CN104634265B - 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 - Google Patents

Abstract

本发明公开了一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。通过实时采集矿物浮选槽的泡沫图像，提取浮选槽泡沫层图像的静态特征及动态特征，包括形态、颜色、纹理、速度、稳定度泡沫层视觉特征，构成泡沫层厚度的视觉特征向量。通过对泡沫层厚度视觉特征向量进行异常数据剔除和归一化数据处理，提高数据准确性，采用主成分分析法消除数据冗余、降低向量维数。以降维后的泡沫层视觉特征向量为输入，以泡沫层厚度值为输出，采用正则极限学习机建立泡沫层厚度软测量模型，实现泡沫层厚度的在线实时检测。本发明方法建立的模型有较高的预测精度和泛化性能，解决了浮选泡沫层厚度难以在线测量的问题，为矿物浮选生产过程工艺参数的在线检测提供了新思路。

Description

一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量 方法

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。

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。在矿物浮选生产过程中，浮选槽浮选泡沫层表观特征与浮选过程的工艺指标、操作变量有着密切的联系，不同生产状态下，浮选泡沫层会出现不同形态特征。实际生产中为了提高经济效益和资源利用率，需要实时准确地调整泡沫层厚度、通风量及加药量等操作变量，其中泡沫层厚度作为一种重要的操作变量，在给矿及药剂添加量一定的情况下常观测及调整矿物浮选槽的泡沫层厚度使生产指标(包括品位、回收率等)满足工艺要求。目前对泡沫层厚度的测量主要依靠操作人员肉眼观测，这种控制方法主观性强，缺乏统一标准，很难保证浮选过程的稳定运行。因此，需要研究浮选泡沫层厚度的测量方法，实时自动测量泡沫层厚度，进而为浮选生产过程的监控提供指导信息。

随着机器视觉技术的快速发展，基于机器视觉的矿物浮选过程监控方法已经被广泛应用于浮选过程控制中，大量实验数据表明泡沫层表观特征与浮选泡沫层厚度有着密切的联系，能够准确反映泡沫层厚度。因此，研究一种基于机器视觉的泡沫层厚度软测量方法具有重要的意义。

发明内容

本发明公开了一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。本发明通过提取准确的泡沫图像特征，能够实时测量泡沫层厚度，有较高的预测精度和泛化性能，解决了浮选泡沫层厚度难以在线实时检测的问题。

一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，包含以下步骤：

步骤<1>：获取各种浮选工况下的泡沫图像；

步骤<2>：分别提取泡沫图像的三种静态特征：尺寸、颜色、纹理，提取两种动态特征：速度、稳定度，构建泡沫层厚度软测量的视觉特征向量；

步骤<3>：对图像特征数据进行异常剔除和归一化处理，并采用主成分分析法消除特征数据间冗余，降低特征向量维数；

步骤<4>：利用降维后的图像特征数据，采用正则极限学习机建立矿物浮选泡沫层厚度的软测量模型，实时预测泡沫层厚度。

1.所述的一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，步骤<2>为：

步骤a、使用分水岭分割方法对泡沫图像进行分割处理，统计分割后图像中泡沫的数目及每个泡沫的面积，计算该图像中的泡沫面积均值Size_m和面积方差Size_v作为尺寸特征；

步骤b、提取泡沫图像颜色特征，具体步骤为：将RGB颜色空间的泡沫图像转换到HSI颜色空间，转换过程采用的公式

其中且R为原始图像的红色分量，G为绿色分量，B为蓝色分量，分别计算均值(H_m,S_m,I_m)作为泡沫图像的颜色特征；

步骤c、提取泡沫图像纹理特征，具体步骤为：

(1)利用步骤b的方法转换泡沫图像颜色空间到HSI空间；

(2)建立以颜色为视觉特征的泡沫图像复杂网络模型，将一幅大小为M×M的泡沫图像建立一个由N＝M²个节点组成的复杂网络模型，复杂网络模型节点和图像像素点的映射关系下式

其中i为复杂网路模型的第i个节点，(x，y)为与该节点对应的像素点在像素矩阵中的坐标，round()为取整函数，即该函数处理后的自然数仅保留其整数位；mod(m,n)为取余函数，其表达式为mod(m,n)＝m-n×[m÷n]；

