CN103413290B - 多特征与多层次结合的矿石粒度图像分割方法 - Google Patents

Abstract

本发明公开了一种多特征与多层次结合的矿石粒度图像的分割方法。该分割方法首先对图像进行双边滤波和基于积分图像的局部自适应阈值化，然后对二值化图像进行滤波与距离变换，最后将进行分水岭变换后的图像与二值图像叠加获得第一层的分割；第一层分割结束后，利用两个矿石粘连出存在凹点的特征，用提出的圆形模板的方法检测所有的初始分割的分割线。如果该分割线两边都存在凹点，则保留分割线，否则去除掉该错误的分割线。通过利用矿石图像的亮度和形状特征，进行两层的分割，获得了理想的结果，为后续的粒度测量提供了更高的可靠性。本发明使用范围广泛，实时性好，检测精度高，且具有安装方便，成本低廉等优点。

Description

多特征与多层次结合的矿石粒度图像分割方法

技术领域

本发明涉及图像处理领域，设计并实现了一种多特征与多层次结合的矿石粒度图像的分割方法。

背景技术

有色金属是当代能源、信息技术和现代材料的重要组成部分，在国民经济、国防建设中有着极其广泛的用途。但目前面临的突出问题是矿产资源危机日趋严重，现已探明的储量远远不能满足国民经济发展的需求，保障程度差，严重制约我国的发展战略。同时我国有色金属矿山的采选规模较小，自动化水平较低，导致矿物资源利用率不高，直接造成企业生产成本增加，使得企业丧失国际竞争力。因此，引进高效设备和先进的科学技术来提高生产效率，降低工人劳动强度，稳定生产流程，最大限度利用矿产资源具有重要的现实意义。

采矿工业爆破和破碎过程的矿石粒度分布信息已经用于碎矿、磨矿和浮选等一系列工业过程的优化控制。在粉碎阶段，碎石机把矿石粉碎到所要求的粒度，用于矿物的后续阶段提取。破碎控制需要将矿物粒度保持在要求的尺度，缺乏破碎控制时，生产出的颗粒或者成为不必要的粉状，或者由于破碎时间不够导致颗粒太粗糙，前者高耗能源，后者破碎程度不够导致回收率低。现在的自动化或半自动化磨矿都需要矿石粒度分布图。在检测到不合适的粒度分布后，自动调节破碎设备进行修正。而目前，机械筛分是决定传送带上或传送带终端的自由降落处矿石累计重量分布的传统技术，这个过程极为耗能和耗时。

采用计算机视觉系统对采场爆破过程进行粒度分析及矿石识别，能够控制爆破成本和安全预警，可以实时全天候对矿石的粒度分布进行监控与分析，而不需要打断正在运转的破碎机器，高效、节能、安全。但是由于采矿现场的复杂度，对采集的矿石图像进行粒度分析主要有以下几个难点：1、采选现场光源的流明差别很大，采选品种、品味各不相同，粒度分布范围从几毫米到几百毫米，不同的曝光时间、不同的拍摄角度和位置导致图像的清晰度不同高速传送过程中的图像容易出现抖动，采集到的是不同环境、不同内容和不同明暗图像，处理较为困难。2、图像内容高度复杂，有些含泥土及水，在目标和背景差异度很小的情况下如何对繁多的、相互堆积的、颜色和形态相似高、相互粘连的目标进行准确定位是另一个技术难点。3、矿石和泡沫形状不规则、表面粗糙，准确描绘矿石和泡沫的边缘是矿石图像分析的一个技术难点和关键技术。对于矿石图像的粒度分析的目的是测量每个矿石的大小，反映在图像中则是面积、周长、等效圆半径等。因此，基于上述分析，对矿石图像的粒度分析的最关键点是将矿石图像中粘连在一起的每个矿石颗粒分开，也就是对矿石图像分割，然后进行粒度测量以及分析。图像分割技术是图像分析领域的研究重点，已经产生了大量有价值的成果，如目标轮廓技术、snake模型、水平集分割等多个分割理论。但是，由于矿石图像本身复杂度高、粘连等特点，目前单一的分割技术均无法对其进行有效分割。因此，研究应用于矿石图像分割领域的分割算法有着极其重要的意义。目前分割算法无法适用于矿石图像领域的原因主要是因为其所采用的方法往往只关注图像的亮度特征，或者图像的其他形状特征，且往往采用的是单一的分割算法。由上述分析可知，矿石图像的矿石目标形态不一、图像明暗不一，单纯的采用一种特征、单一方法很难对图像进行准确分割。因此，研究矿石图像的分割必须将多特征融合以及多方法结合作为分割的突破点，只有此，才能对复杂的矿石图像进行准确的分割，然后准确的对矿石的粒度进行分析。

