浮选泡沫图像特征提取方法研究进展

机器视觉作为设备操作人员的工具,在泡沫浮选设备的监测中得到了广泛的应用。利用泡沫图像数据集建立预测识别模型,以初级泡沫特征参数为输入,以品位和回收率等浮选指标为输出。根据是否需要手动提取浮选泡沫图像特征,可以将特征提取算法划分为两大类别:一种是基于颜色、形态特征等的传统手动特征提取方法,另一种是基于深度神经网络的自动特征提取方法。本文总结并归纳了近年来浮选泡沫图像特征提取算法领域的研究进展,分析了各种方法的优势和不足,对当前难以人工识别泡沫状态及实现浮选自动化提升浮选效率,具有一定的指导价值。

基于泡沫图像特征加权K近邻算法的锌矿浮选工况识别方法

浮选工况识别在泡沫浮选工程中起着至关重要的作用,仅依靠人工经验进行主观性识别,准确性和效率都低。为此提出了一种考虑泡沫图像特征间相互作用的加权K近邻(KNN)算法用于实现浮选工况类别的识别。在本研究中,首先,通过信息熵对泡沫图像特征与浮选工况类别之间的相关性进行量化,同时评估该特征与其他特征之间的冗余性。然后,计算该特征与浮选工况类别相关性和该特征与其他特征冗余性之间的差值,将这一差值作为特征的权重。其次,在KNN算法中针对欧式距离进行特征加权,以实现KNN算法的特征加权。然后,将特征选择过程嵌入到特征加权KNN分类算法的训练过程中,并选取分类准确率最高的特征子集作为最优特征子集。最后,基于最优特征子集完成浮选工况的识别。研究结果表明,本方法与其他基准分类算法相比,在分类准确度和时间上都达到了最佳效果,验证了本研究所提出的浮选工况识别方法的有效性。

基于Gabor小波的浮选泡沫图像纹理特征提取

矿物浮选泡沫表面纹理是浮选工艺指标高低的重要指示器,为了获取泡沫图像纹理的细微差别进而对浮选生产状态进行机器识别,提出一种基于Gabor滤波的泡沫图像纹理特征提取方法。首先利用Gabor小波提取了泡沫图像多尺度与多方向上的泡沫纹理幅度谱(GMTR)与相位谱(GPTR);然后根据GMTR与GPTR的分布特征,通过估计GMTR的Gamma分布参数和计算GPTR的熵作为泡沫纹理特征参量;最后,利用所提取的泡沫纹理特征对浮选工业生产状态进行无监督的模糊聚类分析与有监督的生产状态识别。实验结果表明,该纹理特征提取方法能有效地获取各种浮选状态下泡沫表面纹理的细微差别,基于该纹理特征参量的浮选状态识别准确率高于90%。

基于聚类预分割和高低精度距离重构的彩色浮选泡沫图像分割

该文针对矿物浮选过程泡沫图像质量不理想、气泡大小形状灰度不均的问题,提出一种基于聚类预分割和高低精度距离重构的泡沫图像分割方法。首先,利用k-均值聚类进行前景泡沫与背景矿浆彩色图像分割,依据灰度分布和形状分布特征对提取到的泡沫图像进行滤波;然后,基于形态重构提出结合高低精度距离变换对距离图像进行重构,同时利用面积重构h顶改进变换为分水岭变换提取准确的特征标识;最后利用分水岭算法得到分水线,从而完成浮选泡沫的分割。由分割后的泡沫图像可统计分析出气泡个数与尺寸等物理特征参数从而为浮选控制提供依据。仿真结果表明了方法的有效性。

