[发明专利]一种高效的微涡流混凝絮体检测系统

权利要求书

1.一种高效的微涡流混凝絮体检测系统，其特征在于，该高效的微涡流混凝絮体检测系统包括：

用于对反应池中絮体进行图像拍摄的CCD工业摄像机，CCD工业摄像机有四个，分别分布在反应池前后左右四个内壁上；

与CCD工业摄像机有线连接，用于将图像资料由光信号转换成电信号的CCD图像传感器；

与CCD图像传感器有线连接，用于对接收的电信号进行分析和处理的单片机；

与单片机有线连接，用于对图像进行分析处理的图像处理模块；图像处理模块中混沌系统的Lyapunov指数的计算方法包括：

(1)一维离散混沌系统Lyapunov指数的计算

设一维混沌系统为：

x_n+1＝F(x_n)(2.9)

x_n有偏差dx_n，x_n+1的偏差为dx_n+1，则有式(2.10)，所以式(2.11)成立；

x_n+1+dx_n+1＝F(x_n+dx_n)≈F(x_n)+dx_n·F'(x_n)(2.10)

dx_n+1＝dx_n·F'(x_n)(2.11)

假设该一维混沌映射的轨道呈现指数规律，即：

|dx_n+1|＝|dx_n|·e^LE(2.12)

其中LE是Lyapunov指数；经过式(2.13)多次迭代后，得到最终式(2.14)；

${\mathrm{dx}}_n={\mathrm{dx}}_{n-1}\·F^{\′}\left(x_{n-1}\right)={\mathrm{dx}}_{n-2}\·F^{\′}\left(x_{n-2}\right)\·F^{\′}\left(x_{n-1}\right)=...={\mathrm{dx}}_0\underset{i=0}{\overset{n-1}{\Π}}{F}^{\′}\left(x_i\right)---\left(2.13\right)$

$LE=\underset{n\→\mathrm{\∞}}{\lim }\frac{1}{n}\underset{i=0}{\overset{n-1}{\Σ}}ln\left|F^{\′}\left(x_i\right)\right|---\left(2.14\right)$

(2)微分方程组Lyapunov指数的计算

假设在微分方程组所确定的相空间中，选择两条起点差距为d₀轨迹，经过时间τ后，差距为d_τ，且d₀与d_τ成指数关系，即：

dτ＝d₀e^τLE (2.15)

则Lyapunov指数为：

$LE=\frac{1}{\mathrm{\τ}}ln\frac{d_{\mathrm{\τ}}}{d_0}---\left(2.16\right)$

先从一条参考轨迹上找一个起点，算出与相邻轨迹的距离d₀、d_τ，如果d_τ与d₀不成指数关系，则找新的起点重算d₀、d_τ；经过时间τ后，选取一个新的起点，但是与参考轨迹的初始距离d₀保持不变；得到一系列的d₁,d₂,...,d_j,...；然后按(2.16)式算平均，得到最大Lyapunov指数：

${\mathrm{LE}}_1=\underset{n\→\mathrm{\∞}}{\lim }\frac{1}{n\mathrm{\τ}}\underset{i=1}{\overset{n}{\Σ}}ln\frac{d_i}{d_0}---\left(2.17\right)$

当d₀足够小，且n取足够大时，只要τ不太大，则计算的结果就与τ的具体大小无关；即用计算机可以实现这种算法，从而得到一个可靠的LE₁；

(3)差分方程组Lyapunov指数的计算

差分方程组的定义：在Rⁿ空间上有x_i+1＝f(x_i),f为Rⁿ上的连续可微映射；

f的Jacobi矩阵为：

令J_i＝f'(x₀)·f'(x₁)·...·f'(x_i-1)并将J_i的n个复特征根的模依次按大到小的顺序排列为：

|LE₁⁽ⁱ⁾|≥|LE₂⁽ⁱ⁾|≥...|LE_n⁽ⁱ⁾| (2.19)

则f的Lyapunov指数为：

${\mathrm{LE}}_k=\underset{i\→\mathrm{\∞}}{\lim }\frac{1}{i}ln\left|{{\mathrm{LE}}_k}^{\left(i\right)}\right|,(k=1,...,n)---\left(2.20\right)$

与单片机有线连接，用于对图像进行转换的3D图像转换模块；所述3D图像转换模块的数字图像混沌映射是指单幅图像和多幅图像参数的混沌加密和多重混合，对加密后的隐藏图像G的图像序列x(t)和载体图像F的图像序列w(t)进行α₁混合得到：S₁＝α₁w(t)+(1-α₁)x(t),再对混合图像S₁和载体图像F进行α₂混合得到S₂＝α₂w(t)+(1-α₂)S₁，依次进行至n重混合得到S_n＝α_nw(t)+(1-α_n)S_n-1，则混合图像S_n为图像F和G的n重混合图像，

