CN104463199A - 基于多特征及分割再校正的矿岩块度分类方法 - Google Patents

Abstract

本发明涉及一种基于多特征及分割再校正的矿岩块度分类方法，包括以下步骤：步骤1：对原始矿岩块度图像进行切割分块生成大小为64×43的子块图像；步骤2：对所述子块图像进行颜色特征提取；步骤3：对所述子块图像进行纹理特征提取；步骤4：对所述颜色特征和所述纹理特征进行特征选择；步骤5：采用支持向量机SVM进行分类器的设计，完成对所述子块图像的粗分类；步骤6：对所述原始矿岩块度图像进行分水岭分割并将获得的每一个岩块区域记为blob；步骤7：在分割基础上，对所述粗分类得到的结果进行校正调整以改进分类性能得到最终分类结果。本发明所述的分类方法综合不同分类算法，效率高、准确率高、成本低且满足采矿现场的实时性需求。

Description

基于多特征及分割再校正的矿岩块度分类方法

技术领域

本发明涉及一种基于多特征及分割再校正的矿岩块度分类方法。

背景技术

在矿业加工生产过程中，通过爆破开采出来的矿岩块度形状及尺寸大小对后续的生产影响很大, 如: 对生产成本的影响高达30%。通常岩块分类是通过在实验室进行筛分及手工测量的方法来确定。这种传统的人工测量方法具有效率低、准确率低或成本高等问题，且无法满足采矿现场的实时性需求，因此难以适应于现代机械自动化、计算机智能化生产的需要。要克服这些困难，就需要对生产中的监测系统做出改进，将机器视觉及计算机图像处理技术应用在系统中。计算机监测系统可以实时监测岩块类别、大小及形状的分布情况，可以在线反馈信息让生产设备得到及时的调整修复以提高生产质量和效率。

有关岩块分类的机器视觉系统的研究最早开始于上个世纪90年代。Laine.S等人在1995年提出了基于聚类分析的岩块目标的分类技术。刘富强等人2000年提出将计算机图像技术应用于煤矸石的自动分选系统中。Mkwelo S等人在2007年提出了一些提取矿岩的几何形状特征的方法，这些方法都可用于对矿石的分类，根据矿岩的形状特征，实现对岩块分类。Singh 等人于2010年提出了一套基于图像处理和神经网络的玄武岩块分类方法。上述研究解决了基于图像处理技术的岩块分析分类中的部分问题，为工业生产做出了指导，但是其算法的应用范围不够广，需要深入研究，探索更多新的方法，以不断完善和提高识别分类的准确度。同时，复杂的矿岩块图像中岩块众多，大小分布不均匀，相互堆积，而且岩块表面粗糙，容易产生阴影致使图像分类结果不准确，为了准确的描述复杂岩块的特征，需要设计综合运用各种特征的不同分类算法。

发明内容

本发明的主要目的在于提出一套能应用于实时在线系统的矿岩块度的分类方法，该方法是通过提取矿岩块度颜色和纹理特征，采用支持向量机进行粗分类，再基于岩块边界信息通过选举方案来进一步提高分类结果的准确度，本发明所提出的方法能够用于矿岩块度在线分类，也可应用于在线成分分析和排序等领域。

