基于模糊逻辑的图像处理算法研究

基于智能计算的图像处理算法研究绪论主要内容基于模糊逻辑的图像去噪算法结论基于模糊逻辑的边缘提取算法基于模糊逻辑的阈值分割算法

模糊信息处理是利用模糊数学工具，来处理带有模糊不确定性的信息。在图像处理中，由于成像期间空间分辨率及各种光照条件的影响，使得目标图像边界与背景之间的像素灰度具有中间过渡性质，从而使目标物的边界具有模糊性。另外，图像处理往往是一个信息不足的不适定问题，由于问题的复杂性，不可能完全搞清楚造成这种信息不足的全部原因。因而，对于图像处理这样一个复杂的问题，利用模糊信息处理技术来进行研究有其内在的必然性和合理性。绪论基于模糊逻辑的脉冲噪声滤波算法基于模糊逻辑的图像去噪算法基于模糊逻辑的偏微分方程去噪算法引言

经典的滤波工具主要有线性低通滤波和非线性中值滤波。线性低通滤波在滤出噪声的同时，常常会模糊图像边缘或轮廓；非线性中值滤波在一定程度上克服了这一缺点，但滤波效果受选择滤波窗口影响很大。为了克服单一使用中值滤波方法去除脉冲噪声会造成图像细节信息丢失，使图像变模糊的缺陷，提出一种新的基于模糊逻辑的图像滤波算法。基于模糊逻辑的脉冲噪声滤波算法脉冲噪声点检测（1.1）（1.2）（1.3）（1.4）基于模糊逻辑的脉冲噪声滤波算法设当前像素点的坐标为(x,y)，灰度值为f(x,y),其邻域取大小为5×5的矩形窗口，分别与式(1.1)~(1.4)所示模板进行卷积运算。

卷积运算结果为wi(x,y),i=1,2,3,4。定义wi(x,y)绝对值的最小值为像素点(x,y)的脉冲噪声检测值w(x,y)。若像素点(x,y)为孤立的脉冲噪声点时，w(x,y)的值将较大。若像素点(x,y)为非脉冲噪声点或图像边缘点时，w(x,y)的值较小。设置一阈值wT,若w(x,y)>wT，则可判定此点为脉冲噪声点。脉冲噪声点检测基于模糊逻辑的脉冲噪声滤波算法

改进MMEM算法的滤波实现步骤如下:(1)在输入图像灰度值矩阵中任取一个中心在(x,y),大小为3×3的窗口，找出灰度最大值Imax和最小值Imin，若I(x,y)=Imax或I(x,y)=Imin

，则令I(x,y)=0，去除它们，即去除那些受噪声严重污染的像素点。如剩下的像素个数大于等于3，则去除它们中的最大和最小灰度值，然后用其平均值作为滤波器的输出。如剩下的像素个数大于零小于3，则用其灰度值的平均值作为滤波器的输出。如剩下的像素的个数等于零，执行步骤(2)。噪声像素点灰度值复原基于模糊逻辑的脉冲噪声滤波算法

(2)取一个大小为5×5的窗口，找出灰度最大值Imax和最小值Imin，若I(x,y)=Imax或I(x,y)=Imin

，则令I(x,y)=0，然后用剩下像素灰度值的加权平均作为滤波器的输出。其公式为噪声像素点灰度值复原

基于模糊逻辑的脉冲噪声滤波算法

若窗口中的像素均被丢弃，则用相邻4个滤波器输出值的加权平均作为滤波器的输出。其公式为:噪声像素点灰度值复原

基于模糊逻辑的脉冲噪声滤波算法

设脉冲噪声检测值w(x,y)为一模糊事件，其隶属函数为，定义如下模糊规则：

(1)若某一像素点的w(x,y)值较大，则该像素点为脉冲噪声点的可能性也就较大，相应地隶属函数也较大。

(2)若某一像素点的w(x,y)值较小，则该像素点为脉冲噪声点的可能性也就较小，相应地隶属函数也较小。

噪声像素点灰度值复原

基于模糊逻辑的脉冲噪声滤波算法

像素点为脉冲噪声点，隶属度值决定了其可能的程度，滤波器输出应以隶属度值为权重，同时考虑原输入点灰度值和用改进MMEM算法对噪声像素点的估计灰度值。

噪声像素点灰度值复原

基于模糊逻辑的脉冲噪声滤波算法根据以上分析，得出下式：实验结果与分析

去噪算法脉冲噪声5%10%20%30%60%中值滤波（3×3)34.9133.7329.2826.3711.76中值滤波（5×5)31.2830.5629.5729.1118.98文献[58]39.7238.6637.1336.8723.56文献[59]40.7239.1238.3537.9831.42本文所提算法41.5740.7838.7938.1532.13LENA图像几种不同算法的PSNR值比较