(3)计算步骤(2)建立的复杂网络模型的节点特征差异度，数学表达式为：

其中(x_i,y_i)为第i个节点对应的像素点坐标，刻画节点的空间特征；为第i个节点对应像素点的视觉特征向量，由像素点的H、S、I分量组成；||α||₂为欧式范数，即该幅图像的H、S、I各颜色分量的最大值之和；r为搜索半径，r取值为4；

(4)根据节点特征差异度及阈值函数，在步骤(2)特征差异度小于阈值节点间建立连边，阈值函数数学表达式为：

其中mean_vfeature_i是图像第i个特征的均值，max_vfeature_i是第i个特征的最大值，N是特征向量维数,w_ii为节点i和节点j的连边权重，w_ij＝1表示节点间存在连边，反之则无连边，由此建立泡沫图像的复杂网络模型，该模型利用邻接矩阵W描述其中w_ii为连边权重，N为节点个数；

(5)提取泡沫图像的纹理特征，首先，计算步骤(4)建立的复杂网络节点度和度分布，复杂网络中节点i的度k(i)表示网络中与节点i相连的边的数目；复杂网络的度分布p(n)表示复杂网络中度为n的节点所占的比例，数学表达式为其中N为复杂网络节点总数，h(n)为复杂网络中度为n顶点的总数；然后，根据复杂网络的度分布计算能量Energy和熵Entropy作为图像的纹理特征，数学分别表达式为：

步骤d、提取泡沫层动态特征，具体步骤为：

(1)在相邻泡沫图像序列的第一帧内任意选取矩形区域作为匹配模板，在当前帧搜索最佳匹配位置，匹配准则为

其中f(i,j)和g(i,j)分别表示模板图像和目标图像的子模块；和分别表示模板图像和目标图像的平均灰度值；I和J分别表示模板的尺寸；p和q表示位移量；

(2)在当前帧中寻找使匹配准则取值最大的位置，即最佳匹配位置，利用最佳匹配位置与上一帧中模板位置之差，并根据相邻两帧图像的时间间隔，计算该时刻泡沫的速度Velocity；

(3)根据匹配模板在两帧图像中的不同位置，建立模板位移的关系，并依据此关系，将后一帧图像整体变换到其前一时刻对应的位置，然后计算变换图像和前帧图像的差分，计算出稳定度Stability，其公式表达式为：

其中x_ij1和x_ij2表示两帧图像在(i,j)像素点的灰度值，t'表示稳定度阈值，L表示图像像素点总数；

步骤e，根据步骤a-步骤d提取的泡沫层视觉特征及对应泡沫层厚度Thickness构造10维样本集Z:{(Size_m_i,Size_v_i,H_m_i,S_m_i,I_m_i,Energy_i,Entropy_i,Velocity_i,Stability_i,Thickness_i)|1≤i≤N}，其中N为样本个数。

2.所述的一种基于多元图像特征融合的矿物浮选泡沫层软测量方法，步骤<3>为：

步骤a，对特征数据及泡沫层厚度数据进行预处理，采用拉依达准则剔除异常数据：设样本z_i＝{z_ij}∈Z i＝1,2,...N,j＝1,2,...10，分别计算样本集Z中各维数据的均值根据贝塞尔公式分别计算各维度标准误差若测量值z_ij满足则该数据为异常数据，删除其在样本集Z中对应的样本；

