CN104050687A - 一种浮选泡沫运动模式的分析处理方法 - Google Patents

Abstract

本发明公开了一种浮选泡沫运动模式的分析处理方法，将采集到的每一帧泡沫运动图像进行阈值分割，将泡沫暗区与泡沫高亮区域分离，得到不同泡沫的泡顶；计算每一帧泡沫运动图像中泡顶的特征信息；记录当前帧泡沫在上一帧泡沫图像中的圆心位置和泡沫运动预测值，并在所建立的索引图像上以该圆心位置为中心发射射线遍历预定范围内的所有泡沫，确定是否能找到与该当前帧泡沫匹配的泡沫；若成功，则计算两幅图像中泡沫的位移量，并将该位移量作为下一帧泡沫运动的预测值，该分析处理方法通过对浮选泡沫图像的分析处理大大促进了选矿的自动化程度，且该方法提高了泡沫运动分析的精确率，进而避免了工人的个人因素和不定量因素。

Description

一种浮选泡沫运动模式的分析处理方法

技术领域

本发明涉及图像处理及采矿技术领域，尤其涉及一种浮选泡沫运动模式的分析处理方法。

背景技术

目前，在选矿发展中，浮选是选矿的一个主要过程，但该过程仍然需要有经验的工人肉眼观察泡沫的运动模式、移动速度、泡沫大小等指标，以确定泡沫所带金矿的含金量，很难做到严格地检测和科学判断，并且由于工人的主观判断的差异，没有标准化、规范化的依据。

现有选矿浮选技术中，主要是依靠有经验的工人观察泡沫的形态，这一方法费时费力，也有很大的不确定性，没有统一的标准规定，不仅浪费人力物力，而且会导致大量的原材料损失，工人在现场接触式监测也会影响工人的健康。

发明内容

本发明的目的是提供一种浮选泡沫运动模式的分析处理方法，通过对浮选泡沫图像的分析处理大大促进了选矿的自动化程度，且该方法提高了泡沫运动分析的精确率，进而避免了工人的个人因素和不定量因素。

一种浮选泡沫运动模式的分析处理方法，所述方法包括：

将采集到的每一帧泡沫运动图像进行阈值分割，将泡沫暗区与泡沫高亮区域分离，得到不同泡沫的泡顶；

计算每一帧泡沫运动图像中泡顶的特征信息，所述特征信息包括面积、圆形度、最小外接圆圆心位置和最小外接圆半径，并根据该特征信息剔除不合格泡沫，对当前帧泡沫图像中合格的泡沫进行编号，并以该编号为索引值建立索引图像；

记录当前帧泡沫在上一帧泡沫图像中的圆心位置和泡沫运动预测值，预测所述当前帧泡沫在当前帧泡沫图像中的圆心位置，并在所建立的索引图像上以该圆心位置为中心发射射线遍历预定范围内的所有泡沫，确定是否能找到与该当前帧泡沫匹配的泡沫；

若成功，则计算两幅图像中泡沫的位移量，并将该位移量作为下一帧泡沫运动的预测值。

由上述本发明提供的技术方案可以看出，该分析处理方法通过对浮选泡沫图像的分析处理大大促进了选矿的自动化程度，且该方法提高了泡沫运动分析的精确率，进而避免了工人的个人因素和不定量因素。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明所提供浮选泡沫运动模式分析处理方法的流程示意图；

图2所示为本发明实施例所述泡沫运动位置预测图；

图3所示为本发明实施例所述泡沫匹配示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例针对浮选泡沫的运动模式进行分析，分析各个泡顶的特征信息剔除不合格泡沫，绘制索引图像加快目标的匹配速度，并分区统计泡沫的运动模式。这种跟踪轨迹分析泡沫运动方式的方法，提高了对目标的轨迹预测的精准度，并进一步按照泡沫的整体性和局部性对分区的速度进行修正，大大减小了泡沫速度计算的误差。下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明所提供浮选泡沫运动模式分析处理方法的流程示意图，所述方法包括：

步骤11：将采集到的每一帧泡沫运动图像进行阈值分割，将泡沫暗区与泡沫高亮区域分离，得到不同泡沫的泡顶；

在具体实现中，首先安装高速相机，其摄像头位于浮选池上方1米高空中心，并配置光源，用圆筒形状的固体包围四周，避免灯光的散射，浮选泡沫在光照条件下，凸起的泡沫顶端发亮，其中对高速相机采用工业相机，光源采用钨丝灯泡发射的淡黄色光源。

