一種浮選泡沫圖像的復(fù)合紋理特征提取方法【
技術(shù)領(lǐng)域：
】[0001]本發(fā)明屬于圖像處理、模式識別和礦物浮選
技術(shù)領(lǐng)域：
，特別涉及一種浮選泡沫圖像的復(fù)合紋理特征提取方法。【
背景技術(shù)：
】[0002]泡沫表觀特征是礦物浮選工況的綜合反映，被認為與浮選效果的好壞密切相關(guān)。如何準確提取浮選過程中與關(guān)鍵生產(chǎn)指標密切相關(guān)的泡沫表觀特征，是實現(xiàn)浮選工況識別的關(guān)鍵。長期以來，現(xiàn)場有經(jīng)驗的工人通過觀察泡沫表面的狀態(tài)調(diào)節(jié)工況，由于人為的隨意性和主觀性導(dǎo)致浮選狀態(tài)不穩(wěn)定，難以調(diào)節(jié)到最優(yōu)的狀態(tài)，導(dǎo)致礦物資源利用率不高，造成資源浪費。[0003]近年來基于機器視覺的浮選過程控制及優(yōu)化成為國內(nèi)外研究熱點，其中基于機器視覺的工況識別是研究的主要內(nèi)容之一。泡沫表觀特征與浮選工況密切相關(guān)，是浮選性能的指示器。常用于浮選智能工況識別的泡沫表觀特征主要有泡沫顏色、大小、紋理等，其中，紋理特征作為泡沫表觀最重要的特征之一，綜合了泡沫的大小和形狀等特征，同時具有不隨環(huán)境光照度影響等特點，被廣泛應(yīng)用于浮選工況識別中。鄰域灰度相關(guān)矩陣是一種常用的基于統(tǒng)計的紋理特征提取方法，它具有旋轉(zhuǎn)不變性、不隨光照變化影響和計算速度快等特點?；卩徲蚧叶认嚓P(guān)矩陣的粗度和細度等二次統(tǒng)計特征能較好地反映泡沫表面的紋理特點。由于傳統(tǒng)的鄰域灰度相關(guān)矩陣方法僅考慮了中心像素點與其鄰域像素點灰度值相同或者相近的個數(shù)，卻沒有考慮它們之間相差的個數(shù)以及相差的大小，因此，丟失了大量能夠反映圖像像素差異度的空間分布屬性，難以全面準確反映泡沫表面的紋理信息。此外，在不同的入礦品位條件下，泡沫圖像也會有較大差異，而傳統(tǒng)鄰域灰度相關(guān)矩陣且不考慮入礦品位影響的紋理特征提取方法，難以適應(yīng)準確識別泡沫浮選工況的需求。[0004]因此，有必要設(shè)計一種浮選泡沫圖像的復(fù)合紋理特征提取方法，以便更全面地捕捉不同入礦品位條件下的泡沫表面紋理信息?！?br/>發(fā)明內(nèi)容】[0005]本發(fā)明所要解決的技術(shù)問題是提供一種浮選泡沫圖像的復(fù)合紋理特征提取方法，該方法能夠更加全面地反映不同入礦品位下的泡沫圖像紋理特征的差異，具有良好的特征有效性和可分性，以適于后續(xù)的工況識別準確性的需要。[0006]-種浮選泡沫圖像的復(fù)合紋理特征提取方法，包括以下步驟：[0007]步驟一：根據(jù)泡沫浮選現(xiàn)場所獲得的泡沫視頻讀取RGB泡沫圖像，將RGB圖像進行灰度化，得到灰度圖像矩陣；對灰度圖像進行量化，得到量化矩陣；獲取量化矩陣中所有中心像素點的面鄰域集合；[0008]步驟二：計算各面鄰域內(nèi)像素點與中心像素點灰度值的絕對差；統(tǒng)計各絕對差的個數(shù)；針對泡沫圖像中所有的中心像素點，構(gòu)建三維數(shù)據(jù)表，所述三維數(shù)據(jù)表中元素分別為中心像素點灰度值、各絕對差個數(shù)、絕對差；[0009]步驟三：構(gòu)建基于三維數(shù)據(jù)表的嵌套灰度頻數(shù)表；[0010]步驟四：根據(jù)所構(gòu)建的嵌套灰度頻數(shù)表，獲得一種改進的鄰域灰度相關(guān)矩陣；[0011]步驟五：根據(jù)所得到的改進鄰域灰度相關(guān)矩陣，求取一種新的二次統(tǒng)計特征一一復(fù)合紋理。[0012]所述步驟一中的獲取量化后的泡沫圖像矩陣所有中心像素點的面鄰域集合具體步驟如下：[0013]步驟1根據(jù)泡沫浮選現(xiàn)場所獲得的泡沫視頻讀取RGB泡沫圖像，將RGB圖像進行灰度化，得到灰度圖像矩陣A(x，y):[0014]AkXn(x,y)=0.290XR(x,y)+0.587XG(x,y)+0.114XB(x,y)[0015]式中kXm為泡沫灰度圖像的分辨率，（x，y)表示泡沫灰度圖像中任一像素點的坐標，X=0,1，...