步骤b，对获取的泡沫层视觉特征，采用主成分分析法(PCA)消除特征数据间冗余，降低特征维数，具体步骤为：

(1)将泡沫层视觉特征构成数据矩阵对X进行规范化处理得到标准化矩阵P，处理方法为：

其中

(2)计算矩阵P的相关系数矩阵

其中

(3)计算矩阵R的特征向量λ_i及对应的特征向量e_i,i＝1,2,...9，并按从特征值大到小的顺序排列λ₁≥λ₂≥...≥λ₉，特征向量矩阵就是主成分矩阵；

(4)计算主成分的累计贡献率，数学表达式为：选取累计贡献率达到90％的前k个特征值对应的特征向量作为特征降维后的主成分。

3.所述的一种基于多元图像特征融合的矿物浮选泡沫层软测量方法，步骤<4>中使用正则极限学习机建立泡沫层厚度软测量模型，步骤为：

步骤a、将由步骤<3>得到的N个k维图像特征样本和对应的泡沫层厚度构成训练样本集，其中图像特征x_i构成模型输入矩阵X，泡沫层厚度y_i构成模型输出矩阵Y；

步骤b、设正则极限学习机模型的激励函数为sigmoid函数g(·)，输入节点k个，输出节点1个，隐含节点15个，计算神经网络隐含层输出矩阵H，计算公式为：

其中，ω_i为输入层神经元与第i个隐含层神经元的连接权值；b_i为第i个隐藏节点的阈值；

计算模型输出权值矩阵最终建立正则极限学习机模型，其中I为单位矩阵，H⁺为H的Moore-Penrose广义逆矩阵，λ为体现结构风险和经验风险的比例参数，实际应用过程中通过交叉验证迭代寻优方法确定比例参数λ最优值；

步骤c、结合上述数据预处理方法，将实际矿物泡沫浮选生产中实时采集的浮选槽泡沫层视觉特征作为模型的输入，利用建立的正则极限学习机模型，计算得到实时浮选槽内泡沫层厚度值。

本发明的技术效果在于：针对浮选过程泡沫层厚度难以检测的问题，本发明提出一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。针对泡沫图像纹理难以准确描述的问题，提出了一种基于复杂网络的纹理特征提取方法，并结合其他图像特征构成反映泡沫层厚度的特征向量；采用主成分分析法消除特征数据之间的冗余性和相关性；采用正则极限学习机建立泡沫层厚度软测量模型，实时预测泡沫层厚度。工业数据的验证结果表明，本发明提取的图像特征准确，有较高的预测精度和泛化性能。该方法为浮选泡沫层厚度在线检测提供了新思路，为浮选过程的优化控制提供了依据。

附图说明

图1为基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法流程图；

图2为锑粗选槽的三种不同厚度的泡沫层对应的图像；

图3为基于多元图像特征融合的矿物浮选泡沫层厚度软测量结果图。

具体实施方式

本发明一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法流程如图1所示，下面结合附图和具体实例对本方法做进一步详细描述：

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样本库并建立软测量模型，在线过程主要目的是采用离线过程建立的模型实时软测量浮选泡沫层厚度。

步骤1：获取生产过程历史数据库的不同泡沫层厚度的图像及对应的泡沫层厚度，建立训练样本库。

图2为锑粗选流程三种不同厚度的泡沫层对应的图像，可以直观看出不同厚度泡沫层的图像特征差异很大，主要表现为以下几方面：(1)纹理特征：随着泡沫层厚度的增加图像的纹理越来越粗糙；(2)尺寸特征：随着泡沫层厚度的增加泡沫尺寸逐渐增大；(3)颜色特征：随着泡沫层厚度的增加亮度逐渐增大,色调也发生改变；以上三点特征为泡沫图像的静态特征，不同厚度泡沫层的流动速度、稳定度动态特征也有明显的差异

步骤2图像特征提取，分别提取泡沫图像的三种静态特征：尺寸、颜色、纹理，提取两种动态特征：速度、稳定度，构建泡沫层厚度预测的视觉特征向量：

(2.1)使用分水岭分割方法对泡沫图像进行分割处理，统计分割后图像中泡沫的数目及每个泡沫的面积，计算该图像中的泡沫面积均值Size_m和面积方差Size_v作为尺寸特征，

(2.2)提取泡沫图像颜色特征，具体步骤为：将RGB颜色空间的泡沫图像转换到HSI颜色空间，转换过程采用的公式

其中且R为原始图像的红色分量，G为绿色分量，B为蓝色分量，分别计算均值(H_m,S_m,I_m)作为泡沫图像的颜色特征：

(2.3)提取泡沫图像纹理特征，具体步骤为：

(2.3.1)利用步骤b的方法转换泡沫图像颜色空间到HSI空间；

(2.3.2)建立以颜色为视觉特征的泡沫图像复杂网络模型，将一幅大小为M×M的泡沫图像建立一个由N＝M²个节点组成的复杂网络模型，复杂网络模型节点和图像像素点的映射关系下式

其中i为复杂网路模型的第i个节点，(x，y)为与该节点对应的像素点在像素矩阵中的坐标，round()为取整函数，即该函数处理后的自然数仅保留其整数位；mod(m,n)为取余函数，其表达式为mod(m,n)＝m-n×[m÷n]；