基于模糊逻辑的脉冲噪声滤波算法实验结果与分析

LENA图像几种不同算法的MSE值比较

去噪算法脉冲噪声5%10%20%30%60%中值滤波（3×3)18.2122.4665.87628.773857.63中值滤波（5×5)40.3644.6750.7673.86743.65文献[58]6.588.3213.6218.7949.68文献[59]6.127.9812.7817.6247.53本文所提算法4.766.4710.2316.2141.17基于模糊逻辑的脉冲噪声滤波算法实验结果与分析

(a)(b)(c)(d)(e)(f)(g)

基于模糊逻辑的脉冲噪声滤波算法实验结果与分析

(a)(b)(c)(d)(e)(f)(g)

基于模糊逻辑的脉冲噪声滤波算法基于模糊逻辑的脉冲噪声滤波算法

(e)(f)(g)

(a)(b)(c)实验结果与分析

结论

单一使用传统中值滤波方法去除脉冲噪声时会造成图像细节信息的丢失、使图像变模糊。为克服此缺陷，提出了一种新的基于模糊逻辑的图像去噪算法。从实验结果中可以看到，与中值滤波算法及其他改进的中值滤波算法相比，新算法在去除脉冲噪声时能获得较好的效果。基于模糊逻辑的脉冲噪声滤波算法引言

近年来，基于偏微分方程(PDEs)的去噪方法在图像处理与分析领域得到了广泛的重视，因为它在平滑噪声的同时，可以使边缘得到保持。本节将模糊逻辑思想与Perona-Malik方法相结合，提出了一种对高斯噪声图像更有效更有适应性的基于模糊逻辑的偏微分方程去噪算法。

基于模糊逻辑的偏微分方程去噪算法传统PM算法的缺陷

在实际应用中PM模型存在着以下的缺陷和局限性：(1)常常不能够有效地消除小尺度区域的噪声和梯度很大的突变；(2)提供的两种扩散系数都只是启发性的，并且还没有足够的理论来支持其合理性；(3)阈值参数的选取难以控制。基于模糊逻辑的偏微分方程去噪算法基于粒子群优化算法确定扩散系数阈值参数

由于在对灰度图像的处理中，灰度值数据类型通常选用double型，因而种群中粒子及其速度我们都采用实数编码。粒子群编码格式如下所示，其中，dimSize表示参数维度，本文中为3，popSize表示种群大小。使得模糊熵达到最大，从而完成扩散系数阈值参数的确定。基于模糊逻辑的偏微分方程去噪算法实验结果与分析

(a)：原图(b)：高斯噪声图像

(c)：PM算法结果(d)：本文算法结果基于模糊逻辑的偏微分方程去噪算法实验结果与分析

(a)：House原图(b)：高斯噪声图像

(c)：PM算法结果

(d)：本文算法结果(e)：PM算法边缘提取(f)：本文算法边缘提取

基于模糊逻辑的偏微分方程去噪算法实验结果与分析

(a)：污染原图(b)：中值滤波结果

(c)：PM结果(d)：本文方法结果

基于模糊逻辑的偏微分方程去噪算法结论

在分析了PM算法缺陷的基础上，提出了一种改进的基于模糊逻辑的偏微分方程去噪算法。该算法将隶属度分布函数作为PM算法中扩散方程的扩散系数，利用模糊熵概念及粒子群优化算法来选取扩散系数阈值参数，从而能够比较合理地解释各向异性扩散的过程。最后，以三幅灰度图像进行验证，结果证明，所提方法不仅能够较好地抑制高斯噪声，而且能够很好地保持图像的细节，验证了算法的有效性。基于模糊逻辑的偏微分方程去噪算法基于粒子群模糊聚类的边缘检测算法基于模糊逻辑的边缘提取算法基于模糊增强的图像边缘检测算法引言

