CN104063866A - 一种矿石传送过程中的粒度检测方法 - Google Patents

Abstract

本发明公开了一种矿石传送过程中的粒度检测方法，使用图像预处理技术对采集到的矿石图像进行去噪处理，并增强所述矿石图像的对比度；对预处理后的图像进行矿石种子区域提取，去除小目标与伪目标，并对预处理后的图像进行矿石边界提取；基于标记的分水岭变换对矿石图像进行分割，得到单个矿石的区域；利用矿石粒度模型计算各个矿石的粒度，并给出矿石粒度分布统计图，上述检测方法能对矿石图像中的矿石进行准确、有效分割，并有效计算矿石粒度。

Description

一种矿石传送过程中的粒度检测方法

技术领域

本发明涉及矿冶技术领域，尤其涉及一种矿石传送过程中的粒度检测方法。

背景技术

目前，采集矿业企业传送带上输送的矿石视频，进行图像处理，区分矿石区域与非矿石区域，分割出各个矿石目标，建立矿石粒度数学模型，计算矿石粒度，获取矿石粒度分布，对于矿业的节能降耗，提高生产效率有重要意义。而由于传送带上矿石堆积，整幅图像几乎没有背景信息，矿石表面凸凹不平，图像采集的是矿石的二维信息，矿石粒度分析需要三维信息，矿石粒度检测的非常困难，技术难度大。

现有技术方案中常采用以下方法对矿石图像进行粒度检测：1)基于阈值的方法是常用的矿石图像粒度检测方法，即采用灰度阈值将矿石和背景分为白黑二值图像，实现对矿石的分割与粒度检测，但由于传送带上矿石重叠堆积，阈值分割后的二值图像中多处相邻或堆积的矿石粘连在一起，单一的阈值方法难以获得理想的效果；2)基于纹理的方法是矿石粒度检测的另一种方法，但矿石表面的凸凹不平，不同矿石内部的纹理变化很大，依靠纹理信息不能很好的分割矿石图像，因此不能很好的检测矿石的粒度；3)矿石图像的梯度信息也用于矿石粒度检测，由于矿石内部灰度的变化率并不低于矿石之间的边缘，很难提出各个矿石的边缘同时除掉矿石内部的边缘信息，因此不能有效的检测矿石的粒度。

由此可见，现有技术方案中基于纹理，阈值和梯度信息的矿石分割效果都不理想，都不能有效检测矿石粒度。

发明内容

本发明的目的是提供一种矿石传送过程中的粒度检测方法，能对矿石图像中的矿石进行准确、有效分割，并有效计算矿石粒度。

一种矿石传送过程中的粒度检测方法，所述方法包括：

使用图像预处理技术对采集到的矿石图像进行去噪处理，并增强所述矿石图像的对比度；

对预处理后的图像进行矿石种子区域提取，去除小目标与伪目标，并对预处理后的图像进行矿石边界提取；

基于标记的分水岭变换对矿石图像进行分割，得到单个矿石的区域；

利用矿石粒度模型计算各个矿石的粒度，并给出矿石粒度分布统计图。

由上述本发明提供的技术方案可以看出，上述检测方法能对矿石图像中的矿石进行准确、有效分割，并有效计算矿石粒度。

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为本发明实施例所提供矿石传送过程中的粒度检测方法流程示意图；

图2为本发明实施例所举实例中直方图裁剪过程示意图。

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。

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所示为本发明实施例所提供矿石传送过程中的粒度检测方法流程示意图，所述方法包括：

步骤11：使用图像预处理技术对采集到的矿石图像进行去噪处理，并增强所述矿石图像的对比度；

在该步骤中，上述预处理过程是为了使矿石图像的棱角更加分明并减弱矿石内部的突起，以便于后续的处理，具体过程为：

首先对采集到的矿石图像进行自适应双边滤波，得到一幅去除噪声的同时保留完整矿石边界的图像；

然后对该滤波处理后的图像进行限制对比度的自适应直方图均衡化，以重新分布该图像的亮度，增强矿石区域的亮度，并降低非矿石区域的亮度，同时增强该图像的局部对比度，强化矿石的边缘。