面向参数测量的改进分水岭浮选泡沫图像分割方法

矿物浮选过程中泡沫参数与工况密切相关,针对泡沫中特殊区域(透明窗、黑洞和泡沫间光亮带)的存在而导致参数难以测量的问题,提出了一种基于局部纹理特征和自适应形态学的改进分水岭分割方法。首先针对现场光照不均,采用自适应多尺度Retinex算法进行图像增强。然后使用快速自适应阈值法提取高亮区和暗区,并结合先验空间关系实现透明窗标定;基于LBPV纹理算子实现暗区的区域生长以标定黑洞和识别泡沫间光亮带,进而完成对特殊区域的处理并获得透明窗和黑洞指数。最后采用自适应形态学获得多尺度梯度图像和标记点,使用改进的分水岭算法完成泡沫图像的分割。结果表明,该方法能够更准确的处理含特殊区域的粘连不均匀泡沫图像,对不同工况下泡沫参数测量有更好的鲁棒性,浮选优良工况率提高了5%。

基于泡沫图像特征加权SVM的浮选工况识别

针对浮选泡沫视觉特征的多样性和重要度差异以及浮选工况样本数分布不平衡等问题,提出一种基于在线泡沫视觉表观特征加权支持向量机的浮选工况识别方法.通过色彩空间变换,在CIE-Lab空间计算泡沫颜色,采用多方向融合的空间灰度共生矩阵提取泡沫纹理特征,以视觉特征的信息增益评价该特征的重要度,再利用不同工况的样本数加权策略消除样本数不平衡的影响,采用支持向量机方法实现了浮选工况的自动识别.工业运行数据测试结果表明:该方法能够在线识别浮选工况,自动识别准确率达98%,比人工识别率高6%,比传统灰度共生矩阵方法高2%.

基于尺度不变特征变换的浮选泡沫图像动态特性提取方法

本文以矿物浮选过程为背景,针对浮选泡沫不断运动变化导致泡沫图像动态特性难以提取的问题,提出一种基于尺度不变特征变换(scale invariant feature transform,SIFT)浮选泡沫图像动态特性提取方法.首先,依据浮选泡沫独特的运动特性,提出运动匹配区间的概念,然后依据泡沫速度大小和方向对应分布范围改进SIFT算法匹配条件,在此基础上应用基于速率随机抽样一致(RANSAC)算法进一步剔除误匹配点,最后,根据匹配结果提出一种泡沫崩塌率提取方法.采用浮选现场实际泡沫图像进行验证,实验结果表明本文所提方法能够准确提取浮选泡沫速率、崩塌率等动态特性,有效剔除误匹配,同时降低了计算复杂度,提高了计算实时性.

利用阈值分割技术提取煤泥浮选泡沫图像的物理特征

探讨了煤泥浮选泡沫图像特征的提取方法 ,首先将RGB图像转化为灰度级图像 ,再采用直方图均衡化和局域中值滤波处理 ,以改善图像的对比度 ,利用阈值分割技术和二值化处理方法提取了气泡的个数 ,对亮点的面积、形状、周长进行了计算 ,求出了气泡的粒度分布。通过对 5 1幅煤泥浮选泡沫图像的研究 ,发现该方法适用于亮点明显 ,气泡粒度大的图像 。

基于CCHS的浮选泡沫图像纹理特征提取

为了快速、有效地获取图像的纹理特征,提出一种基于颜色共生混合结构(color co-occurrence hybrid structure,CCHS)的浮选泡沫图像纹理特征提取方法。该方法的步骤如下:首先,将泡沫图像从RGB空间转换到HSI空间并对各颜色分量进行量化,计算图像的颜色共生矩阵并将其正规化为三角矩阵;然后,利用CCHS算法提取图像的纹理特征;最后,分析矿物品位与特征统计量熵及新特征参数即纹理复杂度之间的变化关系。研究结果表明:适当提高颜色分量的量化级数能提高浮选泡沫图像纹理特征提取的精确度;利用CCHS算法提取纹理特征,降低了计算的复杂度;实验结果验证了该算法的有效性,表明它能更准确地对矿物品位进行调控,指导浮选工况。

浮选中泡沫图像的分割算法

描述了浮选中泡沫图像的分割算法 ,根据测定泡沫的尺寸、形状和纹理分割泡沫图像 .因这些泡沫图像的图案和性质千差万别 ,用现有的分割算法是很困难的 ,我们修改并结合不同的现有图像分割算法 ,形成了一种分割泡沫图像的新算法 .在这种算法中 ,使用并修改了阈值算法 ,自动地检测泡沫的种子点或种子区域 ,然后使用形态学技术产生泡沫区域 .最后 ,基于泡沫形状分析 ,合并过于分割的泡沫部分为一泡沫 .文中列举了分割三个泡沫图像的结果 。

