[发明专利]一种煤粉尘图像识别方法

权利要求书

1.一种煤粉尘图像识别方法，其特征在于，该方法包括以下步骤：

步骤一、采用基于多属性约简的模糊粗糙集对煤粉尘图像进行分割，具体过程为：

步骤101、模糊类别隶属度的确定：图像处理器将获取到的煤粉尘图像作为模糊粗糙集Y＝{y₁,y₂,…,y_n′}来处理，在模糊粗糙集Y＝{y₁,y₂,…,y_n′}中构造k′个聚类m₁,m₂,…,m_k′，并确定出y_i′对应于w_i′的模糊类别隶属度

其中，y_i′为煤粉尘图像中第i′个像素点的灰度值，i′＝1,2,…,n′，n′为像素点的个数，k′为非0的自然数，w_i′为模糊粗糙集的论域U内的像素；

步骤101中图像处理器确定出y_i′对应于w_i′的模糊类别隶属度的方法为：

当j′＝1时，

当j′＝k′时，

当j′＝2～(k′-1)时，

其中，y_min为Y中元素的最小值且y_min＝min{y₁,y₂,…,y_n′}，y_max为Y中元素的最大值且y_max＝max{y₁,y₂,…,y_n′}，j′＝1,2,…,k′；

步骤102、确定模糊粗糙集Y的模糊属性约简，得到去除了冗余属性 的煤粉尘图像，具体过程为：

步骤1021、图像处理器将煤粉尘图像的图像灰度特征空间中多个图像灰度特征看作多个条件属性，根据公式求取条件属性A_r′对应的模糊依赖度γ_Y(A_r′)，其中，POS_Y(A_r′)为条件属性A_r′对应的模糊粗糙集Y的正域，且为y_i′对应于POS_Y(A_r′)的模糊类别隶属度且

其中，r′＝1,2,…,N′，N′为煤粉尘图像的图像灰度特征空间中条件属性的总个数；j′＝1,2,…,k′；

步骤1022、比较煤粉尘图像的图像灰度特征空间中N′个条件属性对应的模糊依赖度，从{A₁,A₂,…,A_N′}中选择一个具有最大模糊依赖度的条件属性作为第一个模糊属性约简的候选属性，并将选出的第一个模糊属性约简的候选属性定义为A′₁；

步骤1023、选择第2～λ′个模糊属性约简的候选属性，并将选择出的第1～λ′个模糊属性约简的候选属性定义为模糊属性约简的候选属性集B＝{A′₁,A′₂,…, A′_q′}；其中，第q′个模糊属性约简的候选属性的选择方法为：除去已选出的q′-1个模糊属性约简的候选属性后，在其余的条件属性中选择一个具有最大模糊依赖度的条件属性作为模糊属性约简的候选属性，并将选出的候选属性定义为A′_q′，q′的取值为2～λ′；

步骤1024、判断是否存在A_v(q′<v<N′)，满足A_v对应模糊依赖度大于各个模糊属性约简的候选属性对应的模糊依赖度，当存在A_v时，将B′＝{A′₁,A′₂,…,A′_q′,A_v}确定为模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像；否则，当不存在A_v时，将B＝{A′₁,A′₂,…,A′_q′}确定为模糊 粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像；

步骤103、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值，具体过程为：

步骤1031、设定循环总次数C′和用于存储数据的数据位总数S；其中，C′和S均为自然数且C′>S；

步骤1032、设定进行煤粉尘图像分割的分割阈值s为 并比较煤粉尘图像中每一个像素的灰度值与分割阈值s；取rand′()为均匀分布在(0，1)上的C′个随机数，每取一个随机数，记录循环次数h′并比较循环次数h′与用于存储数据的数据位总数S，当h′<C′且h′≤S时，循环执行步骤1033～步骤1036以及步骤1037；否则，当h′<C′且h′>S时，循环执行步骤1033～步骤1036以及步骤1038；直到h′＝C′后停止循环；其中，y_max为Y中元素的最大值且y_max＝max{y₁,y₂,…,y_n′}，y_min为Y中元素的最小值且y_min＝min{y₁,y₂,…,y_n′}；

步骤1033、图像处理器对去除了冗余属性的煤粉尘图像进行目标区域的模糊下近似和模糊上近似，以及背景区域的模糊下近似和模糊上近似，分别表示为：

目标区域的模糊下近似：

目标区域的模糊上近似：

背景区域的模糊下近似：

背景区域的模糊上近似：

步骤1034、当煤粉尘图像中每一个像素的灰度值均大于分割阈值s时，目标区域的模糊下近似R_oX加1；当煤粉尘图像中部分像素的灰度值大于分割阈值s时，目标区域的模糊上近似加1；

