自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法

摘要

本发明涉及烧结矿矿相分析技术。本发明公开了一种自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法，该方法采用支持向量机(SVM)模糊识别算法，根据残存赤铁矿和骸晶状菱形赤铁矿两类样本的几何分布，不断地找出支持向量，通过不断地迭代学习，最后确定残存类赤铁矿样本数据和骸晶类样本三个模型参数，即最优分类面，对经过识别亮度五大类基础上并已标出高亮度赤铁矿的区域的图像，进行判别，将骸晶类和残存类赤铁矿区分开来，实现对残存赤铁矿和骸晶状/菱形赤铁矿这两类模式的分类。本发明不但实现了烧结矿矿相中骸晶状菱形赤铁矿与残存赤铁矿的自动分析识别，而且大大提高了分析的标准性、准确性和分析效率。

说明书

(一)技术领域

本发明涉及烧结矿矿相分析技术，尤其涉及自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法。

(二)背景技术

烧结矿是多种物料混合经高温部分熔融的人造富矿，为非均质物相，其矿相组织结构十分复杂，通常有赤铁矿、磁铁矿、铁酸钙、硅酸盐这4大类物相。而且赤铁矿、磁铁矿、铁酸钙、硅酸盐等大类中又分很多小类，如骸晶状菱形赤铁矿与残存赤铁矿，熔融型磁铁矿与自型晶磁铁矿，针状铁酸钙与板状铁酸钙等等。在烧结矿显微图像中，骸晶状菱形赤铁矿与残存赤铁矿的灰度相同，造成对骸晶状菱形赤铁矿与残存赤铁矿这两类物相自动识别和区分的困难。骸晶状菱形赤铁矿与残存赤铁矿构成高亮度赤铁矿，骸晶状菱形赤铁矿与残存赤铁矿亮度一致，两者之间差别只是在形状上面。

现有的烧结矿矿相分析技术主要是使用传统的人工分析方法，即在光学显微镜下通过人眼对各种矿物相的观察、分析，并进行手工统计。根据各种显微光学组织的灰度、形状、以及与周边组织结合状态等因素进行目视区分和识别，采用人工数点法统计，一般一个试样要在显微镜下人工移动两千多点，对图像的中心点实施人工目视判断，根据人眼判别该点的矿物类别，并对各类别按点计数，最后按该类别点数占全部统计点数的百分比，得出各类成分的比例。因而人工方法存在工作量大、效率低、以点代面的统计方法准确度低下、容易误识等多方面缺点。

现有的利用计算机进行铁矿石烧结矿显微图像组织成分的识别与分析技术，是需要人工输入不同成分的灰度阈值范围，因各成分在显微图像中的灰度是随实验条件而变化的，即使有经验的实验师也很难确切地给出准确的分类灰度阈值，而人工介入的方法无论从效率方面还是准确性方面，都有很大弊端。

在烧结矿显微图像中，骸晶状菱形赤铁矿与残存赤铁矿的灰度相同，造成对骸晶状菱形赤铁矿与残存赤铁矿这两类物相自动区分有困难。骸晶状菱形赤铁矿与残存赤铁矿构成高亮度赤铁矿，骸晶状菱形赤铁矿与残存赤铁矿亮度一致，两者之间差别是在形状上面。现有的有关自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法还没有见到申请专利或报道。

(三)发明内容

本发明的目的在于提供一种自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法，该方法可以实现对烧结矿矿相中骸晶状菱形赤铁矿与残存赤铁矿的自动准确识别和区分。

本发明是这样实现的：一种自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法，其特征是：

第一步，采用具有小样本高识别能力的支持向量机进行两类的自动判别，样本的采集是在识别亮度五大类的基础上，把高亮度赤铁矿区域标出，然后利用腐蚀扩张的方法把各弱相连的区域隔离开；然后把每个区域用二值图像保存下来，其中白色标识的是区域，黑色是背景，经人工的识别筛选将骸晶类和残存类赤铁矿分开来，将这两类样本送入支持向量机模型中训练学习；