一种新的浮选泡沫图像识别方法

针对灰度共生矩阵法提取的浮选泡沫图像纹理特征相互混叠,不利于聚类和识别的问题,提出一种基于正交保局投影和支持向量机的浮选泡沫图像识别新方法.该方法利用正交保局投影法对原始纹理特征参数进行变换处理,有效改变了不同类别特征参数的聚集程度,并利用支持向量机进行分类.实验结果表明,所提方法的正确识别率能够达到93.5%,与基于最近邻分类器的主元分析法相比,其性能更好.

基于改进方向波变换的泡沫图像增强新方法

针对矿物浮选过程中浮选槽内气泡与矿浆背景灰度反差小、光照影响严重且存在大量噪声干扰等问题,提出一种基于改进方向波变换的泡沫图像增强新方法。采用改进方向波变换对浮选泡沫图像进行分解,保证信号产生平移不变性,避免图像边缘模糊;针对分解后低频子带系数值相差甚小,受工业光照影响严重的问题,引入多尺度Retinex算法实现增强效果,改善其亮度均匀性;并对高频部分构造一种双结构元素多尺度形态滤波方法,有效地消除噪声并保持边缘信息。采用工业现场大量泡沫图像进行试验。研究结果表明:所提出的方法可增强泡沫边缘细节,抑制噪声,明显改善泡沫图像的视觉效果,解决泡沫边缘不明显和噪声所带来的图像欠分割问题,有助于泡沫形态特征提取和工况分析。

基于LBPV的浮选泡沫图像纹理特征提取

在浮选生产中,浮选泡沫表面纹理与浮选工况密切相关,直接反映泡沫层的矿化程度(品位高低)。为了给浮选操作提供指导,提出了一种基于LBPV(local binary pattern variance)的泡沫图像纹理特征提取方法。该方法通过融合泡沫图像局部空间结构和对比度来提取泡沫图像纹理特征,然后将LBPV纹理特征应用于浮选工况状态的聚类分析。结果表明,该方法提取的纹理特征能有效反映浮选工况,且能获得更优的浮选泡沫聚类质量。

基于模糊三值模式的矿物浮选泡沫图像边缘检测方法

针对一类边缘特征不明显的矿物浮选泡沫图像,提出了一种基于模糊三值模式的泡沫图像边缘检测方法.在‘0/1’二值模式基础上,增加不确定逻辑状态,构成模糊局部三值模式,以描述邻域像素灰度均值的不确定关系,同时,对邻域双向灰度差值之和进行模糊化,以描述边缘与非边缘方向的关系,联立邻域灰度关系与双向灰度差值隶属度,构造气泡边缘隶属度矩阵,依据联合隶属度的解模糊结果判决是否为边界候选像素,再根据边界候选像素集合的特征剔除非边界像素,以此得到泡沫边缘.实验结果表明,该方法能够有效地检测出气泡边缘,同时,在强噪声环境下,具有良好的鲁棒性.

基于形态模式谱的浮选泡沫图像结构元素选择

针对矿物浮选过程中泡沫图像处理的结构元素选取问题,提出了基于形态模式谱的结构元素选择方法。在二值图像粒度测定理论基础上,引入形态模式谱概念,对泡沫图像高光区域进行连通滤波,对于形状滤波过程中,引入Zernike矩作为高光区域的形状描述,联立尺寸、形状的粒度测定结果,获得高光区域的形态分布模式谱,通过求取二维模式谱矩阵的方差值,并求最小值得到泡沫图像处理所需的最优结构元素。实验结果表明,该方法能充分利用浮选泡沫图像信息,有效地为泡沫图像分割过程提供最优结构元素,提高浮选泡沫图像分割准确性。