步骤1035、当煤粉尘图像中每一个像素的灰度值均小于等于分割阈值s时，背景区域的模糊下近似R_BX加1；当煤粉尘图像中部分像素的灰度值小于等于分割阈值s时，背景区域的模糊上近似加1；

步骤1036、根据公式计算煤粉尘图像的信息熵Entr(Y)；

步骤1037、将步骤1036中计算得到的煤粉尘图像的信息熵Entr(Y)和与信息熵Entr(Y)对应的煤粉尘图像分割的分割阈值s直接存储在用于存储数据的数据位上；

步骤1038、比较已经存储在用于存储数据的数据位上各个煤粉尘图像的信息熵Entr(Y)的大小，删除用于存储数据的数据位上最小的煤粉尘图像的信息熵Entr(Y)，并将当前计算得到的煤粉尘图像的信息熵Entr(Y)存储在删除了信息熵Entr(Y)的数据位上；然后再比较所有数据位上的煤粉尘图像的信息熵Entr(Y)，找到最大的煤粉尘图像的信息熵Entr(Y)，并将最大的煤粉尘图像的信息熵Entr(Y)对应的煤粉尘图像分割的分割阈值s确定为进行煤粉尘图像分割的阈值；

步骤104、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较，并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域，将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域；

步骤二、图像处理器调用二值化图像处理模块对煤粉尘图像进行二值化处理，得到煤粉尘二值化图像，煤粉尘二值化图像中，目标区域的标记为1，背景区域的标记为0；

步骤三、采用改进差分进化粒子群算法对煤粉尘图像进行煤粉尘重叠颗粒分离，识别出煤粉尘颗粒；具体过程为：

步骤301、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φ_s，并将的煤粉尘二值化图像确定为存在煤粉尘重叠颗粒的煤粉尘二值化图像；其中，为煤粉尘二值化图像存在煤粉尘重叠颗粒的形状特征系数阈值；

步骤301中图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φ_s的具体过程为：

步骤3011、图像处理器累加标记为1的目标区域中像素的个数，并将累加值确定为煤粉尘二值化图像的面积A；

步骤3012、图像处理器调用图像周长计算模块计算出煤粉尘二值化图像的周长C，具体过程为：

步骤30121、假设煤粉尘二值化图像区域边界的链码为{a₁a₂a₃…a_τ}，其中，序列a₁a₂a₃…a_τ表示从一个起始点开始将煤粉尘二值化图像区域边界的走向按链码编码方式记录下来，τ为编码总个数且取值为大于1的自然数；

步骤30122、将第q个码段a_q所表示的线段长度表示为ΔC_q，图像处理器根据公式计算出煤粉尘二值化图像的周长C，其中，n_eq为第q个码段a_q中的偶数码段数，l_e为第q个码段a_q中的偶数码所表示的线段的长度；n_oq为第q个码段a_q中的奇数码段数，l_o为第q个码段a_q中的奇数码所表示的线段的长度；q的取值为1～τ的自然数；

步骤3013、图像处理器根据公式φ_s＝4πA/C²计算出煤粉尘二值化图像的形状特征系数φ_s；

步骤302、图像处理器调用边缘特征点定位模块定位得到存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的特征点；

步骤302中图像处理器调用边缘特征点定位模块定位得到存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的特征点的具体过程为：

步骤3021、找出存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的断点，并删除共线点，具体过程为：

步骤30211、将存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘轮廓用H个轮廓点表示为P＝{p₁,p₂,…,p_H}；其中，H为大于100的自然数；

步骤30212、根据公式计算H个轮廓点中第k个轮廓点p_k(x_k,y_k)到它的前一个轮廓点p_k-1(x_k-1,y_k-1)与后一个轮廓点p_k+1(x_k+1,y_k+1)连成的直线的距离d_k；其中，k的取值为1～H的自然数，x_k为第k个轮廓点p_k(x_k,y_k)的横坐标，y_k为第k个轮廓点p_k(x_k,y_k)的 纵坐标；x_k-1为第k个轮廓点p_k(x_k,y_k)的前一个轮廓点p_k-1(x_k-1,y_k-1)的横坐标，y_k-1为第k个轮廓点p_k(x_k,y_k)的前一个轮廓点p_k-1(x_k-1,y_k-1)的纵坐标；x_k+1为第k个轮廓点p_k(x_k,y_k)的后一个轮廓点p_k+1(x_k+1,y_k+1)的横坐标，y_k+1为第k个轮廓点p_k(x_k,y_k)的后一个轮廓点p_k+1(x_k+1,y_k+1)的纵坐标；

步骤30213、比较d_k与断点选择距离阈值d_t，当d_k>d_t时，将第k个轮廓点p_k(x_k,y_k)判断为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的断点并保留，当d_k≤d_t时，将第k个轮廓点p_k(x_k,y_k)判断为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的共线点并删除；