发明内容

本发明的目的是提出一种结合多个特征以及多层次的矿石粒度图像分割方法，使得矿石粒度图像分割达到较高的准确率、较高的实时性，以满足后续矿石粒度分析的需要，达到矿石分析自动化的目的。

本发明提出的多特征与多层次结合的矿石粒度图像分割方法是采用以下技术手段实现的：首先利用矿石粒度图像的亮度特征对图像进行第一层次的分割，然后对第一层次的分割结果进一步分析，利用图像的形状特征对分割结果进一步优化，最终获得最后的分割结果。本发明实现的具体步骤阐述如下：

1、将CCD相机和照明设备放于矿石传送带上方获取矿石的粒度图像，相机拍摄范围是覆盖整个传送带宽度区域。

2、首先将待测图像转换成灰度图像，然后对该灰度图像进行双边滤波处理。

3、计算滤波后图像的积分图像，然后利用积分图像对滤波图像进行局部二值化处理，获取滤波图像的二值图像。设滤波后的积分图像为I（x,y），f（x,y）为滤波后图像，BW(x,y)为二值化后图像，则二值化公式如下式1所示

公式中(x,y)为图像中像素点的坐标。每个像素点的判定阈值T阈值通过以下公式（2）计算

由于采用的是局部阈值，因此T_阈值需要根据其周围像素点的灰度值计算。此时以要计算的像素点为中心，开一个宽度为s的窗口（一般取值为图像宽度的1/10），T_阈值则由窗口大小范围内的像素值计算。上式中count为矩形窗口内的像素点个数，sum为该窗口内所有像素点的灰度值的和，参数t取值一般为15。公式（2）中的count和sum计算方法如下：

sum=I(x₂,y₂)-I(x₂,y₁-1)-I(x₁-1,y₂)+I(x₁-1,y₁-1) （3）

count=(x₂-x₁)×(y₂-y₁) （4）

式中I（x,y）为计算好的积分图像，x₁=x-s/2，x₂=x+s/2,y₁=y-s/2,y₂=y+s/2。

4、对二值化后的图像BW(x,y)保存，然后对二值化图像做距离变换（可以获得灰度范围更小的灰度图像）。

5、对距离变换后的图像进行双边滤波。

6、对步骤5中获取的滤波图像进行分水岭算法分割。分水岭算法分割后的图像会被分成多个区域，其中分割线的像素值为0，而非分割线区域则为1。记该分割后的图像为S(x,y)，由步骤2获得的二值图像为BW(x，y)。做如下处理：两幅图像的像素值均为0或1，则将两幅图像做与运算并保存，即两幅图像中像素值均为1的像素点置1，其余点置为0。

7、步骤6分水岭分割完成后会形成很多分割线，这些分割线组成了每个区域的边界。然后对步每条分割线的两个端点和端点周围的区域进行凹曲度测量，利用圆形模板判断该两个端点是凹的形状还是比较平坦或者突出的形状。如果分割线两端的端点均不存在凹形，则将该分割线判定为错误的分割线，并去除。如果该分割线存在凹点，则保留该分割线。凹曲度通过以下公式测量