用FCM算法进行图像边缘检测时存在对初始化敏感及容易陷入局部极优的两大缺陷。针对上述缺点，许多研究人员把进化计算引入到模糊聚类中,以期达到全局寻优、快速收敛的目的，形成了基于进化计算的模糊聚类算法。本节利用PSO算法全局寻优、快速收敛的优点结合FCM算法提出一种新的粒子群模糊聚类算法,并将其应用于图像的边缘检测中，给出了一个新的基于粒子群模糊聚类的图像边缘检测算法。

基于粒子群模糊聚类的边缘检测算法图像边缘点特征向量定义1、邻域一致性分量

R(i,j)=max{|Gk1-Gk2|},k=1,2,…,N.

Gk1，Gk2分别为线素方向θk两侧的灰度平均值。

基于粒子群模糊聚类的边缘检测算法2、结构性分量

3、方向性分量

基于粒子群算法的模糊聚类

，

将粒子群优化算法应用于模糊聚类问题要解决两个问题：一是粒子编码问题；二是如何构造适应度函数来度量每个粒子对问题的适应程度。由于FCM算法核心是聚类中心的确定,因此PSO算法对聚类中心Vi(i=1,2,…,c)进行编码。对任一粒子xi编码如下:xi=(vi1,vi2,…,vij…,vic),其中vij表示第i种聚类方式中的第j个聚类中心。显然,如果群体规模为n,则代表有n种聚类方式。基于粒子群模糊聚类的边缘检测算法算法步骤，

算法的具体步骤描述如下：

(1)数据集的产生

(2)应用基于粒子群算法的模糊聚类方法对第1步所形成的数据集进行聚类，形成最优聚类中心矩阵。

(3)由第2步所形成的最优聚类中心矩阵计算出最优模糊分类矩阵，然后根据最大隶属度原则来确定最优的聚类划分，从而提取出边缘点类。基于粒子群模糊聚类的边缘检测算法实验结果与分析

信噪比分别为90、60、30、20、10的Ring标准图基于粒子群模糊聚类的边缘检测算法

不同方法对Ring标准图进行边缘检测的Pratt品质因数值信噪比(SNR)值1020306090Canny算子品质因数0.4820.5520.5610.5720.579文献[88]方法品质因数0.6930.7010.7130.7250.731本文方法品质因数0.8250.8470.8560.8630.867基于粒子群模糊聚类的边缘检测算法实验结果与分析

(a)rice加噪图(b)Canny算子检测结果

(c)文献[88]方法检测结果(d)本文方法检测结果基于粒子群模糊聚类的边缘检测算法实验结果与分析

(a)加噪图(b)Canny算子检测结果(c)文献[88]方法检测结果(d)本文方法检测结果基于粒子群模糊聚类的边缘检测算法实验结果与分析

基于粒子群模糊聚类的边缘检测算法实验结果与分析

(a)加噪图(b)Canny算子检测结果(c)文献[88]方法检测结果(d)本文方法检测结果结论

本节构造了边缘检测性能更好的边缘点特征向量来定量描述边缘点附近的灰度分布是有序的、具有方向性以及灰度突变是具有结构性的三个本质特征。由于所提方法在构造边缘点特征向量时，充分地考虑了噪声点和边缘点的本质差别，因此此方法对噪声具有良好的抑制作用。利用基于粒子群算法的模糊聚类方法进行边缘检测，本节方法能产生较明确的边缘，无需再进行细化处理，提高了边缘定位的精度。基于粒子群模糊聚类的边缘检测算法引言

1980年Pal和King提出了一种单层次模糊增强算法，但这种单层次模糊增强算法使阈值参数附近的某一边缘得到增强，但同时却使远离阈值参数的其他边缘受到抑制，从而引起图像视觉效果下降。另外，由于算法采用非线性模糊增强变换函数，使得运算速度慢且损失部分灰度信息。为克服Pal和King单层次模糊增强算法的不足，提出了一种更有效同时能较好抑制噪声的基于模糊增强的图像边缘提取算法。基于模糊增强的图像边缘检测算法传统单层次模糊增强算法及其缺陷

