【技术实现步骤摘要】
一种应用于大型压力容器红外无损检测的SIFT图像拼接方法
本专利技术属于红外检测应用以及模式识别
，更具体地说，本专利技术涉及一种应用于大型压力容器红外无损检测的SIFT图像拼接方法。
技术介绍
本专利技术使用对象为大型压力容器设备作为存储特殊气体或保持真空环境的特征设备，其容积通常能达到几千甚至上万立方米，在风洞试验测试、运载火箭发射、化工原料储存等领域中具有极其重要的作用。大型压力容器由于使用工况较为苛刻，往往可能会产生一系列的诸如微裂纹、疲劳裂纹、罐体腐蚀等损伤，因此具有泄漏、燃爆等事故危害性，由于高密度的试验任务，使用单位无法像其它行业那样一般都能提供设计安装资料、拆除保温层、内表面宏观检查、压力试验等基本的检验检测条件，从而需要对大型压力容器进行原味红外无损检测，获得缺陷图像反应大型压力容器具体损伤。红外无损检测即使用红外热像仪记录试件表面或者亚表面随时间变化的温场信息，并将其转换为热图像序列-红外视频流，对其进行特征提取，获得根据温度变化向量的特征分类的多张缺陷重构图像。但红外视频流数据量巨大，运行...
【技术保护点】
1.一种应用于大型压力容器红外无损检测的SIFT图形拼接方法，其特征在于，包括以下步骤：/n步骤S1、采集红外视频流；采用红外热像仪记录构建表面温度分布得到图像序列构成红外成像视频流，视频流为(N，M，t)大小的三维矩阵；/n步骤S2、视频流信号处理获得重构图像；/n步骤S3、使用PCA-SIFT算法获得拼接图像特征描述算子；/n步骤S4、对特征点对进行以余弦值为度量的粗匹配；/n步骤S5、对获得的粗匹配点对进行RANSAC去误匹配；/n步骤S6、使用H变换矩阵对图像进行仿射变换；对被测图像利用H变换矩阵进行旋转，平移，缩放操作，从而获得基准图像对应的拼接图像；/n步骤S7...
【技术特征摘要】
1.一种应用于大型压力容器红外无损检测的SIFT图形拼接方法，其特征在于，包括以下步骤：
步骤S1、采集红外视频流；采用红外热像仪记录构建表面温度分布得到图像序列构成红外成像视频流，视频流为(N，M，t)大小的三维矩阵；
步骤S2、视频流信号处理获得重构图像；
步骤S3、使用PCA-SIFT算法获得拼接图像特征描述算子；
步骤S4、对特征点对进行以余弦值为度量的粗匹配；
步骤S5、对获得的粗匹配点对进行RANSAC去误匹配；
步骤S6、使用H变换矩阵对图像进行仿射变换；对被测图像利用H变换矩阵进行旋转，平移，缩放操作，从而获得基准图像对应的拼接图像；
步骤S7、对拼接图像亮度进行调整；
步骤S8、对图像进行渐入渐出融合；
步骤S9、仿真验证算法的拼接效果，对大型压力容器进行拼接实验。
2.如权利要求1所述的应用于大型压力容器红外无损检测的SIFT图形拼接方法，其特征在于，所述步骤S2视频流信号处理获得重构图像的步骤包括：
步骤S21、单帧图片向量化获得新矩阵；通过红外热成像无损检测，在大型压力容器上获得热图视频，对每一帧图像向量化即对于，每一帧图像按列取值并列后得到一帧的图像向量，并且作为矩阵的行向量，构建出一个新的矩阵U(i，j)，i＝1，2，...，t；j＝1，2，...N×M；其中，U(：，j)代表单幅图像中每个像素点(qj，pj)，qj＝roundup(j/N)；pj＝(j-(q-1)×N)对应的温度变化向量；
步骤S22、进行K-Means初始聚类；包括以下步骤：
步骤(a)、对所有像素点对应的温度变化向量U(i，j)，j＝1，2，...N×M聚类为K类，聚类中心为U(：，j1)，U(：，j2)，......，U(：，jK)；随机从U(：，j)中选取K个温度变化向量U(：，j1′)，U(：，j2′)，......，U(：，jK′)作为初始均值向量，其对应的聚类每一个类型表示为P1′，P2′，...，PK′；
步骤(b)、计算U(：，j)，j＝1，2，...N×M与各聚类中心U(：，j1′)，U(：，j2′)，U(：，jl′)，......，U(：，jK′)的距离，其计算公式为djl＝||U(：，j)-U(：，jl′)||2，根据距离最近的均值向量确定U(：，j)的簇标记λlj＝argminl∈1，2，...，K||U(：，j)-U(：，jl′)||2，将样本划入相应的簇Cλlj＝Cλlj∪{U(：，j)}；