以具体实例来说，首先通过摄像头采集矿石图像g，利用自适应双边滤波的方法对矿石图像去噪，同时保留完整的矿石边界，其处理方法是将图像的每一个像素g(i,j)与其邻域Ω_i,j内的像素进行加权平均，得到结果图像f(i,j)。其加权系数h(i,j；k,l)是空间距离和灰度差值的高斯函数，随着与中心像素的距离越远，与中心像素的灰度值相差越大，而变得越小，自适应双边滤波公式如下：

$f(i,j)=\underset{k=i-N}{\overset{i+N}{\mathrm{\Σ}}}\underset{l=j-N}{\overset{j+N}{\mathrm{\Σ}}}g(k,l)\×h(i,j;k,l)---\left(1\right)$

其中f(i,j)为结果图像灰度值，h[i,j；k,l]为权重系数，g(i,j)为原图像灰度值。Ω_i,j＝{(k,l)|i-N≤k≤i+N,j-N≤l≤j+N}，以(i,j)为中心，边长为2*N+1的区域，如7×7模板扫描图像过程中所对应的区域的N为3，加权系数h(i,j；k,l)的计算公式如下：

$h(i,j;k,l)=\left\{\begin{array}{cc}{r_{i,j}}^{-1}\×\exp (-\frac{{(k-i)}^2+{(l-j)}^2}{2{\mathrm{\σ}}_d^2})\×\exp (-\frac{{(g(k.l)-g(i,j))}^2}{2{\mathrm{\σ}}_{r(i,j)}^2}),& (k,l)\∈{\mathrm{\Ω}}_{i,j}\\ 0,& (k,l)\∉{\mathrm{\Ω}}_{i,j}\end{array}\right.---\left(2\right)$

r_i,j为归一化系数，计算公式如下

$r_{i,j}=\underset{k=i-N}{\overset{i+N}{\mathrm{\Σ}}}\underset{l=j-N}{\overset{j+N}{\mathrm{\Σ}}}\exp (-\frac{{(k-i)}^2+{(l-j)}^2}{2{\mathrm{\σ}}_d^2})\×\exp (-\frac{{(g(k,l)-g(i,j))}^2}{2{\mathrm{\σ}}_{r(i,j)}^2})---\left(3\right)$

σ_d为空域高斯函数的标准差，其值取决于邻域Ω_i,j的大小，σ_d＝N/1.5；σ_r(i,j)为灰度值高斯函数的标准差，其值取决于Ω_i,j内每个像素值的灰度值，具体计算如下：

${\mathrm{\σ}}_{r[i,j]}^2=\frac{\underset{k=i-N}{\overset{i+N}{\mathrm{\Σ}}}\underset{l=j-N}{\overset{j+N}{\mathrm{\Σ}}}{g}^2(k,l)}{{(2*N+1)}^2}-{\left(\frac{\underset{k=i-N}{\overset{i+N}{\mathrm{\Σ}}}\underset{l=j-N}{\overset{j+N}{\mathrm{\Σ}}}g(k,l)}{{(2*N+1)}^2}\right)}^2---\left(4\right)$

然后，对上一步处理后的图像进行限制对比度自适应直方图均衡化，重新分布矿石图像的亮度，增强矿石图像的对比度，即增强目标矿石的边缘并减弱矿石内部的凹凸。

将图像f分成面积相等的若干网格，其中每个网格的尺寸为8×8，计算每个网格i的直方图H_i，归一化直方图使直方图的面积等于1。使用预定义的阈值来裁剪直方图的高度，高度阈值设为0.3，将裁剪掉的部分均匀分布到直方图的底部，如图2所示为本发明实施例所举实例中直方图裁剪过程示意图，图中横轴为图像的灰度级，纵轴为概率。限制累积分布函数的斜率，即限制变换函数的斜率。

重分布过程会导致修改过的直方图高度重新超过了裁剪值，重复裁剪超出的部分，P_i(r)为直方图H_i中灰度值为r的概率，f(x,y)为输入图像在对应网格内像素的任一灰度值，其图像均衡化的灰度变换函数为：

