[发明专利]一种用于浮选泡沫图像分类方法

说明书

本发明提供一种用于浮选泡沫图像分类方法，包括：步骤1、浮选泡沫图像特征提取和数据处理；步骤2、根据训练集Xsubgt;train/subgt;及其对应的标签集C计算每个特征的权重；步骤3、利用步骤2中的权值构造出贝叶斯分类器；步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。在贝叶斯网络基础上，公开了一种平均单一依赖估计器与特征加权相结合的贝叶斯分类改进算法，改进现有的平均单一依赖估计器算法，提高了分类的准确率和模型稳定性，从而解决平均单一依赖估计器算法将多有特征对结果贡献看成一致的问题。

技术领域

本发明涉及图像分类技术领域，特别涉及一种用于浮选泡沫图像分类方法。

背景技术

泡沫浮选是一种广泛用于金属矿物分选的方法，其利用矿物表面物理化学性质来筛选精矿和尾矿。多数选矿厂仍依靠有经验的浮选工人通过肉眼观察泡沫特征来调节浮选过程加药量，该人工控制方式存在主观随意性和滞后性，不能对泡沫特征进行量化描述，无法实现对加药量的优化控制，造成浮选工况波动大、浮选生产指标不合格、浮选药剂消耗量大、选矿成本高。利用图像处理技术来代替传统目视的方法，可以较为准确和客观的评价浮选工况，为浮选加药提供更精确的指导。一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法(申请号：201410527643)，利用浮选泡沫的纹理信息和线性判别分类器，实现浮选过程工况的监控。

贝叶斯网络具有对概率预测和事件相关性有较好的表达能力，分类效率稳定，是一种处理不确定性因素时知识表示的技术。基于合理的概率知识，变量关系以图形展示，提供结果与变量之间关系的解释性表示，被广泛应用在图像分类中。朴素贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，但是此假设在实际情况中通常是不成立的，进而影响分类准确率。平均单一依赖估计器(Aggregating One-DependenceEstimators,AODE)算法是一种放松朴素贝叶斯网络假设条件得到的一种贝叶斯方法，AODE将每个属性作为其他特征的父属性，并且将这些弱分类器集成起来。但AODE将所有的特征属性对分类的贡献程度看成是相等的，在处理一些实际问题时，这样会极大地限制它分类的正确率。

发明内容

为了解决背景技术提出的技术问题，本发明提供一种用于浮选泡沫图像分类方法，在贝叶斯网络基础上，公开了一种平均单一依赖估计器与特征加权相结合的贝叶斯分类改进算法，改进现有的平均单一依赖估计器算法，提高了分类的准确率和模型稳定性，从而解决平均单一依赖估计器算法将多有特征对结果贡献看成一致的问题。

为了达到上述目的，本发明采用以下技术方案实现：

一种用于浮选泡沫图像分类方法，包括如下步骤：

步骤1、浮选泡沫图像特征提取和数据处理；

步骤1.1、首先对浮选泡沫图像进行特征提取，包括图像的泡沫面积，泡沫周长，圆形度，不变矩，灰度平均值，灰度方差，熵，能量，差异性，均质性，对比度；组成数据集X及其对应的图像标签集C；

数据集X样本数量为m，特征个数为n，表示训练集中任意图像样本X_i(i∈m)，表示第i个样本的第j个特征；标签集C的大小为m×1，被分为v个类别{C₁，C₂，…，C_v}，v表示类别；

步骤1.2、对步骤1.1中所提取的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度：

其中和表示特征X^j中的最大值和最小值，k为该特征所要离散的份数；

然后，根据离散宽度重新计算特征值：