Pal定义的隶属函数如下：

模糊增强算子定义为：

基于模糊增强的图像边缘检测算法改进的图像多层次模糊增强边缘提取算法

1、基于模糊熵选取阈值参数2、基于改进模糊算子的图像增强

3、模糊集到图像集的变换

4、增强图像的边缘提取

基于模糊增强的图像边缘检测算法

(c)Pal算法结果(d)本文算法结果基于模糊增强的图像边缘检测算法实验结果与分析

（a）House原图(b)原图直方图

基于模糊增强的图像边缘检测算法实验结果与分析

（a）原图(b)原图直方图(c)Pal算法结果(d)本文算法结果

基于模糊增强的图像边缘检测算法实验结果与分析

（a）原图(b)原图直方图(c)Pal算法结果(d)本文算法结果结论

本节在分析了传统单层次模糊增强Pal算法缺陷的基础上，提出了一种改进的基于模糊增强的图像边缘提取算法。该算法定义了多层次图像的模糊熵及一个基于模糊熵的测度，同时还提出一种新的模糊增强算子，从而更有效地增强了图像边缘信息。算法中先求层次，进行模糊平滑处理，再作模糊增强处理，最后进行边缘提取。比传统单层次模糊增强Pal算法处理所得的图像效果更佳。通过仿真实验，验证了算法的有效性。基于模糊增强的图像边缘检测算法基于模糊逻辑的图像阈值分割算法基于模糊逻辑的阈值分割算法基于模糊连通度的图像阈值分割算法引言

本节提出了一种新的有效的图像阈值分割方法。该方法首先给出一个新模糊熵的定义，这个模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况，同时也考虑到图像在空域中划分区域时随隶属函数变化而变化的情况，这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。然后，采用粒子群优化算法寻求隶属函数的最优参数，得到分割的最佳阈值，并用该阈值对图像进行分割。基于模糊逻辑的图像阈值分割算法

传统模糊熵分析

图像信息熵定义如下：

上式所定义的熵仅能表征图像在空域中的信息量，而不能体现出变换到模糊域后的信息量。定义一个模糊熵，这个模糊熵要能够反映出图像通过隶属函数从空域变换到模糊域所能保持信息量的大小。基于模糊逻辑的图像阈值分割算法

传统模糊熵分析

Zadeh定义的模糊熵为：Kaufmann定义的模糊熵为：其中，基于模糊逻辑的图像阈值分割算法

定义新的模糊熵

定义新的模糊熵如下：

其中，从上式可以看出，当隶属函数参数变化时，新定义的模糊熵变化情况不仅与模糊域中的隶属度变化有关，而且与空域中的灰度值概率变化有关。基于模糊逻辑的图像阈值分割算法

隶属函数参数及最佳分割阈值的确定

1、隶属函数的选取采取S函数为模糊隶属函数，其形式如下：2、利用粒子群优化算法求出最优解，使得模糊熵达到最大，完成S函数的最优参数确定，其中b即为最佳分割阈值。

基于模糊逻辑的图像阈值分割算法

实验结果与分析

(a)：Tracy原图(b)：Tracy图直方图(c)：文献[119]算法阈值分割二值图(d):文献[120]结果(e)：文献[121]结果

(f)：本文结果基于模糊逻辑的图像阈值分割算法

实验结果与分析

(a)：原图(b)：原图直方图(c)：文献[119]算法阈值分割二值图

(d):文献[120]结果(e)：文献[121]结果(f)：本文结果

基于模糊逻辑的图像阈值分割算法

结论为确定图像分割的最佳阈值，提出了一种新的图像阈值分割算法。该算法定义了一个新的模糊熵，根据最大熵准则采用粒子群优化算法确定隶属函数的最优参数，自动地确定最佳分割阈值，然后将原始图像变换到模糊域，在模糊域进行图像增强，最后将增强图像变换到空域进行阈值分割。通过仿真实验，验证了算法的有效性。基于模糊逻辑的图像阈值分割算法

引言

基于模糊连通度的阈值分割算法，其基本思想是用模糊连通度代表图像中两个像素点的相似性，然后根据某种特定划分建立相应的能量函数，该能量函数的最小值即对应图像的一个最佳划分。该方法通常具有较高的复杂性，实时性较差，因而在很多实时视觉处理场合无法采用。基于此原因，提出了一种新方法，该方法采用图像划分测度作为阈值分割的准则来区分目标和背景。基于模糊连通度的图像阈值分割算法基于模糊连通度的图像阈值分割算法