$f_{\mathrm{en}}(x,y)=T\left(f(x,y)\right)=\left(\mathrm{int}\right)(255\×{\∫}_0^{f(x,y)}{p}_i\left(w\right)\mathrm{dw})---\left(5\right)$

步骤12：对预处理后的图像进行矿石种子区域提取，去除小目标与伪目标，并对预处理后的图像进行矿石边界提取；

在该步骤中，对预处理后的图像进行矿石边界提取的具体过程为：

对预处理后的图像进行Sobel边缘增强，再对该图像进行形态学梯度边缘增强，由于该图像中的矿石区域比较亮，而非矿石区域比较暗，尤其是矿石周边区域很暗，所以对该图像进行反色处理；

将上述三种处理方法进行按位或运算，生成一幅边缘增强图，以进行矿石边界提取。

举例来说，首先对图像f_en(i,j)进行Sobel边缘增强，进行如下计算：

$f_{\mathrm{sobel}}(i,j)=\sqrt{f_i{(i,j)}^2+f_j{(i,j)}^2}---\left(6\right)$

其中

f_i(i,j)＝(z₇+2z₈+z₉)-(z₁+2z₂+z₃) (7)

f_j(i,j)＝(z₃+2z₆+z₉)-(z₁+2z₄+z₇) (8)

z₁～z₉为f_en(i,j)的邻域像素，图像f_en(i,j)的3*3邻域(z是灰度值)表示为如下矩阵：

$\left[\begin{array}{ccc}{z}_1& z_2& z_3\\ z_4& f_{\mathrm{en}}(i,j)& z_6\\ z_7& z_8& z_9\end{array}\right]$

然后对图像f_en进行反相操作，由于f_en(i,j)中矿石目标区域较亮，非矿石区域较暗。对图像f_en(i,j)进行反相操作，可以增强矿石区域的边界，具体公式如下：

f_invert(i,j)＝255-f_en(i,j) (9)

再对图像f_en进行形态学梯度变换，膨胀运算减去腐蚀运算的形态学处理，以增强边缘，公式表示为：

GRAD(f_en)＝D(f_en)-E(f_en) (10)

E(f_en)对图像f_en进行腐蚀运算，E(f_en)代表对图像f_en进行膨胀运算，梯度运算处理后图像为f_m。

最后将上述三种的处理结果按位或叠加，形成最终的边缘增强图，具体将图像f_sobel，f_invert，f_m中任意位置(i,j)的八位二进制灰度值进行按位或运算得到图像f_grad，具体公式如下：

f_grad＝f_sobel|f_invert|f_m (11)。

另外，上述对预处理后的图像进行矿石种子区域提取，去除小目标与伪目标的具体过程为：

首先对预处理后的图像进行自适应二值化，实现矿石种子区域与非矿石区域的区分；

再进行形态学开运算，断开矿石种子区域之间的连接，并寻找白色矿石区域的轮廓，计算轮廓的面积，并去除面积小于一定阈值的矿石种子；

将二值化处理后的图像与所述预处理后的图像进行按位与操作，由于预处理后的图像中矿石区域比较亮，而非矿石区域比较暗，所以位与运算得到的图像中比较暗的区域一定是非种子区域，将这幅图像进行Otsu二值化，去除非种子区域。

举例来说，首先对预处理后的图像进行自适应二值化，对矿石图像中每一个像素进行二值化，所选阈值为其邻域像素值的平均值；其邻域为以目标像素点为中心的7*7的矩形，大于阈值为目标像素，小于阈值为背景像素，结果为f_b。

在进行形态学开运算，经自适应二值化后的矿石图像中矿石目标粘连严重，为断开相邻的矿石目标之间的连接，对此图像进行形态学开运算；

开运算为先腐蚀后膨胀的形态学处理过程，公式表示为：

OPEN(f_b)＝D(E(f_b)) (12)

