基于礦物浮選泡沫圖像的分類方法技術

基于礦物浮選泡沫圖像的分類方法，通過將實時獲取的泡沫圖像歸類到不同的已知工況中。本發明專利技術將文本分類中的詞匯表引入到浮洗泡沫圖像中，通過對工業攝像機所獲取的泡沫圖像分塊以及特征參數提取，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進行聚類，得到多個聚類中心，構造泡沫狀態詞匯表；再利用所得到的泡沫狀態詞匯表，對實時泡沫圖像用詞袋的方法進行描述，形成泡沫圖像的一個向量表示；最后運用向量空間模型，通過度量向量之間的相似度對泡沫圖像進行歸類。由于不同類別對應著不同的工況，因此可以根據泡沫圖像的分類結果進行浮選工況識別，從而給出操作指導，優化生產提高生產效率。

【技術實現步驟摘要】
基于礦物浮選泡沬圖像的分類方法本專利技術屬于礦物浮選領域。特別是礦物浮選泡沫圖像的分類方法。礦物浮選生產過程一般由有經驗的工人觀察浮選泡沫的狀態來進行控制，這種操作的不確定性很難使浮選過程運行在最優狀態。利用數字圖像處理技術，對浮選泡沫圖像進行分類和解釋，得到礦物浮選的工況信息，進而進行優化控制，是提高經濟效益的一種有效方法。現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對泡沫圖像進行描述，然后利用神經網絡或者支持向量機等方法進行分類識別，從而得到工況以指導生產。然而，將圖像作為一個整體進行處理，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，而工業現 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，這就導致了基于泡沫圖像底層特征的神經網絡或SVM的分類識別的準確度低，從而使基于工況的生產操作頻繁誤動作，生產難以穩定最優運行。向量空間模型(VSM)由Salton等人于20世紀70年代提出，是一種表示文本文件的代數模型。VSM把對文本內容的處理簡化為向量空間中的向量運算，并用空間上的相似度表達語義的相似度，直觀易懂。對應于泡沫圖像，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行分類識別，則分類結果更接近人的理解。由于泡沫圖像存在工業現場的光照、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，從細節、局部去區分各類圖像就顯得更加重要。本專利技術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確問題，提供一種。本專利技術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詞匯表生成對于浮選現場，不同工況的泡沫圖像有很大的差別，主要表現在紋理的粗細度、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，包括角二階矩、熵、對比度、逆差矩和相關性；然后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合概率密度P (i, j, d, 0 )所構成的矩陣，從統計的角度反映了圖像中任意兩點間灰度的空間相關性。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I (X，y)為一幅二維的數字圖像，其大小為UXV像素，X，y分別為像素的像素坐標值。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。紋理、顏色參數計算公式及描述如下I. ASM(角二階矩)權利要求1.一種，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詞匯表利用灰度共生矩陣算法提取泡沫圖像的紋理參數，包括角二階矩、熵、對比度、逆差矩和相關性；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合概率密度P (i，j，d，Θ)所構成的矩陣，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I(x，y)為一幅二維的數字圖像，其大小為UX V像素，x，y分別為像素的像素坐標值，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； 紋理、顏色參數計算公式及描述如下 角二階矩2.根據權利要求I所述的，其特征在于(1)或(2)所述的步驟2中，m取值為5 20。3.根據權利要求I所述的，其特征在于步驟(3)所述的向量內積方法的過程為 對于訓練集內每個類別中的圖像，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為訓練集中分類圖像的類別數；當獲取到新的實時圖像，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的相似度來進行分類； Step I :將訓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，通過將實時獲取的泡沫圖像歸類到不同的已知工況中。本專利技術將文本分類中的詞匯表引入到浮洗泡沫圖像中，通過對工業攝像機所獲取的泡沫圖像分塊以及特征參數提取，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進行聚類，得到多個聚類中心，構造泡沫狀態詞匯表；再利用所得到的泡沫狀態詞匯表，對實時泡沫圖像用詞袋的方法進行描述，形成泡沫圖像的一個向量表示；最后運用向量空間模型，通過度量向量之間的相似度對泡沫圖像進行歸類。由于不同類別對應著不同的工況，因此可以根據泡沫圖像的分類結果進行浮選工況識別，從而給出操作指導，優化生本文檔來自技高網...

