一种浮选泡沫视频图像自适应筛选方法一种浮选泡沫视频图像自适应筛选方法
针对浮选视频图像获取过程中出现的图像质量问题,提出一种浮现泡沫视频图像自适应筛选方法。首先通过分
析浮选图像纹理特征选取评价参数,然后采用改进BP神经网络建立图像质量评判模型,对不同质量图像进行评
判筛选。实验证明,该方法筛选速度快且识别正确率和效率高,筛选后的图像分割效果好。
摘摘 要要: 针对浮选视频图像获取过程中出现的
关键词关键词: 浮选图像;BP神经网络;图像质量
0 引言引言
现代选矿工业中,泡沫浮选的主要目的就是提高矿物中精矿的品位[1]。浮选工艺复杂,是一个含有固、液、气三相变化
的物理化学过程[2],并且泡沫表面运动状态不稳定,获取的图像特征也各不相同。传统生产方式主要是人工控制,并且有主
观依赖性大、劳动强度大、资源利用率低等局限[3]。随着机器视觉和数字图像处理技术应用到浮选中,通过机器实时对浮选
表面进行监控,提取特征参数。这些特征参数主要包括泡沫大小、形状、纹理特征、流速[4]等。
针对浮选图像质量的评价,只有无参考质量评价方法。有些学者通过利用共生矩阵内的纹理特征参数[5]对图像进行质量
评价。本文通过提取浮选泡沫图像纹理特征参数并利用BP神经网络,建立浮选图像质量评价模型[6],然后采用经典改进分水
岭分割算法[7]来验证所筛选图像处理效果。实验证明:本文所用浮选图像质量评价方法可以筛选出不同质量浮选图像,筛选
出来的合格图像分割效果明显,而且自动识别准确率得到了提高。
1 灰度共生矩阵理论及特征参数提取分析灰度共生矩阵理论及特征参数提取分析
1.1 灰度共生矩阵参数提取灰度共生矩阵参数提取
灰度共生矩阵表达了图像灰度分布在空间位置上反复出现情况,其定义为θ方向上相隔距离d的一对像素分别具有灰度值i
和j出现概率,记为P(i,j;d,θ)。设f(x,y)是对应图像空间位置坐标(x,y)的灰度值,L为图像灰度等级,Lr、Lc代
表图像行和列的维数。f(x,y)=i和f(x+Dx,y+Dy)=j为像素对,取值为0°、45°、90°和135°,公式如下所示:
P(i,j;d,θ)={[(x,y),(x+Dx,y+Dy)]|∈(Lr,Lc)×(Lr,Lc)f(x,y)=i,f(x+Dx,y+Dy)=j}(1)
本文选取灰度共生矩阵中4个纹理特征,以及图像灰度和高亮区域所占比例作为浮选图像质量评价指标。各特征参数表达
式如下所示:
(1)图像能量asm为:
其中,Sw为高亮区域的像素总数,S为总像素数。
1..2 各项特征参数数据特性分析各项特征参数数据特性分析
本文在研究分析时分别选取曝光过度图像、曝光不足图像、模糊图像以及正常图像各30幅,并提取各特征参数。图1是图
像纹理特征分布状态。
评论0
最新资源