设图像场I=(V,E)，其中V是图像像素点的集合，E是连接像素点边的集合。连接每两个像素点的边均赋予权值w(u,v)，这里w(u,v)为两个像素点间的模糊连通度，该权值衡量节点u和v的相似程度。如果将节点集V分成两个独立的子集A和B，其中B=V-A，那么通过移去连接A和B中所有节点的边就可以得到点集A和B之间的分离度，称为划分(cut)。基于模糊连通度的图像阈值分割算法

算法描述如下：构建基于像素的权值矩阵W：对于一幅给定图像I，计算任意两像素点之间的模糊连通度，构建出对称权值矩阵W。对于对称权值矩阵W，构建出基于灰度级的对称权值矩阵M。根据矩阵M，计算出每一个门限对应的测度值。找出测度的最小值，最小值所对应的门限t即为最优门限值T。利用最优门限值T对图像I进行阈值分割。基于模糊连通度的图像阈值分割算法基于模糊连通度的图像阈值分割算法

基于模糊连通度的图像阈值分割算法(c)Otsu分割结果(d)本文分割结果(e)灰度直方图实验结果分析与比较

(a)待分割图(b)Udupa分割结果

基于模糊连通度的图像阈值分割算法(e)灰度直方图

(a)待分割图(b)Udupa分割结果

(c)Otsu分割结果(d)本文分割结果实验结果分析与比较

小结基于模糊连通度的图像阈值分割算法

提出一种基于模糊连通度的图像阈值分割算法。通过实验和分析，所提出来的基于模糊连通度的图像阈值分割算法，与Otsu方法相比较，在实验仿真中取得了较好的分割效果。与基于经典模糊集合的Udupa方法比较时，本章所提出的算法无论在分割效果及算法执行速度上都要明显优于这种算法。综上所述，所提出的算法是一种切实可行的阈值分割算法。结论

本文基于计算机视觉、模糊逻辑、最优化等理论与技术，针对图像处理中的图像去噪、边缘提取及分割等问题进行研究，取得了一些有创新性的研究结果，主要体现在以下几个方面：

(1)基于模糊逻辑的脉冲噪声滤波算法。

(2)基于模糊逻辑的偏微分方程去噪算法。

(3)基于粒子群模糊聚类的边缘检测算法。

(4)基于模糊增强的图像边缘检测算法。

(5)基于模糊逻辑的图像阈值分割算法。

(6)基于模糊连通度的图像阈值分割算法。

第一节活塞式空压机的工作原理第二节活塞式空压机的结构和自动控制第三节活塞式空压机的管理复习思考题单击此处输入你的副标题，文字是您思想的提炼，为了最终演示发布的良好效果，请尽量言简意赅的阐述观点。第六章活塞式空气压缩机

piston-aircompressor压缩空气在船舶上的应用：

1.主机的启动、换向；

2.辅机的启动；

3.为气动装置提供气源；

4.为气动工具提供气源；

5.吹洗零部件和滤器。

排气量:单位时间内所排送的相当第一级吸气状态的空气体积。单位：m3/s、m3/min、m3/h第六章活塞式空气压缩机

piston-aircompressor空压机分类：按排气压力分：低压0.2～1.0MPa；中压1～10MPa；高压10～100MPa。按排气量分：微型<1m3/min；小型1～10m3/min；中型10～100m3/min；大型>100m3/min。第六章活塞式空气压缩机

piston-aircompressor第一节活塞式空压机的工作原理容积式压缩机按结构分为两大类：往复式与旋转式两级活塞式压缩机单级活塞压缩机活塞式压缩机膜片式压缩机旋转叶片式压缩机最长的使用寿命-

