基于局部特征的矿物浮选泡沫图像分类与工况识别

摘要

近年来，数字图像处理技术在矿物浮选过程中得到了广泛的研究与应用。浮选泡沫表面状态信息与浮选生产状况、经济指标之间密切相关，通常不同的浮选工况，泡沫表面纹理深浅、清晰度、颜色等特征各不相同，可以通过识别泡沫图像来得到工况信息。然而，由于浮选泡沫图像含工业粉尘、光照噪声较大，影响了泡沫图像分类识别的准确度。因此研究如果降低噪声影响，提高分类识别准确率具有重要意义。论文主要研究工作与创新成果如下:
　　(1)针对获取到的泡沫图像含噪声较大，影响了分类准确度的问题，提出了一种基于局部特征向量空间模型的泡沫图像分类方法。该方法通过对泡沫图像进行局部分块，抽取图像局部信息，再进行一定抽象处理后进行分类识别，能够有效降低噪声对分类准确度的影响。
　　(2)在泡沫图像词袋向量的基础上，引入贝叶斯概率模型，并用最大期望算法对概率模型参数进行估计，提出了基于局部特征贝叶斯概率模型的泡沫图像分类方法。相对于基于局部特征向量空间模型的泡沫图像分类方法，该方法由于充分利用了经验知识和样本信息，分类准确率得到进一步提高。
　　(3)针对因局部纹理、颜色等静态特征相似，难以识别出运动紊乱泡沫图像的问题，利用尺度不变特征变换算子，通过检测、匹配泡沫图像局部特征点，提取浮选泡沫图像的动态特征参数。
　　(4)以硫浮选为对象，在分析了泡沫各类特征参数与工况关系的基础上，综合考虑泡沫图像局部的静、动态特征参数与浮选性能的关系，提出了基于局部静、动态特征的浮选泡沫图像分层分类识别系统。
　　采用现场检测数据进行仿真研究，结果表明:本文所提出的基于局部静、动态特征的浮选泡沫分层分类识别系统能够达到很好的分类效果，为矿物浮选优化控制打下了基础。

目录

声明

摘要

1 绪论

1．1 课题来源与研究背景

1．2 矿物浮选流程及其数字图像处理技术的应用

1．2．1 矿物浮选工艺

1．2．2 矿物浮选中数字图像处理技术的应用

1．3 浮选泡沫图像处理技术研究现状

1．3．1 浮选泡沫数字图像处理技术国内外研究现状

1．3．2 浮选泡沫数字图像分类方法研究现状

1．4 论文的主要内容和结构安排

2 基于局部特征向量空间模型的泡沫图像分类方法

2．1 向量空间模型

2．2 基于局部特征VSM的泡沫图像分类方法

2．2．1 泡沫图像的局部底层特征选择和提取

2．2．2 泡沫图像的泡沫状态词汇表生成

2．2．3 泡沫图像的词袋描述

2．2．4 基于向量空间模型的泡沫图像分类

2．3 仿真研究及其结果分析

2．4 本章小结

3 基于局部特征贝叶斯概率模型的泡沫图像分类方法

3．1 基于贝叶斯概率的分类模型

3．1．1 贝叶斯定理

3．1．2 基于贝叶斯概率的分类模型建立

3．1．3 基于最大期望算法的模型参数估计

3．2．基于局部特征贝叶斯概率模型的泡沫图像分类

3．3 实验验证与分析

3．4 本章小结

4 基于尺度不变特征变换SIFT的泡沫图像动态特征提取方法

4．1 SIFT算法介绍与实施

4．1．1 SIFT算法概述

4．1．2 SIFT算法实施

4．2 利用SIFT算法获取浮选泡沫动态特征

4．2．1 泡沫图像关键点的提取与匹配

4．2．2 泡沫图像动态特征提取

4．3 本章小结

5 基于局部动静态特征的浮选泡沫图像分层分类识别系统

5．1 常用浮选泡沫的视觉参数选取

5．1．1 泡沫静态参数与工况分析

5．1．2 泡沫动态参数与工况分析

5．2 基于局部动静特征的泡沫图像分层分类系统

5．3 仿真研究及其结果分析

5．4 本章小结

6 结论与展望

6．1 研究工作总结

6．2 后续工作展望

参考文献

攻读学位期间主要研究成果

致谢