CN104268600A - 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 - Google Patents

Abstract

本发明公开了一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，通过获取矿物泡沫浮选不同工况下的泡沫图像样本，将图像样本进行预处理；然后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，利用统计获得各泡沫尺寸以确定Minkowski距离公式中参数，并建立泡沫图像的复杂网络模型，计算其能量和熵，作为泡沫图像纹理描述指标；最后利用得到的泡沫图像纹理指标作为图像样本的特征向量，训练线性判别式分类器，从而对测试图像样本进行分类，识别实时浮选过程工况。本发明方法计算简单、分类准确率高，可用于矿物浮选泡沫图像的纹理特征提取、分类识别及浮选过程工况的实时监控。

Description

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

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：

步骤a，对于泡沫图像使用公式f(x,y)＝0.3R+0.59G+0.11B进行灰度化处理，其中R为原图像的红色分量，G为绿色分量，B为蓝色分量；f(x,y)为得到的泡沫灰度图像；从浮选现场获取的泡沫图像经过灰度化后的图像f(x,y)可用二维像素矩阵表示设图像的像素大小为α*β，即 $f(x,y)=\left[\begin{array}{ccccc}f\left(\mathrm{0,0}\right)& f\left(\mathrm{0,1}\right)& ...& ...& f(0,\mathrm{\β})\\ f\left(1.0\right)& f\left(\mathrm{1,1}\right)& ...& ...& f(1,\mathrm{\β})\\ \·& & & & \·\\ \·& & & & \·\\ \·& & & & \·\\ \·& & & & \·\\ \·& & & & \·\\ \·& & & & \·\\ f(\mathrm{\α},0)& f(\mathrm{\α},1)& ...& ...& f(\mathrm{\α},\mathrm{\β})\end{array}\right],,$ 矩阵中的元素代表图像中该点的像素值；

步骤b，对灰度化后的泡沫图像使用公式进行灰度增强处理，其中f(x,y)是原图像中坐标为(x,y)的像素点的像素值，g(x,y)是该像素点灰度增强后的像素值；a,b分别为原图像像素灰度的最小值和最大值，c,d分别为灰度增强后图像像素灰度的最小值和最大值；原图像的灰度级范围经过灰度增强处理由[a,b]拓展到[c,d]；

步骤c，对灰度增强后的图像使用均值滤波的方法进行图像滤波处理，其算法为：使用一个3*3的模板 $\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$ 在图像中移动，累加模板覆盖的9个像素点的像素值，得到的累积和除以模板中像素点的个数，公式为其中z_i为原图像中被模板覆盖的像素点的像素值，h(x,y)为经过滤波后图像该像素点的像素值，将此值作为模板中间点对应的图像像素点的像素值。

步骤3为：

分别取步骤2得到的预处理后泡沫图像像素矩阵的前100个最大特征值，从大到小排列；

采用分水岭分割算法对泡沫图像进行分割，统计分割得到各个泡沫的所包含像素点个数作为泡沫的尺寸；

计算整幅图像泡沫尺寸的均值

使用公式确定Minkowski距离公式中参数p取值；其中m_Size是整幅图像泡沫尺寸的均值，max_Size和min_Size分别是矿物浮选泡沫尺寸的最大值和最小值，该数据可以从相关浮选生产过程的历史数据分析得到；

步骤4中，泡沫图像复杂网络建模的具体步骤为:

将泡沫图像中像素点看作复杂网络的节点；

对于图像中任意两个坐标分别为(x,y)和(x,,y,)，像素值分别为I(x,y)和I(x,,y,)的像素点，若满足约束 $\sqrt[p]{{(x-x^{,})}^p+{(y-y^{,})}^p}\≤r$ 和 $\frac{{(x-x^{,})}^p+{(y-y^{,})}^p+r^p\frac{|I(x,y)-I(x^{,},y^{,})|}{L}}{r^p+r^p}\≤t,$ 则认为这两点为相似像素点，对应的复杂网络中的节点为相似节点；

