基于图像处理技术的气泡特征提取系统设计

邹 宇

（江苏开放大学，江苏 南京 210012）

0 引言

目前，利用智能机器代替人工完成漏气检测工作的技术越来越普遍，尤其是将传统的气泡检测与先进的人工智能机器检测相结合的技术，该技术是对拍摄得到的气泡图像特征进行图像处理，以达到识别气泡特征的目的，最终利用分析结果判断是否存在漏气情况，可有效提高气泡特征图像处理领域的自动化应用程度。由于气体具有一定的压缩性，气泡可被看作一个弹性球形系统。当气泡受到外界干扰的时候，在表面张力的作用下，气泡会吸收部分能量，沿轴向脉动向液体场中传播声学信号。因此，对水下气泡的检测和识别可以通过声学方法实现。气泡的尺寸特征、运动特征在众多应用场景中都能够真实反映水体特性，因此，对提取气泡特征的应用系统进行研究具有较强的实践应用价值。

1 气泡特征提取理论

1.1 气泡图像预处理

1.1.1 图像增强

为了解决水下透明度不高、亮度不够等情况会使气泡特征不明显的问题，需要对气泡图片进行图像增强。图像增强的灰度变换是一种广泛应用的线性图像增强方法，该方法可拉伸图像灰度，使获得的气泡图像细节特征明显、清晰且对比度较高。

1.1.2 二值化分割

在图像处理技术中，二值化分割能简化图像，有效降低图像中的数据量，还能明确反映出气泡图像的整体和局部特征。因此可以通过二值化分割的方式对气泡图像进行处理，以达到提取气泡特征的目的。主要做法是选定一个灰度闭值作为二值化分割的分界值，此时，对大于阈值的像素点用“1”表示，对小于阈值的像素点用“0”表示，使得到的气泡图像中只包含这2 种像素，即可实现对气泡图像的二值化分割。

1.2 气泡图像形态学处理

1.2.1 孔洞填充

在对气泡图像进行孔洞填充之前，需要确认气泡目标之间是否有一定的连通性。目前，孔洞填充是应用非常广泛的图像处理算法，该算法可实现点到区间的不断拓展。孔洞填充的连通性体现在四连通、八连通，即分别为选定具体1 个像素作为出发点，经过4 个或者8 个相邻像素点，到达另外任意1 个像素点位置。

1.2.2 边缘检测

图像处理技术中的边缘检测即为对图像边缘特征进行提取。边缘检测包括对物体的轮廓线以及物体的方向等信息的提取。因此，需要对气泡图像的边缘坐标进行检测，以得到拟合特征参数。选择算法较为优良的边缘检测算子，更利于气泡图像特征的提取。

2 气泡几何特征参数拟合

2.1 最小二乘法

由Walter 提出的最小二乘法是目前图像处理领域使用较多的椭圆拟合算法。对待拟合的椭圆参数进行求解主要是根据每一个最小化的像素点获得待拟合的椭圆误差距离的平方和。最小二乘法适用于对简单图片中的椭圆进行拟合。随着图像处理技术的不断发展，Fitzgibbon 又提出了在椭圆约束条件中加入1 个归一因子生成唯一的解。使用这种方式无须在椭圆拟合时进行迭代计算。

2.2 改进的随机霍夫变换算法

改进的随机霍夫变换算法是基于传统的霍夫变换算法提出的，其原理如下：平面上有一个椭圆，O 为椭圆的圆心，任意选择与点O 不同的点P，再按照椭圆定理可以判定点O 距椭圆上点的最大距离必定小于点P 距椭圆上点的最大距离。通过这个几何数学特性，能够有效降低霍夫参数空间维度。如图1 所示。

3 气泡特征提取系统设计

3.1 系统开发环境

该文设计的基于气泡特征的特征提取系统是以MATLAB作为开发平台实现的功能开发，其操作系统为Windows 10，硬件环境为Intel（R） Core i7。

3.2 系统设计

该文设计的基于气泡特征的特征提取系统主要包括2个模块，即气泡图片特征提取模块和气泡视频特征提取模块。由于篇幅有限，该文主要研究气泡图片特征提取功能。对图像中的气泡进行检测必须在对气泡图片和气泡视频进行提取之前进行，以得到单个气泡，然后再对单个气泡的特征进行提取。该文使用的APP Designer 插件是按照系统功能需求选择的，包括图窗、文本、文本下拉框、表格、按钮和坐标轴等。图窗功能主要负责显示气泡图像和视频，下拉框主要负责实现对气泡检测算法的选择，表格主要负责展示出气泡图像和视频，坐标轴的功能是绘制气泡特征随时间变化的曲线图。基于气泡特征的特征提取系统流程图如图2所示。

