信息对应的多个断裂点对，且每一个断裂点对之间缺失了边缘信息，在任意一个断裂点对中随机选取一个断裂点作为生长点，基于生长点进行生长得到的下一个生长点，获取该断裂点对之间缺失的边缘信息；
获取边缘信息对应的多个连接点对，且每一个连接点对之间存在多条边缘信息，在任意一个连接点对中随机选取一个连接点作为种子点，将种子点在该连接点对之间的最外侧的两条边缘信息所围成的区域中进行生长，获取该连接点对之间的多条待选边缘信息；
将每一个连接点对之间的边缘信息与待选边缘信息记为待检测边缘信息，获取待检测边缘信息对应的第一、第二特征区域，基于第一、第二特征区域对应的平均灰度值与待检测边缘信息上每一个像素点的灰度值，计算各连接点对之间的每一条待检测边缘信息对应的判定指标，将最大判定指标对应的待检测边缘信息记为各连接点对之间的终止边缘信息；
基于所述终止边缘信息与获取的每一个断裂点对之间缺失的边缘信息，得到初始喷雾区域对应的最终边缘信息；基于最终边缘信息获取喷雾区域，根据喷雾区域提取喷雾撞壁参数。
2.根据权利要求1所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，所述获取该断裂点对之间缺失的边缘信息的方法为：在生长点所在的边缘信息上以生长点为起点依次选取若干个像素点，计算任意两相邻的像素点的连线与水平线之间的夹角，计算相邻两夹角的差值，得到差异特征值，所述差异特征值为相邻两夹角对应的共同像素点的差异特征值；然后在与生长点相邻的非边缘信息像素点所在竖直线上获取多个非边缘信息像素点，并将其记为第一像素点，根据各个第一像素点与生长点的连线和水平线之间的夹角以及所述差异特征值，计算各个第一像素点对应的优选值，将最大优选值对应的第一像素点作为下一个生长点，并将下一个生长点归入边缘信息，此时的下一个生长点为第一个下一个生长点，然后将第一个下一个生长点作为生长点继续生长，得到第二个下一个生长点，以此类推，直至得到的第m个下一个生长点在与该断裂点对中的另一个断裂点相邻的非边缘信息像素点所在竖直线上，停止生长，则获取的各个下一个生长点构成该断裂点对之间缺失的边缘信息；其中m大于等于1。
3.根据权利要求2所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，所述优选值为：
Figure 569592DEST_PATH_IMAGE001
其中，
Figure 895531DEST_PATH_IMAGE002
为第q个第一像素点对应的优选值，
Figure 58659DEST_PATH_IMAGE003
为在生长点所在的边缘信息上以生长点 为起点选取的第1个像素点，
Figure 179062DEST_PATH_IMAGE004
为在生长点所在的边缘信息上以生长点为起点选取的第2 个像素点，
Figure 942487DEST_PATH_IMAGE005
为在生长点所在的边缘信息上以生长点为起点选取的第i个像素点，
Figure 806538DEST_PATH_IMAGE006
为
Figure 89752DEST_PATH_IMAGE003
与第q个第一像素点的连线和水平线之间的夹角，
Figure 381056DEST_PATH_IMAGE007
为
Figure 360339DEST_PATH_IMAGE003
与
Figure 762501DEST_PATH_IMAGE004
的连线和水平线之间的 夹角，
Figure 165801DEST_PATH_IMAGE008
为第q个第一像素与
Figure 628006DEST_PATH_IMAGE005
之间的欧氏距离，
Figure 834865DEST_PATH_IMAGE009
为
Figure 306298DEST_PATH_IMAGE005
对应的差异特征值；n为在生长 点所在的边缘信息上以生长点为起点依次选取像素点的总数量；
Figure 298525DEST_PATH_IMAGE010
为以e为底的指数 函数，
Figure 931631DEST_PATH_IMAGE011
为求取绝对值的函数；
Figure 891366DEST_PATH_IMAGE012
为求取最大值的函数。
4.根据权利要求1所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，所述获取边缘信息对应的多个连接点对的方法为：
对边缘信息进行角点检测，得到边缘信息对应的若干个角点；任意选取一角点，通过链码法获取该角点与剩余其他角点之间的边缘信息，当该角点与剩余其他角点中的其中一个角点之间存在多条边缘信息时，则将该角点与所述其中一个角点记为一个连接点对。
5.根据权利要求1所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，所述获取待检测边缘信息对应的第一、第二特征区域的方法为：将待检测边缘信息左侧宽度为a个像素点的区域记为第一特征区域，将待检测边缘信息右侧宽度为a个像素点的区域记为第二特征区域，其中a大于等于1。
6.根据权利要求1所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，所述判定指标为：
Figure 900910DEST_PATH_IMAGE013
其中，
Figure 747644DEST_PATH_IMAGE014
为判定指标，
Figure 817231DEST_PATH_IMAGE015
为第一特征区域对应的平均灰度值，
Figure 998682DEST_PATH_IMAGE016
为第二特征区域对应 的平均灰度值，
Figure 811918DEST_PATH_IMAGE017
为待检测边缘信息上第j个像素点的灰度值，
Figure 778737DEST_PATH_IMAGE018
为待检测边缘信息上第 j+1个像素点的灰度值；N为待检测边缘信息上像素点的总数量，
Figure 753646DEST_PATH_IMAGE019
为求取最大值的函 数，e为自然常数。
7.根据权利要求1所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法，其特征在于，所述喷雾撞壁参数包括喷雾锥角、喷雾贯穿距离、喷雾半径以及喷雾高度。
8.一种基于图像处理的汽油机喷雾撞壁参数自动提取***，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的如权利要求1-7中任一项所述的一种基于图像处理的汽油机喷雾撞壁参数自动提取方法的程序。
CN202211022129.3A 2022-08-25 2022-08-25 基于图像处理的汽油机喷雾撞壁参数自动提取方法及*** Active CN115131387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211022129.3A CN115131387B (zh) 2022-08-25 2022-08-25 基于图像处理的汽油机喷雾撞壁参数自动提取方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211022129.3A CN115131387B (zh) 2022-08-25 2022-08-25 基于图像处理的汽油机喷雾撞壁参数自动提取方法及***