针对高速相机采集到的每一帧泡沫运动图像，由于灯光照射物体有反光现象，泡沫的顶部会出现高亮区域，其灰度值明显高于泡沫的其他部分，基于此可以采用阈值分割的方法分割泡沫图像，将泡沫暗区与泡沫高亮区域分离，得到不同泡沫的泡顶，具体来说：

首先灰度化处理从摄像头采集得到的每帧图像，将原始彩色图像rgb(x,y)灰度化，灰度值图像为gray(x,y)；

然后采用阈值分割法得到二值图像binary(x,y)，本实例中灰度阈值设置为128，当灰度图像中灰度值大于128的设置为白色目标，小于128的设置为黑色背景，从而区分出泡沫反射的高亮区域，具体公式为

$\mathrm{binary}(x,y)=\left\{\begin{array}{cc}255& \mathrm{if}(\mathrm{gray}(x,y)\&GreaterEqual;128)\\ 0& \mathrm{if}(\mathrm{gray}(x,y)<128)\end{array}\right.---\left(1\right)$

上述泡顶的特征信息可以作为泡沫的身份验证。

步骤12：计算每一帧泡沫运动图像中泡顶的特征信息，所述特征信息包括面积、圆形度、最小外接圆圆心位置和最小外接圆半径，并根据该特征信息剔除不合格泡沫，对当前帧泡沫图像中合格的泡沫进行编号，并以该编号为索引值建立索引图像；

在该步骤中，首先对二值图像使用八链码技术追踪每个泡沫的高亮区域，计算高亮区域的面积s、计算其最小外接圆的面积s_circle、最小外接圆的半径r和圆心center(x,y)。其八链码追踪过程中P表示一个链码结构，其数据含有对应的像素位置point(x,y)和像素链码code，具体包括：

(1)光栅扫描图像像素，当找到像素值为255时，存储坐标值(x,y)，记为P₀-＞point(x,y)。

(2)从左下侧像素(x-1,y-1)反时针方向处理研究8-邻接像素，第一次出现值为255的像素，记为P_k-＞point(x,y)，其方向链码记为P_k-1->code。开始k＝1,存储P₁的值。

(3)从P_k左下侧像素反时针方向研究P_k的8-邻接像素，最先发现的值为255的像素记为P_k+1-＞point(x,y)，链码记为P_k->code；

(4)当P_k-＞point(x,y)＝P₀-＞point(x,y)而且P_k+1-＞point(x,y)＝P₁-＞point(x,y)时，跟踪结束,通过计算属性值，剔除不合格的高亮区域(用0填充高亮区域)，满足条件的索引值index(初始值为1)填充该区域避免重复扫描，并将index值加1，返回1，重新扫描；否则k+1更新为k返回第(3)步。

这里，在上述(4)中，属性值的计算有高亮区域面积：高亮区域面积是统计八链码追踪区域的像素个数，根据每个节点的八链码查找它对应的右节点，统计该节点所在行的节点个数，其计算公式如下：

$s=\underset{i=p_0->\mathrm{point}(x,y).y}{\overset{p_k->\mathrm{point}(x,y).y}{\mathrm{\&Sigma;}}}{p}_i->(x,y).x-p_j->(x,y).x+1---\left(2\right)$

其中，p_j-＞(x,y).x是p_i-＞(x,y)的右节点的x坐标。

具体实现中，上述高亮区域最小外接圆半径以及圆心计算方法为：利用Opencv平台中cvMinEnclosingCircle函数求出高亮区域的最小外接圆的圆心center(x,y)和半径r。进一步计算最小外接圆的面积s_circle。

另外，在(4)中剔除不合格泡沫的原则为：

泡沫顶部一般呈现圆形，而泡沫边缘一般为条形，对识别出来的泡沫高亮区域采用圆形充满度去除泡沫的边缘。圆形充满度E的计算方法为面积s和最小外接圆面积s_circle之比，如下：

$E=\frac{s}{s_{\mathrm{circle}}}---\left(3\right)$

比值阈值可以为0.4，圆形充满度E大于等于0.4，为目标泡沫，圆形充满度E小于0.4的泡沫高亮区域为无用的边缘，需要排除掉无用的边缘。

面积阈值可以为20(像素)，对于面积S小于20的泡沫高亮区域判定为小泡沫目标或噪声，直接排除；并保留面积S大于等于20的泡沫高亮区域。

步骤13：记录当前帧泡沫在上一帧泡沫图像中的圆心位置和泡沫运动预测值，预测所述当前帧泡沫在当前帧泡沫图像中的圆心位置，并在所建立的索引图像上以该圆心位置为中心发射射线遍历预定范围内的所有泡沫，确定是否能找到与该当前帧泡沫匹配的泡沫；

