一种用于PLIF火焰前锋提取的条件型水平集方法

摘要

本发明公开了一种用于PLIF火焰前锋提取的条件型水平集方法，包括ICCD采集原始图像、PLIF图像矫正、非线性各向异性过滤、自适应二值化、水平集初始化和条件型水平集迭代共六个部分。本发明的条件型水平集方法内置自适应阀值条件型输入用于条件型水平集迭代，有效地保证图像分割的精度并提升计算效率。条件型水平集方法在经典的两相水平集函数中采用了区域锁定策略，该策略优化了水平集迭代精度并减少了计算时间。经过多种PLIF火焰工况测试表明，条件型水平集方法对于图像噪声、亮度不均匀性和火焰拓扑形态有较好的鲁棒性，条件型水平集方法对PLIF图像处理流程采用顺序渐进的后处理模式，具有较好的通用性。

主权项

一种用于PLIF火焰前锋提取的条件型水平集方法，PLIF表示平面激光诱导荧光，方法包括以下几个步骤：步骤一：ICCD采集原始图像，进行预处理矫正；ICCD表示像增强的电荷耦合固体检测器，在紫外片光成型器和紫外准直器前设置在线能量监测仪，采用ICCD采集原始信号并通过在线能量监测仪进行预处理矫正，在线能量监测仪的预处理矫正关系如下：$I_{Raw}=I_{img}\times \frac{I_{\mathrm{Re}ference}}{I_{Energy}}$其中：I_img为ICCD直接获得的信号，I_Energy为当前信号对应的脉冲能量，I_Reference为给定的参考脉冲能量，ICCD自动进行在线能量矫正，得到原始图像I_Raw；步骤二：PLIF图像矫正；PLIF图像矫正包括背景噪声和激光能量矫正，具体为：$I_{corrected}=\frac{I_{Raw}-{\bar{I}}_{backgroundnoise}}{{\bar{I}}_{laserprofile}-{\bar{I}}_{backgroundnoise}}$其中：为背景噪声平均值，为激光能量分布平均值，I_corrected为矫正结果；步骤三：非线性各向异性过滤；非线性各向异性滤镜采用局部偏移策略，令原始图像为I_i,j，下标i，j为标量X，Y两个方向的函数，则I_i,j在四个方向的偏移量分别为其中N，S，E，W分别为北，南，东，西四个方向，原始图像I_i,j经过在四个方向上的偏移运算后得到的偏移图像分别为I_i‑1,j，I_i+1,j，I_i,j+1，I_i,j‑1，各向偏移量与原始图像及偏移图像间的关系为：${▿}_N{I}_{i,j}\equiv I_{i-1,j}-I_{i,j}$${▿}_S{I}_{i,j}\equiv I_{i+1,j}-I_{i,j}$${▿}_E{I}_{i,j}\equiv I_{i,j+1}-I_{i,j}$${▿}_W{I}_{i,j}\equiv I_{i,j-1}-I_{i,j}$最终各向异性过滤后的结果I_NLD如下，其中NLD表示非线性扩散：$I_{NLD}\equiv \frac{\left|I_{i-1,j}\right|+\left|I_{i+1,j}\right|+\left|I_{i,j+1}\right|+\left|I_{i,j-1}\right|}{4}$针对步骤二得到的矫正结果I_corrected，进行上述非线性各向异性过滤，得到I_NLD；步骤四：自适应二值化；详细流程如下：记初始阀值其中I_max为图像中最大值，I_min为图像中最小值；对于图像中大于T₀的部分，计算其平均值得到I₁，小于T₀的部分，计算其平均值得到I₂，得到新阀值一随后以新阀值一T₁为标准，重新计算大于T₁部分的平均值I₁，小于T₁部分的平均值I₂，得到新阀值二计算两次阀值的差值ΔT＝|T₁‑T₂|，如果ΔT≤10^‑4，即采用新阀值二T₂为自适应阀值，如果ΔT不满足上述给定要求，则重新计算下一个新阀值T_i，i＝3，4，5......，直到新阀值差ΔT＝|T_i‑T_i‑1|满足要求为止，停止迭代，最终自适应阀值结果为T_i；步骤五：水平集初始化；水平集初始化包括燃烧区域数值初始化与非燃烧区域数值初始化，将非燃烧区域恒定设为任意负数，将燃烧区域恒定设定为任意正数，使得边界迭代只在燃烧区域内进行；令自适应阀值迭代结果的图像为I，则水平集初始化边界为：其中C为闭合曲线，表示图像初始化轮廓，x，y为图像二维方向；步骤六：条件型水平集迭代；构建能量函数：F(C)＝ε+νL+μR其中：F为水平集能量函数，ε为数据项，L为弧长惩罚项，R为距离惩罚项，ν为弧长惩罚项正负常系数，μ为距离惩罚项权重系数，C为闭合曲线；然后根据闭合曲线C构造如下水平集函数φ：{C|φ(x，y)＝0}设定φ为内正外负的符号距离函数，则满足F(C)能量最小的偏微分条件如下：$c_1\left(\phi \right)=\frac{{\int }_I{I}_0(x,y)H\left(\phi \right)dxdy}{{\int }_{I}H\left(\phi \right)dxdy}$$c_2\left(\phi \right)=\frac{{\int }_I{I}_0(x,y)(1-H(\phi \left)\right)dxdy}{{\int }_I(1-H(\phi \left)\right)dxdy}$$\begin{array}{c}\frac{\partial \phi }{\partial t}=\delta \left(\phi \right)[\mu ▿\left(\frac{▿\phi }{|▿\phi |}\right)-v-c_1{(I_0,x,y)}^2+c_2{(I_0,x,y)}^2]\\ \phi \left(x,y,t=0\right)={\phi }_0\left(x,y\right)\end{array}$其中：c₁(φ)为闭合曲线C内部水平集函数，c₂(φ)为闭合曲线C外部水平集函数，I为图像定义域，I₀为输入图像，φ₀为初始水平集函数，t为迭代时间步长；另外H为亥维赛函数，δ为狄拉克函数，具体为：$H_{ϵ}\left(z\right)=\frac{1}{2}(1+\frac{2}{\pi }\arctan (\frac{z}{ϵ}\left)\right)$${\delta }_{ϵ}\left(z\right)=\frac{1}{\pi }·\frac{ϵ}{{ϵ}^2+z^2}$其中：ε为常数系数，根据设定的迭代时间步长t和迭代步数，以及ν和μ，求解上述微分方程，得到构造水平集函数φ以及内部和外部封闭曲线c₁(φ)、c₂(φ)，从而得到最后的封闭轮廓C。