[发明专利]一种基于动态多目标优化的红外热图像缺陷特征识别方法

摘要

本发明公开了一种基于动态多目标优化的红外热图像缺陷特征识别方法，通过对热图像序列变换步长选取出像素点的瞬态热响应，并采用FCM进行分类，得到各个像素点的瞬态热响应的所属类别，然后考虑每个类别像素点与同类像素点的像素值相似性，以及与不同类别像素点的差异性，构造相应的多目标函数，同时，在每次环境发生变化后，通过预测机制，为种群进化提供引导方向，帮助多目标优化算法对新变化做出快速响应，获得热图像序列的降维结果，最后利用脉冲耦合神经网络提取出红外热图像的缺陷特征，从而实现代表瞬态热相应(温度点)的精确选择，保证了缺陷特征提取的精准度，同时降低了动态环境下获取各个类别信息代表瞬态热相应的计算消耗。

主权项

1.一种基于动态多目标优化的红外热图像缺陷特征识别方法，其特征在于，包括以下步骤：(1)、将红外热像仪获取的热图像序列用三维矩阵S表示，其中的元素S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值；(2)、从三维矩阵S选出最大像素值S(i_zz,j_zz,t_zz)，其中，i_zz、j_zz和t_zz分别表示最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数；(3)、对于三维矩阵S的t_zz帧，选取第j_zz行，根据像素值(即温度值)的变化，选取P个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按行对三维矩阵S进行划分，得到P+1个行数据块；在第p个行数据块S^p中(p＝1,2,...,P+1)，找到最大像素值，记为其中，分别表示第p个行数据块S^p中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；设置第p个行数据块S^p的温度阈值为THRE^p，计算瞬态热响应与距离最大像素值即温度最大值像素点所在列由近及远像素点像素值对应的瞬态热响应之间的相关度Re^b，b依次取1,2,...，并判断相关度Re^b是否小于温度阈值THRE^p，当小于时，停止计算，此时，像素点间距b为第p个行数据块行数据块S^p的行步长，记为CL^p；(4)、对于三维矩阵S的t_zz帧，选取第i_zz行，根据像素值(即温度值)的变化，选取Q个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按列对三维矩阵S进行划分，得到Q+1个列数据块；在第q个列数据块S^q中(q＝1,2,...,Q+1)，找到最大像素值，记为其中，分别表示第q个列数据块S^q中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；设置第q个列数据块S^q的温度阈值为THRE^q，计算瞬态热响应与距离最大像素值即温度最大值像素点所在行由近及远像素点像素值对应的瞬态热响应之间的相关度Re^d，d依次取1,2,...，并判断相关度Re^d是否小于温度阈值THRE^q，当小于时，停止计算，此时，像素点间距d为第d个列数据块S^q的列步长，记为CL^q；(5)、分块分步长选取瞬态热响应(5.1)、依据步骤(3)选取的P个像素值跳变点按列以及步骤(4)选取的K个像素值跳变点按行对三维矩阵S进行分块，得到(P+1)×(Q+1)个数据块，行上第p、列上第q个数据块表示为S^p,q；(5.2)、对于每个数据块S^p,q，设置阈值DD，初始化集合编号g＝1，初始化像素点位置i＝1，j＝1，并将最大像素值S(i_zz,j_zz,t_zz)对应的瞬态热响应S(i_zz,j_zz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块S^p,q中像素点位于i行，j列的瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Re_i,j，并判断：如果Re_i,j<DD，则g＝g+1，并将瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T作为一个新特征存储在集合X(g)中；否则，令i＝i+CL^p，继续计算下一个瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞M^p,q，则令i＝i‑M^p,q，j＝j+CL^q，即变化到第j+CL^q列进行计算，如果j＞N^p,q,则瞬态热响应选取完毕，其中，M^p,q、N^p,q分别为数据块S^p,q的行数、列数；(6)、将步骤(5)选取的所有(P+1)×(Q+1)个数据块的所有集合X(g)即瞬态热响应采用FCM(模糊C均值聚类)算法分为L类，得到每个瞬态热响应所属的类别；(7)、基于动态多目标选取每类瞬态热响应的代表，并构成矩阵Y(7.1)、在第m+1次外部环境下，对第i'(i'＝1,...,L)个类瞬