[发明专利]一种基于红外图像拼接融合算法的高压容器检测方法

权利要求书

1.一种基于红外图像拼接融合算法的高压容器检测方法，其特征在于，包括以下步骤：

步骤S1、对高压容器表面进行数据采集，获得视频流；

步骤S2、对红外热像仪拍摄到的多个视频流经采样后的每一帧图像按列取值并排列，进行向量化，再将得到的每一列向量作为新矩阵的行向量进行合并，构建出温度矩阵，则温度矩阵的每一列向量即为原视频流对应像素点的温度变化特征向量；对温度矩阵的所有列向量进行K-means结合GMM算法处理，处理获得缺陷重构图像；

步骤S3、对两两包括重叠区域的重构缺陷信息图像，采用FAST-SURF算法进行特征提取并用双向FLANN算法进行粗匹配，接着采用MSAC算法对匹配点对提纯并估计几何变换模型实现图像配准过程；

步骤S4、针对拼接结果产生的缝隙以及亮度和色彩差异，采用基于亮度调整和距离加权的融合方法对拼接结果进行处理；

步骤S5、对融合结果与下一个含重叠区域的缺陷重构图像返回步骤S3，得到对高压容器红外检测的全景拼接图像；

步骤S6、进行仿真实验，对试件进行缺陷检测。

2.如权利要求1所述的基于红外图像拼接融合算法的高压容器检测方法，其特征在于，所述步骤S2对视频流信号处理获得缺陷重构图像的具体步骤为：

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，在压力容器上获得热视频，对得到的每个红外热视频流经采样后的每一帧图像按列取值并排列，进行向量化，再将得到的每一列向量作为新矩阵的行向量进行合并，构建出新的二维矩阵U(n,m)，其中n为采样后的图像帧数，m＝a×b为原视频采集窗口的分辨率；U(:,m)代表单幅图像中每个像素点对应的温度变化特征向量；

步骤S22、使用K-means算法进行初始聚类；对所有像素点对应的温度变化特征向量U(:,m)聚集为k类，聚类中心为U(:,j₁),U(:,j₂),.....,U(:,j_K)，1≤j₁...j_k≤m；具体的操作步骤包括：

步骤(a)、随机从U(:,m)选取k个温度变化特征向量U(:,j₁′),U(:,j₂′),.....,U(:,j_K′)作为初始均值向量，其对应的聚类每一个类型表示为P₁′,P₂′,...,P_k′；

步骤(b)、计算U(:,m)与各聚类中心U(:,j₁′),U(:,j₂′),...,U(:,j_l′),...,U(:,j_k′)的距离d_jl＝||U(:,m)-U(:,j_l′)||₂根据距离最近的均值向量确定U(:,m)的簇标记λ_lm＝argmin_{l∈1,2,...,k}||U(:,m)-U(:,j_l′)||₂，将样本划入相应的簇

步骤(c)、更新均值向量其中|C_l|为样本簇C_l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细致迭代，获得分类结果；将原样本集U(:,m)表示为U(:,m)＝{x₁,x₂,...,x_m}，令随机隐含变量z_j∈{1,2,...k}表示样本x_j的高斯混合成分，其中i,j，1≤i≤k,1≤j≤m，具体的步骤为：

步骤一、对由K-means方法得到的初始分类结果的每一类，假设符合高斯分布，满足下式的概率密度函数：

利用常规的最大似然函数法求取每一类的模型参数{(φ_i,μ_i,∑_i)|1≤i≤k}，将得到的模型参数{(φ_i,μ_i,∑_i)|1≤i≤k}作为高斯混合分布模型的初始值；这里φ_i是隐含变量z服从的先验分布，即混合系数，μ和∑分别是各个单高斯分布的均值和协方差；

步骤二、从原型聚类的角度来看，高斯混合聚类GMM是采用概率模型，即高斯分布，对原型进行刻画，簇划分由原型对应的后验概率确定，其表示为：

w_ji＝p(z_j＝i|x_j；φ,μ,∑)

w_ji为隐含变量z属于类别i的后验概率，其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；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,...C_k}，每个样本x_j的簇标记如下式确定：

将x_j划入相应的簇：得到簇划分C＝{C₁,C₂,...C_k}；

步骤S24、选择每一簇中最大w_ji对应的x_j，即后验概率最大值对应的温度特征向量，按列合并构成n×k的线性变化矩阵Q，判断Q的秩rank(Q)是否满秩，即提取到的每一类的温度特征向量是否线性独立，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r＝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-r个列向量逐个在原类中选取概率值次之的向量替换，再判断矩阵Q是否满秩并进行施密特正交化，最终得到m×k维正交独立的线性变化矩阵Q′；用矩阵Q′对二维矩阵U(n,m)进行线性变换，即O＝Q′*U(n,m),得到二维图像矩阵O；将二维图像矩阵O再按列取值构成原热视频采集窗口a×b大小的二维图像；这k张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，记为I。