其中参数r为相似像素点搜素半径，定义r＝4，可避免算法的时间复杂度过高；t刻画相似像素点视觉特征差异阈值，t＝m_gvalue/L m_gvalue为该图像像素灰度均值；L为该图像的最大灰度级，p为Minkowski距离公式参数，其取值由步骤3确定，随着p值增大相似像素点的搜索范围逐渐增大；

复杂网络中两个相似节点间通过一条边无向相连；

遍历该图像中所有像素点，确定该图像中所有的相似像素点，将图像的像素点作为复杂网络模型的节点，联接两个相似节点间的边作为复杂网络模型的边，生成一个复杂网络模型G＝(V,E)；

其中V为复杂网络节点的集合，E为复杂网络边的集合。

步骤4中，使用复杂网络的分析方法提取纹理描述指标的具体步骤为：

对一个由图像建立的复杂网络模型，根据公式计算出该复杂网络的度分布p(n)，其中h(n)为该复杂网络中度为n的节点总数，N为该复杂网络节点总数；

使用公式求出该复杂网络的能量值Energy，其中m＝max(k(i))，即该复杂网络节点最大度值；

使用公式求出该复杂网络的熵值Entropy，其中m＝max(k(i))，即该复杂网络节点最大度值。

步骤5中，使用线型判别式分析法，即Linear Discriminant Analysis(LDA)，对图像及浮选工况进行识别具体步骤为：

步骤a，对于训练样本库中的各种工况下的泡沫图像，根据步骤2、步骤3和步骤4方法，求出各自的纹理描述指标，构成样本的特征向量x用于线性判别式分析法分类，即x＝[Energy,Entropy]；由Fisher准则得到特征向量x的最佳投影方向w，其中w^T为w的转置向量；使用公式y＝w^Tx求出特征向量x的最佳投影，构成训练样本集；

步骤b，对于测试图像样本使用步骤2、步骤3和步骤4的方法，求出纹理描述指标，构成测试图像样本的特征向量x用于LDA分类，即x＝[Energy,Entropy]；使用公式y＝w^Tx求出测试图像样本特征向量x的最佳投影y；

步骤c，根据最近邻准则使用公式找到与测试图像样本距离最近的工况中心，即为测试图像样本对应的工况；y是测试图像样本在最佳投影方向上的投影；是第i类工况对应的泡沫图像特征向量最佳投影的均值向量，即该工况的工况中心；为两个向量的欧氏距离。

由图像所属类别确定实时的浮选工况。

有益效果：

本发明所述的基于Minkowski距离的矿物泡沫浮选图像纹理分析及工况识别方法，针对复杂矿物浮选泡沫图像，将Minkowski距离和复杂网络理论应用到泡沫图像特征分析中，在识别泡沫图像相似像素点时，只需改变Minkowski距离的参数p，就可根据泡沫尺寸大小动态的确定搜索范围，保证了不同泡沫尺寸图像中的像素点能够在自适应寻找其相似像素点，降低了算法的时间复杂度；采用复杂网络建模方法，建立浮选泡沫图像的复杂网络模型，快速准确地刻画泡沫图像的纹理特征，利用线性判别式分析法进行快速识别图像类别，实现了浮选工况的实时预测，便于准确指导浮选过程的操作。与现有的灰度共生矩阵法、局部二进制方差法和基于图像纹理分析方法相比，本发明准确刻画浮选泡沫图像的纹理特征，适合复杂工业过程的建模及监控要求。