一种新的浮选泡沫图像纹理特征提取方法

矿物浮选泡沫表面纹理与浮选工艺指标高低密切相关,为了准确获取泡沫图像纹理,在灰度共生矩阵方法的基础上提出一种新的浮选泡沫图像纹理特征提取方法。首先将泡沫图像进行颜色空间转换,对转换后的泡沫图像计算其颜色共生矩阵,然后从归一化后的颜色共生矩阵中提取特征统计量,最后根据特征统计量表征的泡沫纹理状况,设计有效描述浮选泡沫纹理的新特征参数——纹理复杂度。对所提出的方法进行了验证分析,定性地指出泡沫纹理复杂度与矿物品位的相关性,给出了浮选泡沫的最佳纹理复杂度区间,从而为浮选优化控制提供依据。实验结果表明,新方法有效,且优于以往的灰度共生矩阵纹理特征提取方法。

结合分数阶微分的浮选泡沫图像NSCT多尺度增强

针对浮选槽低照度环境下采集的泡沫图像对比度低、边缘弱、噪声干扰等问题,提出了一种结合自适应分数阶微分和非下采样Contourlet变换(NSCT)的泡沫图像多尺度增强算法.首先对泡沫图像进行NSCT多尺度分解,根据低频子带的梯度特征构造自适应分数阶微分阶次函数,结合改进的带亮度控制参数的Tiansi算子对低频子带图像进行增强处理;然后对各高频方向子带,根据能量分布特征自适应计算阈值,再结合尺度相关系数去除噪声,并通过非线性增益函数增强边缘系数;最后对处理后的图像进行NSCT重构.对不同大小类型的泡沫图像进行实验,结果表明:与现有算法相比,文中算法改善了图像的亮度,具有更高的对比度、清晰度和信息熵,保留更多的纹理细节,在有效抑制噪声的同时气泡边缘得到明显增强,为后续的泡沫图像分割和边缘检测奠定了基础.

煤泥浮选泡沫图像分割算法研究

针对工业现场采集的泡沫图像噪声大、对比度低、气泡粘连等特点,提出了一种基于双边滤波与限制对比度自适应直方图均衡的分水岭分割模型。首先通过双边滤波对原始泡沫图像进行去噪处理;其次,针对泡沫图像对比度低的特点,采用限制对比度自适应直方图均衡(CLAHE)增强图像对比度以及防止噪声的放大,最后利用分水岭变换对预处理之后的图像进行分割处理。实验结果证明该模型的有效性,预处理之后分割的图像能够有效改善直接处理所带来的欠分割现象。

BFIPS—Ⅰ型浮选泡沫图像处理系统的应用与研究

结合在大山选矿厂的具体应用,从系统方案、软硬件平台、模型建立等方面详细分析介绍了BFIPS—Ⅰ型浮选泡沫图像处理系统。系统可以准确快速提供泡沫图像的特征参数并建立数学模型,并使得模型预测的精矿品位值与实验室化验值的平均相对误差小于10%,最终得到成功应用。

基于气泡稳定性分析的锌浮选泡沫图像时空联合去噪

浮选泡沫运动过程中不可避免地出现形变、坍塌、兼并、破裂等动态变化特性,常用的去噪方法难以获得高质量的监测图像.本文提出一种基于气泡稳定性分析的泡沫图像时空联合去噪方法.该方法采用扩展的相位相关法对浮选气泡进行亚像素运动估计,通过双线性插值进行运动补偿;在此基础上,以泡沫图像子块为单位检测气泡的稳定性,准确辨识出泡沫图像子块的稳定运动状态(SMS)和非稳定运动状态(UMS);对具有SMS特性的子块采用时域滤波去噪,对具有UMS特性的子块采用非局部均值(NLM)方法进行空域滤波去噪;并根据气泡子块的稳定性,联合时域滤波结果和空域滤波结果获得泡沫图像的时空联合去噪输出.在锌浮选过程监控中进行实验验证,结果表明,该方法可以获得高信噪比的泡沫图像,去噪结果结构相似性强,为泡沫视觉特征的准确提取奠定了基础.