步骤(c)、更新均值向量其中|Cl|为样本簇Cl的样本总数；
步骤(d)、重复进行步骤(b)、步骤(c)直到均值向量不再改变，最终获得K类样本数据；
步骤S23、GMM强化聚类，获得分类结果；将原样本U(：，j)表示为U(：，j)＝{x1，x2，...，xj}，令随机隐含变量zm∈{1，2，...K}表示样本xm的高斯混合成分，其中i，m(1≤i≤K，1≤m≤j)；包括以下步骤：
步骤一、对由K-means方法得到的初始分类结果的每一类，假射符合高斯分布，满足下式的概率密度函数：
利用常规的最大似然函数法尽可能求取每一类的模型参数{(φi，μi，∑i)|1≤i≤k}，将得到的模型参数{(φi，μi，∑i)|1≤i≤k}作为高斯混合分布模型的初始值；这里φi是隐含变量z服从的先验分布，即混合系数，μ、∑分别是各个单高斯分布的均值；
步骤二、从原型聚类的角度来看，高斯混合聚类GMM是采用高斯分布的概率模型对原型进行刻画，簇划分为由原型对应的后验概率，其表示为：
wmi＝p(zm＝i|xm；φ，μ，∑)
其中，wji为隐含变量z属于类别的后验概率，其可根据贝叶斯公式计算得到：
步骤三、通过循环迭代，按下式计算并更新模型参数直至满足算法终止条件，其中，计算新混合系数的公式为：
计算新均值向量的公式为：
计算新协方差矩阵的公式为：
步骤四、利用最终得到的模型参数确定高斯混合分布，GMM聚类将样本集D划分为K个簇C＝{C1，C2，...CK}，每个样本xj的簇标记如下公式确定：
将xj划入相应的簇：Cλm＝Cλm∪{xm}，得到簇划分C＝{C1，C2，...CK}；
步骤S24、构建变换矩阵，获得红外重构图像；选择每一类概率计算值最大的温度变化向量合并构成大小为t×K的线性变化矩阵Q，判断Q的秩rank(Q)是否为满秩，即提取到的每一类的温度变化向量是否线性独立，若矩阵Q满秩，即各类特征向量线性独立，则对Q矩阵按每一列向量进行施密特正交化得到Q′；若n＝rank(Q)＜K，则将矩阵Q按列分块，求取极大线性无关组，将其他的K-n个列向量逐个使用对应分类中概率值次之的向量替换，直到向量线性独立，对其进行施密特正交化，最终得到m×k维正交独立的线性变换矩阵Q′；用矩阵Q′对原二维矩阵P进行线性变换，即得到二维图像矩阵O，其中为矩阵Q的k×m维伪逆矩阵；将二维图像矩阵O再按列取值构成原图像尺寸大小的二维图像，得到K张大小为N×M的重构红外图像；这些图片都分别突出了各类缺陷信息，为方便后续图像拼接融合，选择缺陷信息与试件背景像素值差异最大的一张二维图像，即为Y(x，y)。
3.如权利要求1所述的应用于大型压力容器红外无损检测的SIFT图像拼接方法，其特征在于，所述步骤S3获得PCA-SIFT特征描述算子的具体步骤包括：
步骤S31、构建高斯尺度空间；对于二维图像Y(x，y)Y(x，y)在不同尺度下的尺度空间表示C(x，y，σ)由图像Y(x，y)与高斯的卷积得到，如下式所示：
C(x，y，σ)＝G(x，y，σ)×Y(x，y)
DOG算子即两个不同尺度的高斯核的差分，如下式所示：
O(x，y，σ)＝G(x，y，kσ)-G(x，y，σ)×Y(x，y)
＝C(x，y，kσ)-C(x，y，σ)
步骤S32、对尺度空间特征点进行检测及定位；对于图像中的任何点，其DOG响应值可以通过直线和曲线连接，并且形成的轨迹图是图像的特征曲线，对于曲线上的极值点则表示为特征点的特征尺度，如极值点不唯一，则表明该特征点存在于多个尺度；由于DOG响应值对于边缘和噪声较为敏感，要对极值点进行三维二次函数拟合以精确定位为特征点，尺度空间函数O(x，y，σ)在局部极值点(x0，y0，σ)处的泰勒展开式如下式所示：
上式的一阶和二阶导数通过附近区域之间的差分来近似；其中X＝(x，y，σ)T求导并让方程等于零，求得极值点为则对应极值点方程的值为：若则该特征点就保留下来，否则就移除，移除的则为低对比度的特征点；其中代表相对插值中心的偏移量同时，在...
【专利技术属性】
技术研发人员：黄雪刚，石安华，罗锦阳，王马法，覃金贵，兰胜威，刘春华，柳森，
申请(专利权)人：中国空气动力研究与发展中心超高速空气动力研究所，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。