$\mathrm{concave}=\frac{\left|A_i\right|}{\left|L\right|}$

其中，L表示圆形模板的周长，i表示目标轮廓的每个点，A_i则为位于矿石内部的圆弧的弧长。圆形模板的定义如图2所示。图3显示了利用圆形模板进行凹曲度检测的过程。让圆形模板遍历粘连颗粒区域边界的每一个点，并计算相应的concave值，则会得到每个点的凹曲程度。如图3（b）所示，真正的凹点和非凹点的concave在数值上有着明显的差别，通过设定阈值T，如果大于阈值则可判定为凹点。图3（a）中的P₁和P₄点则为正确的凹点。在分割线凹点检测过程中，凹曲度的测量阈值T为0.55-0.6，即如果分割线端点的凹曲度concave值大于阈值则被判定为凹点。

本发明与现有方法相比，具有以下明显的优势和有益效果：

1、该方法采用双边滤波技术，既达到了滤除噪声的目的同时还保留了完整的矿石边缘，解决了矿石图像边缘较为模糊、噪声严重的问题。

2、该方法采用积分图像加局部阈值对图像进行二值化，既提高了方法的执行效率，又避免了光照对结果造成的不良影响，解决了现场采集的矿石图像明暗不一的问题。

3、该方法首先利用图像的亮度（灰度）特征对其进行分水岭分割，然后利用矿石粘连处的凹凸的形状特征对分水岭分割获得的分割线进行优化，结合了多个特征进行图像分割，同时在不同层次采用不同方法进行分割，弥补了单一方法和单一特征无法准确分割的问题。同时算法简单，执行效率高，可以满足实时测量的要求。

附图说明

图1整个图像处理设备示意图

图2用于凹曲度检测的圆形模板

图3凹曲度检测方法

图4算法的整体框架流程图；

图5分割算法第一层的分水岭初始分割流程图；

图6整个算法处理过程处理结果显示

具体实施方式

本发明采用CCD相机放置于运送矿石传送带的正上方，相机拍摄范围为覆盖整个传送带宽度的区域，相机采集的图像经过传输等最终转化为数字图像，设备如图1所示。在计算机中完成以下步骤，具体算法流程图如图4以及图5所示：

第一步：首先将采集的图像进行第一层的初始分割，利用的是图像的亮度特征，流程图5所示。具体计算过程如下:

1、对图像进行双边滤波增强，滤除掉矿石颗粒内部的噪声，其中，滤波所开窗口大小为5*5，双边滤波的两个参数空间域的方差和亮度方差大小分别取为30和0.2.

2、计算滤波后图像的积分图像，然后利用积分图像对滤波后的图像进行局部阈值化操作，获取二值图像A₁，并保存。局部阈值化过程中所开窗口大小为图像宽度的1/10。

3、对二值图像A₁做距离变换，将其转变成灰度图像。

4、对距离变换后图像做双边滤波，其滤波参数如步骤1所示。

5、对滤波后图像做分水岭变换，获得初始分割的结果，并记为A₂，将其与步骤2保存的二值图像A₁做与运算，也就是两幅图像像素点值都为1的像素点置为1，其余的像素点值置0。

第二步：将第一层分割结果作为处理的对象，利用矿石区域的形状特征对图像进行进一步的优化分割，也就是第二层分割。具体流程图为图4的第二部分。步骤如下：

1、载入第一层分割的分割结果，存储每一条分割线。

2、找到该分割线的一个端点。

3、如果该分割线的端点为凹点（采用圆形模板检测方法，凹曲度concave大于0.6），则执行第4步的操作，如果不是凹点，则执行第7步的操作。

4、找到该分割线的另一个端点。

5、如果该分割线的端点为凹点（采用圆形模板检测方法），则执行第6步的操作，如果不是凹点，则执行第7步的操作。

6、该分割线为正确的分割线，保留该分割线，执行第一步操作，直至所有的分割线判断完毕。

7、消除该分割线，执行第一步操作，直至所有的分割线判断完毕。

经过以上两层的分割，获得最终的分割结果。算法每个过程的中间处理结果图像如图6所示，其中（a）为矿石图像，（b）为双边滤波图像，（c）为二值化结果，（d）为二值图像距离变换结果，（e）为对距离变换图像进行双边滤波结果，（f）为分水岭变换结果，（g）为利用圆形模板检测方法对分割结果优化后的最终结果。

