【技术实现步骤摘要】
本专利技术属于，具体涉及一种基于机器学习填补法的canny液膜边界标记优化方法及其优化系统。
技术介绍
1、在核工程领域，图像处理技术在各种应用中扮演着至关重要的角色，液体表面的分析与标记是核工程图像处理领域中的一个关键任务，液膜边界标记的准确性对于液体表面的研究和应用至关重要，对波形板干燥器液膜破裂机理和二次携带效应的研究启到关键因素。液膜边界标记可以用于测量液体表面的厚度等关键参数，在判断液膜破裂方面具有广泛的应用前景，所以尝试构建一套模型对液膜边缘进行检测。
2、canny边缘检测是一种常用的图像处理技术，用于检测图像中的边界。然而，当应用于液膜边界标记时，canny边缘检测可能会存在一些缺陷，在液膜边界存在缺失或模糊的情况，会导致液膜边界不清晰，液膜边界数据缺失。这可能导致液膜的边界标记不够准确，影响进一步的分析和测量。
3、为了解决这一问题，本专利技术提出了一种基于机器学习的填补方法，优化液膜边界标记的准确性。比较了两种不同的填补法：bp神经网络填补法和随机森林填补法，以确定哪种方法最适合用于液膜边界标记的改进。
4、本专利技术的目标是提供一种有效的液膜边界标记方法，以提高液体表面的分析和测量的精度。这一研究有望为液膜破裂领域提供有力的工具和方法，推动核工程液膜破裂领域的进一步发展。
技术实现思路
1、本专利技术提供基于机器学习填补法的canny液膜边界标记优化方法及其优化系统，解决液膜边界标记中的数据缺失的问题，以提高液体表面的分析和
2、本专利技术通过以下技术方案实现：
3、一种基于机器学习填补法的canny液膜边界标记优化方法，所述优化方法具体包括以下步骤：
4、步骤1：采用canny边缘检测算法，对液体表面的图像进行边缘检测；
5、步骤2：根据步骤1边缘检测的数据，再进行检测边界数据的缺失或模糊情况；
6、步骤3：根据步骤2检测到的缺失数据，应用数据填补模型，进行液膜边界数据的填补；
7、步骤4：将图像数据输入到步骤3的数据填补模型中，得到液膜边界数据的预测，以实现对液膜的精确标记。
8、进一步的，所述步骤1具体包括以下步骤，
9、步骤1.1：对输入图像进行高斯平滑处理，以降低通过拍照得到的液膜图像中的高频噪声；
10、步骤1.2：基于步骤1.1处理后的图像数据使用梯度算子，计算图像中每个像素点的梯度幅度和梯度方向；
11、步骤1.3：对图像中每个像素点的梯度幅度和梯度方向，消除边缘检测带来的杂散响应；
12、步骤1.4：通过设置高阈值和低阈值，将边缘像素点分为强边缘和弱边缘。强边缘直接被接受为最终的边缘像素，而弱边缘只有在与强边缘像素相邻时才会被保留。
13、进一步的，所述步骤1.1具体为，高斯滤波使用的高斯核是具有x和y个维度的高斯函数，且两个维度上标准差一般取相同，形式为：
14、
15、高斯滤波器的应用有助于使边缘检测更加稳定，因为它可以平滑图像并消除不必要的细节；高斯平滑的效果由标准差控制，可根据图像特性进行选择。
16、进一步的，所述步骤1.2具体为，识别图像中的边缘位置，因为边缘通常表现为梯度幅度的显著变化。图像矩阵坐标系原点在左上角，且x正方向为从左到右，y正方向为从上到下。
17、
18、则由(2)式可计算得到梯度强度矩阵。
19、进一步的，所述步骤1.3具体为，将当前像素梯度强度与沿正负梯度方向上的相邻像素的梯度强度进行比较，若其最大值，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点；在跨越梯度方向的两个相邻像素之间使用线性插值来得到要参与比较的像素梯度。
20、进一步的，所述步骤2具体为，基于步骤1通过设置高阈值和低阈值，将边缘像素点分为强边缘和弱边缘；强边缘直接被接受为最终的边缘像素，而弱边缘只有在与强边缘像素相邻时才会被保留；
21、通过分析二值图像，可以检测到缺失的边界数据，因为缺失部分通常会表现为不连续的区域。
22、进一步的，所述步骤3的数据填补模型使用随机森林填补法具体为，
23、将确定的存在缺失的液膜边界标记的图像转为矩阵数据，
24、将这些训练数据包括图像中的全部区域，其中液膜边界信息已知。对于每个局部区域，从图像中提取相关的特征并获得数据矩阵；
25、使用收集到的训练数据和特征，构建一个随机森林模型；
26、对随机森林模型进行训练，将随机森林模型训练完成后，将其应用于需要填补的液膜缺失图像中；对于每个缺失的像素点，将其周围的局部区域作为输入，使用随机森林模型来预测缺失像素的值，预测过程是对多个决策树的投票确定的；
27、将填补后的图像数据与原始图像进行融合，以生成最终的液膜边界标记图，并同时考虑到原始图像中已知的边界信息，以确保填补后的图像与原始液膜边界一致。
28、一种基于机器学习填补法的canny液膜边界标记优化系统，所述优化系统使用如上述基于机器学习填补法的canny液膜边界标记优化方法，所述优化系统包括
