專利名稱：基于礦物浮選泡沫圖像的分類方法
基于礦物浮選泡沬圖像的分類方法本發(fā)明屬于礦物浮選領(lǐng)域。特別是礦物浮選泡沫圖像的分類方法。礦物浮選生產(chǎn)過程一般由有經(jīng)驗的工人觀察浮選泡沫的狀態(tài)來進(jìn)行控制，這種操作的不確定性很難使浮選過程運(yùn)行在最優(yōu)狀態(tài)。利用數(shù)字圖像處理技術(shù)，對浮選泡沫圖像進(jìn)行分類和解釋，得到礦物浮選的工況信息，進(jìn)而進(jìn)行優(yōu)化控制，是提高經(jīng)濟(jì)效益的一種有效方法。現(xiàn)階段對浮選泡沫圖像的分類和識別的研究主要是通過提取浮選泡沫圖像的紋理特征、顏色特征、泡沫尺寸分布等底層特征參數(shù)對泡沫圖像進(jìn)行描述，然后利用神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)等方法進(jìn)行分類識別，從而得到工況以指導(dǎo)生產(chǎn)。然而，將圖像作為一個整體進(jìn)行處理，僅僅用圖像底層特征加以描述的泡沫圖像不便于人們理解，即基于圖像底層特征的分類結(jié)果存在語義鴻溝問題。另外，由于泡沫圖像的局部信息沒有得到利用，而工業(yè)現(xiàn) 場存在光照、粉塵等噪聲干擾，兩幅完全不同的圖像，提取到的全局底層特征描述可能很接近，這就導(dǎo)致了基于泡沫圖像底層特征的神經(jīng)網(wǎng)絡(luò)或SVM的分類識別的準(zhǔn)確度低，從而使基于工況的生產(chǎn)操作頻繁誤動作，生產(chǎn)難以穩(wěn)定最優(yōu)運(yùn)行。向量空間模型(VSM)由Salton等人于20世紀(jì)70年代提出，是一種表示文本文件的代數(shù)模型。VSM把對文本內(nèi)容的處理簡化為向量空間中的向量運(yùn)算，并用空間上的相似度表達(dá)語義的相似度，直觀易懂。對應(yīng)于泡沫圖像，若能從語義層面去理解圖像，再在語義層面上對泡沫圖像進(jìn)行分類識別，則分類結(jié)果更接近人的理解。由于泡沫圖像存在工業(yè)現(xiàn)場的光照、粉塵等的影響，而且各類泡沫圖像本身具有亮度低、相似度高等特點(diǎn)，從細(xì)節(jié)、局部去區(qū)分各類圖像就顯得更加重要。本發(fā)明的目的在于針對基于浮選泡沫底層特征描述的圖像分類方法具有語義鴻溝和分類不準(zhǔn)確問題，提供一種基于礦物浮選泡沫圖像的分類方法。本發(fā)明所提供的浮選泡沫圖像分類方法，主要包括三個階段(I)基于紋理特征和顏色特征的泡沫圖像泡沫狀態(tài)詞匯表生成；(2)泡沫圖像的詞袋描述；(3)利用向量空間模型進(jìn)行泡沫圖像分類。具體描述如下(I)基于紋理特征和顏色特征的泡沫圖像泡沫狀態(tài)詞匯表生成對于浮選現(xiàn)場，不同工況的泡沫圖像有很大的差別，主要表現(xiàn)在紋理的粗細(xì)度、紋溝的深淺不同等，此外，浮選泡沫具有明顯的色彩，顏色在很大程度上能反映泡沫所攜帶的礦物類型、礦物多少等信息。因此選擇泡沫圖像的紋理特征和顏色特征來對泡沫圖像進(jìn)行描述。利用灰度共生矩陣(GLCM)算法提取泡沫圖像的紋理參數(shù)，包括角二階矩、熵、對比度、逆差矩和相關(guān)性；然后提取泡沫圖像的顏色特征，即相對紅色分量?；叶裙采仃囀怯蓤D像灰度級之間的聯(lián)合概率密度P (i, j, d, 0 )所構(gòu)成的矩陣，從統(tǒng)計的角度反映了圖像中任意兩點(diǎn)間灰度的空間相關(guān)性。它定義方向為0、間距為d的灰度共生矩陣P (i，j，d，0)為共生矩陣的第i行j列元素的值。0取0°，45°，90°和135°4個方向，設(shè)I (X，y)為一幅二維的數(shù)字圖像，其大小為UXV像素，X，y分別為像素的像素坐標(biāo)值。則對于不同的0，P (i，j，d，0 )計算方法如下P(i，j，d，0。^NumKx1, y) (x2, y2) G I^VlX1-X2=O,I y「y21I (x2, y2)=j}P(i, j, d, 45。) =NumKx1, Y1) (x2, y2) G U*V| (x「x2=d, y「y2=d)或(X1-X2=-Cl, Y1-Y2=-(I) ; I (X1, Y1)=!, I (x2, y2)=j}P(i, j, d, 90° ) =Num{(X1, y) (x2, y2) G I^VlX1-X2=Cl,yry2=0; I (X1, yX I (x2, y2)=j}P(i, j, d, 135。) =NumKx1, Y1) (x2, y2) G U*V| (x「x2=d, y「y2=_d)或(X1-X2=-Cl, Y1-Y2=(I) ; I (X1, Y1) =i, I (x2, y2)=j}其中Num{X}表示集合X中的元素個數(shù)。紋理、顏色參數(shù)計算公式及描述如下I. ASM(角二階矩)