第二步，由于骸晶与残存赤铁矿颗粒是以相互重叠混杂的形式存在，采用多模型训练方法，获得赤铁矿三个模型参数，其步骤是：

第2.1步，将赤铁矿样本分成小面积形，大面积长条形，大面积丰满形三类，然后对三类样本进行分别训练和分类，对应有三个支持向量机模型；

第2.2步，样本特征抽取，形成多维的特征向量，把该特征向量所已知的骸晶类、残存类赤铁矿类别送入支持向量机模型训练；

第2.3步，样本特征数据的归一化处理，将样本特征抽取后得到的特征值必须经过归一化处理；

第2.4步，根据残存赤铁矿和骸晶状菱形赤铁矿两类样本的几何分布，设定支持向量机模型的初始参数，通过支持向量机模型的训练，不断地找出支持向量，通过不断地迭代学习，得出最优模型参数的训练结果，即最优分类面；然后利用样本训练方法，经过训练学习，最终确定残存类赤铁矿样本和骸晶类赤铁矿样本的三个模型参数；

第三步，赤铁矿分类识别，对经过识别亮度五大类基础上并已标出高亮度赤铁矿的区域，同样先进行腐蚀扩张去除区域向量现象，然后对每一个区域进行特征抽取得到对应的特征向量，最后利用上面得到三个模型参数，对每个区域进行判别，从而将骸晶类和残存类赤铁矿区域区分开来，实现对残存赤铁矿和骸晶状菱形赤铁矿的分类。

本发明是采用支持向量机(SVM)模糊识别算法，根据残存赤铁矿和骸晶状菱形赤铁矿两类样本的几何分布，不断地找出支持向量，通过不断地迭代学习，最后确定残存类赤铁矿样本数据和骸晶类样本三个模型参数，即最优分类面，对经过识别亮度五大类基础上并已标出高亮度赤铁矿的区域的图像，进行判别，将骸晶类和残存类赤铁矿区分开来，实现对残存赤铁矿和骸晶状/菱形赤铁矿这两类模式的分类。

虽然支持向量机的训练过程计算量比较大，需要对大量的模式特征进行有导师的分类学习，学习的结果自动以不同的参数形式固定于“支持向量机”内。但是，支持向量机一旦完成了学习(或者称为训练)，则可利用得到的参数，调用判别函数进行分类识别，该过程几乎是线性的，所以识别的速度很快。本发明的自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法，不仅具有很高的识别速度，还有很高的预测性和准确度。为烧结矿矿相自动分析奠定了坚实准确的基础，能够方便地实现采用计算机对烧结矿矿相中骸晶状菱形赤铁矿与残存赤铁矿的自动准确识别和区分。不但实现了烧结矿矿相中骸晶状菱形赤铁矿与残存赤铁矿的自动分析识别，而且大大提高了分析的标准性、准确性和分析效率，避免了人工分析的欠客观性、欠统一性。

(四)附图说明

下面结合附图和具体实施方式对本发明作进一步说明。

图1为样本的获取过程示意图；

图2为骸晶状菱形赤铁矿多模型训练方案；

图3为本发明自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法示意图；

图4(a)为骸晶类样本的二值图像；

图4(b)为残存类样本的二值图像；

图5为二值图像的腐蚀算法示意图；

图6为种子区域的测地重建算法示意图；

图7(a)为骸晶状菱形赤铁矿与残存赤铁矿的原图1；

图7(b)为图7(a)识别分类结果图(图中，竖条纹：骸晶，网格纹：残存)；

图8(a)为骸晶状菱形赤铁矿与残存赤铁矿的原图2；

图8(b)为图8(a)识别分类结果图(图中，竖条纹：骸晶，网格纹：残存)；

(五)具体实施方式

一种自动识别区分骸晶状菱形赤铁矿与残存赤铁矿的方法，

第一步，采用具有小样本高识别能力的支持向量机进行两类的自动判别，样本的采集是在识别亮度五大类的基础上，把高亮度赤铁矿区域标出，然后利用腐蚀扩张的方法把各弱相连的区域隔离开；然后把每个区域用二值图像保存下来，其中白色标识的是区域，黑色是背景，经人工的识别筛选将骸晶类和残存类赤铁矿分开来，将这两类样本送入支持向量机模型中训练学习；样本的获取过程参见图1，骸晶类的样本和残存类的样本二值图像如图4(a)和图4(b)所示。

