基于多特征及分割再校正的礦巖塊度分類方法
【專利摘要】本發(fā)明涉及一種基于多特征及分割再校正的礦巖塊度分類方法，包括以下步驟：步驟1：對原始礦巖塊度圖像進(jìn)行切割分塊生成大小為64×43的子塊圖像；步驟2：對所述子塊圖像進(jìn)行顏色特征提??；步驟3：對所述子塊圖像進(jìn)行紋理特征提?。徊襟E4：對所述顏色特征和所述紋理特征進(jìn)行特征選擇；步驟5：采用支持向量機(jī)SVM進(jìn)行分類器的設(shè)計(jì)，完成對所述子塊圖像的粗分類；步驟6：對所述原始礦巖塊度圖像進(jìn)行分水嶺分割并將獲得的每一個巖塊區(qū)域記為blob；步驟7：在分割基礎(chǔ)上，對所述粗分類得到的結(jié)果進(jìn)行校正調(diào)整以改進(jìn)分類性能得到最終分類結(jié)果。本發(fā)明所述的分類方法綜合不同分類算法，效率高、準(zhǔn)確率高、成本低且滿足采礦現(xiàn)場的實(shí)時性需求。
【專利說明】基于多特征及分割再校正的礦巖塊度分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于多特征及分割再校正的礦巖塊度分類方法。

【背景技術(shù)】
[0002] 在礦業(yè)加工生產(chǎn)過程中，通過爆破開采出來的礦巖塊度形狀及尺寸大小對后續(xù)的 生產(chǎn)影響很大，如：對生產(chǎn)成本的影響高達(dá)30%。通常巖塊分類是通過在實(shí)驗(yàn)室進(jìn)行篩分 及手工測量的方法來確定。這種傳統(tǒng)的人工測量方法具有效率低、準(zhǔn)確率低或成本高等問 題，且無法滿足采礦現(xiàn)場的實(shí)時性需求，因此難以適應(yīng)于現(xiàn)代機(jī)械自動化、計(jì)算機(jī)智能化生 產(chǎn)的需要。要克服這些困難，就需要對生產(chǎn)中的監(jiān)測系統(tǒng)做出改進(jìn)，將機(jī)器視覺及計(jì)算機(jī)圖 像處理技術(shù)應(yīng)用在系統(tǒng)中。計(jì)算機(jī)監(jiān)測系統(tǒng)可以實(shí)時監(jiān)測巖塊類別、大小及形狀的分布情 況，可以在線反饋信息讓生產(chǎn)設(shè)備得到及時的調(diào)整修復(fù)以提高生產(chǎn)質(zhì)量和效率。
[0003] 有關(guān)巖塊分類的機(jī)器視覺系統(tǒng)的研究最早開始于上個世紀(jì)90年代。Laine. S等 人在1995年提出了基于聚類分析的巖塊目標(biāo)的分類技術(shù)。劉富強(qiáng)等人2000年提出將計(jì)算 機(jī)圖像技術(shù)應(yīng)用于煤矸石的自動分選系統(tǒng)中。Mkwelo S等人在2007年提出了一些提取礦 巖的幾何形狀特征的方法，這些方法都可用于對礦石的分類，根據(jù)礦巖的形狀特征，實(shí)現(xiàn)對 巖塊分類。Singh等人于2010年提出了一套基于圖像處理和神經(jīng)網(wǎng)絡(luò)的玄武巖塊分類方 法。上述研究解決了基于圖像處理技術(shù)的巖塊分析分類中的部分問題，為工業(yè)生產(chǎn)做出了 指導(dǎo)，但是其算法的應(yīng)用范圍不夠廣，需要深入研究，探索更多新的方法，以不斷完善和提 高識別分類的準(zhǔn)確度。同時，復(fù)雜的礦巖塊圖像中巖塊眾多，大小分布不均勻，相互堆積，而 且?guī)r塊表面粗糙，容易產(chǎn)生陰影致使圖像分類結(jié)果不準(zhǔn)確，為了準(zhǔn)確的描述復(fù)雜巖塊的特 征，需要設(shè)計(jì)綜合運(yùn)用各種特征的不同分類算法。