(2.3.3)计算复杂网络模型的节点特征差异度，数学表达式为：

其中(x_i,y_i)为第i个节点对应的像素点坐标，刻画节点的空间特征；为第i个节点对应像素点的视觉特征向量，由像素点的H、S、I分量组成；||α||₂为欧式范数，即该幅图像的H、S、I各颜色分量的最大值之和；r为搜索半径，取值为4；

(2.3.4)根据节点特征差异度及阈值函数，在步骤(2)特征差异度小于阈值节点间建立连边，阈值函数数学表达式为：

其中mean_vfeature_i是图像第i个特征的均值，max_vfeature_i是第i个特征的最大值，N是特征向量维数,w_ii为节点i和节点j的连边权重，w_ij＝1表示节点间存在连边，反之则无连边，由此建立泡沫图像的复杂网络模型，该模型使用邻接矩阵W描述其中w_ii为连边权重，N为节点个数；

(2.3.5)提取泡沫图像的纹理特征，首先，计算步骤(4)建立的复杂网络节点度和度分布，复杂网络中节点i的度k(i)表示网络中与节点i相连的边的数目；复杂网络的度分布p(n)表示复杂网络中度为n的节点所占的比例，数学表达式为其中N为复杂网络节点总数，h(n)为复杂网络中度为n顶点的总数；然后，根据复杂网络的度分布计算能量Energy和熵Entropy作为图像的纹理特征，数学分别表达式为：

(2.4)提取泡沫层动态特征，具体步骤为：

(2.4.1)在相邻泡沫图像序列的第一帧内任意选取矩形区域作为匹配模板，在当前帧搜索最佳匹配位置，匹配准则为

其中f(i,j)和g(i,j)分别表示模板图像和目标图像的子模块；和分别表示模板图像和目标图像的平均灰度值；I和J分别表示模板的尺寸；p和q表示位移量；

(2.4.2)在当前帧中寻找使匹配准则取值最大的位置，即最佳匹配位置，利用最佳匹配位置与上一帧中模板位置之差，并根据相邻两帧图像的时间间隔，计算该时刻泡沫的速度Velocity；

(2.4.3)根据匹配模板在两帧图像中的不同位置，建立模板位移的关系，依据此关系，将后一帧图像整体变换到其前一时刻对应的位置，然后计算变换图像和前帧图像的差分，计算出稳定度Stability，其公式表达式为：

其中x_ij1和x_ij2表示两帧图像在(i,j)像素点的灰度值；t'表示稳定度阈值，L表示图像像素点总数。

(2.5)根据(2.1)-(2.4)提取的泡沫层视觉特征及对应泡沫层厚度Thickness构造10维样本集Z:{(Size_m_i,Size_v_i,H_m_i,S_m_i,I_m_i,Energy_i,Entropy_i,Velocity_i,Stability_i,Thickness_i)|1≤i≤N}其中N为样本个数。

步骤3对图像特征数据进行异常剔除和归一化处理，并采用主成分分析法消除特征数据间冗余，降低特征向量维数：

(3.1)对特征数据及泡沫层厚度数据进行预处理，采用拉依达准则剔除异常数据：设样本z_i＝{z_ij}∈Z i＝1,2,...N,j＝1,2,...10，分别计算样本集Z中各维数据的均值根据贝塞尔公式分别计算各维度标准误差若测量值z_ij满足则该数据为异常数据，删除其在样本集Z中对应的样本；

(3.2)对获取的泡沫层视觉特征，采用主成分分析法(PCA)消除特征数据间冗余，降低特征维数，具体步骤为：

(3.2.1)将泡沫层视觉特征构成数据矩阵对X进行规范化处理得到标准化矩阵P，处理方法为：

其中

(3.2.2)计算矩阵P的相关系数矩阵

其中

(3.2.3)计算矩阵R的特征向量λ_i及对应的特征向量e_i,i＝1,2,...9，并按从特征值大到小的顺序排列λ₁≥λ₂≥...≥λ₉，特征向量矩阵就是主成分矩阵；