----低转速（1460RPM），动件少（轴承与滑片），润滑油在机件间形成保护膜，防止磨损及泄漏，使空压机能够安静有效运作；平时有按规定做例行保养的JAGUAR滑片式空压机，至今使用十万小时以上，依然完好如初，按十万小时相当于每日以十小时运作计算，可长达33年之久。因此，将滑片式空压机比喻为一部终身机器实不为过。滑(叶)片式空压机可以365天连续运转并保证60000小时以上安全运转的空气压缩机1.进气2.开始压缩3.压缩中4.排气1.转子及机壳间成为压缩空间，当转子开始转动时，空气由机体进气端进入。2.转子转动使被吸入的空气转至机壳与转子间气密范围，同时停止进气。3.转子不断转动，气密范围变小，空气被压缩。4.被压缩的空气压力升高达到额定的压力后由排气端排出进入油气分离器内。4.被压缩的空气压力升高达到额定的压力后由排气端排出进入油气分离器内。1.进气2.开始压缩3.压缩中4.排气1.凸凹转子及机壳间成为压缩空间，当转子开始转动时，空气由机体进气端进入。2.转子转动使被吸入的空气转至机壳与转子间气密范围，同时停止进气。3.转子不断转动，气密范围变小，空气被压缩。螺杆式气体压缩机是世界上最先进、紧凑型、坚实、运行平稳，噪音低，是值得信赖的气体压缩机。螺杆式压缩机气路系统：

A

进气过滤器

B

空气进气阀

C

压缩机主机

D

单向阀

E

空气/油分离器

F

最小压力阀

G

后冷却器

H

带自动疏水器的水分离器油路系统：

J

油箱

K

恒温旁通阀

L

油冷却器

M

油过滤器

N

回油阀

O

断油阀冷冻系统：

P

冷冻压缩机

Q

冷凝器

R

热交换器

S

旁通系统

T

空气出口过滤器螺杆式压缩机涡旋式压缩机

涡旋式压缩机是20世纪90年代末期开发并问世的高科技压缩机，由于结构简单、零件少、效率高、可靠性好，尤其是其低噪声、长寿命等诸方面大大优于其它型式的压缩机，已经得到压缩机行业的关注和公认。被誉为“环保型压缩机”。由于涡旋式压缩机的独特设计，使其成为当今世界最节能压缩机。涡旋式压缩机主要运动件涡卷付，只有磨合没有磨损，因而寿命更长，被誉为免维修压缩机。

由于涡旋式压缩机运行平稳、振动小、工作环境安静，又被誉为“超静压缩机”。

涡旋式压缩机零部件少，只有四个运动部件,压缩机工作腔由相运动涡卷付形成多个相互封闭的镰形工作腔，当动涡卷作平动运动时，使镰形工作腔由大变小而达到压缩和排出压缩空气的目的。活塞式空气压缩机的外形第一节活塞式空压机的工作原理一、理论工作循环（单级压缩）工作循环：4—1—2—34—1吸气过程

1—2压缩过程

2—3排气过程第一节活塞式空压机的工作原理一、理论工作循环（单级压缩）

压缩分类：绝热压缩：1—2耗功最大等温压缩：1—2''耗功最小多变压缩：1—2'耗功居中功＝P×V（PV图上的面积）加强对气缸的冷却，省功、对气缸润滑有益。二、实际工作循环（单级压缩）1.不存在假设条件2.与理论循环不同的原因：1）余隙容积Vc的影响Vc不利的影响—残存的气体在活塞回行时，发生膨胀，使实际吸气行程（容积）减小。Vc有利的好处—

（1）形成气垫，利于活塞回行；（2）避免“液击”（空气结露）；（3）避免活塞、连杆热膨胀，松动发生相撞。第一节活塞式空压机的工作原理表征Vc的参数—相对容积C、容积系数λv合适的C：低压0.07-0.12

中压0.09-0.14

高压0.11-0.16

λv＝0.65—0.901）余隙容积Vc的影响C越大或压力比越高，则λv越小。保证Vc正常的措施：余隙高度见表6-1压铅法—保证要求的气缸垫厚度2.与理论循环不同的原因：二、实际工作循环（单级压缩）第一节活塞式空压机的工作原理2）进排气阀及流道阻力的影响吸气过程压力损失使排气量减少程度，用压力系数λp表示：保证措施：合适的气阀升程及弹簧弹力、管路圆滑畅通、滤器干净。λp

（0.90-0.98）2.与理论循环不同的原因：二、实际工作循环（单级压缩）第一节活塞式空压机的工作原理3）吸气预热的影响由于压缩过程中机件吸热，所以在吸气过程中，机件放热使吸入的气体温度升高，使吸气的比容减小，造成吸气量下降。预热损失用温度系数λt来衡量（0.90-0.95）。保证措施：加强对气缸、气缸盖的冷却，防止水垢和油污的形