浮选泡沫图像纹理特征提取研究及应用.pdf

中图分类号婴3 坌 U D C6 2 0 硕士学位论文 学校代码l Q 5 圣3 密级公珏 浮选泡沫图像纹理特征提取研究及应用 R e s e a r c ha n d a p p l i c a t i o no f f l o t a t i o nf r o t hi m a g e t e x t u r ee x t r a c t i o n 林霞 控制科学与工程 数字图像处理 信息科学与工程学院 陈宁教授 中南大学 二零一三年四月 一令一二年四月 名业向 师姓专方所教者科究系导 ／- ／ 作学研院指 学 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人己经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名 鞋蒸 日期垄唑年上月监日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即学校有 权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允 许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到中国学位论文全文数据库， 并通过网络向社会公众提供信息服务。 作者龆监导师签名单缸日期．丝年且盟日 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 C C M I 拘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 c c H s 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R G B 空间转换到H S I 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C C H S 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 G a b o r 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 G a b o r 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G a b o r 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 S V M 对泡沫图像进行分类。实验结 果表明，基于改进的G a b o r 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。图3 5 幅，表8 个， 参考文献6 8 篇。 关键词浮选；颜色共生混合结构；纹理特征提取；G a b o r 小波变换； 支持向量机 分类号仰3 9 1 I I R e s e a r c ha n da p p l i c a t i o no ff l o t a t i o nf r o t hi m a g et e x t u r e e x t r a c t i o n A b s t r a c t M i n e r a lf l o t a t i o ni sac o m m o n l yu s e di n d u s t r i a lp r o c e s s i n g m e t h o d s ．T h ev i s u a lf e a t u r e so ft h ef r o t hs u r f a c ed i r e c t l yr e f l e c tt h e p r o d u c t i o nc o n d i t i o n s ，p r o d u c t i o np e r f o r m a n c ei n d e x e sa n do p e r a t i o n a l v a r i a b l e s ．I nt h em a c h i n ev i s i o nb a s e df l o t a t i o np r o c e s sm o n i t o r i n g ， r e s e a r c h i n gt h ep r o p e rf r o t hi m a g ep r o c e s s i n gm e t h o d sa n de x t r a c t i n gt h e e f f e c t i v eb u b b l ef e a t u r e sc l o s e l yr e l a t e dt ot h ep r o d u c t i o nc o n d i t i o no ft h e f l o t a t i o np r o c e s sa r et h ep r e r e q u i s i t e sf o rs u b s e q u e n tf l o t a t i o np r o c e s s m o d e l i n ga n do p t i m i z a t i o nc o n t r 0 1 ．F r o t hi m a g e t e x t u r es t a t ei so n eo ft h e m o s ti m p o r t a n tv i s u a lc h a r a c t e r i s t i c s ，S Ot w od i f f e r e n tc a t e g o r i e so ff r o t h i m a g e t e x t u r ef e a t u r ee x t r a c t i o nm e t h o d si ns p a t i a la n df r e q u e n c yd o m a i n r e s p e c t i v e l y f o rt h eb a u x i t ea r es t u d i e di nt h i s p a p e r ．