系统共采集总样本1万余幅，经过人工的识别筛选，选出骸晶类样本约2千幅，残存类样本9千幅。由于送入SVM模型训练的不同类别样本的数目较平均时得到的分类效果最佳，所以最后选出其中1500幅骸晶类样本和3千余幅残存类样本作为训练样本送入SVM模型中训练。另外取500幅骸晶类样本和600幅残存类样本作为模型的测试样本集。

在第一步中，腐蚀扩张算法分两个部分组成，第一部分是腐蚀，第二部分是测地重建(Geometric Reconstruction)。先对原二值图像(0，1两种灰度级的灰度图像)进行腐蚀，然后以腐蚀后的区域为种子区域进行测地重建。

1.对二值图像的腐蚀算法，参见图5。

设结构元素S大小为M×N，有效区域灰度值为1，输入图像为G，输出图像为G1

则：

L1.对每一个像素Pi扫描其M×N领域

L1.2.如当前像素Pj处于结构元素S的有效区域

L1.2.2如找到灰度级为0的点G(Pj)＝0跳出扫描。

L1.3如存在G(Pj)＝0令G(Pi)＝0；

L2.重复以上步骤，直到扫描完毕。

2.对种子区域的测地重建，参见图6

设G为输入图像，M为种子区域，M中有N个区域{R_i}_i＝0^N，每个区域Ri内的像素点P均有一个标签L(P)

L1.M中所有的点压入队列Q，对每个点Pi标上访问标识Tag(Pi)＝L(P)；

L1.1对Q中的每一个像素的邻域Pj进行扫描

L1.1.1如果G(Pj)＝1且Tag(Pj)＝0则

把Pj压入Q，令Tag(Pi)＝L(P)；

L1.1.2如果G(Pj)＝1且Tag(Pi)！＝Tag(Pj)则

令Tag(Pi)＝-1；

L2.重复以上步骤，直到队列Q不为空为止

L3.Tag为重建图像，Tag(Pi)表示像素所处的区域。

在第一步中已将骸晶类和残存类赤铁矿分开来，但单个颗粒的骸晶状菱形赤铁矿的形状特征是外方内多圆滑空洞的区域。一般情况下，骸晶状菱形赤铁矿很少以单个颗粒存在，多是以相互重叠混杂的形式存在，这就需要把重叠的颗粒分开。

腐蚀扩张法可以分割弱相连的区域。但是，重叠的骸晶颗粒区域不一定是弱相连的，反而在骸晶颗粒内部存在一些弱相连，这样导致过分割问题，从而大大影响样本的采集效果。因此，腐蚀扩张法采用较小的结构元素(半径为1的结构元素)来对高亮度赤铁矿区域进行腐蚀扩张，从而在相当程度上避免了过分割，达到分离重叠颗粒的目的。对于因为颗粒之间的强相连而没有被分离的重叠区域，最终采取多模型训练的方法。

第二步，由于骸晶与残存赤铁矿颗粒是以相互重叠混杂的形式存在，采用多模型训练方法，获得赤铁矿三个模型参数，参见图2，其步骤是：

第2.1步，将赤铁矿样本分成小面积形，大面积长条形，大面积丰满形三类，然后对三类样本进行分别训练和分类，对应有三个支持向量机模型；

第2.2步，样本特征抽取，模式识别系统是建立在特征向量的运算与操作之上，特征抽取与选取是模式识别系统中不可缺少的步骤之一，特征抽取任务就是对原始的物像进行特征描述，得出数学意义上的各个特征值；特征选取的任务是在这些特征值当中选出具有较高识别能力的子集作为最终的特征集合。特征抽取与选取两者不是完全割裂的步骤，可以同时进行，其最终任务都是找出具有最大识别能力的特征集合。经过不断地分析测试、结合技术员实际矿相分析的经验，本系统选取以下特征集合：