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于提出一套能應(yīng)用于實(shí)時在線系統(tǒng)的礦巖塊度的分類方法， 該方法是通過提取礦巖塊度顏色和紋理特征，采用支持向量機(jī)進(jìn)行粗分類，再基于巖塊邊 界信息通過選舉方案來進(jìn)一步提高分類結(jié)果的準(zhǔn)確度，本發(fā)明所提出的方法能夠用于礦巖 塊度在線分類，也可應(yīng)用于在線成分分析和排序等領(lǐng)域。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于多特征及分割再校正的礦 巖塊度分類方法，其特征在于包括以下步驟： 步驟1 :對所獲取的原始礦巖塊度圖像進(jìn)行切割分塊生成大小為64X43的子塊圖像； 步驟2 :對所述子塊圖像進(jìn)行顏色特征提?。翰捎弥鞒煞址治鯬CA對顏色特征分量RGB 進(jìn)行維數(shù)降低； 步驟3 :對所述子塊圖像進(jìn)行紋理特征提?。翰捎眯〔ǚ纸夥治龇椒?，進(jìn)行Tamura紋理 特征提取； 步驟4 :對所述顏色特征和所述紋理特征進(jìn)行特征選擇：采用PCA方法進(jìn)行特征維數(shù)降 維； 步驟5 :采用支持向量機(jī)SVM進(jìn)行分類器的設(shè)計(jì)，完成對所述子塊圖像的粗分類； 步驟6 :對所述原始礦巖塊度圖像進(jìn)行分水嶺分割并將獲得的每一個巖塊區(qū)域記為 blob ； 步驟7 :在分割基礎(chǔ)上，對所述粗分類得到的結(jié)果進(jìn)行校正調(diào)整以改進(jìn)分類性能得到 最終分類結(jié)果。
[0006] 在本發(fā)明一實(shí)施例中，在所述步驟1中，對所獲取的原始礦巖塊度圖像進(jìn)行切割 遵循以下原則：各子塊圖像之間無重疊；每一子塊圖像只屬于一種礦巖類別。
[0007] 在本發(fā)明一實(shí)施例中，在所述步驟2中，米用主成分分析PCA對顏色特征分量RGB 進(jìn)行維數(shù)降低按如下步驟進(jìn)行： 步驟al:對于所述塊子塊圖像，分別提取其R/G/B三個分量的灰度值，形成三個維數(shù) 為64X43的顏色矩陣IR、IG和IB，將所述顏色矩陣IR、IG和IB按行堆疊的方式構(gòu)造成 2752 X 3維的列向量顏色矩陣VRGB ; 步驟a2 :對所述顏色矩陣VRGB采用PCA方法進(jìn)行降維處理，分別提取其前2個特征值 作為顏色矩陣的特征值，所述子塊圖像共產(chǎn)生了 2X 3=6個顏色特征。
[0008] 在本發(fā)明一實(shí)施例中，在所述步驟3中，采用小波分解分析方法，進(jìn)行Tamura紋理 特征提取按如下步驟進(jìn)行： 步驟bl :對所述子塊圖像進(jìn)行2級小波分解，小波函數(shù)采用Daubechies ; 步驟b2 :對經(jīng)2級小波分解得到的共6個高頻子塊分別計(jì)算其Tamura特征的粗糙度、 對比度、方向度和粗略度四個分量，共求得24個紋理特征。
[0009] 在本發(fā)明一實(shí)施例中，在所述步驟4中，采用PCA方法進(jìn)行特征維數(shù)降維按如下步 驟進(jìn)行： 步驟cl :總維數(shù)計(jì)算：選取10幅大小為1024X 1376的原始礦巖塊度圖像，每幅原始礦 巖塊度圖像切割成512塊大小為64X43的子塊圖像，所述每個子塊圖像產(chǎn)生6個紋理特征 和24個紋理特征，共形成30X5120維的特征矩陣X ; 步驟c2 :求所述特征矩陣X的協(xié)方差矩陣C ; 步驟c3 :求所述協(xié)方差矩陣C的特征值和特征向量； 步驟c4:將所述特征向量按對應(yīng)特征值從大到小、按行從上到下排列成矩陣，取前Idf 組成矩陣P ; 步驟c5 :計(jì)算Y=PX，Y即是通過PCA方法將原始數(shù)據(jù)X降到k維的結(jié)果數(shù)據(jù)。
