基于NSCT和图像匹配的浮选泡沫图像增强方法技术

本发明专利技术实施例涉及图像预处理技术领域，具体公开了基于NSCT和图像匹配的浮选泡沫图像增强方法。本发明专利技术实施例通过系数直方图匹配，以对比度受限直方图均衡化增强的图像为基准图像，利用系数直方图匹配算法对NSCT分解后的高低频系数进行自动处理，最终实现浮选泡沫图像的自适应增强。能够结合NSCT变换、图像匹配和对比度受限直方图均衡化等技术，为了增强工业相机采集到的选煤厂浮选工业现场浮选泡沫图像，使得增强后的泡沫图像在后续的特征提取方面表现更好，能够通过利用NSCT变换的多尺度、多方向性和平移不变性，以及对比度受限直方图均衡化方法来克服传统图像增强方法过分放大噪声的问题。放大噪声的问题。放大噪声的问题。

【技术实现步骤摘要】
基于NSCT和图像匹配的浮选泡沫图像增强方法


[0001]本专利技术属于图像预处理
，尤其涉及基于NSCT和图像匹配的浮选泡沫图像增强方法。

技术介绍

[0002]随着数字图像处理技术的不断发展，图像的预处理技术有了很大的进步。同时大量的选煤领域浮选工业现场早已开展自动化改造，甚至进一步迈向了全面的智能化。基于此，目前对替代人工进行浮选现场工况判断的机器视觉技术有了更高的要求。为了更好地提取浮选气泡图像特征，需要对浮选气泡图像进行增强和去噪预处理。因而出现了浮选气泡图像预处理、去噪等内容的研究。现有的很多改进算法都是基于单一尺度下图像的空间域中实现的，传统的基于空间域的图像增强方法可以使图像的边界和细节得到一定的增强，但无法对噪声做出有效的处理。且由于工业现场环境较差，光线较暗等情况，通过工业相机直接采集到的浮选泡沫图像难以直接用于后续的机器视觉或机器学习等智能化步骤。

