基于Matlab的定容燃烧弹喷雾图像处理

喷雾宏观特性参数获取见：https://blog.csdn.net/yusuhuayu/article/details/117266949

1. 喷雾图像获取

高速相机

2. 喷雾图像处理

目的：

• 获取喷雾宏观特性
  • 喷雾锥角
  • 喷雾贯穿距
  • 喷雾面积
  • 油束对称性

处理内容：

去除背景、降噪去除飞溅液滴、分割油束区域

处理方法：

• 图像作差I=imsubtract(A,B)，获得纯净的背景，同时去除一部分彩色噪点
• 图像增强，增强油束与背景的对比度，尤其是油束边缘。
  • 空域增强（imhist()获取直方图）
    • 灰度变换增强
    • 直方图增强
      • 直方图均衡化：J=histeq(I,n)
      • 直方图规定化： hgram=ones(1,256); J=histeq(I);
  • 频域增强：先从空域变换为频域，处理结束再反变换
    • Radon变换和反变换radon()&iradon()
    • 傅里叶变换和反变换fft()&ifft()
    • 离散余弦变换和反变换
    • Hadamard变换、Hough变换（图像识别几何形状）以及图像的小波变换等

处理喷雾图像可以通过对比度线性展宽，增加特定信息的灰度值范围，降低其他信息的灰度值，来提高对比度。
J = imadjust(I,[low_in high_in],[low_out high_out],gamma)

• [low_in high_in],[low_out high_out]：输入、输出图像的对比度限制
  • 可以利用stretchlim()自动计算灰度图的最佳变换区间
• gamma：输入和输出值关系的曲线形状
  • =1（默认），线性映射
  • >1，映射被加权到更低（暗）的输出值
  • <1，映射被加权到更高（亮）的输出值
  • 1×3向量

下图展示了调整对比度后图像、直方图与二值图的对比，可见油束边缘的对比度得到提高，防止后续过小计算喷雾锥角及面积。

代码如下：

% 对比度线性展宽
[X1,map1] = imread('E:\MATLAB\pics\1.tif',1);
I=imrotate(X1,90);
J=uint8(double(I)/170*255);
K = imadjust(I,stretchlim(I),[]);       		%自动计算灰度图的最佳变换区间
figure(1);
subplot(331);imshow(I);title('原图I');
subplot(332);imshow(J);title('手动调整J');
subplot(333);imshow(K);title('自动计算K');
subplot(334);imhist(I);                 		%显示直方图
subplot(335);imhist(J);
subplot(336);imhist(K);
subplot(337);imshow(im2bw(I));          		%显示二值图
subplot(338);imshow(im2bw(J));
subplot(339);imshow(im2bw(K));

• 降噪
  图像增强的过程中会增加噪声，常用滤波方式：
  • 均值滤波imfilter();：用其像素点周围像素的平均值代替元像素值，但会过滤掉图像的边缘信息
    借助函数fspecial()生成3×3二维均值滤波器模板A=fspecial(average,3)
  • 中值滤波medfilt2()：能很好地保留图像边缘，适合去除椒盐噪声
  • 自适应滤波wiener2()：使用像素级自适应低通 Wiener 滤波器对灰度图像进行滤波
    

代码如下：

K=rgb2gray(K);
K1=imnoise(K,'salt & pepper',0.1);          %加入椒盐噪声
a3=fspecial('average',3);                   %生成3×3二维均值滤波器模板
A3=imfilter(double(K1),a3,'conv');          % 中值滤波
M3 = medfilt2(K1,[3 3]);                    % 均值滤波
W3 = wiener2(K,[3 3]);
figure(2);
subplot(411);imshow(uint8(K1));title('加入椒盐噪声');
subplot(412);imshow(uint8(A3));title('中值滤波');
subplot(413);imshow(uint8(M3));title('均值滤波');
subplot(414);imshow(uint8(W3));title('自适应滤波');

• 分割油束
  • 基于灰度阈值
    • 全局阈值分割法
    • OTSU阈值分割（大津法、最大类间方差法）
      不受图像亮度和对比度的影响，按图像的灰度特性，将图像分成背景和前景两部分。简单有效、应用广泛，但对噪声敏感。
      

figure(3);
T = graythresh(K);    %大津法自动获取阈值
T1 = graythresh(K1); 
OTSU = im2bw(K,T);
OTSU1 = im2bw(K1,T1);
subplot(411);imshow((K));title('原灰度图');
subplot(412);imshow(im2bw(K));title('原图二值化');
subplot(413);imshow(OTSU1);title('OTSU-椒盐噪声');
subplot(414);imshow(OTSU);title('OTSU-降噪后');

• 迭代式國值分割
  

T0=0.01 ;
T1=(min(K(:))+max(K(:)))/2 ;
r1=find(K>T1) ; r2=find(K<=T1) ;
T2=(mean(K(r1))+mean(K(r2)))/2 ;
while abs(T2-T1)>T0
T1=T2 ;
r1=find(K>T1) ;
r2=find(K<=T1) ;
T2=(mean(K(r1)) + mean(K(r2)))/2 ;
end
figure(4);
subplot(311);imshow((K));title('原灰度图');
subplot(312);imshow(OTSU);title('OTSU-降噪后');
subplot(313);imshow(im2bw(K,T2/255));title('迭代法');

• 基于区域
• 基于形态学分水岭法