B e s i d e s ，t h e r e l a t i o n s h i p b e t w e e nt h ee x t r a c t e df e a t u r ep a r a m e t e r sa n df l o t a t i o n p e r f o r m a n c ep a r a m e t e r si sd i s c u s s e d ，a n dt h ec l a s s i f i c a t i o no ff l o t a t i o n f r o t hc o n d i t i o n si sa l s or e s e a r c h e d ，w h i c hl a yaf o u n d a t i o nf o rt h e o p t i m i z i n gc o n t r o l o ft h ef l o t a t i o n p r o c e s s b a s e do n d i g i t a li m a g e p r o c e s s i n g ． F i r s t l y , af r o t hi m a g et e x t u r ee x t r a c t i o nm e t h o di ns p a t i a ld o m a i n b a s e do nC C H Si sp r o p o s e dt os o l v et h ep r o b l e mo fl a r g ea m o u n to f c a l c u l a t i o na n dl o wa c c u r a c yo ft h ee x t r a c t i o nm e t h o db a s e do nC C M ．I n t h i sm e t h o d ，f r o t hi m a g es p a c ei sf i r s t l yc o n v e r t e df r o mR G Bt oH S Ii n w h i c he a c hc o l o rc o m p o n e n ti sq u a n t i z e d ，t h e nt h ec o l o rC O o c c u r r e n c e m a t r i xi sc a l c u l a t e da n df r o t hi m a g et e x t u r ef e a t u r e sa r ee x t r a c t e df r o m t h en o r m a l i z e dt r i a n g l em a t r i xu s i n gC C H Sa l g o r i t h m ．T h er e l a t i o n s h i p s b e t w e e nc o n c e n t r a t eg r a d ea n db o t hs t a t i s t i c a l e n t r o p ya n dt e x t u r e c o m p l e x i t ya r ea n a l y z e d ．T h ee x p e r i m e n t a lr e s u l t ss h o wt h a ti tC a nm o r e a c c u r a t e l yr e g u l a t e a n dc o n t r o lt h ec o n c e n t r a t eg r a d ea n dg u i d et h e f l o t a t i o no p e r a t i o n ． T h e n ，a ni m p r o v e df o r t hi m a g et e x t u r ef e a t u r ee x t r a c t i o nm e t h o di n f r e q u e n c yd o m a i nb a s e do nG a b o rw a v e l e tt r a n s f o r m a t i o ni sp r o p o s e d a i m i n ga tt h ec o m p l e xf l o t a t i o nf r o t hi m a g et e x t u r ea n dr o b u s t n e s so f l i g h tt r a n s f o r m a t i o nc a u s e db yt h ec o m p l e xa n dc h a n g e a b l ec o n d i t i o ni n t h ef l o t a t i o nf i e l d ．I nt h i sm e t h o d ，f e a t u r e sv e c t o ro fe a c ha n g l ea f t e rt h e I I I G a b o rw a v e l e tt r a n s f o r m a t i o ni Sf i r s t l ym u l t i p l i e db yaG a u s s i a nw i n d o w , a n dac i r c u l a rs h i f ti Sa p p l i e do ni tt os h i f tt h em a x i m u mv a l u et ob et h e f i r s te l e m e n t ，t h e nac i r c u l a rs h i f ti Sa p p l i e do nt h ef e a t u r e sv e c t o rt os h i f t t h em a x i m u mv a l u et ob et h ef i r s te l e m e n to fe a c hs c a l e ，w h i c hm a k e s i l l u m i n a t i o nc h a n g er o b u s t n e s sa n dS Oo n ．