在该步骤中，首先上述步骤12中已经将所述编号为索引值逐像素填充到目标泡沫建立索引图像，所述编号与所述目标泡沫的面积、最小外接圆圆心位置以及最小外接圆半径之间对应，根据该索引图像：

首先在该索引图像上，将某泡沫在上一帧图像中最小外接圆圆心位置center(x,y)加上该泡沫运动预测值yc_value(x,y)(第一帧图像的预测值设置为0个像素)，得到预测的所述泡沫在当前帧图像中的圆心位置center(x,y)，在该位置上设置一个长度为50像素的圆周范围，遍历所有在此范围内的种子泡，判断是否能匹配该种子泡，如图2所示为本发明实施例所述泡沫运动位置预测图。

center(x,y)＝center(x,y)+yc_value(x,y)   (4)

在索引图像上，以预测的圆心位置为中心，从中心右下角逆时针方向发射多条射线，本发明8条，射线长度为50(像素)，当遇到索引值则获得对应的目标泡沫的面积、最小外接圆圆心位置以及最小外接圆半径，如图3所示为本发明实施例所述泡沫匹配示意图；

再将所述泡沫在上一帧泡沫图像中的面积与获得的目标泡沫的面积比较，当目标泡沫的面积与所述泡沫在上一帧泡沫图像中的面积的比值属于第一比值区间时(第一比值区间为85％至115％)，确定目标泡沫为匹配泡沫，并计算种子泡与匹配泡沫圆心之间的位移量actual_value(x,y)，其中，center_previous(x,y)代表上一帧图像种子泡的圆心位置，center_now(x,y)代表当前帧图像匹配种子泡的圆心位置。

actual_value(x,y)＝center_previous(x,y)-center_now(x,y)   (5)

另外，具体实现中，若上述条件没有满足，预示泡沫破碎或者跑出预测范围内，属于不正常行为，故丢失该目标，在后面泡沫的匹配中，删除该目标信息。

如果泡沫的位移是负值，说明该泡沫在运动的过程中，受其他泡沫的排挤，出现了向反方向运动的趋势，如果计算在内，会影响泡沫的平均位移速度，所以，在帧间计算过程中剔除该不合格泡沫，如果泡沫的位移很大，超过了本发明设计的上限(本发明上限为图像宽度的1/4)，说明在匹配的过程中，或许出现了错误，为降低匹配的错误率和位移平均值的误差，选择舍弃该泡沫。

步骤14：若成功，则计算两幅图像中泡沫的位移量(单位：像素)，将该位移量作为下一帧泡沫运动的预测值。

在该步骤中，将该位移量作为下一帧泡沫运动的预测值具体包括：

将指定x,y方向的位移量比值的反正切值作为方向的夹角，否则就算跟踪预测失败，丢失该目标；

且如果该位移量为负，则舍弃该泡顶，如果该位移量超过规定的设置值，也舍弃该泡顶。

另外，在将该位移量作为下一帧泡沫运动的预测值之后，还可以进一步对该运动预测值进行修正，具体来说：

将当前帧泡沫图像均匀分割成4行6列24个区域，统计各个区域内泡沫的运动模式，计算各个区域内泡沫的平均位移量和走向，并根据各区域的计算结果求出泡沫的全局平均位移量，具体来说：

首先将当前帧泡沫图像上的种子按照所在位置归类为相应区域，统计每一个区域内的泡顶个数，以及他们的速度和位移量(包含x,y两个方向)，进而计算相应区域内泡沫的平均位移量和总体走向；然后统计所分割出的24个区域内泡沫的平均位移量和走向，并根据各区域的计算结果求出全局平均位移量和方向。

进一步的，再按照泡沫运动的连续性和全局性，对每一个泡沫运动预测值进行修正，进行“匹配-预测-修正”这一循环，其中各区域平均值和全局平均值用于修正泡沫的运动预测值。