为实现上述目的，本发明采用如下技术方案：一种基于多特征及分割再校正的矿岩块度分类方法，其特征在于包括以下步骤：

步骤1：对所获取的原始矿岩块度图像进行切割分块生成大小为64×43的子块图像；

步骤2：对所述子块图像进行颜色特征提取：采用主成分分析PCA对颜色特征分量RGB进行维数降低；

步骤3：对所述子块图像进行纹理特征提取：采用小波分解分析方法，进行Tamura纹理特征提取；

步骤4：对所述颜色特征和所述纹理特征进行特征选择：采用PCA方法进行特征维数降维；

步骤5：采用支持向量机SVM进行分类器的设计，完成对所述子块图像的粗分类；

步骤6：对所述原始矿岩块度图像进行分水岭分割并将获得的每一个岩块区域记为blob；

步骤7：在分割基础上，对所述粗分类得到的结果进行校正调整以改进分类性能得到最终分类结果。

在本发明一实施例中，在所述步骤1中，对所获取的原始矿岩块度图像进行切割遵循以下原则：各子块图像之间无重叠；每一子块图像只属于一种矿岩类别。

在本发明一实施例中，在所述步骤2中，采用主成分分析PCA对颜色特征分量RGB进行维数降低按如下步骤进行：

步骤a1: 对于所述块子块图像，分别提取其R/G/B三个分量的灰度值，形成三个维数为64×43的颜色矩阵IR、IG和IB，将所述颜色矩阵IR、IG和IB按行堆叠的方式构造成2752×3维的列向量颜色矩阵VRGB；

步骤a2：对所述颜色矩阵VRGB采用PCA方法进行降维处理，分别提取其前2个特征值作为颜色矩阵的特征值，所述子块图像共产生了2×3=6个颜色特征。

在本发明一实施例中，在所述步骤3中，采用小波分解分析方法，进行Tamura纹理特征提取按如下步骤进行：

步骤b1：对所述子块图像进行2级小波分解，小波函数采用Daubechies；

步骤b2：对经2级小波分解得到的共6个高频子块分别计算其Tamura特征的粗糙度、对比度、方向度和粗略度四个分量，共求得24个纹理特征。

在本发明一实施例中，在所述步骤4中，采用PCA方法进行特征维数降维按如下步骤进行：

步骤c1：总维数计算：选取10幅大小为1024×1376的原始矿岩块度图像，每幅原始矿岩块度图像切割成512块大小为64×43的子块图像，所述每个子块图像产生6个纹理特征和24个纹理特征，共形成30×5120维的特征矩阵X；

步骤c2：求所述特征矩阵X的协方差矩阵C；

步骤c3：求所述协方差矩阵C的特征值和特征向量；

步骤c4：将所述特征向量按对应特征值从大到小、按行从上到下排列成矩阵，取前k行组成矩阵P；

步骤c5：计算Y=PX，Y即是通过PCA方法将原始数据X降到k维的结果数据。

在本发明一实施例中，在所述步骤5中，采用支持向量机SVM进行分类器的设计，完成对所述子块图像的粗分类按如下步骤进行：

步骤d1：取3120个子块图像作为训练集，其余的2000个子块图像作为测试集；

步骤d2：支持向量机采用径向基核函数，惩罚因子取为100，采用多个二值分类支持向量机的组合来解决矿岩块多类识别问题；

步骤d3：对所述训练集样本提取颜色特征和纹理特征，采用PCA处理后，输入分类器进行两两区分，再分别为之构造分类函数：N类情况下，共构造N(N-1)/2个分类器函数；

步骤d4：将所述分类函数组合起来，通过预测类别的累计决定待测样本的类别。

在本发明一实施例中，在所述步骤6中，对所述原始矿岩块度图像进行分水岭分割按如下步骤进行：

步骤e1：对所述原始矿岩块度图像进行中值滤波去噪；

步骤e2：采用最大熵法对去噪后的图像分割；

步骤e3：对分割后的图像进行形态学处理以去噪及孔洞填充；

步骤e4：进行距离变换，找出局部最大值，得到种子图像；

步骤e5：最后对距离变换得到的图像进行基于标记的分水岭分割，得到最终的分割结果。

在本发明一实施例中，在所述步骤7中，对所述粗分类得到的结果进行校正调整按如下步骤进行：

步骤f1：对于所述每个blob，统计位于该blob里的每个子块图像所属的类别分布，称为类别直方图;

