浮选泡沫图像纹理特征提取研究及应用

摘要

矿物浮选是一种常用的工业选矿方法。浮选泡沫表面视觉特性是浮选工况、工艺指标和生产操作的直接反映，在基于机器视觉的浮选过程监控中，研究合适的泡沫图像处理和分析方法以获取与生产工况密切相关的泡沫表面视觉特征参量是进行后续浮选生产过程建模与优化控制的先决条件。泡沫图像的纹理状态是泡沫视觉特征中重要的一个，本文分别在图像的空间域和频率域中研究了两种不同类别的铝土矿精选泡沫纹理特征提取方法，同时探讨了所提取的特征参数与工艺指标的关系，并对浮选泡沫状态分类进行了研究，为基于数字图像处理的矿物浮选优化控制系统奠定了基础。
　　论文首先针对基于颜色共生矩阵(CCM)的纹理特征提取算法存在计算量大及精度低的问题，在空间域中提出了一种基于颜色共生混合结构(CCHS)的浮选泡沫图像纹理特征提取方法。该方法首先将泡沫图像从RGB空间转换到HSI空间并对各颜色分量进行量化，再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——纹理复杂度之间的变化关系。实验结果表明该算法能更准确地对矿物品位进行调控，指导浮选工况。
　　其次，针对浮选现场工况的复杂多变导致浮选泡沫图像纹理的复杂性以及光照变化等鲁棒性问题，在频率域中提出了一种基于改进的Gabor小波变换的泡沫图像的纹理特征提取方法。该方法首先将经过Gabor小波变换后的各个角度上的特征向量与一高斯窗相乘，并对其进行循环移位使最大值在最前，然后再对各个尺度上的特征向量进行循环移位使最大值在最前，从而实现光照变化等的鲁棒性。最后对经过上述处理后的Gabor小波变换提取纹理特征，并以该纹理特征作为输入，利用基于支持向量机方法(SVM)对泡沫图像进行分类。实验结果表明，基于改进的Gabor小波变换的泡沫纹理特征能实现对泡沫图像的准确分类，从而实现对浮选工况的有效控制。

目录

声明

摘要

1 绪论

1．1 课题研究背景及意义

1．2 图像纹理特征提取现状

1．2．1 纹理的定义

1．2．2 纹理特征提取技术研究现状

1．3 浮选泡沫图像纹理特征提取现状

1．3．1 浮选泡沫图像的表面纹理分析

1．3．2 浮选泡沫图像的纹理特征提取技术研究现状

1．4 论文的结构安排及主要研究内容

2 基于数字图像处理的浮选泡沫图像处理

2．1 浮选泡沫图像分析流程

2．1．1 浮选工艺与浮选泡沫特征

2．1．2 基于数字图像处理的浮选泡沫分析流程

2．2 数字图像的结构原理

2．2．1 数字图像的表示

2．2．2 数字图像的颜色空间模型

2．3 浮选泡沫图像预处理

2．3．1 图像灰度化

2．3．2 图像去噪

2．4 本章小结

3 基于颜色共生混合结构(CCHS)的泡沫图像纹理特征提取

3．1 灰度共生矩阵与颜色共生矩阵

3．1．1 灰度共生矩阵原理

3．1．2 颜色共生矩阵原理

3．2 基于共生矩阵的纹理特征提取

3．3 基于CCHS的泡沫图像纹理特征提取

3．3．1 算法步骤

3．3．2 基于CCHS的泡沫图像纹理特征提取算法的优势

3．4 实验结果及分析

3．4．1 基于CCM与CCHS纹理特征提取对比

3．4．2 基于CCHS的泡沫图像纹理特征与矿物品位的关系

3．5 本章小结

4 基于改进的Gabor小波变换泡沫图像纹理特征提取及分类

4．1 Gabor小波变换

4．1．1 2D Gabor函数

4．1．2 Gabor小波函数

4．1．3 Gabor滤波器组

4．2 支持向量机(SVM)

4．3 基于改进的Gabor小波变换纹理特征提取及分类

4．3．1 基于改进的Gabor小波变换的泡沫图像纹理特征提取

4．3．2 基于改进的Gabor小波变换纹理的泡沫图像分类实验

4．3．3 实验结果及分析

4．4 本章小结

5 总结与展望

5．1 研究工作的总结

5．2 后续工作的展望

参考文献

攻读学位期间主要的研究成果

致谢