附图说明

图1为基于Minkowski距离的矿物浮选浮选泡沫图像纹理分析及工况识别方法流程图；

图2为铜矿浮选粗选过程四种不同工况的泡沫图像示意图；

图3为泡沫图像的复杂网络纹理建模过程图；

图4为灰度共生矩阵方法(a)、基于欧式距离的复杂网络分析方法(b)和本发明方法(c)提取的铜矿浮选粗选生产不同工况下的泡沫图像纹理特征指标分布图。

具体实施方式

本发明一种基于Minkowski距离提取纹理特征的矿物浮选泡沫图像分类方法流程如图1所示，下面将本方法应用到铜矿浮选粗选过程的泡沫图像纹理特征提取和工况识别：

本方法分为离线处理和在线处理两个过程，其中离线过程主要目的是建立泡沫图像样本库并训练分类器，在线过程主要目的是采用离线过程训练好的分类器对测试图像样本进行分类并识别实时的浮选工况。

步骤1：根据生产监控系统历史数据库获取各种浮选工况下的泡沫图像样本，依据图2所示的A、B、C、D四种不同浮选工况对应的泡沫图像，建立训练图像样本库；其中A类工况为浮选前期，气泡粒径，形状不规则，气泡与气泡之间的边缘不明显，矿化程度高，含泥多，气泡负荷过多，但泡沫尺寸小，速度慢；B类工况气泡表面有价矿物负荷相对较少，气泡较A类增大，但泡沫大小不均，泡沫颜色发黑，夹杂部分大气泡；C类工况为浮选中期，气泡大小适中，气泡上有坚实的有价矿物负荷；D类工况为浮选后期，气泡上有价矿物负荷量大大减少，气泡多为虚泡，不稳定。

步骤2，图像预处理。

(2.1)输入待处理图像；

(2.2)分别提取输入图像的R、G、B三个通道的色彩分量，采用公式f(x,y)＝0.3R+0.59G+0.11B进行灰度化处理；

(2.3)对灰度图像使用公式将原图像的灰度范围[a,b]拓展到[c,d]中,完成对灰度图像的增强处理，其中f(x,y)是原图像中坐标(x,y)像素点的像素值，g(x,y)是该像素点灰度增强后的像素值；

(2.4)使用一个3*3的模板 $\frac{1}{9}\left|\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right|$ 在灰度增强后的图像中移动，利用公式累加模板覆盖的9个像素点的像素值z_i(i＝1…9)，得到的累积和除以模板中像素点的的个数，将此值作为模板中间点对应的图像像素点的像素值，遍历图像中所有像素点，得到滤波后的图像，完成图像预处理。

步骤3，根据分水岭分割得到的泡沫尺寸确定Minkowski距离公式参数p的取值。

(3.1)运用Sobel算子获得预处理的图像A梯度幅值图像G，公式为 $G_X=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right]*A,$ $G_Y=\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*A$ 和 $G=\sqrt{{G_X}^2+{G_Y}^2}$

；

(3.2)对各像素点的梯度由大到小进行排序，相同梯度值的像素点处于同一梯度层；

(3.3)扫描所有梯度相同的像素点，如果像素点已经被标记为属于某一个区域，则将其加入一个先进先出的队列；

(3.4)如果队列非空，则处理第一个元素，扫描其四邻域像素点，如果梯度和邻域相同则用邻域的区域标示符标示该像素点；

(3.5)若该梯度层还有未标示的像素点，则其为新的区域，其标示符的值为标示符加1，并重复(3.4)直到没有新的区域产生，完成分水岭分割；

(3.6)重复(3.3)直到所有梯度层的像素点都被处理；

(3.7)统计图像中不同标示符的个数作为泡沫个数，具有相同标示符的像素点的为各个泡沫的尺寸，计算得到泡沫尺寸的均值m_Size；

(3.8)使用公式确定Minkowski距离公式中参数p取值；其中m_Size是整幅图像泡沫尺寸的均值，max_Size和min_Size分别是特定矿物浮选泡沫尺寸的最大值和最小值，该数据可以从浮选生产过程的历史数据分析得到；