步骤f2：找到与最大值MAX相对应的类别值M-C；

步骤f3：当MAX值大于预先设置的阈值T2时，则把该blob里的所有子块图像都划分到类别M-C，T2=0.6。

本发明与现有技术相比具有以下有益效果：

1、本发明将机器视觉及计算机图像处理技术应用在系统中，适应了现代机械自动化、计算机智能化生产的需求；

2、本发明可直接应用于采矿现场，满足了实时性需求；

3、本发明避免了人工测量，工作效率高、准确率高且成本低；

4、本发明采用了各种特征的不同分类算法，使得图像分类结果更加准确。

附图说明

图1是本发明工作总流程图。

图2是本发明SVM分类器组合下投票判决过程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本发明提供一种基于多特征及分割再校正的矿岩块度分类方法，其特征在于包括以下步骤：

步骤1：对所获取的原始矿岩块度图像进行切割分块生成大小为64×43的子块图像；这里对所获取的原始矿岩块度图像进行切割遵循以下原则：各子块图像之间无重叠；每一子块图像只属于一种矿岩类别，在实际操作过程中往往不可能实现该条件，只能在图像切割的过程中使尽可能多的子块图像只属于一种矿岩类别；每一子块图像的尺寸要小，即小尺寸的子块图像更侧重于提供岩块有关局部的纹理特征（中高频纹理分量），这些特征与矿岩块度分类直接相关。按照上述分割原则，如对于1024×1376的原始矿岩图像，可切割成512块的大小为64×43的子块图像，以下就以此为例进行分析。

步骤2：对所述子块图像进行颜色特征提取：采用主成分分析PCA对颜色特征分量RGB进行维数降低，按如下步骤进行：

    步骤a1: 对于所述块子块图像，分别提取其R/G/B三个分量的灰度值，形成三个维数为64×43的颜色矩阵IR、IG和IB，将所述颜色矩阵IR、IG和IB按行堆叠的方式构造成2752×3维的列向量颜色矩阵VRGB；

    步骤a2：对所述颜色矩阵VRGB采用PCA方法进行降维处理，分别提取其前2个特征值作为颜色矩阵的特征值，所述子块图像共产生了2×3=6个颜色特征；

步骤3：对所述子块图像进行纹理特征提取：采用小波分解分析方法，进行Tamura纹理特征提取，按如下步骤进行：

    步骤b1：对所述子块图像进行2级小波分解，小波函数采用Daubechies（其中N=5）；

步骤b2：对经2级小波分解得到的共6个高频子块分别计算其Tamura特征的粗糙度、对比度、方向度和粗略度四个分量，共求得24个纹理特征。

其中粗糙度                                                按如下步骤进行，设子块图像为Sub(i,j)。

（1）计算子块图像中大小为个的窗口中像素的平均灰度值：

         ，这里k取5。

（2）对于每个像素，分解计算它在水平和垂直方向上互不重叠的窗口之间的平均灰度差：

，

根据使得或取最大值的k值设置最佳尺寸。

（3）按下面公式计算粗糙度：

；

其中纹理特征的对比度的计算公式如下：

，其中是子块图像的四次矩， 是其方差；

其中纹理特征的粗略度的计算公式如下：

。

其中纹理特征的方向度按如下步骤进行计算。

（1）按如下公式计算每个像素点的梯度（模与方向）：

。

（2）按如下公式构造用于表达值的直方图：

其中为当时，时像素的数量，st为给定的阈值取（st=12），n 为方向角度的量化等级（n=16）。

（3）计算方向度：

       ，

其中，p代表直方图中的峰值，为直方图中峰值的数目。对于某个峰值p，代表该峰值包含的量化值范围，是中具有最大直方图值的量化数值。

步骤4：对所述颜色特征和所述纹理特征进行特征选择：采用PCA方法进行特征维数降维，按如下步骤进行：

步骤c1：总维数计算：选取10幅大小为1024×1376的原始矿岩块度图像，每幅原始矿岩块度图像切割成512块大小为64×43的子块图像，所述每个子块图像产生6个纹理特征和24个纹理特征，共形成30×5120维的特征矩阵X；