(1)面积，

(2)紧致度，即周长平方比面积，

(3)区域孔洞数，

(4)区域孔洞平均面积，

(5)区域孔洞面积方差，

(6)区域的Hu氏7个不变矩，

(7)区域轮廓傅立叶(Fourier)变换的5个描述子；总计特征值20个，形成20维的特征向量，送入支持向量机模型训练；

第2.3步，样本特征数据的归一化处理，将样本特征抽取后得到的特征值必须经过归一化处理；

样本特征数据的归一化处理方法是最大最小值法，即把样本集中每个特征值(Value)、最大值(Max)、最小值(Min)找出，然后利用式(1)，计算出归一化的值(Normalized Value)；即：

Normalized Value＝(value-min)/(max-min)    (1)

第2.4步，根据残存赤铁矿和骸晶状菱形赤铁矿两类样本的几何分布，设定支持向量机模型的初始参数，通过支持向量机模型的训练，不断地找出支持向量，通过不断地迭代学习，得出最优模型参数的训练结果，即最优分类面；然后利用样本训练方法，经过训练学习，最终确定残存类赤铁矿样本和骸晶类赤铁矿样本的三个模型参数；

支持向量机模型实际上就是一组参数构成的判别函数，对于类别C

$f\left(x_i\right)=\left(\begin{array}{c}1(x_i\in C)\\ 0(x_i\notin C)\end{array}\right)$

该参数是利用样本训练的方法获得，该参数称为模型参数。模型的好坏依赖于两个指标。

第一个指标是训练样本分类正确率σ_tran。

也就是说给模型N个训练样本进行训练之后，再用训练好的模型对训练样本进行分类，看对训练样本判别分类的正确率如何。一般来说，如果训练样本分类正确率高的话，说明模型具有正确区别两类样本的潜力。

第二个指标是测试样本分类正确率σ_test。

模型训练好之后，随机抽取M个测试样本(不能与训练样本重复)，用模型进行分类，进行正确率统计，如果正确率比较高，说明模型对于类别预测能力比较高。

在训练模型的过程中，需要调整训练参数，让模型的两个指标尽量高，提高模型的分类能力。所以，训练参数选取在训练过程中起着重要的作用，但是，训练参数如何选取，都是靠大量实验来猜测和估计的，属于一个实践结果。

第三步，赤铁矿分类识别，对经过识别亮度五大类基础上并已标出高亮度赤铁矿的区域，同样先进行腐蚀扩张去除区域向量现象，然后对每一个区域进行特征抽取得到对应的特征向量，最后利用上面得到三个模型参数，对每个区域进行判别，从而将骸晶类和残存类赤铁矿区域区分开来，实现对残存赤铁矿和骸晶状菱形赤铁矿的分类。参见图3。

实施例

图7(a)、(b)和图8(a)、(b)是采样本发明的方法进行烧结矿岩矿相显微图像原图和识别结果对照示意图。图7(b)与图8(b)中竖条纹部分是骸晶状菱形赤铁矿的计算机自动识别结果，网格纹部分是残存赤铁矿的计算机自动识别结果。图7(b)和图8(b)的识别结果表明本发明的方法是准确有效的。

实测表明，本发明的自动识别区分骸晶状菱形赤铁矿和残存赤铁矿烧结矿矿物相的方法，还具有良好的重现性。平行试验误差都在5％以内，优于人工分析的误差，结果见表1。

表1重复试验结果

经过对大批不同样品进行实验，实验结果表明，骸晶状菱形赤铁矿和残存赤铁矿烧结矿自动分析结果与样品组分人工分析结果基本符合，而且该方法比人工分析方法稳定。