【技術保護點】
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：(1)生成基于紋理特征和顏色特征的浮選泡沫圖像泡沫狀態詞匯表利用灰度共生矩陣算法提取泡沫圖像的紋理參數，包括角二階矩、熵、對比度、逆差矩和相關性；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合概率密度P（i,j,d,θ）所構成的矩陣，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00，450，900和1350？4個方向，設I(x,y)為一幅二維的數字圖像，其大小為U×V像素，x,y分別為像素的像素坐標值，則對于不同的θ，P（i,j,d,θ）計算方法如下：P(i,j,d,0°)=Num{(x1,y1)(x2,y2)∈U*V|x1？x2=0,|y1？y2|=d;I(x1,y1)=i,I(x2,y2)=j}P(i,j,d,45°)=Num{(x1,y1)(x2,y2)∈U*V|(x1？x2=d,y1？y2=d)或(x1？x2=？d,y1？y2=？d);I(x1,y1)=i,I(x2,y2)=j}P(i,j,d,90°)=Num{(x1,y1)(x2,y2)∈U*V|x1？x2=d,y1？y2=0;I(x1,y1)=i,I(x2,y2)=j}P(i,j,d,135°)=Num{(x1,y1)(x2,y2)∈U*V|(x1？x2=d,y1？y2=？d)或(x1？x2=？d,y1？y2=d);I(x1,y1)=i,I(x2,y2)=j}其中，Num{X}表示集合X中的元素個數；？紋理、顏色參數計算公式及描述如下：角二階矩ASM=Σi,j{P(i,j|d,θ)}2熵IDM對比度CON=Σ(i-j)2P(i,j|d,θ)逆差矩IDM=Σi,jP(i,j|d,θ)/[1+(i-j)2]相關性COR=Σi,j(i-μx)(j-μy)P(i,j|d,θ)/σxσyμx=ΣiiΣjp(i,j|d,θ)，μy=ΣjjΣip(i,j|d,θ)σx=Σi(i-μx)2Σjp(i,j|d,θ)，σy=Σj(j-μy)2Σip(i,j|d,θ)相對紅色分量Rrelative=RredRgray式中，Rred和Rgray分別代表紅色分量均值和灰度均值；泡沫圖像泡沫狀態詞匯表生成過程如下：步驟1：從圖像庫中選取N幅圖像，N幅圖像要盡可能廣的覆蓋所有圖像類別，每幅圖像都截取到某一相同的像素大小Lx×Ly；步驟2：對于截取后的N幅圖像，每幅圖像均勻劃分成m×m塊，步驟3：對于每一個分塊，獲取其紋理特征值和相對紅色分量值，構成一個1×6維的底層特征向量描述；步驟4：對所有的底層特征向量描述進行K？means聚類，得到的D個聚類中心即為泡沫狀態詞匯表；（2）泡沫圖像的詞袋描述在得到泡沫圖像的泡沫狀態詞匯表后，就可以用詞袋的方法對每一幅泡沫圖像進行描述，得到圖像的一個向量表示。泡沫圖像的詞袋描述，具體過程如下：步驟1：將圖像像素截取為Lx×Ly的像素大小；步驟2：將圖像均勻劃分成m×m塊；步驟3：對于每一個分塊，獲取其紋理特征和相對紅色分量值，構成一個1×6維底層特征向量描述；步驟4：通過計算該底層特征向量描述與泡沫狀態詞匯表中各個泡沫狀態詞匯的歐式距離，度量每一個分塊的向量描述與泡沫狀態詞匯表中所有詞匯的相似性，與哪一個泡沫狀態詞匯最相似，就將其標定為哪一個詞匯；步驟5：統計每個泡沫狀態詞匯出現頻次，得到圖像的詞袋向量表示；（3）利用向量空間模型進行泡沫圖像分類向量內積方法或K近鄰方法對泡沫圖像分類進行訓練和分類，得到圖像的不同類別。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：王雅琳，張潤欽，陳曉方，謝永芳，桂衛華，陽春華，
申請(專利權)人：中南大學，
類型：發明
國別省市：