CN105844628A - 一种基于磷虾优化算法的摇床矿带分带图像分割法 - Google Patents

Abstract

本发明涉及基于磷虾优化算法的摇床矿带分带图像分割法，属图像处理领域。首先将彩色的摇床矿带分带图像转换为灰度图像；再对磷虾进行初始化，后计算磷虾的适应度函数值，再对磷虾进行排列，随着迭代次数的变化对惯性权重进行更新，计算磷虾的运动向量，觅食运动向量和物理扩散运动向量，更新磷虾的位置，计算磷虾个体的适应度函数值，在满足一定的迭代次数后，通过适应度函数的最大化，找出适应度函数值最优的磷虾，该磷虾对应的位置即为摇床矿带分带图像的最佳阈值，根据最佳阈值对摇床矿带分带图像进行分割。本发明随着迭代次数的变化对惯性权重进行更新，算法搜索到最佳阈值的速度更快和精度更高，适合于摇床矿带分带图像的分割。

Description

一种基于磷虾优化算法的摇床矿带分带图像分割法

技术领域

本发明涉及一种基于磷虾优化算法的摇床矿带分带图像分割法，属于图像处理技术领域。

背景技术

目前，在我国摇床选矿中，大部分都使用肉眼来观察摇床矿带分带的变化情况和人工的方法来分割摇床矿带分带，这种方法存在浪费劳力、实时性差、分带精度低和金属回收率低等缺点。为了克服其缺点，提出了基于数字图像处理技术的摇床矿带分带图像分割，其不需要人工干预，直接采用图像分割技术对摇床矿带分带图像进行实时分割，其中图像分割法是关键技术。目前图像分割方法有很多种，考虑到摇床矿带分带图像需要实时分割和摇床床面上形成的精矿、次精矿、中矿和尾矿的分带在颜色和灰度上存在一定的不同，因此采用阈值分割算法对摇床矿带分带图像进行分割。

传统的阈值分割方法，对单阈值分割非常有效，但是对于多阈值分割存在计算复杂度高和计算时间长的缺点，为了解决此问题，提出基于智能群体优化算法的阈值分割法

磷虾优化算法是一种新的智能群体优化算法，相关的文献中提出其性能优于其它的许多优化算法。但基本的磷虾优化算法仍然存在容易陷入局部最优，收敛速度慢的问题。

因此，需要对基本的磷虾优化算法进行改进，并将其应用于摇床矿带分带图像的分割。

发明内容

本发明提供了一种基于磷虾优化算法的摇床矿带分带图像分割法，目的是克服肉眼观察摇床床面上形成的矿带分带图像和人工分割摇床矿带分带存在的缺点，提出一种新的基于磷虾优化算法的摇床矿带分带图像分割法，针对基本的磷虾优化算法应用于摇床矿带分带图像分割时产生的收敛速度慢和计算时间长问题，提出一种改进的磷虾优化算法，用于摇床矿带分带图像分割，提高收敛速度和收敛精度。

为了达到上述目的，本发明首先对彩色的摇床矿带分带图像进行灰度化处理，将彩色的图像转换为灰度图像；对磷虾位置进行初始化，让磷虾随机地分布在整个搜索空间中，以Kapur熵作为适应度函数，计算所有磷虾的适应度函数值，并按其对磷虾进行排序，每个磷虾个体计算自己的运动向量、觅食运动向量和物理扩散运动向量，对自己的位置进行更新。通过多次迭代，在满足最大迭代次数时，找出适应度函数值最优即全局最优的磷虾个体，磷虾所处的位置为摇床矿带分带图像的最佳阈值，最后利用最佳阈值对矿带分带进行分割。该算法在搜索最佳阈值的过程中，根据迭代次数对惯性权重ω_n进行更新，使磷虾算法的收敛速度更快和精度更高。

改进后的磷虾优化算法惯性权重ω_n更新方式如下所示：

${\mathrm{\ω}}_n={\mathrm{\ω}}_{max}-\frac{t*({\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{min})}{iter\_\max }$

其中ω_n为惯性权重，t为迭代次数，iter_max为最大迭代次数，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；

实现本发明的技术方案的具体方法和步骤如下：

(1)在摇床选矿的过程中，实时拍摄摇床床面上形成的矿带分带图像，然后将图像输入计算机中，对图像进行灰度化处理，将彩色的摇床矿带分带图像转换为灰度图像；

(2)磷虾个体的初始化：设置磷虾算法的参数，觅食速度V_f，最大扩散速度D^max，最大移动速度N^max，最大迭代次数iter_max和磷虾的个数M；产生M个磷虾个体均匀地分布在摇床矿带分带图像[0,255]的灰度直方图空间中；

