本发明涉及一种机器视觉的泡沫密集图像的特征提取方法。
背景技术：
机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号。图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。
技术实现要素：
发明目的：针对上述现有技术，提出一种机器视觉的泡沫密集图像的特征提取方法，实现泡沫图像的特征提取。
技术方案：一种机器视觉的泡沫密集图像的特征提取方法，包括如下步骤：
步骤1：获取图像序列第k和第k+1帧；
步骤2：对获取的帧图像分别进行预处理；
步骤3：设定阈值，根据设定阈值得到图像上的高亮点像素集；
步骤4：以高亮点像素为中心划分泡沫子块；
步骤5：对各泡沫子块进行相位配准处理；
步骤6：对第k+1桢图像先作尺寸缩放处理，然后在进行旋转反变换处理；
步骤7：对第k桢图像进行模板匹配操作；
步骤8：对泡沫子块的泡沫速度进行估计，得到像素运动速度分量，并作为泡沫密集图像特征。
进一步的，所述步骤2中，采用基于网格的平滑滤波算法对图像进行平滑滤波去噪，然后经过迭代处理，得到表面平滑泡沫密集图像。
进一步的，所述步骤3中，阈值设定方法采用二维熵阈值分割方法确定。
进一步的，所述步骤4中，以高亮点像素为球心，舍弃落在2mm为半径的球体以外的点，保留2mm为半径的球体内的点作为后续处理的泡沫子块像素点。
有益效果：本发明的一种机器视觉的泡沫密集图像的特征提取方法，适用于机器视觉应用在根据液体泡沫分析的应用领域，针对泡沫高亮、透明、流动的特点首先对桢图像获取全幅高亮点像素，然后以每个高亮点像素为中心划分得到泡沫子块，然后再对连续的两针进行配准后分别作旋转反变换以及模板匹配操作，将前景特征和背景有效区分，并建立高亮点像素的追踪，最后估算得到高点点像素的运动速度，并作为泡沫密集图像特征。本方法能够快速、有效的确定高亮点像素特征，实现泡沫密集图像的特征快速提取，为机器视觉的应用提供基础。
具体实施方式
下面对本发明做更进一步的解释。
一种机器视觉的泡沫密集图像的特征提取方法，包括如下步骤：
步骤1：获取图像序列第k和第k+1帧。
步骤2：对获取的帧图像分别进行预处理。其中，采用基于网格的平滑滤波算法对图像进行平滑滤波去噪，然后经过迭代处理，得到表面平滑泡沫密集图像。
步骤3：设定阈值，根据设定阈值得到图像上的高亮点像素集，阈值设定方法采用二维熵阈值分割方法确定。
步骤4：以高亮点像素为中心划分泡沫子块。其中，以高亮点像素为球心，舍弃落在2mm为半径的球体以外的点，保留2mm为半径的球体内的点作为后续处理的泡沫子块像素点
步骤5：对各泡沫子块进行相位配准处理。
步骤6：对第k+1桢图像先作尺寸缩放处理，然后在进行旋转反变换处理。
步骤7：对第k桢图像进行模板匹配操作。
步骤8：对泡沫子块的泡沫速度进行估计，得到像素运动速度分量，并作为泡沫密集图像特征。
上述方法适用于机器视觉应用在根据液体泡沫分析的应用领域，针对泡沫高亮、透明、流动的特点首先对桢图像获取全幅高亮点像素，然后以每个高亮点像素为中心划分得到泡沫子块，然后再对连续的两针进行配准后分别作旋转反变换以及模板匹配操作，将前景特征和背景有效区分，并建立高亮点像素的追踪，最后估算得到高点点像素的运动速度，并作为泡沫密集图像特征。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。