图1 椭圆示意图

3.3 气泡图片特征提取测试

对该系统的通用性进行测试时，该文选取了3 组不同类型的气泡图像，分别为气泡生成对抗网络的气泡图像、气液两相流试验的气泡图像和玻璃上的雨滴气泡图像。在这3 组图像中，玻璃上的雨滴由于受到重力作用，其气泡形态和像素分布与水中气泡有着较高的相似度，因此该文将玻璃上的雨滴气泡图像作为测试样例。3 组图像中的每一组都包括了类型相同的20 张气泡图像，见表1。

该文利用2 种气泡图像检测算法分别对这3 组气泡图像进行测试。在气泡特征提取系统中，用户点击可“上传图像”按钮从本地文件中上传1 张气泡图像，点击“气泡检测算法”下拉列表可以选择合适的气泡检测算法，点击下拉“参数拟合算法”列表可以选取不同的拟合算法，例如椭圆回归CNN 算法、最小二乘法和改进的随机霍夫变换算法等，如图3 所示。

表1 气泡图片测试样例参数

图2 气泡特征提取系统流程图

为了测试不同的气泡拟合算法的实际拟合效果，可以选用1 张气泡生成对抗网络的气泡图像，将检测算法模型设置为Faster R-CNN，再选择3 种不同的拟合算法进行系统测试。

该文选择的Faster R-CNN 模型对气泡图像有较好的检测效果，但是该模型在对尺寸较小的气泡图像进行检测时容易发生漏检的情况，该问题与训练数据集中气泡图像的实际参数有关。由于数据集中气泡图像的气泡直径约为1.8cm，导致气泡图像检测的效果不理想，因此可在传统的分水岭分割后，将基于连通域检测的方法应用于尺寸较小的气泡图像，以得到较好的效果。对同一组气泡图像使用Faster R-CNN 模型进行检测后，再分别利用3 种算法进行气泡拟合，结果显示椭圆回归CNN算法的气泡拟合效果最佳。2种气泡检测算法应用于气泡图像检测的准确率见表2，Faster R-CNN 模型在气泡图像检测中的准确率达到了98.75%。

图3 A 组气泡图片特征提取测试界面

表2 3 组气泡图片检测算法测试结果

以上系统测试结果表明，Faster R-CNN 模型和椭圆回归CNN 算法对气泡图像的检测效果良好且有效。

3.4 气泡图片特征提取分析

气泡的运动特征种类很多，主要有气泡漏气量的变化、气泡数量的变化和气泡运动速度的改变等。对气泡漏气量的计算是通过分析气泡的二维面积实现的。通常情况下，由于不会单独考虑每个气泡体积的影响，因此气泡漏气量的变化和气泡数量的变化呈正相关，也就是说，如果发现气泡数量越多，则表示漏气量越大。

该文选择将玻璃器皿中的气泡图像作为气泡特征提取应用系统的试验样例。但气泡在玻璃器皿中的上升速度较快，为了防止气泡丢失，该文在采集气泡图像过程中采用了降速处理的模式，避免出现气泡图像误差过大的情况。打开气泡特征提取应用系统的操作界面，点击“上传图像”按钮，可以在本地文件夹中选择等待检测的气泡图片。点击“参数拟合算法”的下拉框，可以选择不同的算法模型对气泡图片进行检测。点击“开始检测”按钮后，系统会显示气泡图片，并在右下方给出气泡图片长轴半径、短轴半径和偏心角数值，同时还会显示检测耗时。

4 结语

该文基于MATLAB 平台设计了基于气泡特征的特征提取应用系统，主要实现了气泡图片特征提取模块的功能，对气泡图片特征提取流程进行了详细阐述，并在不同应用场景下对气泡图片特征提取功能模块进行了测试。测试表明，Faster R-CNN 模型和椭圆回归CNN 算法对气泡图片特征提取的效果较好，为研究人员探索水体或能够产生气泡的状态和特性提供了参考方法。