(3)计算磷虾的适应度函数值，并根据适应度函数值，对磷虾个体进行从最好到最差的排列；

(4)利用公式对惯性权重ω_n进行更新，式中：ω_n为惯性权重，t为迭代次数，iter_max为最大迭代次数，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；

(5)对每个磷虾个体i，执行下列步骤：

a)计算磷虾个体i的运动向量式中：N_i为运动向量，N^max为最大移动速度，为磷虾个体i的受周围邻居吸引产生的运动向量，为当前最优磷虾个体吸引磷虾个体i产生的运动向量，ω_n为惯性权重，为磷虾个体i的上一次运动向量；

b)计算觅食运动向量其中： 为食物的吸引力，为到目前为止适应度函数值最大的磷虾个体i的影响力，F_i为磷虾个体i的觅食运动向量；V_f为觅食速度，ω_f为觅食运动向量的惯性权重，为磷虾个体i的上一次觅食运动向量；

c)计算物理扩散运动向量式中：D_i为物理扩散运动向量，D^max为最大扩散速度，t为当前的迭代次数，iter_max为最大迭代次数，δ为随机方向向量；

d)对磷虾的位置进行更新，更新公式为：式中：X_i(t+Δt)为磷虾个体i在t+Δt时刻的位置，X_i(t)为磷虾个体i在t时刻的位置，Δt为时间间隔；

(6)计算磷虾个体的适应度函数值,找出当前适应度函数值最优的磷虾个体；

(7)不断循环(4)、(5)、(6)三个步骤，直到满足最大迭代次数t_{iter_max}，通过适应度函数的最大化，找出经过多次迭代后适应度函数值最优的磷虾个体，该磷虾所处的位置即为摇床矿带分带图像的最佳阈值，最后根据求出的最佳阈值对摇床矿带分带图像进行分割。

本发明中所述步骤(2)中的参数，最大迭代次数iter_max范围为[30,50]，磷虾的个数M的范围为[25,50]。

本发明与现有技术相比具有下列优点：

1、本发明提出基于磷虾优化算法的摇床矿带分带图像分割法，可以有效地克服肉眼观察摇床矿带分带情况和人工分割摇床矿带分带存在的问题，节约劳动力，提高摇床矿带分带分割的实时性，提高矿物的回收率和利用率；

2、本发明提出的磷虾优化算法，提出随着迭代次数的变化对惯性权重进行更新的方法，提高算法搜索全局最优值即最佳阈值的速度和精度，算法能够快速和准确地找到全局最优即摇床矿带分带图像的最佳阈值。

附图说明

图1为本发明基于磷虾优化算法的摇床矿带图像分割法的流程图。

具体实施方式

实施例1：参见图1，以从云南锡业集团大屯选矿厂拍摄的摇床床面上形成的锡矿矿带分带图像为例，利用VC++软件编写程序，对锡矿的精矿、中矿和尾矿矿带进行分割，采用的方法和具体步骤如下：

(1)对彩色的摇床矿带分带图像进行灰度化处理，将彩色的摇床矿带分带图像转换为灰度图像；

(2)磷虾个体的初始化：对参数进行设置，觅食速度V_f＝0.02，最大扩散速度D^max＝0.005，最大移动速度N^max＝0.01，最大迭代次数iter_max＝30和磷虾的个数M＝25；最大值惯性权重ω_max＝0.9，惯性权重的最小值ω_min＝0.1；产生M个磷虾个体均匀地分布在摇床矿带分带图像[0,255]的灰度直方图空间中；

(3)利用Kapur熵的公式H(t₁,t₂)＝H₁+H₂+H₃计算磷虾的适应度函数值，并根据适应度函数值，对磷虾个体进行最好到最差的排列，25个磷虾个体的适应度函数值为：

H＝[12.3020060145,12.2795029028,12.0847884278,11.6167119173,11.5683895895,11.0988169532,10.8340270715,10.7686284683,10.5340270715,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]；

(4)利用公式对惯性权重ω_n进行更新，式中：ω_n为惯性权重，t为迭代次数，iter_max为最大迭代次数，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；

