[发明专利]一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法

摘要

本发明公开了一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。通过实时采集矿物浮选槽的泡沫图像，提取浮选槽泡沫层图像的静态特征及动态特征，包括形态、颜色、纹理、速度、稳定度泡沫层视觉特征，构成泡沫层厚度的视觉特征向量。通过对泡沫层厚度视觉特征向量进行异常数据剔除和归一化数据处理，提高数据准确性，采用主成分分析法消除数据冗余、降低向量维数。以降维后的泡沫层视觉特征向量为输入，以泡沫层厚度值为输出，采用正则极限学习机建立泡沫层厚度软测量模型，实现泡沫层厚度的在线实时检测。本发明方法建立的模型有较高的预测精度和泛化性能，解决了浮选泡沫层厚度难以在线测量的问题，为矿物浮选生产过程工艺参数的在线检测提供了新思路。

主权项

一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，其特征在于，包含以下步骤：步骤1：获取各种浮选工况下的泡沫图像；步骤2：分别提取泡沫图像的三种静态特征：尺寸、颜色、纹理，提取两种动态特征：速度、稳定度，构建泡沫层厚度软测量的视觉特征向量；步骤3：对图像特征数据进行异常剔除和归一化处理，并采用主成分分析法消除数据间冗余，降低特征向量维数；步骤4：针对降维后的图像特征数据，采用正则极限学习机建立矿物浮选泡沫层厚度的软测量模型，实时预测泡沫层厚度；步骤2为：步骤a、使用分水岭分割方法对泡沫图像进行分割处理，统计分割后图像中泡沫的数目及每个泡沫的面积，计算该图像中的泡沫面积均值Size_m和面积方差Size_v作为浮选泡沫尺寸特征；步骤b、提取泡沫图像颜色特征，具体步骤为：将RGB颜色空间的泡沫图像转换到HSI颜色空间，转换过程采用的公式其中且R为原始图像的红色分量，G为绿色分量，B为蓝色分量，分别计算均值(H_m,S_m,I_m)作为泡沫图像的颜色特征；步骤c、提取泡沫图像纹理特征，具体步骤为：(1)利用步骤b的方法转换泡沫图像颜色空间到HSI空间；(2)建立以颜色为视觉特征的泡沫图像复杂网络模型，将一幅大小为M×M的泡沫图像建立一个由N＝M2个节点组成的复杂网络模型，复杂网络模型节点和图像像素点的映射关系如下式i=y+(x-1)Mx=round((i-1)/M)+1y=mod((i-1),M)+1,]]>其中i为复杂网路模型的第i个节点，(x，y)为与该节点对应的像素点在像素矩阵中的坐标，round()为取整函数，即该函数处理后的自然数仅保留其整数位；mod(m,n)为取余函数，其表达式为mod(m,n)＝m‑n×[m÷n]；(3)计算步骤(2)建立的复杂网络模型节点特征差异度，数学表达式为：dij=(xi-xj)2+(yi-yj)2+r2||vi→-vj→||2L2r2(xi-xj)2+(yi-yj)2≤r;1otherwise,]]>其中(xi,yi)为第i个节点对应的像素点坐标，刻画节点的空间特征；为第i个节点对应像素点的视觉特征向量，由像素点的H、S、I分量组成；||α||2为欧式范数，即该幅图像的H、S、I各颜色分量的最大值之和；r为搜索半径，r取值为4；(4)根据节点特征差异度及阈值函数，在步骤(2)特征差异度小于阈值节点间建立连边，阈值函数数学表达式为：wij=δT(dij)=1ifdij<tandi≠j0otherwise,]]>其中mean_vfeaturei是图像第i个特征的均值，max_vfeaturei是第i个特征的最大值，N是特征向量维数,wii为节点i和节点j的连边权重，wij＝1表示节点间存在连边，反之则无连边，由此建立泡沫图像的复杂网络模型，该模型使用邻接矩阵W描述其中wii为连边权重，N为节点个数；(5)提取泡沫图像的纹理特征，首先，计算步骤(4)建立的复杂网络节点度和度分布，复杂网络中节点i的度k(i)表示网络中与节点i相连的边的数目；复杂网络的度分布p(n)表示复杂网络中度为n的节点所占的比例，数学表达式为其中N为复杂网络节点总数，h(n)为复杂网络中度为n顶点的总数；然后，根据复杂网络的度分布计算能量Energy和熵Entropy作为图像的纹理特征，数学分别表达式为：步骤d、提取泡沫层动态特征，具体步骤为：(1)在相邻泡沫图像序列的第一帧内任意选取矩形区域作为匹配模板，在当前帧搜索最佳匹配位置，匹配准则为C(p,q)=Σi<IΣj<J[f(i,j)-f‾][g(i-p,j-q)-g‾]Σi<IΣj<J[f(i,j)-f‾]2Σi<IΣj<J[g(i,j)-g‾]2,]]>其中f(i,j)和g(i,j)分别表示模板图像和目标图像的子模块；和分别表示模板图像和目标图像的平均灰度值；I和J分别表示模板的尺寸；p和q表示位移量；(2)在当前帧中寻找使匹配准则取值最大的位置，即最佳匹配位置，利用最佳匹配位置与上一帧中模板位置之差，并根据相邻两帧图像的时间间隔，计算该时刻泡沫速度Velocity；(3)根据匹配模板在两帧图像中的不同位置，建立模板位移的关系，依据此关系，将后一帧图像整体变换到其前一时刻对应的位置，然后计算变换图像和前帧图像的差分，给出稳定度Stability，其公式表达式为：Stability=Σi<IΣj<Jfij(x)Lfij(x)=0|xij1-xij2|>t′1|xij1-xij2|≤t′,]]>其中xij1和xij2表示两帧图像在(I,j)像素点的灰度值；t'表示稳定度阈值，L表示图像像素点总数；步骤e，根据步骤a‑步骤d提取的泡沫层视觉特征及对应泡沫层厚度Thickness构造10维样本集Z:{(Size_mi,Size_vi,H_mi,S_mi,I_mi,Energyi,Entropyi,Velocityi,Stabilityi,Thicknessi)|1≤i≤N}，其中N为样本个数。