(3.2.4)计算主成分的累计贡献率，数学表达式为：选取累计贡献率达到90％的前k个特征值对应的特征向量作为特征降维后的主成分。

步骤4建立泡沫层厚度软测量模型：

(4.1)将N个由步骤3得到的k维图像特征样本和相对应的泡沫层厚度构成训练样本集，其中图像特征x_i构成模型输入矩阵X，泡沫层厚度y_i构成模型输出矩阵Y；

(4.2)设正则极限学习机模型的激励函数为sigmoid函数g(·)，输入节点k个，输出节点1个，隐含节点15个，计算神经网络隐含层输出矩阵H，计算公式为：

其中，ω_i为输入层神经元与第i个隐含层神经元的连接权值；b_i为第i个隐藏节点的阈值；

计算模型输出权值矩阵最终建立正则极限学习机模型，其中I为单位矩阵，H⁺为H的Moore-Penrose广义逆矩阵，λ为体现结构风险和经验风险的比例参数，实际应用过程中通过交叉验证迭代寻优方法确定比例参数λ最优值；

(4.3)结合上述数据预处理方法，将实际矿物泡沫浮选生产中实时采集的浮选槽泡沫层视觉特征作为模型的输入，利用建立的正则极限学习机模型，计算得到实时浮选槽内泡沫层厚度值。

应用实例：

本发明以某金锑浮选厂锑粗选流程为研究对象，取100幅锑粗选泡沫图像及采样时刻的泡沫层厚度进行分析，采用第三部分的特征提取算法提取图像的纹理、形态、颜色和动态特征与泡沫层厚度构成输入/输出数据对，随机选取49组数据对作为训练样本，51组作为测试样本。采用主元分析方法对图像特征数据进行降维处理，选取累计贡献率超过90％的特征作为主元，结果如表1所示，由表1可知选取的主元数为4个，经过主元分析方法降维处理，减少了模型输入的维数。

采用正则极限学习机建立泡沫层厚度软测量模型，其参数为：输入节点4个，输出节点1个，根据经验隐含层节点15个，隐含层激励函数为sigmoid函数，经迭代寻优得到两种风险的比例参数λ＝800。

仿真1，将本发明中的正则极限学习机模型与最小二乘支持向量机(LSSVM)模型，BP神经网络模型软测量结果进行比较分析。采用预测均方根误差RMSE和相对误差E，及训练时间T作为性能评价指标，对比三种模型的性能，其中LSSVM模型使用径向基核函数(RBF)，利用GA算法的全局搜索能力探寻模型中参数C和核函数核宽σ的最优值；BP神经网络模型隐含层激励函数使用sigmoid函数；所有算法都在MATLAB 2010a下运行，仿真结果对比如表2所示。

由表2可知采用正则极限学习机模型进行泡沫层厚度软测量结果的RMSE，E和T值较其他两种方法都有显著减少，说明该模型精度较高能够准确跟踪实际值并且能够满足在线监测实时性的要求。

表1图像特征数据的KPCA分析结果

表2模型的预测结果对比

Claims (3)

1.一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，其特征在于，包含以下步骤：

步骤1：获取各种浮选工况下的泡沫图像；

步骤2：分别提取泡沫图像的三种静态特征：尺寸、颜色、纹理，提取两种动态特征：速度、稳定度，构建泡沫层厚度软测量的视觉特征向量；

步骤3：对图像特征数据进行异常剔除和归一化处理，并采用主成分分析法消除数据间冗余，降低特征向量维数；

步骤4：针对降维后的图像特征数据，采用正则极限学习机建立矿物浮选泡沫层厚度的软测量模型，实时预测泡沫层厚度；

步骤2为：

步骤a、使用分水岭分割方法对泡沫图像进行分割处理，统计分割后图像中泡沫的数目及每个泡沫的面积，计算该图像中的泡沫面积均值Size_m和面积方差Size_v作为浮选泡沫尺寸特征；

步骤b、提取泡沫图像颜色特征，具体步骤为：将RGB颜色空间的泡沫图像转换到HSI颜色空间，转换过程采用的公式

其中且R为原始图像的红色分量，G为绿色分量，B为蓝色分量，分别计算均值(H_m,S_m,I_m)作为泡沫图像的颜色特征；

步骤c、提取泡沫图像纹理特征，具体步骤为：

(1)利用步骤b的方法转换泡沫图像颜色空间到HSI空间；

(2)建立以颜色为视觉特征的泡沫图像复杂网络模型，将一幅大小为M×M的泡沫图像建立一个由N＝M²个节点组成的复杂网络模型，复杂网络模型节点和图像像素点的映射关系如下式