[0010] 在本發(fā)明一實(shí)施例中，在所述步驟5中，采用支持向量機(jī)SVM進(jìn)行分類器的設(shè)計(jì)， 完成對所述子塊圖像的粗分類按如下步驟進(jìn)行： 步驟dl :取3120個子塊圖像作為訓(xùn)練集，其余的2000個子塊圖像作為測試集； 步驟d2 :支持向量機(jī)采用徑向基核函數(shù)，懲罰因子取為100,采用多個二值分類支持向 量機(jī)的組合來解決礦巖塊多類識別問題； 步驟d3 :對所述訓(xùn)練集樣本提取顏色特征和紋理特征，采用PCA處理后，輸入分類器進(jìn) 行兩兩區(qū)分，再分別為之構(gòu)造分類函數(shù)：N類情況下，共構(gòu)造 N(N-I)/2個分類器函數(shù)； 步驟d4 :將所述分類函數(shù)組合起來，通過預(yù)測類別的累計(jì)決定待測樣本的類別。
[0011] 在本發(fā)明一實(shí)施例中，在所述步驟6中，對所述原始礦巖塊度圖像進(jìn)行分水嶺分 割按如下步驟進(jìn)行： 步驟el :對所述原始礦巖塊度圖像進(jìn)行中值濾波去噪； 步驟e2 :采用最大熵法對去噪后的圖像分割； 步驟e3 :對分割后的圖像進(jìn)行形態(tài)學(xué)處理以去噪及孔洞填充； 步驟e4 :進(jìn)行距離變換，找出局部最大值，得到種子圖像； 步驟e5 :最后對距離變換得到的圖像進(jìn)行基于標(biāo)記的分水嶺分割，得到最終的分割結(jié) 果。
[0012] 在本發(fā)明一實(shí)施例中，在所述步驟7中，對所述粗分類得到的結(jié)果進(jìn)行校正調(diào)整 按如下步驟進(jìn)行： 步驟Π :對于所述每個blob，統(tǒng)計(jì)位于該blob里的每個子塊圖像所屬的類別分布，稱 為類別直方圖； 步驟f2 :找到與最大值MX相對應(yīng)的類別值M-C ; 步驟f3 :當(dāng)MX值大于預(yù)先設(shè)置的閾值T2時，則把該blob里的所有子塊圖像都劃分 到類別 M-C，Τ2=0· 6。
[0013] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果： 1、 本發(fā)明將機(jī)器視覺及計(jì)算機(jī)圖像處理技術(shù)應(yīng)用在系統(tǒng)中，適應(yīng)了現(xiàn)代機(jī)械自動化、 計(jì)算機(jī)智能化生產(chǎn)的需求； 2、 本發(fā)明可直接應(yīng)用于采礦現(xiàn)場，滿足了實(shí)時性需求； 3、 本發(fā)明避免了人工測量，工作效率高、準(zhǔn)確率高且成本低； 4、 本發(fā)明采用了各種特征的不同分類算法，使得圖像分類結(jié)果更加準(zhǔn)確。

【專利附圖】

【附圖說明】
[0014] 圖1是本發(fā)明工作總流程圖。
[0015] 圖2是本發(fā)明SVM分類器組合下投票判決過程示意圖。

【具體實(shí)施方式】
[0016] 下面結(jié)合附圖及實(shí)施例對本發(fā)明做進(jìn)一步說明。
[0017] 如圖1所示，本發(fā)明提供一種基于多特征及分割再校正的礦巖塊度分類方法，其 特征在于包括以下步驟： 步驟1 :對所獲取的原始礦巖塊度圖像進(jìn)行切割分塊生成大小為64X43的子塊圖像； 這里對所獲取的原始礦巖塊度圖像進(jìn)行切割遵循以下原則：各子塊圖像之間無重疊；每一 子塊圖像只屬于一種礦巖類別，在實(shí)際操作過程中往往不可能實(shí)現(xiàn)該條件，只能在圖像切 割的過程中使盡可能多的子塊圖像只屬于一種礦巖類別；每一子塊圖像的尺寸要小，即小 尺寸的子塊圖像更側(cè)重于提供巖塊有關(guān)局部的紋理特征（中高頻紋理分量)，這些特征與礦 巖塊度分類直接相關(guān)。按照上述分割原則，如對于1024X1376的原始礦巖圖像，可切割成 512塊的大小為64X43的子塊圖像，以下就以此為例進(jìn)行分析。
