[發明專利]一種應用于大型壓力容器紅外無損檢測的SIFT圖像拼接方法

有效

• 申請號: 201910971944.6
• 申請日: 2019-10-14
• 公開（公告）號: CN110689485B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 黃雪剛;石安華;羅錦陽;王馬法;覃金貴;蘭勝威;劉春華;柳森
• 申請（專利權）人: 中國空氣動力研究與發展中心超高速空氣動力研究所
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T3/00;G06T7/33;G06V10/762
• 代理公司: 北京遠大卓悅知識產權代理有限公司 11369
• 代理人: 張忠慶

1.一種應用于大型壓力容器紅外無損檢測的SIFT圖像拼接方法，其特征在于，包括以下步驟：

步驟S1、采集紅外視頻流；采用紅外熱像儀記錄構建表面溫度分布得到圖像序列構成紅外成像視頻流，視頻流為(N，M，t)大小的三維矩陣；

步驟S2、視頻流信號處理獲得重構圖像，具體步驟包括：

步驟S21、單幀圖片向量化獲得新矩陣；通過紅外熱成像無損檢測，在大型壓力容器上獲得熱圖視頻，對每一幀圖像向量化即對于，每一幀圖像按列取值并列后得到一幀的圖像向量，并且作為矩陣的行向量，構建出一個新的矩陣U(i,j)，i＝1,2,…,t；j＝1,2,…N×M；其中，U(:,j)代表單幅圖像中每個像素點(q_j,p_j)，q_j＝roundup(j/N)；p_j＝(j－(q－1)×N)對應的溫度變化向量；

步驟S22、進行K-Means初始聚類；包括以下步驟:

步驟(a)、對所有像素點對應的溫度變化向量U(i,j)，j＝1,2,…N×M聚類為K類，聚類中心為U(:,j₁),U(:,j₂),……,U(:,j_K)；隨機從U(:,j)中選取K個溫度變化向量U(:,j₁′),U(:,j₂′),……,U(:,j_K′)作為初始均值向量，其對應的聚類每一個類型表示為P₁′,P₂′,…,P_K′；

步驟(b)、計算U(:,j)，j＝1,2,…N×M與各聚類中心U(：,j₁′),U(:,j₂′),U(:,j_l′),……,U(:,j_K′)的距離，其計算公式為d_jl＝||U(:,j)－U(:,j_l′)||₂，根據距離最近的均值向量確定U(:,j)的簇標記λ_lj＝argmin_{l∈1,2,…,K}||U(:,j)－U(:,j_l′)||₂，將樣本劃入相應的簇C_λlj＝C_λlj∪{U(:,j)}；

步驟(c)、更新均值向量其中|C_l|為樣本簇C_l的樣本總數；

步驟(d)、重復進行步驟(b)、步驟(c)直到均值向量不再改變，最終獲得K類樣本數據；

步驟S23、GMM強化聚類，獲得分類結果；將原樣本U(:,j)表示為U(:,j)＝{x₁,x₂,...,x_j}，令隨機隱含變量z_m∈{1,2,...K}表示樣本x_m的高斯混合成分，其中i,m，1≤i≤K，1≤m≤j,包括以下步驟:

步驟一、對由K-means方法得到的初始分類結果的每一類，假射符合高斯分布，滿足下式的概率密度函數：

利用常規的最大似然函數法盡可能求取每一類的模型參數{(φ_i,μ_i,∑_i)|1≤i≤k}，將得到的模型參數{(φ_i,μ_i,∑_i)|1≤i≤k}作為高斯混合分布模型的初始值；這里φ_i是隱含變量z服從的先驗分布，即混合系數，μ、∑分別是各個單高斯分布的均值；

步驟二、從原型聚類的角度來看，高斯混合聚類GMM是采用高斯分布的概率模型對原型進行刻畫，簇劃分為由原型對應的后驗概率，其表示為：

w_mi＝p(z_m＝i|x_m；φ,μ,∑)

其中，w_ji為隱含變量z屬于類別的后驗概率，其可根據貝葉斯公式計算得到：

步驟三、通過循環迭代，按下式計算并更新模型參數直至滿足算法終止條件，其中，計算新混合系數的公式為：

計算新均值向量的公式為：

計算新協方差矩陣的公式為：

步驟四、利用最終得到的模型參數確定高斯混合分布，GMM聚類將樣本集D劃分為K個簇C＝{C₁,C₂,...C_K}，每個樣本x_j的簇標記如下公式確定：

將x_j劃入相應的簇：C_λm＝C_λm∪{x_m}，得到簇劃分C＝{C₁,C₂,...C_K}；

步驟S24、構建變換矩陣，獲得紅外重構圖像；選擇每一類概率計算值最大的溫度變化向量合并構成大小為t×K的線性變化矩陣Q，判斷Q的秩rank(Q)是否為滿秩，即提取到的每一類的溫度變化向量是否線性獨立，若矩陣Q滿秩，即各類特征向量線性獨立，則對Q矩陣按每一列向量進行施密特正交化得到Q′；若n＝rank(Q)＜K，則將矩陣Q按列分塊，求取極大線性無關組，將其他的K-n個列向量逐個使用對應分類中概率值次之的向量替換，直到向量線性獨立，對其進行施密特正交化，最終得到m×k維正交獨立的線性變換矩陣Q′；用矩陣Q′對原二維矩陣P進行線性變換，即得到二維圖像矩陣O，其中為矩陣Q的k×m維偽逆矩陣；將二維圖像矩陣O再按列取值構成原圖像尺寸大小的二維圖像，得到K張大小為N×M的重構紅外圖像；這些圖片都分別突出了各類缺陷信息，為方便后續圖像拼接融合，選擇缺陷信息與試件背景像素值差異最大的一張二維圖像，即為Y(x,y)；

步驟S3、使用PCA-SIFT算法獲得拼接圖像特征描述算子；

步驟S4、對特征點對進行以余弦值為度量的粗匹配；

步驟S5、對獲得的粗匹配點對進行RANSAC去誤匹配；

步驟S6、使用H變換矩陣對圖像進行仿射變換；對被測圖像利用H變換矩陣進行旋轉，平移，縮放操作，從而獲得基準圖像對應的拼接圖像；

步驟S7、對拼接圖像亮度進行調整；

步驟S8、對圖像進行漸入漸出融合；

步驟S9、仿真驗證算法的拼接效果，對大型壓力容器進行拼接實驗。