$\left\{\begin{array}{c}i=y+(x-1)M\\ x=round\left(\right(i-1)/M)+1\\ y=\mathrm{mod}\left(\right(i-1),M)+1\end{array}\right.,$

其中i为复杂网路模型的第i个节点，(x，y)为与该节点对应的像素点在像素矩阵中的坐标，round()为取整函数，即该函数处理后的自然数仅保留其整数位；mod(m,n)为取余函数，其表达式为mod(m,n)＝m-n×[m÷n]；

(3)计算步骤(2)建立的复杂网络模型节点特征差异度，数学表达式为：

$d_{ij}=\left\{\begin{array}{cc}\frac{{(x_i-x_j)}^2+{(y_i-y_j)}^2+r^2\frac{\left|\right|\stackrel{\&RightArrow;}{v_i}-\stackrel{\&RightArrow;}{v_j}|{|}_2}{L}}{2r^2}& \sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}\&le;r;\\ 1& otherwise\end{array}\right.,$

其中(x_i,y_i)为第i个节点对应的像素点坐标，刻画节点的空间特征；为第i个节点对应像素点的视觉特征向量，由像素点的H、S、I分量组成；||α||₂为欧式范数，即该幅图像的H、S、I各颜色分量的最大值之和；r为搜索半径，r取值为4；

(4)根据节点特征差异度及阈值函数，在步骤(2)特征差异度小于阈值节点间建立连边，阈值函数数学表达式为：

$w_{ij}={\mathrm{\&delta;}}_T\left(d_{ij}\right)=\left\{\begin{array}{cc}1& if{d}_{ij}<tandi\&NotEqual;j\\ 0& otherwise\end{array}\right.,$

其中mean_vfeature_i是图像第i个特征的均值，max_vfeature_i是第i个特征的最大值，N是特征向量维数,w_ii为节点i和节点j的连边权重，w_ij＝1表示节点间存在连边，反之则无连边，由此建立泡沫图像的复杂网络模型，该模型使用邻接矩阵W描述其中w_ii为连边权重，N为节点个数；

(5)提取泡沫图像的纹理特征，首先，计算步骤(4)建立的复杂网络节点度和度分布，复杂网络中节点i的度k(i)表示网络中与节点i相连的边的数目；复杂网络的度分布p(n)表示复杂网络中度为n的节点所占的比例，数学表达式为其中N为复杂网络节点总数，h(n)为复杂网络中度为n顶点的总数；然后，根据复杂网络的度分布计算能量Energy和熵Entropy作为图像的纹理特征，数学分别表达式为：

步骤d、提取泡沫层动态特征，具体步骤为：

(1)在相邻泡沫图像序列的第一帧内任意选取矩形区域作为匹配模板，在当前帧搜索最佳匹配位置，匹配准则为

$C(p,q)=\frac{\underset{i<I}{\&Sigma;}\underset{j<J}{\&Sigma;}\&lsqb;f(i,j)-\stackrel{\&OverBar;}{f}\&rsqb;\&lsqb;g(i-p,j-q)-\stackrel{\&OverBar;}{g}\&rsqb;}{\sqrt{\underset{i<I}{\&Sigma;}\underset{j<J}{\&Sigma;}{\&lsqb;f(i,j)-\stackrel{\&OverBar;}{f}\&rsqb;}^2}\sqrt{\underset{i<I}{\&Sigma;}\underset{j<J}{\&Sigma;}{\&lsqb;g(i,j)-\stackrel{\&OverBar;}{g}\&rsqb;}^2}},$

其中f(i,j)和g(i,j)分别表示模板图像和目标图像的子模块；和分别表示模板图像和目标图像的平均灰度值；I和J分别表示模板的尺寸；p和q表示位移量；

(2)在当前帧中寻找使匹配准则取值最大的位置，即最佳匹配位置，利用最佳匹配位置与上一帧中模板位置之差，并根据相邻两帧图像的时间间隔，计算该时刻泡沫速度Velocity；

(3)根据匹配模板在两帧图像中的不同位置，建立模板位移的关系，依据此关系，将后一帧图像整体变换到其前一时刻对应的位置，然后计算变换图像和前帧图像的差分，给出稳定度Stability，其公式表达式为：