步骤4，建立泡沫图像的复杂网络建模，提取纹理特征。

(4.1)对于泡沫图像中两个坐标为(x,y)和(x,,y,)，对应像素值为I(x,y)和I(x,,y,)的像素点，判断是否满足约束 $\sqrt[p]{{(x-x^{,})}^p+{(y-y^{,})}^p}\≤r$ 和 $\frac{{(x-x^{,})}^p+{(y-y^{,})}^p+r^p\frac{|I(x,y)-I(x^{,},y^{,})|}{L}}{r^p+r^p}\≤t,$ 其中参数r和t为人工设定的经验阈值参数，本方法中其中参数r为相似像素点搜素半径，定义为r＝4；t刻画相似像素点视觉特征差异阈值，t＝m_gvalue/L m_gvalue为该图像像素灰度均值，L为该图像的最大灰度级，p为Minkowski距离公式参数，其取值由步骤3确定，若满足上述约束条件则这两点为相似像素点；

(4.2)使用步骤(4.1)中的方法遍历该泡沫图像中的所有像素点，找出所有相似像素点；

(4.3)将泡沫图像中的像素点作为复杂网络的节点，相似像素点对应的节点间通过一条无向的边相连，由此确定了相应的复杂网络模型中节点及其相互联接关系，完成了泡沫图像的复杂网络建模，根据本发明所述方法建立的复杂网络模型示意图如图3所示；

(4.4)对一个由步骤(4.3)建立的复杂网络模型，根据公式计算出该复杂网络的度分布p(n)，其中h(n)为该复杂网络中度为n节点的总数，N为该复杂网络节点总数；

(4.5)使用公式求出该复杂网络的能量值Energy，其中m＝max(k(i))，即该复杂网络节点最大度值；

(4.6)使用公式求出该复杂网络的熵值Entropy，其中m＝max(k(i))，即该复杂网络节点最大度值。

步骤5，使用线型判别式分析法对图像及浮选工况进行识别具体。

(5.1)对于样本库中的四类泡沫图像，求出各自的纹理描述指标，构成样本的特征向量x用于线性判别式分析法分类，即x＝[Energy,Entropy]；

(5.2)对于每一类图像依次求出如下指标：

类均值向量其中N_i为第i类的样本总数；

总均值向量 $\stackrel{\‾}{x}=\frac{1}{m}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{m}_i\stackrel{\‾}{x_i},i=\mathrm{1,2,3,4}$

总类内离散度矩阵 $S_w=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\underset{x\∈C_i}{\mathrm{\Σ}}(x-\stackrel{\‾}{x_i}){(x-\stackrel{\‾}{x_i})}^{\′},i=\mathrm{1,2,3,4};$

总类间离散度矩阵其中m_i为第i类样本数

根据得到最佳投影向量w；

最佳投影y_i＝w^Tx,i＝1,2,3,4；

(5.3)将由步骤(5.2)得到每一类图像的特征向量最佳投影，分别使用公式计算每一类的类内样本均值即该类工况的工况中心，作为构成训练图像样本特征数据集；

(5.4)对于测试样本，采用步骤(5.2)方法，求出该测试样本的特征向量最佳投影y；

(5.5)根据最近邻准则使用公式找到与测试图像样本距离最近的工况中心，即为测试图像样本对应的工况；y是测试图像样本在最佳投影方向上的投影；是第i类工况对应的泡沫图像特征向量最佳投影的均值向量，即该工况的工况中心；为两个向量的欧氏距离。

应用实例：

本发明采用某铜浮选厂工业现场的泡沫图像进行仿真验证，分别取不同工况下的泡沫图像样本各50幅共200幅，建立训练图像样本库，选取120幅作为测试图像样本，应用本发明和现在有的基于欧氏距离的复杂网络纹理分析方法，灰度共生矩阵方法和局部二进制方差方法进行对比。

仿真1，使用表1中四种方法提取泡沫图像纹理特征，其中前三种方法使用能量和熵作为图像的纹理特征描述指标，使用线性判别式分析法分类器识别工况；局部二进制方差方法采用局部二进制直方图作为图像的纹理特征描述指标，采用直方图匹配法作为分类器。纹理特征分布如图4所示，由于局部二进制直方图为高维向量，这里仅列出前三种方法的纹理特征分布。