E(f_b)对图像f_b进行腐蚀运算，D(E(f_b))代表对腐蚀后图像进行膨胀运算，开运算处理后的图像为f_open。

进一步再去除伪目标，上一步的结果图像f_open是一幅矿石种子区域之间连接断开的二值图像，f_open可能包含一些非矿石种子区域，这些非矿石种子区域往往偏小或者处在f_en中较暗的区域中。寻找这些白色矿石种子区域的轮廓，计算轮廓的面积，并去除面积小于一定阈值的矿石种子，结果图像为f_large。

将图像f_large和f_en的任意一个位置(i,j)的两个八位二进制灰度值进行按位与运算得到图像f_add，具体表达式为：

f_add＝f_large&f_en (13)

图像f_add中比较暗的区域一定是非种子区域，对f_add进行Otsu二值化，这样就去掉了亮度比较暗的非种子区域。

这里，Otsu二值化法是根据类间方差选择一个最佳阈值，将原始灰度图像转化为二值图像，分割阈值为t时，将像素分为两类，概率分别为ω₁(t)和ω₂(t)，M₁(t)和M₂(t)代表每一类的平均灰度级，M_T代表所有像素的平均灰度级。

$M_T=\frac{{\mathrm{\&omega;}}_1\left(t\right)M_1\left(t\right)+{\mathrm{\&omega;}}_2\left(t\right)M_2\left(t\right)}{{\mathrm{\&omega;}}_1\left(t\right)+{\mathrm{\&omega;}}_2\left(t\right)},0\&le;t<l---\left(14\right)$

下式中代表两类间的最大方差，定义为：

$\begin{array}{c}{\mathrm{\&sigma;}}_B^2\left(t\right)={\mathrm{\&omega;}}_1\left(t\right){(M_1\left(t\right)-M_T)}^2+{\mathrm{\&omega;}}_2\left(t\right){(M_2\left(t\right)-M_T)}^2\\ =\frac{{\mathrm{\&omega;}}_1\left(t\right){\mathrm{\&omega;}}_2\left(t\right){(M_1\left(t\right)-M_2\left(t\right))}^2}{{\mathrm{\&omega;}}_1\left(t\right)+{\mathrm{\&omega;}}_2\left(t\right)}\end{array}---\left(15\right)$

计算使取得最大值的分割阈值t，将图像处理为黑白二值图，这样就得到了矿石目标的的种子图f_seed。

步骤13：基于标记的分水岭变换对矿石图像进行分割，得到单个矿石的区域；

在该步骤中，具体是将矿石种子在矿石边界图上生长，也就是以提取后的矿石种子区域作为种子，以边界提取处理后的的边缘增强图作为边界，基于标记的分水岭变换对矿石图像进行分割，得到单个矿石的区域。

举例来说，将上述边缘增强后的边界图像f_grad看成是一个地形图，这样f_grad中每个矿石区域内部都比较暗，可以看成一个个汇聚盆地，而矿石的边界及非矿石区域比较亮，可以看成山峰。

假设在每个区域最小值位置，即f_seed所标记的位置，打个洞，让水以均匀的速度上升，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，在它们之间修建大坝阻止聚合，这个大坝就是分水岭的分割线。

本实施例中将f_seed图像所标记的种子作为水的发源地，在边界图f_grad所对应的位置上向四周生长，直到边界或者另一个水源地生长的边缘停止，这样就得到了分割结果图f_segment。计算每一个矿石的面积与周长，为矿石粒度计算做准备。

步骤14：利用矿石粒度模型计算各个矿石的粒度，并给出矿石粒度分布统计图。

在该步骤中，矿石粒度计算是从矿石的面积及周长的二维信息，计算矿石的三维信息即矿石的体积。

举例来说，从上述结果图像f_segment，我们可以计算出各个矿石的面积s，及周长p。

建立矿石粒度的数学模型：

V＝d×s (16)

