[发明专利]一种爆堆矿岩颗粒图像分割方法

说明书

本发明涉及一种爆堆矿岩颗粒图像分割方法；包括：S1将待分割的爆堆矿岩颗粒图像输入至预先训练的第一卷积神经网络模型，获取第一概率图及第一轮廓图；S2利用闭合轮廓的周长和面积修正第一概率图获取第一修正概率图；S3将第一修正概率图输入至预先训练的第二卷积神经网络模型，获取第二概率图及第二轮廓图；S4借助第二卷积神经网络获取第n+1概率图，直至第n+1轮廓图中所有轮廓总面积与第一概率图的分辨率比值大于等于1；S5将第n轮廓图和第n+1轮廓图相加作为分割图；本发明方法采用深度学习的卷积网络提取轮廓，连续性较好且杂点少，对粘连矿岩颗粒的边缘实现了准确分割，避免了复杂参数的调整，分割精度高具有较佳的实用性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种爆堆矿岩颗粒图像分割方法。

背景技术

爆堆矿岩的块度尺寸不仅是验证爆破工艺的主要指标，也是影响着矿山的生产效率，作业成本，甚至是生产安全，因此实现爆堆矿岩颗粒图像的实时和准确分割对矿山的生产有着重要意义。然而由于爆堆矿岩分布状况复杂，形状不规则，堆积矿岩相互遮挡现象严重，为矿岩颗粒图像的分割带来了巨大的困难，同时传统的分析技术由于精度低、工作量大和局限性强等问题，也不适用于矿岩颗粒图像的分割；

目前矿岩颗粒图像主要采用OTSU、聚类分析、分水岭及其改进方法，以及基于图像的分割算法等，此类算法可以对特定的矿岩颗粒图像进行分割，但局限性强，需要精确的参数调整；此外，以上算法还存在以下缺点(1)容易将低灰度值的矿岩颗粒错误的判定位背景，矿岩颗粒粘连严重，容易造成前分割；(2)轮廓提取的方法会出现边缘断裂的现象，而且会提取出错误的矿岩表面纹理，造成分割效果欠佳；(3)能够在一定程度上提出矿岩颗粒的边缘信息，然而对暗区的矿岩颗粒分割效果差，欠分割状况严重，分割效果图中存在大量孤立噪声点。

发明内容

(一)要解决的技术问题

针对现有的图像分割技术存在的矿岩颗粒粘连严重、轮廓提取不准确、分割效果较差且参数调整复杂的问题，本发明提供一种爆堆矿岩颗粒图像分割方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

S1、针对待分割的爆堆矿岩颗粒图像进行预处理，并输入至预先训练的第一卷积神经网络模型，获取第一概率图，并根据所述第一概率图生成第一轮廓图；

S2、获取第一轮廓图中每一闭合轮廓的周长和面积，利用每一闭合轮廓的周长和面积修正第一概率图获取第一修正概率图；

S3、将所述第一修正概率图输入至预先训练的第二卷积神经网络模型，获取第二概率图，并根据所述第二概率图生成第二轮廓图，将第二轮廓图作为第n轮廓图，其中，n是大于等于2的正整数；

S4、利用第n轮廓图修正第一概率图，获取第n修正概率图，并将第n修正概率图输入至预先训练的第二卷积神经网络，获取第n+1概率图，根据第n+1概率图生成第n+1轮廓图，判断第n+1轮廓图中所有轮廓总面积sum与第一概率图的分辨率比值是否大于等于1；

若否，则借助所述第二卷积神经网络获取第n+1概率图，直至第n+1轮廓图中所有轮廓总面积sum与第一概率图的分辨率比值大于等于1；

S5、若是，则将第n轮廓图和第n+1轮廓图进行像素相加作为分割图。

可选地，在步骤S1前还包括：

A1、构建第一卷积神经网络和第二卷积神经网络；

A2、针对采集的多张矿岩颗粒图像进行预处理，制作第一训练样本集和人工分割图，将第一训练样本集和人工分割图分别作为第一卷积神经网络的输入和输出，获取预先训练的第一卷积神经网络模型；

A3、将所述采集的多张矿岩颗粒图像输入至预先训练的第一卷积神经网络模型，获取多张输出的概率图；