Publications (2)

Publication Number Publication Date
CN115131387A true CN115131387A (zh) 2022-09-30
CN115131387B CN115131387B (zh) 2023-01-24

Family

ID=83387766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022129.3A Active CN115131387B (zh) 2022-08-25 2022-08-25 基于图像处理的汽油机喷雾撞壁参数自动提取方法及***

Country Status (1)

Country Link
CN (1) CN115131387B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843682A (zh) * 2023-08-30 2023-10-03 江苏太湖锅炉股份有限公司 利用红外热像仪的锅炉热效率在线检测与分析***

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050047678A1 (en) * 2003-09-03 2005-03-03 Jones James L. Image change detection systems, methods, and articles of manufacture
CN107220988A (zh) * 2017-04-30 2017-09-29 南京理工大学 基于改进canny算子的零部件图像边缘提取方法
CN108564091A (zh) * 2018-03-08 2018-09-21 佛山市云米电器科技有限公司 目标区域弱边缘提取方法及油烟浓度检测与干扰排除方法
CN109102518A (zh) * 2018-08-10 2018-12-28 广东工业大学 一种图像边缘检测的方法、***及相关组件
CN109102517A (zh) * 2018-08-10 2018-12-28 广东工业大学 一种图像边缘检测的方法、***及相关组件
WO2019041590A1 (zh) * 2017-08-31 2019-03-07 中国科学院微电子研究所 任意角度的边缘检测方法
CN109558908A (zh) * 2018-11-28 2019-04-02 西安邮电大学 一种给定区域最优边缘的确定方法
CN111127498A (zh) * 2019-12-12 2020-05-08 重庆邮电大学 一种基于边缘自生长的Canny边缘检测方法
CN112053345A (zh) * 2020-09-02 2020-12-08 长春大学 基于机器视觉的gdi汽油机喷雾撞壁参数自动提取方法及***
CN112070792A (zh) * 2020-08-25 2020-12-11 清华大学 一种用于图像分割的边缘生长连接方法及装置
CN113269791A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
CN113343976A (zh) * 2021-05-13 2021-09-03 武汉大学 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法
CN113935992A (zh) * 2021-12-15 2022-01-14 武汉和众成设备工贸有限公司 基于图像处理的抗油污干扰的齿轮裂纹检测方法与***
CN113989313A (zh) * 2021-12-23 2022-01-28 武汉智博通科技有限公司 基于图像多维分析的边缘检测方法及***
CN114399522A (zh) * 2022-01-14 2022-04-26 东南大学 一种基于高低阈值的Canny算子的边缘检测方法
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN114937039A (zh) * 2022-07-21 2022-08-23 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050047678A1 (en) * 2003-09-03 2005-03-03 Jones James L. Image change detection systems, methods, and articles of manufacture
CN107220988A (zh) * 2017-04-30 2017-09-29 南京理工大学 基于改进canny算子的零部件图像边缘提取方法
WO2019041590A1 (zh) * 2017-08-31 2019-03-07 中国科学院微电子研究所 任意角度的边缘检测方法
CN108564091A (zh) * 2018-03-08 2018-09-21 佛山市云米电器科技有限公司 目标区域弱边缘提取方法及油烟浓度检测与干扰排除方法
CN109102518A (zh) * 2018-08-10 2018-12-28 广东工业大学 一种图像边缘检测的方法、***及相关组件
CN109102517A (zh) * 2018-08-10 2018-12-28 广东工业大学 一种图像边缘检测的方法、***及相关组件
CN109558908A (zh) * 2018-11-28 2019-04-02 西安邮电大学 一种给定区域最优边缘的确定方法
CN111127498A (zh) * 2019-12-12 2020-05-08 重庆邮电大学 一种基于边缘自生长的Canny边缘检测方法
CN112070792A (zh) * 2020-08-25 2020-12-11 清华大学 一种用于图像分割的边缘生长连接方法及装置
CN112053345A (zh) * 2020-09-02 2020-12-08 长春大学 基于机器视觉的gdi汽油机喷雾撞壁参数自动提取方法及***
CN113269791A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
CN113343976A (zh) * 2021-05-13 2021-09-03 武汉大学 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法
CN113935992A (zh) * 2021-12-15 2022-01-14 武汉和众成设备工贸有限公司 基于图像处理的抗油污干扰的齿轮裂纹检测方法与***
CN113989313A (zh) * 2021-12-23 2022-01-28 武汉智博通科技有限公司 基于图像多维分析的边缘检测方法及***
CN114399522A (zh) * 2022-01-14 2022-04-26 东南大学 一种基于高低阈值的Canny算子的边缘检测方法
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN114937039A (zh) * 2022-07-21 2022-08-23 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MEIPING SONG: "Crack Detection Algorithm for Photovoltaic Image Based on Multi-Scale Pyramid and Improved Region Growing", 《2018 IEEE 3RD INTERNATIONAL CONFERENCE ON IMAGE, VISION AND COMPUTING (ICIVC)》 *
XUEFENG NI等: "Detection for Rail Surface Defects via Partitioned Edge Feature", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
史庆楠: "基于蚁群算法的图像边缘检测及分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张娜: "基于多视角区域生长的复杂曲面结构模型分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843682A (zh) * 2023-08-30 2023-10-03 江苏太湖锅炉股份有限公司 利用红外热像仪的锅炉热效率在线检测与分析***
CN116843682B (zh) * 2023-08-30 2023-11-03 江苏太湖锅炉股份有限公司 利用红外热像仪的锅炉热效率在线检测与分析***

