一种浮选泡沫图像的复合纹理特征提取方法技术

本发明专利技术公开了一种浮选泡沫图像的复合纹理特征提取方法。首先在泡沫图像的灰度量化矩阵中获取所有中心像素点的面邻域集合；然后针对所有中心像素点，构建三维数据表并得到嵌套灰度频数表；再次，获得一种改进的邻域灰度相关矩阵；最后求取一种新的复合纹理特征。该特征综合了泡沫的大小、纹理和粗糙度，在反映浮选泡沫的纹理上，具有较高的稳定性、可分性。根据所提取的复合纹理特征，容易将不同入矿品位下的不同工况的浮选泡沫图像区分开来，具有较高的工况识别正确率。本发明专利技术简单有效，对指导矿物浮选现场泡沫工况识别具有重要意义。

【技术实现步骤摘要】

本专利技术属于图像处理、模式识别和矿物浮选
，特别涉及一种浮选泡沫图 像的复合纹理特征提取方法。
技术介绍
泡沫表观特征是矿物浮选工况的综合反映，被认为与浮选效果的好坏密切相关。 如何准确提取浮选过程中与关键生产指标密切相关的泡沫表观特征，是实现浮选工况识别 的关键。长期以来，现场有经验的工人通过观察泡沫表面的状态调节工况，由于人为的随意 性和主观性导致浮选状态不稳定，难以调节到最优的状态，导致矿物资源利用率不高，造成 资源浪费。 近年来基于机器视觉的浮选过程控制及优化成为国内外研究热点，其中基于机器 视觉的工况识别是研究的主要内容之一。泡沫表观特征与浮选工况密切相关，是浮选性能 的指示器。常用于浮选智能工况识别的泡沫表观特征主要有泡沫颜色、大小、纹理等，其中， 纹理特征作为泡沫表观最重要的特征之一，综合了泡沫的大小和形状等特征，同时具有不 随环境光照度影响等特点，被广泛应用于浮选工况识别中。邻域灰度相关矩阵是一种常用 的基于统计的纹理特征提取方法，它具有旋转不变性、不随光照变化影响和计算速度快等 特点。基于邻域灰度相关矩阵的粗度和细度等二次统计特征能较好地反映泡沫表面的纹理 特点。由于传统的邻域灰度相关矩阵方法仅考虑了中心像素点与其邻域像素点灰度值相同 或者相近的个数，却没有考虑它们之间相差的个数以及相差的大小，因此，丢失了大量能够 反映图像像素差异度的空间分布属性，难以全面准确反映泡沫表面的纹理信息。此外，在不 同的入矿品位条件下，泡沫图像也会有较大差异，而传统邻域灰度相关矩阵且不考虑入矿 品位影响的纹理特征提取方法，难以适应准确识别泡沫浮选工况的需求。 因此，有必要设计，以便更全面地捕 捉不同入矿品位条件下的泡沫表面纹理信息。
技术实现思路
本专利技术所要解决的技术问题是提供， 该方法能够更加全面地反映不同入矿品位下的泡沫图像纹理特征的差异，具有良好的特征 有效性和可分性，以适于后续的工况识别准确性的需要。 -种浮选泡沫图像的复合纹理特征提取方法，包括以下步骤： 步骤一：根据泡沫浮选现场所获得的泡沫视频读取RGB泡沫图像，将RGB图像进行 灰度化，得到灰度图像矩阵；对灰度图像进行量化，得到量化矩阵；获取量化矩阵中所有中 心像素点的面邻域集合； 步骤二：计算各面邻域内像素点与中心像素点灰度值的绝对差；统计各绝对差的 个数；针对泡沫图像中所有的中心像素点，构建三维数据表，所述三维数据表中元素分别为 中心像素点灰度值、各绝对差个数、绝对差； 步骤三：构建基于三维数据表的嵌套灰度频数表； 步骤四：根据所构建的嵌套灰度频数表，获得一种改进的邻域灰度相关矩阵； 步骤五：根据所得到的改进邻域灰度相关矩阵，求取一种新的二次统计特征一一 复合纹理。 所述步骤一中的获取量化后的泡沫图像矩阵所有中心像素点的面邻域集合具体 步骤如下： 步骤1根据泡沫浮选现场所获得的泡沫视频读取RGB泡沫图像，将RGB图像进行 灰度化，得到灰度图像矩阵A(x，y): AkXn (x,y)=0. 290XR(x,y) +0. 587XG(x,y) +0. 114XB(x,y) 式中kXm为泡沫灰度图像的分辨率，（x，y)表示泡沫灰度图像中任一像素点的坐 标，X= 0, 1，. . .，k-1，y= 0, 1，. . .，m-1 ;R(x,y)、G(x,y)、B(x,y)分别为泡沫图像的R、G、 B矩阵。 步骤2对灰度图像矩阵A(x，y)进行量化，得到量化矩阵M(x，y): 式中Mg为泡沫图像的量化级数，[_j为向下取整。 步骤3在量化矩阵Μ(X，y)中，以所有的中心像素点（X。