29、检测单元，采用canny边缘检测算法，对液体表面的图像进行边缘检测；
30、根据边缘检测的数据，再进行检测边界数据的缺失或模糊情况；
31、数据填补单元，根据步骤2检测到的缺失数据，应用数据填补模型，进行液膜边界数据的填补；
32、将图像数据输入到步骤3的数据填补模型中，得到液膜边界数据的预测，以实现对液膜的精确标记。
33、一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
34、存储器，用于存放计算机程序；
35、处理器，用于执行存储器上所存放的程序时，实现上述的方法。
36、一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
37、本专利技术的有益效果是：
38、本专利技术基于canny边缘检测技术与机械学习算法耦合，以捕捉液膜的边缘特征。
39、本专利技术的随机森林填补法相对于bp神经网络填补法为
本文档来自技高网...【技术保护点】
1.一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述优化方法具体包括以下步骤：
2.根据权利要求1所述一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述步骤1具体包括以下步骤，
3.根据权利要求2所述一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述步骤1.1具体为，高斯滤波使用的高斯核是具有x和y个维度的高斯函数，且两个维度上标准差一般取相同，形式为：
4.根据权利要求2所述一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述步骤1.2具体为，识别图像中的边缘位置，因为边缘通常表现为梯度幅度的显著变化。图像矩阵坐标系原点在左上角，且x正方向为从左到右，y正方向为从上到下。
5.根据权利要求2所述一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述步骤1.3具体为，将当前像素梯度强度与沿正负梯度方向上的相邻像素的梯度强度进行比较，若其最大值，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点；在跨越梯度方向的两
6.根据权利要求2所述一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述步骤2具体为，基于步骤1通过设置高阈值和低阈值，将边缘像素点分为强边缘和弱边缘；强边缘直接被接受为最终的边缘像素，而弱边缘只有在与强边缘像素相邻时才会被保留；
7.根据权利要求1所述一种基于机器学习填补法的Canny液膜边界标记优化方法，其特征在于，所述步骤3的数据填补模型使用随机森林填补法具体为，
8.一种基于机器学习填补法的Canny液膜边界标记优化系统，其特征在于，所述优化系统使用如权利要求1-7任一所述基于机器学习填补法的Canny液膜边界标记优化方法，所述优化系统包括
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
...【技术特征摘要】
1.一种基于机器学习填补法的canny液膜边界标记优化方法，其特征在于，所述优化方法具体包括以下步骤：
2.根据权利要求1所述一种基于机器学习填补法的canny液膜边界标记优化方法，其特征在于，所述步骤1具体包括以下步骤，
3.根据权利要求2所述一种基于机器学习填补法的canny液膜边界标记优化方法，其特征在于，所述步骤1.1具体为，高斯滤波使用的高斯核是具有x和y个维度的高斯函数，且两个维度上标准差一般取相同，形式为：
4.根据权利要求2所述一种基于机器学习填补法的canny液膜边界标记优化方法，其特征在于，所述步骤1.2具体为，识别图像中的边缘位置，因为边缘通常表现为梯度幅度的显著变化。图像矩阵坐标系原点在左上角，且x正方向为从左到右，y正方向为从上到下。
5.根据权利要求2所述一种基于机器学习填补法的canny液膜边界标记优化方法，其特征在于，所述步骤1.3具体为，将当前像素梯度强度与沿正负梯度方向上的相邻像素的梯度强度进行比较，若其最大值，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点；在跨越梯...
【专利技术属性】
技术研发人员：朱禹翰，胡少纯，王博，张佳奕，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
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。