A f t e rt h a t ．t e x t u r ef e a t u r e sa re e x t r a c t e df o r mt h eG a b o rw a v e l e tt r a n s f o r m a t i o na f t e rs c a l ea n dr o t a t i o n i n v a r i a n t ，w h i c hi St h e nu s e di nc l a s s i f i c a t i o no ff r o t hi m a g e sb a s e do n S V M ．T h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h es c a l ea n dr o t a t i o ni n v a r i a n t f r o t h i m a g e t e x t u r ef e a t u r ee x t r a c t i o nb a s e do nG a b o rw a v e l e t t r a n s f o r m a t i o nc a na c h i e v ea c c u r a t ec l a s s i f i c a t i o no ff r o t hi m a g e s ．t h u s C a n p r o p e r l y c o n t r o lt h ef l o t a t i o n c o n d i t i o n s ．F i g u r e s 35 ，t a b l e s 8 ， r e f e r e n c e s 6 8 ． K e y w o r d s f l o t a t i o n ；c o l o rC O - o c c u r r e n c eh y b r i ds t r u c t u r e ；t e x t u r ef e a t u r e e x t r a c t i o n ；G a b o rw a v e l e tt r a n s f o r m a t i o n ；s u p p o r tv e c t o rm a c h i n e ． C l a s s i f i c a t i o n T P 3 91 I V 目录 原创性声明⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．I 摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯I I 目录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．V 1 绪{ 仑⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．1 1 ．1 课题研究背景及意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．1 1 ．2 图像纹理特征提取现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．2 1 ．2 ．1 纹理的定义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．3 1 ．2 ．2 纹理特征提取技术研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．4 1 ．3 浮选泡沫图像纹理特征提取现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．6 1 ．3 ．1 浮选泡沫图像的表面纹理分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一6 1 ．3 ．2 浮选泡沫图像的纹理特征提取技术研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．7 1 ．4 论文的结构安排及主要研究内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．9 2 基于数字图像处理的浮选泡沫图像处理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1l 2 ．1 浮选泡沫图像分析流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11 2 ．1 ．1 浮选工艺与浮选泡沫特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 1 2 ．1 ．2 基于数字图像处理的浮选泡沫分析流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 3 2 ．2 数字图像的结构原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 4 2 ．2 ．1 数字图像的表示⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 4 2 ．2 ．2 数字图像的颜色空间模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯15 2 ．3 浮选泡沫图像预处理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯18 2 ．3 ．1 图像灰度化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯18 2 ．3 ．2 图像去噪⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 0 2 ．4 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 2 3 基于颜色共生混合结构 C C H S 的泡沫图像纹理特征提取⋯⋯⋯⋯⋯⋯⋯⋯一2 3 3 ．