，y。）为中心、D为半径，获 取面邻域集合： VD (xc,yc) = {(u,v) | (u,v)eMkXm, 0 <p((xc,yc), (u,v)) ^D} 其中xcGD,D+l,…，k_l_D，yceD,D+l,…，m-l-D; {(u,v) | ( · )}表不满足给定 条件（·）下的点（u,v)组成的集合，p((x^y。)，（u,v))表示面邻域内像素点（u,v)与中 心像素点间的距离： p((xc,yc), (u,v)) =max(|xc-u|, |yc-v|) 式中max(|xc-u|, |yc_v|)表示像素距离|xc_u|、|yc_v|中的最大值。 所述步骤二中构建泡沫图像中心像素点的三维数据表具体步骤如下： 步骤1计算面邻域集合VD(n)中各面邻域内像素点（u，v)灰度值与中心像素 点（X。，y。）灰度值的绝对差i: i= |f(u,v)-f(xc,yc)I= |f(u,v) -gc 式中f(u,v)和f(x。,yj=g。分别表示像素点（u,v)和中心像素点（xcyj的灰 度值，gc= 〇, 1，."，Mg_l，i= 0, 1，."，Mg_l。 步骤2 :统计绝对差为i的个数: 式中#表示统计集合{(u，v)I( · )}中满足给定条件（·）下的点（u，v)的个数。 步骤3 :构建泡沫图像各中心像素点的三维数据表；定义某中心像素点（X。，y。）的三维数据表fD(x。，y。，i)如下： 式中(及,,w:)为一个表中元素分别为g。、i，大小为1χ1XM#三维数 据表。 针对泡沫图像中所有中心像素点，构建相应的三维数据表。 所述步骤三中构建基于三维数据表的嵌套灰度频数表方法如下： 定义嵌套灰度频数表FD(W太。，i)如下： Fd(xc',yc' ,i) =table(fD (xc,yc,i)) 式中xc，=xc_D,xc，e〇, 1，…，k_l_2D，yc，=yc_D,yc，e〇, 1，…，m-l_2D。嵌套 灰度频数表FD(x'。，1)中某单元格位置（x/，y。'）的元素即为Μ/e(反 将步骤二针对所有中心像素点（X。，y。）所构建的每个三维数据表fD(x。，y。，i)，嵌 入嵌套灰度频数表中相应单元格位置，构建出一个大小为（k-2D)X(m-2D)XMg的嵌套灰度 频数表。 所述步骤四中获得一种改进的邻域灰度相关矩阵： 定义改进邻域相关矩阵QD(g，i)如下： 式中g= 0, 1，"'Mg-l，i= 0, 1，"'Mfl，qD(g，i)为矩阵QD(g，i)在位置（g，i) 处的元素。 在步骤三所获得的嵌套灰度频数表FD(x'e，y'e，i)中，统计面邻域内像素点灰 度值与中心像素点灰度值g。间绝对差为i时所有的总和qD(g。，i): 式中Σ表示集合{Sgi | ( ·)}中满足给定条件（·）的所有SgI之和，&&表示逻辑 与运算。 将qD (g。，i)作为矩阵QD (g，i)在位置（g=g。，i)处的元素，获得一个MgXMg的改 进邻域灰度相关矩阵QD(g，i)。 所述步骤五中计算一种新的复合纹理特征： 根据改进的邻域灰度相关矩阵，定义一种新的二次统计特征，即复合纹理特征CT 为：当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种浮选泡沫图像的复合纹理特征提取方法，其特征在于，包括以下步骤：步骤一：根据矿物泡沫浮选现场所获得的泡沫视频读取RGB泡沫图像，将RGB泡沫图像进行灰度化，得到灰度图像矩阵；对灰度图像进行量化，得到量化矩阵；获取量化矩阵中所有中心像素点的面邻域集合；步骤二：计算各面邻域内像素点与中心像素点灰度值的绝对差；统计各绝对差的个数；针对图像中所有的中心像素点，构建三维数据表，所述三维数据表中元素分别为中心像素点灰度值、各绝对差个数、绝对差；步骤三：构建基于三维数据表的嵌套灰度频数表；步骤四：根据所构建的嵌套灰度频数表，获得一种改进的邻域灰度相关矩阵；步骤五：根据所得到的改进邻域灰度相关矩阵，求取一种新的复合纹理特征。

【技术特征摘要】

【专利技术属性】
技术研发人员：彭涛，彭霞，桂卫华，彭小奇，宋彦坡，赵林，赵永恒，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43