态热响应选代表时，定义多目标函数：其中，为第m+1次外部环境下第i'类瞬态热响应选出的一个瞬态热响应的类内欧氏距离，表示为：为第i'类瞬态热响应选出的一个瞬态热响应的L‑1个类间欧氏距离，由计算出的L‑1个类间欧氏距离重新编号组成，表示为：为瞬态热响应在第t时刻的像素值即温度值，为第i'类瞬态热响应聚类中心在第t时刻的像素值即温度值，为第j'类瞬态热响应聚类中心在第t时刻的像素值即温度值；(7.2)、第m‑1次和第m次环境下得到的多目标函数近似前沿解集分别为和对应的种群瞬态热响应(温度点)解集分别为和其数目分别为和在环境变化后，根据第m‑1次和第m次环境的历史信息，预测计算第m+1次环境下的近似前沿解集的初始化种群瞬态热响应，步骤如下：(7.2.1)、是从解集中随机选择N_E个瞬态热响应构成的瞬态热响应集，n'＝1,2,..,N_E，计算集中代表瞬态热响应的个数W，用于获得第m+1次环境下多方向预测集：其中，W₁和W₂分别是W下限值和上限值，且有W₁＝L+1，W₂＝3L，是第m次环境变化程度的评估值，由下式获得：其中，是从解集中随机选择N_E个瞬态热响应构成的瞬态热响应集，n'＝1,2,..,N_E；(7.2.2)、选择W个代表瞬态热响应A)、初始时，代表瞬态热响应构成的PS多方向预测集由两部分组成：一是解集瞬态热响应的中心，记为其中，为解集中第n个瞬态热响应；二是第m次环境下得到的PF(Pareto最优前沿)极值解，记为L'为极值解的个数；此时，集合中代表瞬态热响应的个数为L'+1；B)、计算解集中第n个瞬态热响应到集合中的各代表瞬态热响应的欧氏距离并根据欧氏距离将每个划分到距离最小的代表瞬态热响应所在的聚类集合中；C)、若则输出及聚类结果若需要新增代表瞬态热响应作为代表瞬态热响应存入集合中，通过下式获得：其中，为第个聚类结果的代表瞬态热响应，为第个聚类结果的第k个代表瞬态热响应；即找到每个聚类结果中瞬态热响应与对应的代表瞬态热响应的距离最大的瞬态热响应，这样一个聚类结果就得到一个距离最大的瞬态热响应，共W个，然后再在这W个距离最大的瞬态热响应找到一个最大的作为新增代表瞬态热响应然后返回步骤C)；(7.2.3)、根据第m‑1次和第m次环境的PS多方向预测集和其中，按照步骤(7.2.1)、(7.2.2)的方法获得，W'是集中代表瞬态热响应的个数；计算预测方向其中，是PS多方向预测集中与距离最近的瞬态热响应，其序号为h'；(7.2.4)、迭代次数g'＝0时，第m+1次环境下的近似前沿解集的初始化种群瞬态热响应个数为N_p，其中，个初始种群瞬态热响应在取值范围内随机生成，个初始种群瞬态热响应由下式预测获得：其中，w_n为瞬态热响应所属聚类结果的序号，是一个服从均值为0，方差为的正态分布的随机数，方差的计算公式为：(7.3)、初始化相关参数初始化迭代次数g'＝0，一组均匀分布的权重向量其中，初始化参考点是函数对应的参考点；最大迭代次数g'_max；初始化每个种群瞬态热响应的进化速度为种群瞬态热响应的全局最优和局部最优满足(7.4)、利用构造Tchebycheff聚合法下每个种群瞬态热响应的动态目标函数适应度值(7.5)、对n＝1,...,N_P：按照粒子群算法更新速度和种群瞬态热响应按照多目标优化算法比较更新全局最优局部最优和参考点从中保留支配的解向量，移除所有被支配的解向量，如果中的向量都不支配将加入同时n＝n+1，若n≤N_P，则g'＝g'+1；(7.6)、进化终止判断：若g'≤g'_max，则重复步骤(7.5)，若g'＞g'_max，则得到第i'类温度瞬态热响应最终的前沿近似解集(7.7)、从前沿近似解集选出第i'类瞬态热响应的代表_i'REP，所有L类的瞬态热响应代表按列放置(一列为T个时刻的像素值即温度值)，构成一个T×L的矩阵Y；(8)、将三维矩阵S中的每一帧从第一列开始，将后一列接在前一列的末尾，构成新的一列，得到T帧对应的T列像素值，然后，依据时间先后，将T列像素值依次放置，构成I×J行、T列二维图像矩阵O，用矩阵Y对二维矩阵O进行线性变换，即：得到二维图像矩阵R，其中，为L×T矩阵，是矩阵Y的伪逆矩阵，O^T二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为L行、I×J列；二维图像矩阵R的每一行，按J列依次进行截取，截取的J列按行依次放置，构成一张I×J二维图像，这样L行，得到L张I×J二维图像，这些图片都包含了缺陷区域，为方便缺陷轮廓提取，选择缺陷区域和非缺陷区域像素值(温度值)差距最大的一张二维图像，并记为f(x,y)；(9)、利用脉冲耦合神经网络(PCNN)对二维图像f(x,y)进行特征提取，得到缺陷特征：(9.1)、构造一个由I×J个神经元的PCNN网络，每个神经元分别与二维图像f(x,y)的I×J个像素点相对应，将第x行，第y列像素点像素值作为标号为第x行，第y列的神经网络神经元的外部刺激I_xy送入PCNN，获得图像分割结果RE，RE是一个二值矩阵；(9.2)、对二值矩阵RE求边缘轮廓，得到缺陷特征。