以具体的实例对上述过程进行说明，首先将泡沫图像划分为多个区域，以泡沫的最小外接圆圆心位置规定其所在分区；将分区内所有泡沫计算得到的位移量actual_value(x,y)的平均值作为该分区的泡沫运动预测值quyu_average(x,y)，将各分区的泡沫运动预测值的平均值作为全局的泡沫运动预测值local_average(x,y)，记录并更新分区的泡沫运动预测值以及全局的泡沫运动预测值，具体步骤如下：

A、将图像按照高度和宽度的等比例分成4行6列共24个分区，种子泡的最小外接圆圆心落在哪一个分区内，就属于哪一个分区。

B、遍历种子泡的最小外接圆圆心位置，统计每个分区内的泡沫个数n，计算每个分区泡沫运动预测值的平均值，计算公式如下。

$\mathrm{quyu}\_\mathrm{average}(x,y)=\frac{1}{n}*\mathrm{\&Sigma;actual}\_\mathrm{value}(x,y)---\left(6\right)$

C、进一步计算全局的泡沫运动预测值，即两帧时间内的全局运动模式，计算公式如下。

$\mathrm{local}\_\mathrm{average}(x,y)=\frac{1}{24}*\mathrm{\&Sigma;quyu}\_\mathrm{average}(x,y)---\left(7\right)$

另外，具体实现中，每个分区的泡沫运动预测值相对全局的泡沫运动预测值在数值上不能浮动过大，二者比值要符合60％至140％，否则用全局泡沫运动预测值代替。根据速度的连续性，分区的泡沫运动预测值相对上次的泡沫运动预测值在数值上不能浮动过大，二者比值要符合60％至140％，否则用上次的泡沫运动预测值代替。

综上所述，本发明实施例所提供的分析处理方法按照泡沫的整体性和局部性对分区的速度进行修正，大大减小了泡沫速度计算的误差，并有效提高了实时追踪速度、降低了目标追踪的错误率，对冶炼生产过程具有指导意义。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种浮选泡沫运动模式的分析处理方法，其特征在于，所述方法包括：

将采集到的每一帧泡沫运动图像进行阈值分割，将泡沫暗区与泡沫高亮区域分离，得到不同泡沫的泡顶；

计算每一帧泡沫运动图像中泡顶的特征信息，所述特征信息包括面积、圆形度、最小外接圆圆心位置和最小外接圆半径，并根据该特征信息剔除不合格泡沫，对当前帧泡沫图像中合格的泡沫进行编号，并以该编号为索引值建立索引图像；

记录当前帧泡沫在上一帧泡沫图像中的圆心位置和泡沫运动预测值，预测所述当前帧泡沫在当前帧泡沫图像中的圆心位置，并在所建立的索引图像上以该圆心位置为中心发射射线遍历预定范围内的所有泡沫，确定是否能找到与该当前帧泡沫匹配的泡沫；

若成功，则计算两幅图像中泡沫的位移量，并将该位移量作为下一帧泡沫运动的预测值。

2.根据权利要求1所述浮选泡沫运动模式的分析处理方法，其特征在于，所述将该位移量作为下一帧泡沫运动的预测值，具体包括：

将指定x,y方向的位移量比值的反正切值作为方向的夹角，否则就算跟踪预测失败，丢失该目标；

且如果该位移量为负，则舍弃该泡顶，如果该位移量超过规定的设置值，也舍弃该泡顶。

3.根据权利要求1所述浮选泡沫运动模式的分析处理方法，其特征在于，在将该位移量作为下一帧泡沫运动的预测值之后，所述方法还包括：

将当前帧泡沫图像均匀分割成4行6列24个区域，统计所分割出的各个区域内泡沫的运动模式，计算各个区域内泡沫的平均位移量和走向，并根据各区域的计算结果求出泡沫的全局平均位移量；

按照泡沫运动的连续性和全局性，对每一个泡沫运动预测值进行修正，其中各区域平均值和全局平均值用于修正泡沫的运动预测值。

4.根据权利要求3所述浮选泡沫运动模式的分析处理方法，其特征在于，所述统计所分割出的各个区域内泡沫的运动模式，计算各个区域内泡沫的平均位移量和走向，并根据各区域的计算结果求出泡沫的全局平均位移量，具体包括：

将当前帧泡沫图像上的种子按照所在位置归类为相应区域，统计每一个区域内的泡顶个数，以及他们的速度和位移量，进而计算相应区域内泡沫的平均位移量和总体走向；

统计所分割出的24个区域内泡沫的平均位移量和走向，并根据各区域的计算结果求出全局平均位移量和方向。