由图4可以看出，与现有方法相比，使用本发明方法提取的同类工况下图像纹理特征分布更紧密；

由图4可以看出，与现有方法相比，使用发明方法提取的不同工况下图像纹理特征描述指标分布更分散。

仿真2，分别采用上述四种方法提取的纹理特征对测试图像样本进行分类识别，其中前三种方法使用能量和熵作为图像的纹理特征描述指标，将线性判别式分析法作为分类器；局部二进制方差方法采用局部二进制直方图作为图像的纹理特征描述指标，采用直方图匹配法作为分类器。识别准确率如表1所示；

由表1可以看出与现有方法相比本发明法各类的识别准确率都有所提高，使用本发明方法能够更好的刻画各类泡沫图像的纹理特征，准确地对浮选工况进行识别。

表1不同方法工况识别准确率

纹理特征提取方法	Class A	Class B	Class C	Class D	平均准确率
						局部二进制方差法	75.8％	89.2％	79.5％	77.4％	80.5％
灰度共生矩阵法	82.7％	91.2％	78.4％	80.8％	83.3％
						基于欧氏距离的复杂网络纹理分析方法	80.4％	93.5％	75.3％	78.5％	81.9％
本发明方法	86.7％	95.2％	83.5％	87.2％	88.2％

Claims (7)

1.一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，其特征在于，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；

步骤2：每类工况的图像样本随机选择数量的一半作为训练图像样本，另一半作为测试图像样本，并分别进行预处理包括依次进行的图像灰度化，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：利用步骤3中所得到的参数p的取值，采用泡沫图像复杂网络建模方法建立泡沫图像的复杂网络模型，计算该复杂网络模型的能量和熵，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，利用训练图像样本的特征向量训练线性判别式分类器，从而对测试图像样本进行分类，识别实时浮选工况。

2.根据权利要求1所述的一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，其特征在于，步骤1中，不同工况下的泡沫图像样本的数量不少于50幅图像。

3.根据权利要求1所述的一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，其特征在于，步骤2中预处理包括：，

步骤a，图像灰度化：对于泡沫图像样本使用公式f(x,y)＝0.3R+0.59G+0.11B进行灰度化处理，其中R为原图像的红色分量，G为绿色分量，B为蓝色分量；f(x,y)为得到的泡沫灰度图像；从浮选现场获取的泡沫图像经过灰度化后的图像f(x,y)可用二维像素矩阵表示，设图像的像素大小为α*β，即 $(x,y)=\left[\begin{array}{ccccc}f\left(\mathrm{0,0}\right)& f\left(\mathrm{0,1}\right)& ...& ...& f(0,\mathrm{\β})\\ f\left(1.0\right)& f(1,1)& ...& ...& f(1,\mathrm{\β})\\ .& & & & .\\ .& & & & .\\ .& & & & .\\ .& & & & .\\ .& & & & .\\ .& & & & .\\ f(\mathrm{\α},0)& f(\mathrm{\α},1)& ...& ...& f(\mathrm{\α},\mathrm{\β})\end{array}\right],$ 矩阵中的元素代表图像中该点的像素值；

步骤b，图像增强：对灰度化后的泡沫图像使用公式 $g(x,y)=c+\frac{d-c}{b-a}(f(x,y)-a)$ 进行灰度增强处理，其中f(x,y)是原图像中坐标为(x,y)的像素点的像素值，g(x,y)是该像素点灰度增强后的像素值；a,b分别为原图像像素灰度的最小值和最大值，c,d分别为灰度增强后图像像素灰度的最小值和最大值；原图像的灰度级范围经过灰度增强处理由[a,b]拓展到[c,d]；

步骤c，图像滤波：对灰度增强后的图像使用均值滤波的方法进行图像滤波处理，使用一个3*3的模板 $\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$ 在图像中移动，累加模板覆盖的9个像素点的像素值，得到的累积和除以模板中像素点的个数，公式为其中z_i为原图像中被模板覆盖的像素点的像素值，h(x,y)为滤波后图像该像素点的像素值，将此值作为模板中间点对应的图像像素点的像素值。