技术实现思路

[0003]本专利技术实施例的目的在于提供基于NSCT和图像匹配的浮选泡沫图像增强方法，旨在解决
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术实施例提供如下技术方案：
[0005]基于NSCT和图像匹配的浮选泡沫图像增强方法，所述方法具体包括以下步骤：
[0006]获取原始灰度泡沫图像I，对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到对比度直方图均衡化图像J；
[0007]对所述原始灰度泡沫图像I进行N层的NSCT分解，得到分解的低频子带系数矩阵K0和高频子带系数矩阵K
i，j
；
[0008]对所述对比度直方图均衡化图像J进行N层的NSCT分解，得到分解的低频子带系数矩阵L0和高频子带系数矩阵L
i，j
；
[0009]以所述对比度直方图均衡化图像J为基准，计算所述低频子带系数矩阵K0和所述低频子带系数矩阵L0的系数直方图，并进行低频系数直方图匹配，得到增强低频子带M；
[0010]对所述高频子带系数矩阵K
i，j
和所述高频子带系数矩阵L
i，j
分别进行去噪处理，得到高频系数矩阵K
′
j，k
和高频系数矩阵L
′
j，k
，计算所述高频系数矩阵K
′
j，k
和所述高频系数矩阵L
′
j，k
的系数直方图，并进行高频系数直方图匹配，得到增强高频子带P；
[0011]对所述增强低频子带M和所述增强高频子带P进行NSCT重构，得到增强结果图像。
[0012]作为本专利技术实施例技术方案进一步的限定，所述获取原始灰度泡沫图像I，对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到对比度直方图均衡化图像J具体包括以下步骤：
[0013]获取原始灰度泡沫图像I；
[0014]对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到新的直方图；
[0015]根据所述新的直方图，得到对比度直方图均衡化图像J。
[0016]作为本专利技术实施例技术方案进一步的限定，所述对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到新的直方图具体包括以下步骤：
[0017]确定所述原始灰度泡沫图像I的全部灰度级Sk分布，并统计各个灰度级对应的n
k
；
[0018]计算所述原始灰度泡沫图像I对应的灰度直方图：其中，n表示原始图像中的总像素数，n
k
表示灰度级S
k
中的像素值；
[0019]计算出累积直方图：其中，0≤S
k
≤1；
[0020]进行取整计算：
[0021]确定S
k
与U
k
之间的映射关系；
[0022]统计新直方图各灰度级U
k
中的像素值n
k
，计算新的直方图：
[0023]作为本专利技术实施例技术方案进一步的限定，对所述原始灰度泡沫图像I进行4层的NSCT分解，其中：高频尺度一和高频尺度四图像不进行方向上的分解，高频尺度二图像进行2个方向上的分解，高频尺度三图像进行4个方向上的分解，产生1个低频子带图像，以及1个高频尺度一子带图像，2个高频尺度二子带图像，4个高频尺度三子带图像，1个高频尺度四子带图像。
[0024]作为本专利技术实施例技术方案进一步的限定，进行低频系数直方图匹配，使用histeq()函数将所述低频子带系数矩阵K0的系数直方图与所述低频子带系数矩阵L0的系数直方图进行直方图匹配，得到匹配后的增强低频子带M。
[0025]作为本专利技术实施例技术方案进一步的限定，估计高频子带系数矩阵K
i，j
和所述高频子带系数矩阵L
i，j
的噪声水平，按照阈值T滤除各高频子带系数矩阵内的噪声，得到高频系数矩阵K
′
j，k和高频系数矩阵L
′
j，k
，其中：阈值T的计算公式为σ＝median(abs(C))/0.675，C为NSCT分解后最细子带系数，最细尺度的子带δ取4/3，其余自带取1，σ
j，k
是第j尺度、第k方向的噪声标准差。
[0026]作为本专利技术实施例技术方案进一步的限定，对所述增强低频子带M和所述增强高频子带P进行NSCT重构的过程，是NSCT分解过程的逆过程。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]本专利技术实施例通过系数直方图匹配，以对比度受限直方图均衡化增强的图像为基准图像，利用系数直方图匹配算法对NSCT分解后的高低频系数进行自动处理，最终实现浮选泡沫图像的自适应增强。能够结合NSCT变换、图像匹配和对比度受限直方图均衡化等技术，为了增强工业相机采集到的选煤厂浮选工业现场浮选泡沫图像，使得增强后的泡沫图像在后续的特征提取方面表现更好，能够通过利用NSCT变换的多尺度、多方向性和平移不变性，以及对比度受限直方图均衡化方法来克服传统图像增强方法过分放大噪声的问题。
附图说明
[0029]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例。
[0030]图1示出了本专利技术实施例提供的方法的流程图。
[0031]图2示出了本专利技术实施例提供的方法中浮选泡沫图像低频子带及其直方图。
[0032]图3示出了本专利技术实施例提供的方法中浮选泡沫图像低频子带图像匹配后结果及其直方图。
[0033]图4示出了本专利技术实施例提供的方法中高频子带去噪效果前后对比实例图。
[0034]图5示出了本专利技术实施例提供的方法中原图与最终增强结果对比图。
具体实施方式
[0035]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于NSCT和图像匹配的浮选泡沫图像增强方法，其特征在于，所述方法具体包括以下步骤：获取原始灰度泡沫图像I，对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到对比度直方图均衡化图像J；对所述原始灰度泡沫图像I进行N层的NSCT分解，得到分解的低频子带系数矩阵K0和高频子带系数矩阵K
i，j
；对所述对比度直方图均衡化图像J进行N层的NSCT分解，得到分解的低频子带系数矩阵L0和高频子带系数矩阵L
i，j
；以所述对比度直方图均衡化图像J为基准，计算所述低频子带系数矩阵K0和所述低频子带系数矩阵L0的系数直方图，并进行低频系数直方图匹配，得到增强低频子带M；对所述高频子带系数矩阵K
i，j
和所述高频子带系数矩阵L
i，j
分别进行去噪处理，得到高频系数矩阵K
′
j，k
和高频系数矩阵L
′
j，k
，计算所述高频系数矩阵K
′
j，k
和所述高频系数矩阵L
′
j，k
的系数直方图，并进行高频系数直方图匹配，得到增强高频子带P；对所述增强低频子带M和所述增强高频子带P进行NSCT重构，得到增强结果图像。2.根据权利要求1所述的基于NSCT和图像匹配的浮选泡沫图像增强方法，其特征在于，所述获取原始灰度泡沫图像I，对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到对比度直方图均衡化图像J具体包括以下步骤：获取原始灰度泡沫图像I；对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到新的直方图；根据所述新的直方图，得到对比度直方图均衡化图像J。3.根据权利要求2所述的基于NSCT和图像匹配的浮选泡沫图像增强方法，其特征在于，所述对所述原始灰度泡沫图像I进行对比度受限直方图均衡化处理，得到新的直方图具体包括以下步骤：确定所述原始灰度泡沫图像I的全部灰度级S
k
分布，并统计各个灰度级对应的n
k
；计算所述...

【专利技术属性】
技术研发人员：潘金禾，周长春，贾瑞博，温智平，刘航涛，张磊，龙鑫，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：