混合图像满足下面的关系式，

S_n＝(1-β_nβ_n-1...β₂β₁)F+β_nβ_n-1...β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,...,n，

采用Logistic映射来产生迭代参数，选定参数μ'和初值a₁，由公式：

α_i+1＝μ'α_i(1-α_i)；

{α_i}为混沌加密后迭代时的参数序列；

与单片机有线连接，用于对运行数据进行保存的信息管理终端；

与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器；

与单片机通过采集数据分析模块有线连接，用于对分析的数据进行处理的数据处理模块；

所述单片机与电源模块有线连接，用于提供电源；

所述信息管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接。

2.如权利要求1所述的高效的微涡流混凝絮体检测系统，其特征在于，所述CCD图像传感器的图像噪点祛除方法包括：

第一步：利用改进脉冲耦合神经网络检测图像噪点；

首先，结合图像组织结构特征或类组织结构特征对基于哺乳动物大脑皮层视觉区神经元传导特性启发而形成的传统脉冲耦合神经网络进行改进与优化，提出如下适合处理组织类图像信息的改进脉冲耦合神经网络模型：

F_ij[n]＝S_ij (1)

$L_{ij}\[n\]=\underset{ab}{\Σ}{Y}_{ab}\[n\]/N_w---\left(2\right)$

U_ij[n]＝F_ij[n](1+β_ij[n]L_ij[n]) (3)

$Y_{ij}\[n\]=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& U_{ij}\[n\]\>{\mathrm{\θ}}_{ij}\[n\]\end{array}\\ 0,& otherwise\end{array}\right.---\left(4\right)$

θ_ij[n]＝θ₀e^-αθ(n-1) (5)

其中，β_ij[n]为自适应链接强度系数：

${\mathrm{\β}}_{ij}\[n\]=\underset{a,b\∈w}{\Σ}\frac{1}{|S_{ij}-S_{ab}|+\mathrm{\Δ}}/N_w---\left(6\right)$

S_ij、F_ij[n]、L_ij[n]、U_ij[n]、θ_ij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值，N_w为所选待处理窗口W中的像素总数，Δ为调节系数，一般选取1～3；

当脉冲耦合神经网络对图像进行检测时，利用网络特性使灰度为S_{ij max}的像素点火激活，再进行第二次脉冲耦合神经网络迭代处理，把介于[S_ijmax/1+β_ijL_ij,S_ijmax]间的像素捕获激活，使两次激活的像素点对应的Y_ij输出为1；然后对原噪声污染图像反白处理，再对处理后的图像S_ij按前述进行迭代处理，并使其对应的输出Y_ij＝1；利用图像噪声像素与周围像素相关性小，灰度差别大这一特性，当一个神经元的激发没有引起所在区域附近大多数神经元的激发时，就说明该神经元对应像素可能是噪声点；初步甄别出Y_ij＝0对应的像素点为图像的信号点，应予以保护；而对Y_ij输出为1的像素点在3*3模板B范围内统计以输出Y_ij＝1为中心邻域元素值为1的个数N_Y判别归类：(1)1≤N_Y≤8，为噪声点，(2)当N_Y＝9，判定为图像像素点；

第二步：图像自适应加权滤波器噪声滤波；

在检测图像脉冲噪声点的基础上，滤波采用自适应加权滤波；当B中为1个数N_Y较小时，噪声密度较低，应选取小尺寸滤波窗口，用来加强对图像细节的保护作用；当N_Y较大时，噪声密度较大，应选取大尺寸滤波窗口，用来增强除噪效果；选取大小为m*m的滤波窗口M，窗口大小的选取原则是：

$m=\left\{\begin{array}{cc}5,& 1\≤N_Y\≤5\\ 7,& 6\≤N_Y\≤8\end{array}\right.$

当脉冲输出Y_ij＝1且N_Y＝1～8，按以上原则选取滤波窗口M，实现对噪声污染图像S_ij的自适应滤波，其滤波方程为：

$f_{ij}=\underset{r,s\∈M}{\Σ}{x}_{rs}{S}_{rs}---\left(7\right)$

式中，x_rs是滤波窗口中对应像素的系数，其为：

$x_{rs}=\left\{\begin{array}{cc}\frac{1/\{1+max\[{\mathrm{\Ω}}_{ij},|S_{rs}-D_{ij}|\]\}}{\underset{r,s\∈M}{\Σ}1/\{1+\max \[{\mathrm{\Ω}}_{ij},|S_{rs}-D_{ij}|\]\}},& Y_{rs}=1\\ 0,& Y_{rs}=0\end{array}\right.---\left(8\right)$

${\mathrm{\Ω}}_{ij}=\frac{\underset{r,s\∈M}{\Σ}|S_{rs}-D_{ij}|}{N_Y},Y_{rs}=1---\left(9\right)$

式中D_ij为方形滤波窗口M中像素灰度中值。