结合多尺度边缘增强及自适应谷底检测的浮选气泡图像分割

针对浮选气泡图像噪声大、边界弱、传统谷底检测算法对不同类型气泡分割不具普遍性等问题,提出了一种结合Contourlet多尺度边缘增强及自适应谷底边界检测的气泡分割方法。该方法通过对气泡图像进行Contourlet分解,得到多尺度多方向高频子带;通过对各方向子带的高频系数进行非线性增益处理,实现边缘增强和噪声抑制。对和声搜索算法的"调音"策略和参数设定方法进行了改进,对不同类型气泡图像自适应地获取谷底边界检测算法的最优参数,提取谷底并进行形态学的边缘完善处理。最后进行了分割实验,并与其它方法做了比较。结果表明,采用该方法对不同类型气泡进行分割时,平均检测效率(DER)和准确率(ACR)分别为91.2%和90.6%,较传统分割方法有较大提高。该方法无需手工调节参数,自适应能力强,精度高。

浮选气泡NSCT域多尺度等效形态特征提取及识别

为了解决浮选气泡图像现场光照不均、相互黏结、无背景等造成的直接形态特征提取困难问题,提出一种浮选气泡NSCT域(Nonsubsampled Contourlet Transform, NSCT)的多尺度等效形态特征提取及识别方法。通过NSCT变换将浮选气泡图像分解为低频图像和多尺度多方向高频图像;采用模糊集方法二值化低频子带图像,得到气泡亮点图像,提取亮点个数、平均面积、标准差和椭圆率作为等效形态尺寸特征;结合方向模极大值及差分盒维法计算各高频子带方向的分形维数;最后,将多尺度多方向等效形态尺寸特征作为输入,采用量子门节点神经网络对三类浮选气泡图像进行状态识别和分类。实验结果表明,该方法提取的等效形态尺寸特征与分类的相关性高,能对三种类型浮选气泡图像进行有效的状态识别,平均识别准确率达95.1%。本算法的识别准确率较几种流行算法而言有较大提高,适用于动态变化的浮选工况。