，k-1，y=0,1，...，m-1;R(x,y)、G(x,y)、B(x,y)分別為泡沫圖像的R、G、B矩陣。[0016]步驟2對灰度圖像矩陣A(x，y)進行量化，得到量化矩陣M(x，y):[0017][0018]式中Mg為泡沫圖像的量化級數(shù)，[_j為向下取整。[0019]步驟3在量化矩陣Μ(X，y)中，以所有的中心像素點（X。，y。）為中心、D為半徑，獲取面鄰域集合：[0020]VD(xc,yc)={(u,v)|(u,v)eMkXm,0<p((xc,yc),(u,v))^D}[0021]其中xcGD,D+l,…，k_l_D，yceD,D+l,…，m-l-D;{(u,v)|(·)}表不滿足給定條件（·）下的點（u,v)組成的集合，p((x^y。)，（u,v))表示面鄰域內(nèi)像素點（u,v)與中心像素點間的距離：[0022]p((xc,yc),(u,v))=max(|xc-u|,|yc-v|)[0023]式中max(|xc-u|,|yc_v|)表示像素距離|xc_u|、|yc_v|中的最大值。[0024]所述步驟二中構(gòu)建泡沫圖像中心像素點的三維數(shù)據(jù)表具體步驟如下：[0025]步驟1計算面鄰域集合VD(n)中各面鄰域內(nèi)像素點（u，v)灰度值與中心像素點（X。，y。）灰度值的絕對差i:[0026]i=|f(u,v)-f(xc,yc)I=|f(u,v)-gc[0027]式中f(u,v)和f(x。,yj=g。分別表示像素點（u,v)和中心像素點（xcyj的灰度值，gc=〇,1，."，Mg_l，i=0,1，."，Mg_l。[0028]步驟2:統(tǒng)計絕對差為i的個數(shù):[0030]式中#表示統(tǒng)計集合{(u，v)I(·)}中滿足給定條件（·）下的點（u，v)的個數(shù)。[0031]步驟3:構(gòu)建泡沫圖像各中心像素點的三維數(shù)據(jù)表；[0032]定義某中心像素點（X。，y。）的三維數(shù)據(jù)表fD(x。，y。，i)如下：[0034]式中(及,,w:)為一個表中元素分別為g。、i，大小為1χ1XM#三維數(shù)據(jù)表。[0035]針對泡沫圖像中所有中心像素點，構(gòu)建相應(yīng)的三維數(shù)據(jù)表。[0036]所述步驟三中構(gòu)建基于三維數(shù)據(jù)表的嵌套灰度頻數(shù)表方法如下：[0037]定義嵌套灰度頻數(shù)表FD(W太。，i)如下：[0038]Fd(xc',yc',i)=table(fD(xc,yc,i))[0039]式中xc，=xc_D,xc，e〇,1，…，k_l_2D，yc，=yc_D,yc，e〇,1，…，m-l_2D。嵌套灰度頻數(shù)表FD(x'。，1)中某單元格位置（x/，y。'）的元素即為Μ/e(反[0040]將步驟二針對所有中心像素點（X。，y。）所構(gòu)建的每個三維數(shù)據(jù)表fD(x。，y。，i)，嵌入嵌套灰度頻數(shù)表中相應(yīng)單元格位置，構(gòu)建出一個大小為（k-2D)X(m-2D)XMg的嵌套灰度頻數(shù)表。[0041]所述步驟四中獲得一種改進的鄰域灰度相關(guān)矩陣：[0042]定義改進鄰域相關(guān)矩陣QD(g，i)如下：[0043][0044]式中g(shù)=0,1，"'Mg-l，i=0,1，"'Mfl，qD(g，i)為矩陣QD(g，i)在位置（g，i)處的元素。[0045]在步驟三所獲得的嵌套灰度頻數(shù)表FD(x'e，y'e，i)中，統(tǒng)計面鄰域內(nèi)像素點灰度值與中心像素點灰度值g。間絕對差為i時所有的總和qD(g。，i):[0046][0047]式中Σ表示集合{Sgi|(·)}中滿足給定條件（·）的所有SgI之和，&&表示邏輯與運算。[0048]將qD(g。，i)作為矩陣QD(g，i)在位置（g=g。，i)處的元素，獲得一個MgXMg的改進鄰域灰度相關(guān)矩陣QD(g，i)。[0049]所述步驟五中計算一種新的復(fù)合紋理特征：[0050]根據(jù)改進的鄰域灰度相關(guān)矩陣，定義一種新的二次統(tǒng)計特征，即復(fù)合紋理特征CT為：當(dāng)前第1頁1 2 3