其中V是矿石的体积即粒度，s是矿石的面积，d是矿石的等效粒径。其中矿石等效粒径d是矿石最佳匹配椭圆的最大半径和最小半径的函数：

$d=1.16\&times;b\&times;\sqrt{1.35\&times;a/b}---\left(17\right)$

a是最佳匹配椭圆的最大半径，b是最佳匹配椭圆的最小半径。而矿石的最佳匹配椭圆参数是矿石面积s与周长p的函数。

$a=0.5\&times;(\frac{p}{\mathrm{\&pi;}}+\sqrt{\frac{p^2}{{\mathrm{\&pi;}}^2}-\frac{4s}{\mathrm{\&pi;}}})---\left(18\right)$

$b=0.5\&times;(\frac{p}{\mathrm{\&pi;}}-\sqrt{\frac{p^2}{{\mathrm{\&pi;}}^2}-\frac{4s}{\mathrm{\&pi;}}})---\left(19\right)$

进一步的，矿石的粒度V与矿石面积s与周长p的关系如下：

$V=1.16\&times;0.5\&times;s\&times;(\frac{p}{\mathrm{\&pi;}}-\sqrt{\frac{p^2}{{\mathrm{\&pi;}}^2}-\frac{4s}{\mathrm{\&pi;}}})\&times;\sqrt{1.35\&times;(\frac{p}{\mathrm{\&pi;}}+\sqrt{\frac{p^2}{{\mathrm{\&pi;}}^2}-\frac{4s}{\mathrm{\&pi;}}})/(\frac{p}{\mathrm{\&pi;}}-\sqrt{\frac{p^2}{{\mathrm{\&pi;}}^2}-\frac{4s}{\mathrm{\&pi;}}})---\left(20\right)}$

其中p为矿石的周长。s为矿石的面积。

综上所述，通过上述实施例的步骤，就可以对矿石图像中的矿石进行准确、有效分割，并有效计算矿石粒度。

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 (5)

1.一种矿石传送过程中的粒度检测方法，其特征在于，所述方法包括：

使用图像预处理技术对采集到的矿石图像进行去噪处理，并增强所述矿石图像的对比度；

对预处理后的图像进行矿石种子区域提取，去除小目标与伪目标，并对预处理后的图像进行矿石边界提取；

基于标记的分水岭变换对矿石图像进行分割，得到单个矿石的区域；

利用矿石粒度模型计算各个矿石的粒度，并给出矿石粒度分布统计图。

2.根据权利要求1所述矿石传送过程中的粒度检测方法，其特征在于，所述使用图像预处理技术对采集到的矿石图像进行去噪处理，并增强所述矿石图像的对比度，具体包括：

对采集到的矿石图像进行自适应双边滤波，得到一幅去除噪声的同时保留完整矿石边界的图像；

对该滤波处理后的图像进行限制对比度的自适应直方图均衡化，以重新分布该图像的亮度，增强矿石区域的亮度，并降低非矿石区域的亮度，同时增强该图像的局部对比度，强化矿石的边缘。

3.根据权利要求1所述矿石传送过程中的粒度检测方法，其特征在于，所述对预处理后的图像进行矿石边界提取，具体包括：

对预处理后的图像进行Sobel边缘增强，再对该图像进行形态学梯度边缘增强，并对该图像进行反色处理；

将上述三种处理方法进行按位或运算，生成一幅边缘增强图，以进行矿石边界提取。

4.根据权利要求1所述矿石传送过程中的粒度检测方法，其特征在于，对预处理后的图像进行矿石种子区域提取，去除小目标与伪目标，具体包括：

对预处理后的图像进行自适应二值化，实现矿石种子区域与非矿石区域的区分；

再进行形态学开运算，断开矿石种子区域之间的连接，并寻找白色矿石区域的轮廓，计算轮廓的面积，并去除面积小于一定阈值的矿石种子；

将二值化处理后的图像与预处理后的图像进行按位与操作，将操作处理后的图像进行Otsu二值化，以去除非种子区域。

5.根据权利要求1所述矿石传送过程中的粒度检测方法，其特征在于，所述基于标记的分水岭变换对矿石图像进行分割，具体包括：

以提取后的矿石种子区域作为种子，并以边界提取处理后的的边缘增强图作为边界，基于标记的分水岭变换对矿石图像进行分割。