4.根据权利要求1所述的一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，其特征在于，步骤3为：

采用基于形态学的分水岭分割算法对泡沫图像进行分割，统计分割得到各泡沫的所包含像素点个数作为泡沫的尺寸，计算整幅图像泡沫尺寸的均值；

使用公式确定Minkowski距离公式中参数p取值；

其中m_Size是整幅图像泡沫尺寸的均值，max_Size和min_Size分别是从相关浮选生产过程的历史数据分析得到的特定矿物浮选泡沫尺寸的最大值和最小值。

5.根据权利要求1所述的一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，其特征在于，步骤4中，泡沫图像复杂网络建模的具体步骤为:

步骤a，将泡沫图像中像素点看作复杂网络的节点：

对于图像中任意两个坐标分别为(x,y)和(x’，y’)，像素值分别为I(x,y)和I(x’,y’)的像素点，若它们满足约束 $\sqrt{{(x-x^{,})}^p+{(y-y^{,})}^p}_p\≤r$ 和 $\frac{{(x-x^{,})}^P+{(y-y^{,})}^p+r^p\frac{|I(x,y)-I(x^{,},y^{,})|}{L}}{r^p+r^p}\≤t,$ 则认为这两点为相似像素点，对应的复杂网络中的节点为相似节点；

其中参数r为相似像素点搜素半径，r＝4；t刻画了相似像素点视觉特征差异阈值，t＝m_gvalue/Lm_gvalue为该图像像素灰度均值；L为该图像的最大灰度级；p为Minkowski距离公式参数，其取值由步骤3确定，随着p值的增大相似像素点的搜索范围逐渐增大；

步骤b，复杂网络中两个相似节点间利用一条边无向相连：

遍历该图像中所有像素点，确定该图像中所有的相似像素点，将图像的像素点作为复杂网络模型的节点，联接两个相似节点间的边作为复杂网络模型的边，生成一个复杂网络模型G＝(V,E)；

其中V为复杂网络节点的集合，E为复杂网络边的集合。

6.根据权利要求1所述的一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法，其特征在于，步骤4中，使用复杂网络的分析方法提取纹理描述指标的具体步骤为：

对一个由图像建立的复杂网络模型，根据公式计算出该复杂网络的度分布p(n)；

其中h(n)为该复杂网络中节点度值为n的节点数目，N为该复杂网络中节点总数；

使用公式求出该复杂网络的能量值Energy，其中m＝max(k(i))，即该复杂网络中节点最大度值；

使用公式求出该复杂网络的熵值Entropy，其中m＝max(k(i))，即该复杂网络中节点最大度值。

7.根据权利1的要求，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，其特征在于，步骤5中，使用线性判别式分析法，即Linear Discriminant Analysis，对图像及浮选工况进行识别的具体步骤为：

步骤a，对于训练样本集中的各种工况下的泡沫图像样本，在求出各自的纹理描述指标后，再构成样本的特征向量x用于线性判别式分析法分类，即x＝[Energy,Entropy]；由Fisher准则得到特征向量x的最佳投影方向w，其中w^T为w的转置向量；使用公式y＝w^Tx求出特征向量x的最佳投影，构成训练样本集；

步骤b，对于测试图像样本，在求出纹理描述指标后，再构成测试样本的特征向量x用于线性判别式分析法分类，即x＝[Energy,Entropy]；使用公式y＝w^Tx求出测试样本特征向量x的最佳投影y；

步骤c，根据最近邻准则，使用公式找到与测试样本距离最近的工况中心，即为测试样本对应的工况；y是测试样本在最佳投影方向上的投影；是第i类工况对应的泡沫图像特征向量最佳投影的均值向量，即该工况的工况中心；为两个向量的欧氏距离。