(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211168683.2 (22)申请日 2022.09.24 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 廖一鹏　施雯玲　许志猛　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 蔡学俊　薛金才 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/30(2022.01) (54)发明名称 NSST域红外目标分割及SURF匹配的浮选泡 沫流速检测方法 (57)摘要 本发明提供了一种NSST域红外目标分割及 改进SURF匹配的浮选泡沫表面流速检测方法， 首 先， 对相邻两帧泡沫红外 图像NSST分解， 在多尺 度域构建图割的边界、 亮度、 显著性约束项实现 对合并、 破碎气泡的分割； 然后， 对分割后的背景 区域进行SURF特征点检测和定位， 通过统计扇形 区域内的尺度相关系数确定特征点主方向， 采用 特征点邻域的多方向高频系数构造特征描述符； 最后， 对相邻两帧泡沫红外图像进行特征点匹 配， 根据匹配结果计算泡沫流速的大小、 方向、 加 速度、 无序度。 应用本技术方案可实现减少噪声 影响， 提升分割精度。 在NSST域改进SURF的特征 方向确定和特征点描述方法， 不仅极大提升运算 效率和匹配精度， 还提高算法整体的鲁棒 性。 权利要求书4页 说明书11页 附图5页 CN 115471660 A 2022.12.13 CN 115471660 A 1.NSST域红外目标分割及SURF匹配的浮选泡沫流速检测方法， 其特征在于， 包括以下 步骤： Step1： 抽取时间间隔为Δt的连续两帧泡沫红外图像It和It+1， 对It和It+1进行NSST多尺 度分解， 分别得到1个低通子带图像和k个尺度高频子带， 各尺度高频子带再分解为l个方向 子带； Step2： 对It和It+1的低频图像构建亮度约束项， 同时对低频图像进行分数阶微分显著性 检测， 然后构建显著性约束 项； Step3： 对 It和It+1的k个尺度高频子 带， 根据系数的尺度相关性进行噪声去除， 然后构建 边界约束 项； Step4： 构造一个包含亮度约束项、 显著性约束项、 边界约束项的图割能量函数， 然后利 用最大流/最小割算法求 解能量函数的最小值， 实现合并、 破碎气泡的分割； Step5： 对It和It+1分割后的背景区域进行SURF尺度空间极值 提取、 特征点检测； Step6： 在多尺度高频子带以特征点所在位置为圆心， 计算扇形内所有点的尺度相关系 数Corr(i,j)的总和， 然后旋转扇形使其遍历整个圆形区域， 将Corr(i,j)总和最大值的扇 形的方向作为特 征点主方向； Step7： 以特征点为中心旋转坐标轴到主方向后， 将周边领域划分为16个子区域， 计算 每一点的8个方向的尺度系数之和Cl(i,j)， 然后统计每个子区域的8个方向的系数和， 将每 个方向的系数和作为特 征向量， 得到一个128维的特 征描述符； Step8： 对It和It+1分割后的背景区域进行特征点匹配， 并采用RANSAC算法剔除误匹配 点； Step9： 对It和It+1的N对匹配点， 它们在It和It+1的位置分别为 和 通过式 (16)计算该点的水平流动速度 垂直流动速度 计算平均水平流动速度vx和平均垂直流 动速度vy； Step10： 计算当前的泡沫平均流动速度和方向， 假设前一时刻检测的水平流动速度为 vx'， 垂直流动速度为vy'， 计算当前的水平流动加速度ax和垂直流动加速度ay， 计算流动速 度和方向的无序 度， 和方向 为前一段时间的平均流动速度和方向。 2.根据权利要求1所述的NSST域红外目标分割及SURF匹配的浮选泡沫流速检测方法， 其特征在于， 图像通过k级非下采样金字塔NSP多尺度分解后， 得到k+1个子带图像， 其中包 括1个低频图像和k个尺度不同的高频图像， 高频图像进行l级多 方向分解， 分解为2 l+2个方 向子带图像； 泡沫低频图像去除噪声， 保留气泡轮廓信息； 高频子带图像包含气泡边缘、 纹 理特征、 梯度信息、 以及噪声系数， 为红外目标分割 提供边界参考信息， 代替Haar小波响应 为SURF建立多尺度多方向的特 征描述。 3.根据权利要求2所述的NSST域红外目标分割及SURF匹配的浮选泡沫流速检测方法， 其特征在于， 假设 表示第k尺度第l方向高频子带在(i,j)点的系数， 表示第k尺度 第l方向的子带系数能量， 定义像素点(i,j)在第k尺度第l方向高频子带上的尺度相关系数 为：权　利　要　求　书 1/4 页 2 CN 115471660 A 2其中， 表示不同尺度在(i,j)位置上的系数乘积， 表示第k尺度第l方向子 带的 系数能量， 是便于系数比较的归一化 处理； 泡沫图像经NSST分解后， 随着 尺度越来越精细， 噪声系数迅速衰减， 边缘系数相对稳定， 即边缘系数强相关， 而噪声系数 弱相关， 根据此 特点将剔除噪声系数： 4.根据权利要求1所述的NSST域红外目标分割及SURF匹配的浮选泡沫流速检测方法， 其特征在于， SURF特征点检测前先对合并、 破碎气泡进 行分割； 对浮选槽表 面的泡沫进 行红 外热成像； 气泡产生破碎或合并后释放出 热量， 热成像后呈现出高亮的黄色区域； 图像NSST分解后， 合并、 破碎气泡对应低频图像中的显著性区域， 高频子带图像包含的 边缘和梯度信息为红外目标分割提供边界参考信息； 首先构造一个包含区域项和边界项的 能量函数， 建立图割模型： 上式中， A为图像的像素点集合， 为图割能量函数的区域项， FI(fa) 为亮度约束项， Fs(v′i)为显著性约束项， α和β 为约束项的权重系数， 且α +β ＝1， 为边界约束项， 最后利用最大流/最小割算法求解能量函数 的最小值， 得到分割结果； 三个 约束项的构建如下： (1)低频图像亮度约束 项构建 假设I为低 频图像亮度， 亮度范围为[IL,IH]， Ia为像素点a的亮度值， 构建亮度约束项FI (fa)为： 上式中， fI(I)为基于高斯拟合的亮度函数， k为前景目标区域与背景区域的对比度调节 因子； (2)低频图像显著性检测及约束 项构建 图像NSST分解后， 合并、 破碎气泡对应低频图像中的显著性区域， 在低频图像进行显著 性检测及约束项构建； 针对低频图像的显著性检测， 采用分数阶微分显著性检测方法， 显著权　利　要　求　书 2/4 页 3 CN 115471660 A 3