1 灰度共生矩阵与颜色共生矩阵⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 3 3 ．1 ．1 灰度共生矩阵原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 3 3 ．1 ．2 颜色共生矩阵原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 4 3 ．2 基于共生矩阵的纹理特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 5 3 ．3 基于C C H S 的泡沫图像纹理特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。2 7 3 ．3 ．1 算法步骤⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 7 3 ．3 ．2 基于C C H S 的泡沫图像纹理特征提取算法的优势⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯31 3 ．4 实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯31 V 3 ．4 ．1 基于C C M 与C C H S 纹理特征提取对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．3l 3 ．4 ．2 基于C C H S 的泡沫图像纹理特征与矿物品位的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯3 3 3 ．5 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．3 4 4 基于改进的G a b o r 小波变换泡沫图像纹理特征提取及分类⋯⋯⋯⋯⋯⋯⋯⋯3 5 4 ．1G a b o r 小波变换⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．3 5 4 ．1 ．12 DG a b o r 函数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．3 5 4 ．1 ．2G a b o r 小波函数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．3 6 4 ．1 ．3G a b o r 滤波器组⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．3 8 4 ．2 支持向量机 S V M ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 1 4 ．3 基于改进的G a b o r 小波变换纹理特征提取及分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 4 4 ．3 ．1 基于改进的G a b o r 小波变换的泡沫图像纹理特征提取⋯⋯⋯⋯⋯⋯⋯⋯4 4 4 ．3 ．2 基于改进的G a b o r 小波变换纹理的泡沫图像分类实验⋯⋯⋯⋯⋯⋯⋯⋯4 8 4 ．3 ．3 实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯5 0 4 ．4 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯5 2 5 总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．5 3 5 ．1 研究工作的总结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯5 3 5 ．2 后续工作的展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯5 3 参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．5 5 攻读学位期间主要的研究成果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．6 0 致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．6 1 V I 中南大学硕士学位论文 1 绪论 1 绪论 作为一个地大物博的国家，我国的矿产资源十分丰富，据统计，我国有9 5 ％ 以上的能源材料、7 0 ％的农业生产材料和8 5 ％以上的工业原料取自于矿产资源。 但是矿产资源是有限的、不可再生的，所以，要充分利用有限的矿产资源，从中 提炼出更多有用的有色金属为我国的工业、农业等领域所用，从矿产资源中提炼 出有用的有色金属的过程称为选矿。 1 ．1 课题研究背景及意义 中国资源的特点是种类多、资源总量丰富，富矿少、贫矿多、共生矿多、选 矿难度大，所以如何提高选矿的效率将是一个亟待解决的大问题，解决好这个问 题将对我国的国民经济有很大影响【l - 3 】。现有的选矿方法主要有物理选矿和化学 选矿两大类，像磁选法、形状选矿法和粒度选矿法等都属于物理选矿方法，最常 用的选矿方法是泡沫浮选法，它是一种化学选矿方法，此外，化学选矿方法还包 括浸出法和焙烧法。泡沫浮选法用途广泛，大部分有色金属如如铜、硫、铅等都 是用该方法进行选矿的，另外某些黑色金属、稀有金属和其它如石墨矿、磷灰石 等非金属矿石也用泡沫浮选法选取【4 】。但是，目前的浮选过程的主要还是靠有经 验的操作人员进行过程监控，虽然也将机器视觉、计算机技术等先进新技术引入 浮选过程中，但总体来说，自动化水平依然比较低，且浮选过程的优化控制技术 将直接影响有限资源的利用率，虽然已有大量学者对浮选过程进行了研究，但得 到的效果都不尽满意，如何准确地提取浮选过程泡沫图像的特征参数以及如何对 其进行优化控制仍是一个亟待解决的学术难题【5 】。 