步骤3022、采用迭代法从存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的断点中定位特征点，具体过程为：

步骤30221、设定特征点选择距离阈值d_z；

步骤30222、根据公式计算步骤30213中判断出的断点中第r个断点p_r(x_r,y_r)到它的前一个断点p_r-1(x_r-1,y_r-1)与后一个断点p_r+1(x_r+1,y_r+1)连成的直线的距离d_r；其中，r的取值为1～M的自然数，M为步骤30213中判断出的断点的总数；x_r为第r个断点p_r(x_r,y_r)的横坐标，y_r为第r个断点p_r(x_r,y_r)的纵坐标；x_r-1为第r个断点p_r(x_r,y_r)的前一个断点p_r-1(x_r-1,y_r-1)的横坐标，y_r-1为第r个断点p_r(x_r,y_r)的前一个断点p_r-1(x_r-1,y_r-1)的纵坐标；x_r+1为第r个断点p_r(x_r,y_r)的后一个断点p_r+1(x_r+1,y_r+1)的横坐标，y_r+1为第r个断点p_r(x_r,y_r)的后一个断点p_r+1(x_r+1,y_r+1)的纵坐标；

步骤30223、比较d_r与特征点选择距离阈值d_z，当d_r>d_z时，将第r个断点p_r(x_r,y_r)判断为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的可能特征点并保留，当d_r≤d_z时，将第r个断点p_r(x_r,y_r)判断为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的非特征点并删除；

步骤30224、将特征点选择距离阈值d_z增加距离步长Δd_z；

步骤30225、根据公式计算 步骤30223中判断出的可能特征点中第f个可能特征点p_f(x_f,y_f)到它的前一个可能特征点p_f-1(x_f-1,y_f-1)与后一个可能特征点p_f+1(x_f+1,y_f+1)连成的直线的距离d_f；其中，f的取值为1～m的自然数，m为步骤30223中判断出的可能特征点的总数；x_f为第f个可能特征点p_f(x_f,y_f)的横坐标，y_f为第f个可能特征点p_f(x_f,y_f)的纵坐标；x_f-1为第f个可能特征点p_f(x_f,y_f)的前一个可能特征点p_f-1(x_f-1,y_f-1)的横坐标，y_r-1为第f个可能特征点p_f(x_f,y_f)的前一个可能特征点p_f-1(x_f-1,y_f-1)的纵坐标；x_f+1为第f个可能特征点p_f(x_f,y_f)的后一个可能特征点p_f+1(x_f+1,y_f+1)的横坐标，y_f+1为第f个可能特征点p_f(x_f,y_f)的后一个可能特征点p_f+1(x_f+1,y_f+1)的纵坐标；

步骤30226、比较d_f与特征点选择距离阈值d_z，当d_f>d_z时，将第f个可能特征点p_f(x_f,y_f)判断为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的有效特征点并保留，当d_f≤d_z时，将第f个可能特征点p_f(x_f,y_f)判断为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的非有效特征点并删除；

步骤30227、根据公式计算步骤30226中判断出的有效特征点中与第f个可能特征点p_f(x_f,y_f)相对应的有效特征点p_f′(x_f′,y_f′)到它的前一个有效特征点p_f′-1(x_f′-1,y_f′-1)与后一个有效特征点p_f′+1(x_f′+1,y_f′+1)连成的直线的距离d_f′；其中，f′的取值为1～m′的自然数，m′为步骤30226中判断出的有效特征点的总数；x_f′为与第f个可能特征点p_f(x_f,y_f)相对应的有效特征点p_f′(x_f′,y_f′)的横坐标，y_f′为与第f个可能特征点p_f(x_f,y_f)相对应的有效特征点p_f′(x_f′,y_f′)的纵坐标；x_f′-1为与第f个可能特征点p_f(x_f,y_f)相对应的有效特征点p_f′(x_f′,y_f′)的前一个有效特征点p_f′-1(x_f′-1,y_f′-1)的横坐标，y_f′-1为与第f个可能特征点p_f(x_f,y_f)相对应的有效特征点p_f′(x_f′,y_f′)的前一个有效特征点p_f′-1(x_f′-1,y_f′-1)的纵坐标；x_f′+1为与第f个可能特征点p_f(x_f,y_f)相对应的有效特征点p_f′(x_f′,y_f′)的后一个有效特征点p_f′+1(x_f′+1,y_f′+1)的横坐标，y_f′+1为与第f个可能特征点p_f(x_f,y_f)相 对应的有效特征点p_f′(x_f′,y_f′)的后一个有效特征点p_f′+1(x_f′+1,y_f′+1)的纵坐标；