步骤c2：求所述特征矩阵X的协方差矩阵C；

步骤c3：求所述协方差矩阵C的特征值和特征向量；

步骤c4：将所述特征向量按对应特征值从大到小、按行从上到下排列成矩阵，取前k行组成矩阵P；

步骤c5：计算Y=PX，Y即是通过PCA方法将原始数据X降到k维的结果数据。   

步骤5：采用支持向量机SVM进行分类器的设计，完成对所述子块图像的粗分类，按如下步骤进行：

步骤d1：取3120个子块图像作为训练集，其余的2000个子块图像作为测试集；

步骤d2：支持向量机采用径向基核函数，惩罚因子取为100，采用多个二值分类支持向量机的组合来解决矿岩块多类识别问题；采用非线性的支持向量机，其分类函数为：

，

取径向基（RBF）核函数为：；

步骤d3：对训练集样本提取颜色特征和纹理特征，并采用PCA处理后，输入分类器进行两两区分，再分别为之构造分类函数（N类情况下，共构造N(N-1)/2个分类器函数）；

步骤d4：将分类函数组合起来，通过预测类别的累计决定待测样本的类别；具体按如下步骤进行（图2给出了其投票判决过程）：

步骤d4.1：假设N=6，分别表示为A/B/C/D/E/F类矿岩；则初始化：

；

步骤d4.2：进行预测类别累计：如果用训练集(A,B)得到的分类器将xi判定为A类，则vote(A)=vote(A)+1，否则vote(B)=vote(B)+1；如果使用(A,C)训练的分类器将xi判定为A类，则vote(A)=vote(A)+1,否则vote(C)=vote(C)+1；……;如果使用(E,F)训练的分类器将xi判定为E类，则vote(E)=vote(E)+1,否则vote(F)=vote(F)+1；

步骤d4.3：取最大值：

，将样本判为最大值所对应的类别，完成最终分类，如果有两个相等的最大值，则任意取一个作为最终的类别。

步骤6：对所述原始矿岩块度图像进行分水岭分割并将获得的每一个岩块区域记为blob，按如下步骤进行：

步骤e1：将原始图像转换为灰度图像并进行中值滤波去噪；中值滤波窗口取5×5；

步骤e2：采用最大熵法分割原始矿岩灰度图像，按如下步骤执行最大熵法阈值分割：

（1）计算图像各灰度值i出现的概率；

（2）假设通过阈值T1将图像分为两部分目标区域A及背景区域B， 计算目标区域A和背景区域B的概率分别为：;  ；

（3）分别计算目标区域和背景区域的熵：

其中：，，；

（4）计算整幅图像的目标区域和背景区域的熵的总和：

；

（5）计算当φ(T)取最大值时的T1值；

（6）以T1作为阈值对原始图像进行分割，得到分割后的矿岩图像。

步骤e3：对分割后的图像进行形态学处理以去噪及孔洞填充等；形态学处理包括腐蚀、膨胀和闭运算等；

步骤e4：进行距离变换，找出局部最大值，得到种子图像；

步骤e5：最后对距离变换得到的图像进行基于标记的分水岭分割，得到最终的分割结果。

步骤7：在分割基础上，对所述粗分类得到的结果进行校正调整以改进分类性能得到最终分类结果，按如下步骤进行：

步骤f1：对于每个blob，统计位于该blob里的每个子块图像所属的类别分布，称为类别直方图;

步骤f2：找到具有最大值MAX的对应的类别值M-C；

步骤f3：当MAX值大于预先设置的阈值T2时，这里阈值T2是根据最大值与blob里所有子块图像数目的比值定义的，本方法中取0.6，则把该blob里的所有子块图像都划分到类别M-C。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。 

Claims (8)