浮选是利用矿物表面物理化学性质的差异，在气、液、固三相体系中完成的 复杂的物理化学过程，基实质是疏水的目的矿物粘附在气泡上形成精矿泡沫层， 亲水性矿粒停留在水中，最后随矿浆流排出形成尾矿，从而实现目的矿物和非目 的矿物分离的选矿方法【6 】。几乎所有的矿物都可以采用浮选法从矿石中分离出 来，同时可加工处理二次资源及非矿物资源。浮选随着矿产资源越来越贫乏，有 用矿物在矿石中的分布也越来越细和越杂，成为目前应用最广泛的选矿方法。 浮选过程作为一种强非线性、强耦合性、大滞后的多输入多输出的连续复杂 工业过程，存在大量不确定信息和多样化的海量数据，使得传统控制方法和现代 控制理论无能为力阴。其生产过程涉及到许多变量，具有严重的非线性，测试设 备有大迟延等问题，很难建立精确的反映浮选状态的数学模型，它的监控一直是 困扰控制技术人员的难题。目前，铝土矿浮选过程控制多停留在人工控制阶段， 浮选过程的关键工艺参数指标 如磨矿粒度、精矿品位、尾矿品位等 靠离线化 中南大学硕士学位论文 1 绪论 验，现场是由有经验的浮选操作者观察浮选槽矿浆泡沫层所形成的气泡，来调整 浮选槽液位和改变药剂制度，以确保或改善工艺指标。这种人工观察浮选泡沫的 方法有其空间、时间和主观性的局限，并且无法和现代的计算机控制系统有机地 结合起来，实现在线优化控制。因而，常造成生产成本高、生产周期长，对资源 的浪费增加；而且，要想保持最佳泡沫状态，调整试剂，满足浮选技术要求，对 于一个新手而言，需要花费几年时间学习如何“读懂“ 泡沫，这必然导致无形费 用的提高，降低企业的竞争力。实际操作经验表明浮选泡沫的表面特征参数与浮 选生产状况和经济指标有密切关系，所以快速、准确地测量浮选泡沫特征参数就 显得尤其重要。 在过去的二十年中，图像处理技术得益于电子技术和计算机多媒体技术的高 速发展，广泛地应用到卫星侦察、巡航导弹、医疗设备、理化仪器、农产预估、 智能机器人等领域。在这样的技术背景下，浮选泡沫图像的计算机处理已经成为 可能，现在的P C 机功能已与二十年前的大型机相媲美，随着市场推出中低价位 工业用C C D 摄像头使浮选泡沫图像处理系统的硬件价格已能被企业所接受。加 上图像处理技术的理论日臻成熟，借助于各种软件平台和数学运算软件，开发图 像处理各专业自己的各种算法已不很困难。 随着电子和计算机技术的高速发展，一些发达国家已将图像处理、模式识别 及科学计算可视化技术广泛应用与选矿领域，并取得了一些进展，如加拿大渥太 华的矿物能源技术中心使用图像分析系统对细晶岩矿石的研究，英国N o t i n g h a m 大学矿物资源工程系的以图象分析为手段的浮选过程在线控制系统的可行性研 究等。但这些应用都是针对铜、锌等重金属的浮选过程，对于轻金属的浮选过程 并未有大量的研究和报道。应用图像分析技术检测浮选泡沫特征参数比检测其它 参数 例如X ．荧光分析仪检测金属品位 速度快，这样有利于克服浮选控制系统惯 性大带来的问题并有可能建立数学模型来预测浮选泡沫层精矿品位。 由于现场铝土矿浮选泡沫状态可以反映浮选状态，且与工业浮选过程有着密 切关系，因此针对铝土矿浮选中的问题，利用数字图像处理技术对浮选泡沫图像 进行分析处理，研究能够提取出表示泡沫层特征的有效参数图像处理方法，结合 工艺指标，寻找参数间相关性，为指导进一步的研究和开发浮选泡沫系统奠定基 础。以此优化浮选生产过程，最大限度利用铝土矿产资源，降低生产消耗，并对 提高铝土矿选矿自动化的具有重要意义【8 】。 1 ．2 图像纹理特征提取现状 顾名思义，纹理是指图像表面呈现凹凸不平或者有一定规律的沟纹，它是图 像的一个重要的视觉信息，几乎每幅图像都存在其独特的纹理，也是这种差异构 中南大学硕士学位论文1 绪论 成了各个不同的图像，使得周围世界变得丰富多彩【9 】。虽然纹理无处不在，但对 于纹理的描述却是极其困难的，纹理分析一直在计算机视觉、图像分析与图像处 理等领域是一个重要的范畴，而且随着计算机视觉技术的发展，以纹理为基础的 研究和应用也受到了越来越多的关注，包括纹理分类、纹理恢复和纹理合成等研 究领域都是基于纹理特征提取的，纹理分析不仅是数字图像处理研究领域的热 点，同时也是一个难点【l o 】。 1 ．2 ．1 纹理的定义 虽然纹理己得到广泛的关注与研究，但一直到如今，对于纹理的定义却没有 一个统一的规定，纹理的定义问题一直是大家关注却依然没有得到圆满解决的问 题，如前所述纹理类别各种各样，不同图像就有不同的纹理，这也是导致纹理不 好定义的原因。但是根据长久的研究，现如今研究学者们广泛采用以下几个具有 代表性的纹理的定义 定义1 1 1 1 1 纹理具有下述三大标志纹理区域内大致为均匀的统一体、纹理 排列非均匀以及某种局部序列性不断重复。 定义2 [ 1 2 - 1 3 ] 纹理是一种视觉特征，反映图像中的同质现象并体现了物体表 面共有的内在属性，包含了物体表面结构组织排列的重要信息以及它们与周围环 境的联系。 定义3 【4 】纹理是一种反映像素的空间分布属性的图像特征，通常表现为局 部不规则而宏观有规律的特性。 定义4 [ 1 5 ] 纹理被定义为一个区域属性，在区域内的成分不能进行枚举，且 成分之间的相互关系不十分明确的概念。 定义5 【1 6 】纹理就是指在图像中反复出现的局部模式以及它们的排列规则。 定义6 1 1 7 1 纹理表现为图像区域的局域统计特征或其它一些图像的局域属性 的缓慢变化或呈近似周期性的变化。 上述关于纹理的定义分别从不同的角度对纹理进行描述，由于纹理种类的多 种多样，那么对纹理进行描述或者研究时就需要有不同的倾重点或需要从不同的 角度来认识纹理。定义1 简单明了地讲了纹理的三个特征，通过这个定义反映了 纹理的三个特征；定义2 从人类用视觉对物体的感知的角度以及物质的组成来对 纹理进行描述，更多地体现了其表面视觉特征；定义3 和定义4 分别是从空间分 布属性来描述纹理，定义3 强调局部不规则而宏观有规律，定义4 则强调纹理的 不明确性；定义5 是通过纹理基元的局部模式的数量以及类型还有它们的排列关 系来描述纹理；定义6 与定义5 有一定的相似性，但定义6 从统计的角度来观察 它的特性以及变化关系，局部属性的集合可以理解为一些基元的类型以及基元与 基元之间的空间关系，在这个定义中，很重要的一点是这里所说的局部属性必须 中南大学硕士学位论文l 绪论 在这个恒定的纹理区域中多次出现。 