權(quán)利要求
1.一種基于礦物浮選泡沫圖像的分類方法，其特征在于包括如下過程 (I)生成基于紋理特征和顏色特征的浮選泡沫圖像泡沫狀態(tài)詞匯表利用灰度共生矩陣算法提取泡沫圖像的紋理參數(shù)，包括角二階矩、熵、對比度、逆差矩和相關(guān)性；提取泡沫圖像的顏色特征，即相對紅色分量 灰度共生矩陣是由圖像灰度級之間的聯(lián)合概率密度P (i，j，d，Θ)所構(gòu)成的矩陣，它定義方向為Θ、間距為d的灰度共生矩陣P (i, j, d, Θ )為共生矩陣的第i行i列元素的值，Θ取0°，45°，90°和135° 4個方向，設(shè)I(x，y)為一幅二維的數(shù)字圖像，其大小為UX V像素，x，y分別為像素的像素坐標(biāo)值，則對于不同的Θ，Ρ (i，j，d，Θ)計算方法如下 P(i, j, d, 0° )=Num{(x1, Y1) (x2, y2) e U*V | X1-X2=O, Y1-Y2Hd; I (X1, Yi) =i, I (x2，y2)=j}P(i, j, d, 45。) =NumKx1, Y1) (x2, y2) e U*V| (x「x2=d, y「y2=d)或 (xi_x2__d, Yi-Y2——d) , I (X1, Y1) —i, I (x2，J2) — JI P(i, j, d, 90° )=Num{(x1, Y1) (x2, y2) e U*V | X1-X2=Cl, Yry2=O; I (X1, y!) =i, I (χ2, y2) =J]p(i, j, d, 135。) =NumKx1, Y1) (x2, y2) e U*V| (x「x2=d, y「y2=_d)或(xi_x2__d, Yi-Y2—d) , I (X1, Y1) —i, I (x2, J2) — JI其中，Num{X}表示集合X中的元素個數(shù)； 紋理、顏色參數(shù)計算公式及描述如下 角二階矩
2.根據(jù)權(quán)利要求I所述的基于礦物浮選泡沫圖像的分類方法，其特征在于(1)或(2)所述的步驟2中，m取值為5 20。
3.根據(jù)權(quán)利要求I所述的基于礦物浮選泡沫圖像的分類方法，其特征在于步驟(3)所述的向量內(nèi)積方法的過程為 對于訓(xùn)練集內(nèi)每個類別中的圖像，用詞袋的方法加以描述，得到該類的詞袋向量集合Ci, i=l，2，···，Ns，Ns為訓(xùn)練集中分類圖像的類別數(shù)；當(dāng)獲取到新的實(shí)時圖像，將該圖像用詞袋的方法加以描述，得到圖像的向量表示，通過計算該詞袋向量與各類圖像的詞袋向量集合Ci的相似度來進(jìn)行分類； Step I :將訓(xùn)練圖庫中各個類別的圖像集合用詞袋模型加以描述得到該類圖像的向量集合，每一類別圖像取M幅圖像，M取值1(Γ200，則第i類圖像的詞袋向量集合為
全文摘要
基于礦物浮選泡沫圖像的分類方法，通過將實(shí)時獲取的泡沫圖像歸類到不同的已知工況中。本發(fā)明將文本分類中的詞匯表引入到浮洗泡沫圖像中，通過對工業(yè)攝像機(jī)所獲取的泡沫圖像分塊以及特征參數(shù)提取，采用K均值聚類方法對提取的泡沫圖像顏色與紋理特征參數(shù)進(jìn)行聚類，得到多個聚類中心，構(gòu)造泡沫狀態(tài)詞匯表；再利用所得到的泡沫狀態(tài)詞匯表，對實(shí)時泡沫圖像用詞袋的方法進(jìn)行描述，形成泡沫圖像的一個向量表示；最后運(yùn)用向量空間模型，通過度量向量之間的相似度對泡沫圖像進(jìn)行歸類。由于不同類別對應(yīng)著不同的工況，因此可以根據(jù)泡沫圖像的分類結(jié)果進(jìn)行浮選工況識別，從而給出操作指導(dǎo)，優(yōu)化生產(chǎn)提高生產(chǎn)效率。
文檔編號G06K9/62GK102855492SQ20121026512
公開日2013年1月2日 申請日期2012年7月27日 優(yōu)先權(quán)日2012年7月27日
發(fā)明者王雅琳, 張潤欽, 陳曉方, 謝永芳, 桂衛(wèi)華, 陽春華 申請人:中南大學(xué)