[发明专利]基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法

摘要

本发明涉及基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法。国内城市固体废物(MSW)的组分复杂，领域专家通常依据经验观测火焰视频图像识别焚烧炉燃烧状态进而调整MSW焚烧(MSWI)过程操作参数，难以维持稳定的运行工况。首先，对焚烧火焰图像进行去雾和去噪预处理，提高图像清晰度；接着，将图像转换到适合视觉系统识别的HSV空间后采用滑窗分块提取颜色矩特征，采用主成分分析(PCA)提取潜在特征以消除高维颜色矩特征间的共线性；最后，以提取的相互独立的潜在特征为输入，采用最小二乘支持向量机(LSSVM)算法构建燃烧工况识别模型。基于国内某厂的实际焚烧图像仿真验证了所提方法的有效性。

主权项

1.基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法，其特征在于：首先定义如下：表示原始图像集合，I_n(s,t)表示第nth幅图像，N表示全部图像数量，即建模样本数量，(s,t)表示像素点的空间坐标；表示经过中值滤波后得到的图像；表示经预处理之后得到的全部火焰图像；X^color∈R^N×P表示提取颜色矩后特征集合，P表示颜色矩特征的维数；Z^color∈R^N×M表示对颜色矩特征进行潜在变量提取后的特征集合，M表示潜在变量的维数；表示燃烧工况的识别结果；包括以下模块：(1)图像预处理模块：对图像进行去雾和去噪处理；(2)基于滑窗分块的颜色矩特征提取模块：对图像进行颜色空间转换，利用滑窗分块并提取图像的颜色矩特征，将不同滑块的颜色矩特征进行串行融合后进行潜在特征提取和选择；(3)燃烧工况识别模块：基于选择的潜在特征构建燃烧工况识别模型；采用暗通道先验去雾算法还原了固废焚烧火焰图像的颜色和能见度；以固废焚烧原始图像数据集中的第n张图片I_n(s,t)为例，其为L_en*W_id*3大小的RGB图像，各颜色空间下像素点总数N_P＝L_en*W_id，其中L_en和W_id分别表示图像的长度和宽度；基于暗通道先验的图像去雾算法描述如下；首先，定义局部块Ω＝k×l，以Ω大小的模板对有雾图像I_n(s,t)在R、G、B三个通道里做最小值滤波得到接着，计算大气光成分A，步骤如下：首先在暗通道图中选择图像像素点个数(Np)千分之一个像素值最高的点Np_num，如下所示：并记录这些点对应的坐标(s,t)；再根据这些点的坐标(s,t)分别在原图像I_n的三个通道里找到对应像素点求和分别得到r_sum、g_sum和b_sum，统一表示为(r_sum,g_sum,b_sum)；最后，得到大气光成分A＝[A^r A^g A^b],A^r、A^g和A^b分别表示R、G、B三个通道下对应A值的大小，即A^r＝r_sum/N_P；A^g＝g_sum/N_P；A^b＝b_sum/N_P；然后，基于以下公式计算透射率其中λ是深度系数，该参数的设定可以为远处的景物保留一定量的雾，使图像更为自然，一般视实际应用而定，在本文中λ取值0.95；，；利用如下公式得到去雾后的图像J_n(s,t)，当透射率接近0时，直接衰减项也接近0，这样会导致复原图像产生噪声，考虑到原始焚烧图像的暗度，需对设定一个阈值r₀，r₀的典型值是0.1；则式(3)改写为：其中，max(·)表示取最大值函数；采用非线性中值滤波算法对图像进行去噪，能够在图像去噪的同时保留火焰边缘；假定S表示大小为m_win*n_win的矩形窗口，中值滤波器是指m_win*n_win的窗口中将像素值从小到大排序，将中间像素值赋给对应模板中心的像素，即其中，表示去噪声后的第nth幅图像；基于滑窗分块的颜色矩特征提取包括颜色空间转换、图像滑窗分块、颜色矩特征提取、特征串行组合和潜在特征提取等共5个模块，分别描述如下；(1)颜色空间转换将图像从RGB颜色空间转换到符合人类视觉系统的HSV颜色空间，过程如下所示，其中，表示转到HSV颜色空间的第nth幅图像；(2)图像滑窗分块以为例，采用滑动窗口进行图像分块特征提取；采用无重叠像素的滑窗，令G＝m_sli*n_sli为滑窗大小，其中G为单个滑窗包含的像素点数，m_sli和n_sli分别表示滑窗的长和宽，令d²表示每个颜色空间下进行滑窗的次数，其计算如下：其中滑窗大小与图像大小成比例；(3)颜色矩特征提取选择3个颜色空间的一阶矩、二阶矩和三阶矩作为图像特征；以第n幅图像的第q次滑窗块为例，各颜色空间下的一阶矩二阶矩和三阶矩如下所示：其中，和分别表示H、S和V三个颜色空间下的一阶矩；和分别表示H、S和V三个颜色空间下的二阶矩；和分别表示H、S和V三个颜色空间下的三阶矩；表示大小为G的滑窗内第g个像素点值；(4)特征串行组合全部样本的颜色矩特征X^color表示为，其中，和分别表示第n张图片的第q个滑窗对应的一阶矩、二阶矩和三阶矩；由上式可知，每幅图像提取的特征维数为P＝d²×3×3，故X^color∈R^N×P；(5)潜在特征提取；采用PCA对进行潜在特征提取，将颜色矩特征从高维空间映射到低维空间；此处将累计方差贡献率的阈值记为θ_PCA，该阈值用于确定主成分的个数，即获得潜在特征变量的数量；一般实际应用中，要求θ_PCA的取值大于等于85％，因此本文中选取θ_PCA为90％；所提取与选择的潜在特征数量M，则获得的输入特征数据集表示为，其中，z_n表示第n个样本，z^m表示第m个变量；构建基于LS‑SVM的燃烧工况识别模型；LS‑SVM的优化问题描述为：其中，w表示权重，c表示正则化项，ξ_n表示误差变量，‑，y_n表示第n个样本对应的类别，Ψ(z_n)表示非线性映射，将输入数据从低维映射到高维空间，b表示偏差，n＝1,2,…,N，N表示全部图像数量；用拉格朗日法求解上述优化问题，构造如下方程为：式中α_n为拉格朗日乘子，将式(17)分别对w，b，ξ_n和α_n求导，并令等式为零得到：LS_SVM优化问题转化为求解线性方程：其中K(z_i,z_j)为支持向量机的核函数，i＝1,2,...,N，j＝1,2,...,N；本文中，核函数选择径向基函数：其中z_i和z_j表示图像样本，σ表示核函数的宽度；则LS‑SVM的分类决策函数表达式为：其中sgn(·)表示符号函数,表示图像的分类结果。