步骤30228、比较步骤30227中计算得到的d_f′与步骤30225中计算得到的d_f，取f′为1～m′的自然数，当m′个有效特征点均满足|d_f′-d_f|≤E_∞时，将步骤30226中判断出的有效特征点确定为存在煤粉尘重叠颗粒的煤粉尘重叠颗粒图像的边缘曲线的特征点，否则，重复执行步骤30224～30228；其中，E_∞为距离误差阈值；

步骤303、图像处理器调用重叠颗粒交点提取模块提取出步骤302中定位得到的煤粉尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点；

步骤303中图像处理器调用重叠颗粒交点提取模块提取出步骤302中定位得到的煤粉尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点的具体过程为：

步骤3031、令p_c(x_c，y_c)为当前特征点，p_c-1(x_c-1,y_c-1)为当前特征点p_c(x_c,y_c)的前一特征点，p_c+1(x_c+1,y_c+1)为当前特征点p_c(x_c,y_c)的后一特征点，根据公式：

计算煤粉尘重叠颗粒图像的边缘曲线在特征点p_c(x_c,y_c)处的曲度C(p_c)；

步骤3032、根据公式求解当前特征点p_c(x_c,y_c)、当前特征点p_c(x_c,y_c)的前一特征点p_c-1(x_c-1,y_c-1)和当前特征点p_c(x_c,y_c)的后一特征点p_c+1(x_c+1,y_c+1)组成的三角形的面积I；

步骤3033、判断条件是否成立，当条件成立时，将当前特征点p_c(x_c,y_c)判断为重叠颗粒的交点；其中，I_t为交点选择面积阈值；

步骤304、图像处理器调用煤粉尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤粉尘重叠颗粒分离，具体过程为：

步骤3041、在每相邻两个重叠颗粒交点之间的特征点中随机抽取6个，对每相邻两个重叠颗粒交点之间的特征点进行椭圆拟合，得到椭圆的表达式ax²+bxy+cy²+dx+ey+h＝0中的6个参数a、b、c、d、e、h的一组值；

步骤3042、将差分进化粒子群的位置矩阵X初始化为：

其中，x_1j(j＝1,2,3,4,5,6)为步骤3041中得到的椭圆的表达式中的6个参数a、b、c、d、e、h的一组值，x_ij(i＝2,3,…,N；j＝1,2,…,6)＝x_1j×[1+0.1×rand()]，rand()为均匀分布在(0,1)上的随机数，N为种群规模；

步骤3043、对于差分进化粒子群的位置矩阵X中的第i行粒子对应的椭圆，根据公式计算得到椭圆的中心坐标(x_i,0,y_i,0)，并计算进行椭圆拟合的相邻两个重叠颗粒交点之间的各个特征点距离椭圆中心坐标(x_i,0,y_i,0)的距离，当距离小于匹配点选择距离阈值d_p时，将特征点判断为匹配点，并将匹配点个数作为第i行粒子的适应度函数值；依次取i＝1,2,…,N，计算各行粒子的适应度函数值，并在每次计算时，将适应度函数值大的粒子的适应度函数值定义为粒子当前最优位置，且在计算完N次后，将适应度函数值最大的粒子的适应度函数值定义为粒子群全局最优位置；

步骤3044、通过公式

x_ij(n+1)＝x_ij(n)+λF_i(n)(P_g(n)-x_ij(n))+(1-λ)F_i(n)(P_i(n)-x_ij(n))+F_i(n)(x_ij(n)-x_i+1,j(n))对差分进化粒子群的位置矩阵X进行更新，其中，x_ij(n)为迭代次数为n时差分进化粒子群中第i行第j列位置处的粒子，x_ij(n+1)为迭代次数为n+1时差分进化粒子群中第i行第j列位置处的粒子，λ为惯性系数且 λ＝λ_min+n×(λ_max-λ_min)/n_max，n为迭代次数且取值为1～n_max的自然数，λ_min为最小惯性系数，λ_max为最大惯性系数，n_max为总迭代次数；F_i(n)为缩放系数且F_min为最小缩放系数，F_max为最大缩放系数；P_i(n)为迭代次数为n时的粒子当前最优位置，P_g(n)为迭代次数为n时的粒子群全局最优位置；x_i+1,j(n)为迭代次数为n时差分进化粒子群中第i+1行第j列位置处的粒子；

步骤3045、定义第一次执行步骤3042时的迭代次数n为1，逐一增大n，重复执行步骤3043～3044，直到迭代次数n达到n_max后执行步骤3046；

步骤3046、将最后一次迭代确定出的粒子群全局最优位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式ax²+bxy+cy²+dx+ey+h＝0中的6个参数a、b、c、d、e、h；

步骤3047、绘制椭圆并通过椭圆曲线将煤粉尘重叠颗粒分离，每个椭圆曲线内都围有一个识别出来的单个煤粉尘颗粒。