为验证本发明方法对矿石进行分割的准确性和高效性，将安置于矿山场现场传送带上方拍摄的300幅复杂的矿石图像进行正确率和误差率实验测试，采集的图像分别位于3个传送带上方，分别为1号传送带,2号传送带,3号传送带，每个传送带各采集100幅图像.在PC机下进行测试，PC机配置为：CPU：Core(TM)2Quad CPU Q95501.98GHz，内存：2G。实验结果如表1所示，表明本发明具有良好的检测效果和很高的检测速度。（准确率和误差率均为平均值）

1、准确率：分割算法分割后的区域个数/实际矿石目标的区域个数

2、误差率：分割算法正确分割的区域个数/分割算法分割后的区域个数

表1分割算法分割性能指标

Claims (1)

1.多特征与多层次结合的矿石粒度图像分割方法，其特征在于步骤如下：

1)、将CCD相机和照明设备放于矿石传送带上方获取矿石的粒度图像，相机拍摄范围是覆盖整个传送带宽度区域；

2)、首先将待测图像转换成灰度图像，然后对该灰度图像进行双边滤波处理；

3)、计算滤波后图像的积分图像，然后利用积分图像对滤波图像进行局部二值化处理，获取滤波图像的二值图像；设滤波后的积分图像为I(x,y)，f(x,y)为滤波后图像，BW(x,y)为二值化后图像，则二值化公式如下式(1)所示

公式中(x,y)为图像中像素点的坐标；每个像素点的判定阈值T_阈值通过以下公式(2)计算

以要计算的像素点为中心，开一个宽度为s的窗口，s取值为图像宽度的1/10，T_阈值则由窗口大小范围内的像素值计算；上式中count为矩形窗口内的像素点个数，sum为该窗口内所有像素点的灰度值的和，参数t取值为15；

公式(2)中的count和sum计算方法如下：

sum＝I(x₂,y₂)-I(x₂,y₁-1)-I(x₁-1,y₂)+I(x₁-1,y₁-1) (3)

count＝(x₂-x₁)×(y₂-y₁) (4)

式中I(x,y)为计算好的积分图像，x₁＝x-s/2，

x₂＝x+s/2,y₁＝y-s/2,y₂＝y+s/2；

4)、对二值化后的图像BW(x,y)保存，然后对二值化图像做距离变换；

5)、对距离变换后的图像进行双边滤波；

6)、对步骤5)中获取的滤波图像进行分水岭算法分割；分水岭算法分割后的图像会被分成多个区域，其中分割线的像素值为0，而非分割线区域则为1；记该分割后的图像为S(x,y)，由步骤2)获得的二值图像为BW(x，y)；做如下处理：两幅图像的像素值均为0或1，则将两幅图像做与运算并保存，即两幅图像中像素值均为1的像素点置1，其余点置为0；

7)、步骤6)分水岭分割完成后会形成很多分割线，这些分割线组成了每个区域的边界；然后对步每条分割线的两个端点和端点周围的区域进行凹曲度测量，利用圆形模板判断该两个端点是凹的形状还是比较平坦或者突出的形状；如果分割线两端的端点均不存在凹形，则将该分割线判定为错误的分割线，并去除；如果该分割线存在凹点，则保留该分割线；凹曲度通过以下公式测量

$concave=\frac{\left|A_i\right|}{\left|L\right|}$

其中，L表示圆形模板的周长，i表示目标轮廓的每个点，A_i则为位于矿石内部的圆弧的弧长；让圆形模板遍历粘连颗粒区域边界的每一个点，并计算相应的concave值，则会得到每个点的凹曲程度；通过设定阈值T为0.55-0.6，如果大于阈值则判定为凹点。