不管是纹理的哪种定义，总体都强调了纹理的规律性、重复性和随机性等一 些共用的特性。总之，不同的纹理定义是从不同角度对纹理进行描述的，是基于 不同的应用背影的，但它们却具共同的特点，即1 ．与图像的其它特征如灰度或 颜色等特征不相同的是，纹理特征是通过像素以及像素与像素之间的空间分布来 进行描述的，即局部纹理信息；2 ．纹理的局部信息是不规律的，但局部纹理信息 之间却具有不同程序的相似性，表现为全局纹理上的规律性与重复性。纹理的定 义具有非常重要的理论意义，是对图像进行纹理分析的基础，对图像进行不同纹 理分析算法进行纹理分析时采用何种纹理定义很重要，因些，如何更好更全面地 对纹理进行定义和对纹理的本质属性进行更深刻的描述都有待更加深入的探索 和研究。 1 ．2 ．2 纹理特征提取技术研究现状 在1 ．2 ．1 节中主要介绍了纹理的定义，在不同的背影下对纹理的定义也是不一 样的，在本节中将主要纹理特征的提取技术进行介绍。对图像的纹理特征进行提 取已经经过了很多年、许多学者的研究了，产生了许多纹理特征提取的方法，学 者们对纹理特征的提取方法进行了一下分类，最早的关于纹理特征提取方法的是 分为两类即统计法和结构法，这是H a r a l i c k 在1 9 7 9 最先提出来的一个分类方法， 并且在文献f 1 3 1 中H a r a l i c k 等人提出了用灰度共生矩阵的方法提取图像的纹理特 征。到了1 9 9 1 年，R e e d 【1 8 】提出了新的纹理特征提取的分类方法，即将纹理特征 的提取方法分为三类，分别是基于模型、基于特征和基于结构的纹理特征提取 方法。1 9 9 3 年时，在文献[ 1 6 】中，T u c e r y a n 和J a i n 又对纹理的分类方法更行了更为 详细的分类，即分为5 类，分别是基于模型的方法、基于信号处理的方法、几 何方法、统计方法和结构方法，在此时关于纹理特征提取的方法已经基本成形了， 一些基本的比较经典的方法都已经存在了，但是方法的效果并不是太成熟。现在 用的比较多的对于纹理特征提取的方法分类就是T u c e r y a n 和J a i n 提出来的分类方 法，不过现在一般采取将其分为四类，即基于统计家族的纹理特征提取方法、基 于模型家族的纹理特征提取方法、基于信号处理家族的纹理特征提取方法和基于 结构家族的纹理特征提取方法。下面分别从这四种分类中对纹理特征提取方法进 行一下概述。 1 ．基于统计家族的纹理特征提取方法 统计法【1 9 】，顾名思义是对纹理进行统计数据分析，基于统计的方法主要分为 两大类，矩阵方法和其他方法。其中矩阵方法包括灰度共生矩阵法 G r e yL e v e l C o ．o c c u r r e n c eM a t r i c e s ，G L C M 、灰度行程统计法、灰度差分统计法、交叉对角 矩阵法和灰度梯度统计法等，其他还有一些统计方法诸如局部灰度统计、自相 4 中南大学硕士学位论文 1 绪论 关函数法、半方差图法和纹理谱统计等。大部分基于统计的方法都是由J u l e s z 发 现的[ 2 0 - 2 1 ] ，基于统计的方法中使用的统计特征包括一阶统计量、二阶统计量以及 高阶统计量等。一种典型的统计方法是基于称为灰度共生矩阵的纹理特征分析方 法瞄】，另一种典型方法则是从图像的自相关函数 A u t o e o r r e l a t i o n 提取纹理特征 【2 3 】，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。 2 ．基于模型家族的纹理特征提取方法 用模型法分析模型时首先是假设纹理按某种模型分布，从而再用该模型对纹 理进行分析，常用的用于纹理分析的模型分为以下两类随机场模型和其他模型。 其中随机场模型主要包括马尔可夫随机场 M R F 模型法[ 2 4 1 、G i b b s 随机场模型 法[ 2 5 1 、W ．o l d 模型【2 6 】、分形 F r a c t a i 模型【2 7 】等，还有些其它模型诸如分形模型、 复杂网络模型和马赛克模型等。用模型法提取图像的纹理特征的关键是如何根据 不同的纹理选择不同的模型以及选择模型的参数，但该方法的缺点是计算量大， 且由于纹理复杂，无法用某一单一的模型对其进行准确地描述。 3 ．基于结构家族的纹理特征提取方法 结构法【2 8 】是建立在纹理基元理论基础上的一种纹理特征分析方法。纹理基元 理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排 列构成。由于基于结构家族的纹理特征提取方法强调纹理的规律性，不太适合分 析没有规律的纹理，比较适合分析人造纹理，但实际存在的自然界的纹理大多数 是没有规律性，这就导致了基于结构家族的纹理特征提取方法的局限性，从而使 得对其的研究也没有其它方法那么深入。 4 ．基于信号处理家族的纹理特征提取方法 基于信号处理家族的纹理特征提取方法也可称为滤波的方法，首先需要通过一定 的变换将图像从空间域转换到其它的变换域，即首先对图像进行滤波，使其进行 到变换域，得到其初如特征，再在初始特征上计算其方差或其它统计特征即为信 号的纹理特征【z 9 】。基于信号处理家族的纹理特征提取方法主要分为以下类，即一 般图像变换方法、小波变换方法和其它变换方法。其中一般图像变换方法要有 R a d o n 变换、环形和楔形滤波、离散余弦变换、局部傅立叶变换、局部沃尔什变 换和哈达马变换等，小波变换方法主要包括G a b o r 小波变换、二进制小波、多 进制小波、塔形小波分解、脊型小波分解和曲波分解等，其它变换方法则主要有 L a w s 纹理测量、特征滤波器、正交镜像滤波和优化F I R 滤波器等。在上述方法 中应用的比较多的是傅立叶变换方法[ 3 0 1 、G a b o r 变换方法【3 1 】和小波变换方法【3 2 】 危占 守o 上述对图像纹理特征提取方法的描述是基于T u c e r y a n 和J a i n 对图像纹理特征 的分类来进行叙述的，另外由于对于数字图像的处理可以分是在空间域或频域进 中南大学硕士学位论文 1 绪论 行的，所以