1.一种基于多特征及分割再校正的矿岩块度分类方法，其特征在于包括以下步骤：

步骤1：对所获取的原始矿岩块度图像进行切割分块生成大小为64×43的子块图像；

步骤2：对所述子块图像进行颜色特征提取：采用主成分分析PCA对颜色特征分量RGB进行维数降低；

步骤3：对所述子块图像进行纹理特征提取：采用小波分解分析方法，进行Tamura纹理特征提取；

步骤4：对所述颜色特征和所述纹理特征进行特征选择：采用PCA方法进行特征维数降维；

步骤5：采用支持向量机SVM进行分类器的设计，完成对所述子块图像的粗分类；

步骤6：对所述原始矿岩块度图像进行分水岭分割并将获得的每一个岩块区域记为blob；

步骤7：在分割基础上，对所述粗分类得到的结果进行校正调整以改进分类性能得到最终分类结果。

2.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤1中，对所获取的原始矿岩块度图像进行切割遵循以下原则：各子块图像之间无重叠；每一子块图像只属于一种矿岩类别。

3.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤2中，采用主成分分析PCA对颜色特征分量RGB进行维数降低按如下步骤进行：

步骤a1: 对于所述块子块图像，分别提取其R/G/B三个分量的灰度值，形成三个维数为64×43的颜色矩阵IR、IG和IB，将所述颜色矩阵IR、IG和IB按行堆叠的方式构造成2752×3维的列向量颜色矩阵VRGB；

步骤a2：对所述颜色矩阵VRGB采用PCA方法进行降维处理，分别提取其前2个特征值作为颜色矩阵的特征值，所述子块图像共产生了2×3=6个颜色特征。

4.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤3中，采用小波分解分析方法，进行Tamura纹理特征提取按如下步骤进行：

步骤b1：对所述子块图像进行2级小波分解，小波函数采用Daubechies；

步骤b2：对经2级小波分解得到的共6个高频子块分别计算其Tamura特征的粗糙度、对比度、方向度和粗略度四个分量，共求得24个纹理特征。

5.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤4中，采用PCA方法进行特征维数降维按如下步骤进行：

步骤c1：总维数计算：选取10幅大小为1024×1376的原始矿岩块度图像，每幅原始矿岩块度图像切割成512块大小为64×43的子块图像，所述每个子块图像产生6个纹理特征和24个纹理特征，共形成30×5120维的特征矩阵X；

步骤c2：求所述特征矩阵X的协方差矩阵C；

步骤c3：求所述协方差矩阵C的特征值和特征向量；

步骤c4：将所述特征向量按对应特征值从大到小、按行从上到下排列成矩阵，取前k行组成矩阵P；

步骤c5：计算Y=PX，Y即是通过PCA方法将原始数据X降到k维的结果数据。

6.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤5中，采用支持向量机SVM进行分类器的设计，完成对所述子块图像的粗分类按如下步骤进行：

步骤d1：取3120个子块图像作为训练集，其余的2000个子块图像作为测试集；

步骤d2：支持向量机采用径向基核函数，惩罚因子取为100，采用多个二值分类支持向量机的组合来解决矿岩块多类识别问题；

步骤d3：对所述训练集样本提取颜色特征和纹理特征，采用PCA处理后，输入分类器进行两两区分，再分别为之构造分类函数：N类情况下，共构造N(N-1)/2个分类器函数；

步骤d4：将所述分类函数组合起来，通过预测类别的累计决定待测样本的类别。

7.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤6中，对所述原始矿岩块度图像进行分水岭分割按如下步骤进行：

步骤e1：对所述原始矿岩块度图像进行中值滤波去噪；

步骤e2：采用最大熵法对去噪后的图像分割；

步骤e3：对分割后的图像进行形态学处理以去噪及孔洞填充；

步骤e4：进行距离变换，找出局部最大值，得到种子图像；

步骤e5：最后对距离变换得到的图像进行基于标记的分水岭分割，得到最终的分割结果。

8.根据权利要求1所述的矿岩块度分类方法，其特征在于：在所述步骤7中，对所述粗分类得到的结果进行校正调整按如下步骤进行：

步骤f1：对于所述每个blob，统计位于该blob里的每个子块图像所属的类别分布，称为类别直方图;

步骤f2：找到与最大值MAX相对应的类别值M-C；

步骤f3：当MAX值大于预先设置的阈值T2时，则把该blob里的所有子块图像都划分到类别M-C，T2=0.6。