$\left\{\begin{array}{c}Stability=\underset{i<I}{\&Sigma;}\underset{j<J}{\&Sigma;}\frac{f_{ij}\left(x\right)}{L}\\ f_{ij}\left(x\right)=\left\{\begin{array}{c}0|x_{ij1}-x_{ij2}|>t^{\&prime;}\\ 1|x_{ij1}-x_{ij2}|\&le;t^{\&prime;}\end{array}\right.\end{array}\right.,$

其中x_ij1和x_ij2表示两帧图像在(I,j)像素点的灰度值；t'表示稳定度阈值，L表示图像像素点总数；

步骤e，根据步骤a-步骤d提取的泡沫层视觉特征及对应泡沫层厚度Thickness构造10维样本集Z:{(Size_m_i,Size_v_i,H_m_i,S_m_i,I_m_i,Energy_i,Entropy_i,Velocity_i,Stability_i,Thickness_i)|1≤i≤N}，其中N为样本个数。

2.根据权利要求1所述的一种基于多元图像特征融合的矿物浮选泡沫层软测量方法，其特征在于，步骤3为：

步骤a，对特征数据进行预处理，采用拉依达准则剔除异常数据：设样本z_i＝{z_ij}∈Z,，i＝1,2,...N,j＝1,2,...10，分别计算样本集Z中各维数据的均值根据贝塞尔公式分别计算各维度标准误差若测量值z_ij满足则该数据为异常数据，删除其在样本集Z中对应的样本；

步骤b，对获取的泡沫层视觉特征，采用主成分分析法消除特征数据间冗余，降低特征维数，具体步骤为：

(1)将泡沫层视觉特征构成数据矩阵对X进行规范化处理，得到标准化矩阵P，其处理方法为：

$\begin{array}{ccc}{p}_{ij}=\frac{x_{ij}-\stackrel{-}{x_j}}{s_j},& i=1,2,...N,& j=1,2,...9\end{array},$

其中

(2)计算矩阵P的相关系数矩阵

其中i＝1,2,...9,j＝1,2,...9；

(3)计算矩阵R的特征向量λ_i及对应的特征向量e_i,i＝1,2,...9，并按从特征值大到小的顺序排列λ₁≥λ₂≥...≥λ₉，特征向量矩阵就是主成分矩阵；

(4)计算主成分的累计贡献率，数学表达式为：选取累计贡献率达到90％的前k个特征值对应的特征向量作为特征降维后的主成分。

3.根据权利要求1所述的一种基于多元图像特征融合的矿物浮选泡沫层软测量方法，其特征在于，步骤4中结合正则极限学习机建立浮选泡沫层厚度软测量模型，步骤为：

步骤a、将由步骤3得到的N个k维图像特征样本和对应的泡沫层厚度构成训练样本集，其中图像特征x_i构成模型输入矩阵X，泡沫层厚度y_i构成模型输出矩阵Y；

步骤b、设正则极限学习机模型的激励函数为sigmoid函数g(·)，输入节点k个，输出节点1个，隐含节点15个，计算神经网络隐含层输出矩阵H，计算公式为：

$H={\left[\begin{array}{ccc}{g}_1({\mathrm{\&omega;}}_1{x}_1+b_1)& ...& g_1({\mathrm{\&omega;}}_K{x}_1+b_K)\\ .& & .\\ .& ...& .\\ .& & .\\ g_1({\mathrm{\&omega;}}_1{x}_N+b_1)& ...& g_1({\mathrm{\&omega;}}_K{x}_N+b_K)\end{array}\right]}_{N\&times;K}$

其中，ω_i为输入层神经元与第i个隐含层神经元的连接权值；b_i为第i个隐藏节点的阈值；

计算模型输出权值矩阵最终建立正则极限学习机模型，其中I为单位矩阵，H⁺为H的Moore-Penrose广义逆矩阵，λ为体现结构风险和经验风险的比例参数，实际应用过程中通过交叉验证迭代寻优方法确定比例参数λ最优值；

步骤c、结合上述数据预处理方法，将实际矿物泡沫浮选生产中实时采集的浮选槽泡沫层视觉特征作为模型的输入，利用建立的正则极限学习机模型，计算得到实时浮选槽内泡沫层厚度值。