[发明专利]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

说明书

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法。

背景技术

随着计算机技术的快速发展，计算机视觉已经广泛应用到矿物泡沫浮选的过程监控与优化控制中。纹理作为浮选泡沫表面关键视觉不仅可直接反映浮选生产过程工况，还可以作为生产工艺指标的直接指示器，是基于计算机视觉对浮选工况进行预测控制的重要依据。因此，准确的刻画泡沫图像的纹理特征，指导浮选过程的优化控制，对降低企业生产成本提高经济效益有着非常重要的作用。

纹理由许多相互接近的，相互编制的元素构成的，具有一定的周期性，是描述物体特征的一个重要指标，广泛应用于模式识别中辨识物体表面的区域性特征。浮选泡沫表面纹理也常作为图像特征的描述指标及分类依据，它描述了泡沫表面粗糙度，随着浮选状态的不同呈现出不同的纹理状态，通过特定的方法对其进行纹理特征的提取，得到的纹理特征描述指标能够反映浮选工业生产状态或者浮选性能，对浮选泡沫图像纹理特征进行研究可以指导浮选的优化操作。由于泡沫纹理的表现出来的微观异构性、复杂性以及其概念的不明确性，近年来虽然研究者提出了许多纹理特征提取的方法，如灰度共生矩阵法，小波变换法，模糊纹理谱法等，但这些方法在准确性、实时性、鲁棒性方面都存在一些难以克服的缺点，因此找到一种有效的纹理特征提取方法成为计算机视觉领域迫切需要解决的问题。

复杂网络是对复杂系统的抽象和描述方式，复杂网络理论是分析复杂系统最有效的方法。通过对复杂网络的研究，人们可以对模糊世界进行量化和预测。同时在对复杂网络研究的过程中，产生大量的实际可用的模型，而且这些模型已经在实际的生产和组织结构中进行了大量的应用，取得了大量的实际成果。数字图像也是一个复杂系统，将复杂网络理论应用到图像处理过程中，利用复杂网络在分析复杂系统中的优势，研究基于复杂网络的纹理特征分析方法，对于浮选过程的优化控制有着重要的意义。

发明内容

本发明提出了一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，本发明能够准确地刻画各种浮选工况状态下泡沫图像的纹理特征并基于纹理特征识别实时浮选工况，计算简单，准确率高，实时性好。

本发明提出了一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，所述方法包括以下步骤：

步骤1：获取矿物泡沫浮选不同工况下的泡沫图像样本，在浮选过程初期，浮选泡沫尺寸较小，矿化程度高，含泥多；浮选过程中期的泡沫尺寸均匀适中且富集大量有价矿物，是浮选过程最理想的工况；在浮选过程后期，泡沫尺寸变大，表面负荷有价矿物大量减少。同时为了提高识别精度，不同工况下的泡沫图像样本的数量不少于50幅图像。

步骤2：对训练图像样本和测试图像样本进行预处理，包括图像灰度化，图像增强和图像滤波；

步骤3：采用分水岭分割算法对预处理后的泡沫图像样本进行分割，统计分割得到各个泡沫的尺寸，根据整幅图像中泡沫尺寸均值确定Minkowski距离公式的参数p的取值，其中x_i代表样本x的第i个特征，p为Minkowski距离参数；

步骤4：基于Minkowski距离和复杂网络建模方法建立矿物泡沫图像的复杂网络模型，计算该复杂网络的能量和熵，作为泡沫图像纹理描述指标；

步骤5：利用步骤4得到的泡沫图像纹理描述指标作为图像样本的特征向量，使用训练图像样本的特征向量训练线性判别式分类器，使用训练得到的线性判别式分类器对测试图像样本进行分类，识别实时浮选工况。

步骤2中预处理步骤为：