[发明专利]基于矿物浮选泡沫图像的分类方法

权利要求书

1.一种基于矿物浮选泡沫图像的分类方法，其特征在于包括如下过程：

(1)生成基于纹理特征和颜色特征的浮选泡沫图像泡沫状态词汇表

利用灰度共生矩阵算法提取泡沫图像的纹理参数，包括角二阶矩、熵、对比度、逆差矩和相关性；提取泡沫图像的颜色特征，即相对红色分量:

灰度共生矩阵是由图像灰度级之间的联合概率密度P（i,j,d,θ）所构成的矩阵，它定义方向为θ、间距为d的灰度共生矩阵P（i,j,d,θ）为共生矩阵的第i行i列元素的值，θ取0⁰，45⁰，90⁰和135⁰ 4个方向，设I(x,y)为一幅二维的数字图像，其大小为U×V像素，x,y分别为像素的像素坐标值，则对于不同的θ，P（i,j,d,θ）计算方法如下：

P(i,j,d,0°)=Num{(x₁,y₁)(x₂,y₂)∈U*V|x₁-x₂=0,

|y₁-y₂|=d;I(x₁,y₁)=i,I(x₂,y₂)=j}

P(i,j,d,45°)=Num{(x₁,y₁)(x₂,y₂)∈U*V|(x₁-x₂=d,y₁-y₂=d)或

(x₁-x₂=-d,y₁-y₂=-d);I(x₁,y₁)=i,I(x₂,y₂)=j}

P(i,j,d,90°)=Num{(x₁,y₁)(x₂,y₂)∈U*V|x₁-x₂=d,

y₁-y₂=0;I(x₁,y₁)=i,I(x₂,y₂)=j}

P(i,j,d,135°)=Num{(x₁,y₁)(x₂,y₂)∈U*V|(x₁-x₂=d,y₁-y₂=-d)或

(x₁-x₂=-d,y₁-y₂=d);I(x₁,y₁)=i,I(x₂,y₂)=j}

其中，Num{X}表示集合X中的元素个数； 

纹理、颜色参数计算公式及描述如下：

角二阶矩

ASM=Σi,j{P(i,j|d,θ)}2]]>

熵

IDM]]>

对比度

CON=Σ(i-j)2P(i,j|d,θ)]]>

逆差矩

IDM=Σi,jP(i,j|d,θ)/[1+(i-j)2]]]>

相关性

COR=Σi,j(i-μx)(j-μy)P(i,j|d,θ)/σxσy]]>

μx=ΣiiΣjp(i,j|d,θ)]]>，μy=ΣjjΣip(i,j|d,θ)]]>

σx=Σi(i-μx)2Σjp(i,j|d,θ)]]>，σy=Σj(j-μy)2Σip(i,j|d,θ)]]>

相对红色分量

Rrelative=RredRgray]]>

式中，R_red和R_gray分别代表红色分量均值和灰度均值；

泡沫图像泡沫状态词汇表生成过程如下：

步骤1：从图像库中选取N幅图像，N幅图像要尽可能广的覆盖所有图像类别，每幅图像都截取到某一相同的像素大小L_x×L_y；

步骤2：对于截取后的N幅图像，每幅图像均匀划分成m×m块，

步骤3：对于每一个分块，获取其纹理特征值和相对红色分量值，构成一个1×6维的底层特征向量描述；

步骤4：对所有的底层特征向量描述进行K-means聚类，得到的D个聚类中心即为泡沫状态词汇表；

（2）泡沫图像的词袋描述

在得到泡沫图像的泡沫状态词汇表后，就可以用词袋的方法对每一幅泡沫图像进行描述，得到图像的一个向量表示。

泡沫图像的词袋描述，具体过程如下：

步骤1：将图像像素截取为L_x×L_y的像素大小；

步骤2：将图像均匀划分成m×m块；

步骤3：对于每一个分块，获取其纹理特征和相对红色分量值，构成一个1×6维底层特征向量描述；

步骤4：通过计算该底层特征向量描述与泡沫状态词汇表中各个泡沫状态词汇的欧式距离，度量每一个分块的向量描述与泡沫状态词汇表中所有词汇的相似性，与哪一个泡沫状态词汇最相似，就将其标定为哪一个词汇；

步骤5：统计每个泡沫状态词汇出现频次，得到图像的词袋向量表示；

（3）利用向量空间模型进行泡沫图像分类

向量内积方法或K近邻方法对泡沫图像分类进行训练和分类，得到图像的不同类别。