[0018] 步驟2 :對所述子塊圖像進(jìn)行顏色特征提取：采用主成分分析PCA對顏色特征分量 RGB進(jìn)行維數(shù)降低，按如下步驟進(jìn)行： 步驟al:對于所述塊子塊圖像，分別提取其R/G/B三個分量的灰度值，形成三個維數(shù) 為64X43的顏色矩陣IR、IG和IB，將所述顏色矩陣IR、IG和IB按行堆疊的方式構(gòu)造成 2752X 3維的列向量顏色矩陣VRGB ; 步驟a2 :對所述顏色矩陣VRGB采用PCA方法進(jìn)行降維處理，分別提取其前2個特征值 作為顏色矩陣的特征值，所述子塊圖像共產(chǎn)生了 2X3=6個顏色特征； 步驟3 :對所述子塊圖像進(jìn)行紋理特征提取：采用小波分解分析方法，進(jìn)行Tamura紋理 特征提取，按如下步驟進(jìn)行： 步驟bl :對所述子塊圖像進(jìn)行2級小波分解，小波函數(shù)采用Daubechies (其中N=5); 步驟b2 :對經(jīng)2級小波分解得到的共6個高頻子塊分別計(jì)算其Tamura特征的粗糙度、 對比度、方向度和粗略度四個分量，共求得24個紋理特征。
[0019] 其中粗糙度按如下步驟進(jìn)行，設(shè)子塊圖像為Sub(i，j)。
[0020] (1)計(jì)算子塊圖像中大小為2fcx2fcf的窗口中像素的平均灰度值：

【權(quán)利要求】
1. 一種基于多特征及分割再校正的礦巖塊度分類方法，其特征在于包括w下步驟： 步驟1 :對所獲取的原始礦巖塊度圖像進(jìn)行切割分塊生成大小為64X43的子塊圖像； 步驟2 ;對所述子塊圖像進(jìn)行顏色特征提?。翰捎弥鞒煞址治鯬CA對顏色特征分量RGB 進(jìn)行維數(shù)降低； 步驟3 ;對所述子塊圖像進(jìn)行紋理特征提?。翰捎眯〔ǚ纸夥治龇椒?，進(jìn)行Tamura紋理 特征提?。? 步驟4 ;對所述顏色特征和所述紋理特征進(jìn)行特征選擇；采用PCA方法進(jìn)行特征維數(shù)降 維； 步驟5 ;采用支持向量機(jī)SVM進(jìn)行分類器的設(shè)計(jì)，完成對所述子塊圖像的粗分類； 步驟6 ;對所述原始礦巖塊度圖像進(jìn)行分水嶺分割并將獲得的每一個巖塊區(qū)域記為 blob ； 步驟7 ;在分割基礎(chǔ)上，對所述粗分類得到的結(jié)果進(jìn)行校正調(diào)整W改進(jìn)分類性能得到 最終分類結(jié)果。
2. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟1中，對所獲取 的原始礦巖塊度圖像進(jìn)行切割遵循W下原則：各子塊圖像之間無重疊；每一子塊圖像只屬 于一種礦巖類別。
3. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟2中，采用主成 分分析PCA對顏色特征分量RGB進(jìn)行維數(shù)降低按如下步驟進(jìn)行： 步驟al:對于所述塊子塊圖像，分別提取其R/G/B H個分量的灰度值，形成H個維數(shù) 為64X43的顏色矩陣IR、IG和IB，將所述顏色矩陣IR、IG和IB按行堆疊的方式構(gòu)造成 2752 X 3維的列向量顏色矩陣VRGB ; 步驟a2 ;對所述顏色矩陣VRGB采用PCA方法進(jìn)行降維處理，分別提取其前2個特征值 作為顏色矩陣的特征值，所述子塊圖像共產(chǎn)生了 2X3=6個顏色特征。
4. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟3中，采用小波 分解分析方法，進(jìn)行Tamura紋理特征提取按如下步驟進(jìn)行： 步驟bl ;對所述子塊圖像進(jìn)行2級小波分解，小波函數(shù)采用Daubechies ; 步驟b2 ;對經(jīng)2級小波分解得到的共6個高頻子塊分別計(jì)算其Tamura特征的粗趟度、 對比度、方向度和粗略度四個分量，共求得24個紋理特征。
5. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟4中，采用PCA 方法進(jìn)行特征維數(shù)降維按如下步驟進(jìn)行： 步驟cl ;總維數(shù)計(jì)算；選取10幅大小為1024X 1376的原始礦巖塊度圖像，每幅原始礦 巖塊度圖像切割成512塊大小為64X 43的子塊圖像，所述每個子塊圖像產(chǎn)生6個紋理特征 和24個紋理特征，共形成30X5120維的特征矩陣X ; 步驟c2 ;求所述特征矩陣X的協(xié)方差矩陣C ; 步驟c3 ;求所述協(xié)方差矩陣C的特征值和特征向量； 步驟c4 ;將所述特征向量按對應(yīng)特征值從大到小、按行從上到下排列成矩陣，取前k行 組成矩陣P ; 步驟c5 ;計(jì)算Y=PX，Y即是通過PCA方法將原始數(shù)據(jù)X降到k維的結(jié)果數(shù)據(jù)。
6. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟5中，采用支持 向量機(jī)SVM進(jìn)行分類器的設(shè)計(jì)，完成對所述子塊圖像的粗分類按如下步驟進(jìn)行： 步驟dl ;取3120個子塊圖像作為訓(xùn)練集，其余的2000個子塊圖像作為測試集； 步驟d2 ;支持向量機(jī)采用徑向基核函數(shù)，懲罰因子取為100,采用多個二值分類支持向 量機(jī)的組合來解決礦巖塊多類識別問題； 步驟d3 ;對所述訓(xùn)練集樣本提取顏色特征和紋理特征，采用PCA處理后，輸入分類器進(jìn) 行兩兩區(qū)分，再分別為之構(gòu)造分類函數(shù)；N類情況下，共構(gòu)造N(N-1)/2個分類器函數(shù)； 步驟d4 ;將所述分類函數(shù)組合起來，通過預(yù)測類別的累計(jì)決定待測樣本的類別。
7. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟6中，對所述原 始礦巖塊度圖像進(jìn)行分水嶺分割按如下步驟進(jìn)行： 步驟el ;對所述原始礦巖塊度圖像進(jìn)行中值濾波去噪； 步驟e2 ;采用最大賭法對去噪后的圖像分割； 步驟e3 ;對分割后的圖像進(jìn)行形態(tài)學(xué)處理W去噪及孔洞填充； 步驟e4 ;進(jìn)行距離變換，找出局部最大值，得到種子圖像； 步驟e5 ;最后對距離變換得到的圖像進(jìn)行基于標(biāo)記的分水嶺分割，得到最終的分割結(jié) 果。
8. 根據(jù)權(quán)利要求1所述的礦巖塊度分類方法，其特征在于：在所述步驟7中，對所述粗 分類得到的結(jié)果進(jìn)行校正調(diào)整按如下步驟進(jìn)行： 步驟fl ;對于所述每個blob,統(tǒng)計(jì)位于該blob里的每個子塊圖像所屬的類別分布，稱 為類別直方圖； 步驟f2 ;找到與最大值MAX相對應(yīng)的類別值M-C ; 步驟f3 ;當(dāng)MAX值大于預(yù)先設(shè)置的闊值T2時，則把該blob里的所有子塊圖像都劃分 到類別 M-C，T2=0. 6。
【文檔編號】G06K9/62GK104463199SQ201410706132
【公開日】2015年3月25日 申請日期:2014年11月28日 優(yōu)先權(quán)日:2014年11月28日
【發(fā)明者】陳良琴, 王衛(wèi)星 申請人:福州大學(xué)