Also Published As

Publication number Publication date
CN115131387B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN107578035A (zh) 基于超像素‑多色彩空间的人体轮廓提取方法
CN108694393A (zh) 一种基于深度卷积的证件图像文本区域提取方法
CN107564017B (zh) 一种城市高分遥感影像阴影检测及分割方法
CN109101856A (zh) 一种二维码图像识别方法及装置
CN110110687B (zh) 基于颜色信息和三维轮廓信息的树上水果自动识别方法
CN111753577A (zh) 自动采摘机器人中的苹果识别与定位方法
CN107066952A (zh) 一种车道线检测方法
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
CN115131387B (zh) 基于图像处理的汽油机喷雾撞壁参数自动提取方法及***
CN114863493B (zh) 一种低质量指纹图像和非指纹图像的检测方法及检测装置
CN109886935A (zh) 一种基于深度学习的道面异物检测方法
CN116645373B (zh) 一种木材表面缺陷识别方法
Liu et al. Development of a machine vision algorithm for recognition of peach fruit in a natural scene
CN102938074B (zh) 体育直播虚拟广告***中羽毛球或网球场地的自适应提取方法
CN106324708B (zh) 雨量记录图纸的数字化方法、装置
CN116823820A (zh) 一种铝碳质整体塞棒轮廓弯曲检测方法
CN105678795B (zh) 一种现场鞋印图像检验方法
CN117496109A (zh) 一种图像比对分析方法、装置、电子设备及存储介质
CN102194224A (zh) 一种光学遥感图像坦克群的识别方法
CN114299399B (zh) 一种基于骨架线关系的飞机目标确认方法
CN114758139B (zh) 基坑积水检测方法
CN113643352B (zh) 一种自然覆冰在线监测运行导线图像覆冰程度评估方法
CN113066041A (zh) 一种基于栈稀疏自编码深度学习的路面裂缝检测方法
CN115439891A (zh) 一种基于小指纹头、低算力和低存储芯片的指纹识别方法

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
TR01 Transfer of patent right

Effective date of registration: 20231025

Address after: 274000 North Road, 800 meters east of the intersection of Leize Avenue and Chengpu Street, Fenghuang Town, Juancheng County, Heze City, Shandong Province

Patentee after: Shandong Xiaochen Chemical Technology Co.,Ltd.

Address before: 274600 west of Fuma Zhangzhuang, north section of Leize Avenue, juancheng County, Heze City, Shandong Province

Patentee before: Shandong Dingtai new energy Co.,Ltd.

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Automatic extraction method and system of gasoline engine spray impingement parameters based on image processing

Effective date of registration: 20231221

Granted publication date: 20230124

Pledgee: Shandong juancheng Rural Commercial Bank Co.,Ltd.

Pledgor: Shandong Xiaochen Chemical Technology Co.,Ltd.

Registration number: Y2023980073195

PE01 Entry into force of the registration of the contract for pledge of patent right