(5)对每个磷虾个体i，执行下列步骤：

a)计算磷虾个体i的运动向量式中：N_i为运动向量，N^max为最大移动速度，为磷虾个体i的受周围邻居吸引产生的运动向量，为当前最优磷虾个体吸引磷虾个体i产生的运动向量，ω_n为惯性权重，为磷虾个体i的上一次运动向量；

b)计算觅食运动向量其中： 为食物的吸引力，为到目前为止适应度函数值最大的磷虾个体i的影响力，F_i为磷虾个体i的觅食运动向量；V_f为觅食速度，ω_f为觅食运动向量的惯性权重，为磷虾个体i的上一次觅食运动向量；

c)计算物理扩散运动向量式中：D_i为物理扩散运动向量，D^max为最大扩散速度，t为当前的迭代次数，iter_max为最大迭代次数，δ为随机方向向量；

d)对磷虾的位置进行更新，更新公式为：式中：X_i(t+Δt)为磷虾个体i在t+Δt时刻的位置，X_i(t)为磷虾个体i在t时刻的位置，Δt为时间间隔；

(6)计算磷虾个体的适应度函数值,找出当前适应度函数值最优的磷虾个体；

(7)循环(4)、(5)、(6)三个步骤30次后，搜索到适应度函数值的最大值12.5319036419，该磷虾所处的位置[107,161]为摇床矿带分带图像的最佳阈值，根据求出的最佳阈值将摇床矿带分割为精矿、中矿和尾矿。

实施例2：参见图1，利用VC++软件对摇床床面上形成的锡矿的精矿、次精矿、中矿和尾矿矿带进行分割，采用的方法和步骤与实施例1相同，其中最大迭代次数为40：

(1)对彩色的摇床矿带分带图像进行灰度化处理，将彩色的摇床矿带分带图像转换为灰度图像；

(2)磷虾个体的初始化：对参数进行设置，觅食速度V_f＝0.02，最大扩散速度D^max＝0.005，最大移动速度N^max＝0.01，最大迭代次数iter_max＝30和磷虾的个数M＝25；最大值惯性权重ω_max＝0.9，惯性权重的最小值ω_min＝0.1；产生M个磷虾个体均匀地分布在摇床矿带分带图像[0,255]的灰度直方图空间中；

(3)利用Kapur熵的公式H(t₁,t₂,t₃)＝H₁+H₂+H₃+H₄计算磷虾的适应度函数值，并根据适应度函数值，对磷虾个体进行最好到最差的排列，25个磷虾个体的适应度函数值为：

H＝[14.4145962493,14.8931997116,13.5053071374,13.7716234406,11.0845701850,12.5734712465,15.1428814259,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]；

(4)利用公式对惯性权重ω_n进行更新，式中：ω_n为惯性权重，t为迭代次数，iter_max为最大迭代次数，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；

(5)对每个磷虾个体i，执行下列步骤：

a)计算磷虾个体i的运动向量式中：N_i为运动向量，N^max为最大移动速度，为磷虾个体i的受周围邻居吸引产生的运动向量，为当前最优磷虾个体吸引磷虾个体i产生的运动向量，ω_n为惯性权重，为磷虾个体i的上一次运动向量；

b)计算觅食运动向量其中： 为食物的吸引力，为到目前为止适应度函数值最大的磷虾个体i的影响力，F_i为磷虾个体i的觅食运动向量；V_f为觅食速度，ω_f为觅食运动向量的惯性权重，为磷虾个体i的上一次觅食运动向量；

c)计算物理扩散运动向量式中：D_i为物理扩散运动向量，D^max为最大扩散速度，t为当前的迭代次数，iter_max为最大迭代次数，δ为随机方向向量；

d)对磷虾的位置进行更新，更新公式为：式中：X_i(t+Δt)为磷虾个体i在t+Δt时刻的位置，X_i(t)为磷虾个体i在t时刻的位置，Δt为时间间隔；

(6)计算磷虾个体的适应度函数值,找出当前适应度函数值最优的磷虾个体；

(7)循环(4)、(5)、(6)三个步骤40次后，通过适应度函数的最大化，搜索到适应度函数值的最大值15.2997820216，该磷虾所处的位置[117,150,182]为摇床矿带分带图像的最佳阈值，根据求出的最佳阈值将摇床矿带分割为精矿、次精矿、中矿和尾矿。

实施例3：参见图1，对锡矿的精矿、次精矿、中矿和尾矿矿带进行分割，采用的方法和步骤与实施例1相同，最大迭代次数为40，其中利用Kapur熵H(t₁,t₂,t₃)＝H₁+H₂+H₃+H₄，来计算磷虾个体的适应度函数值，通过迭代步骤(4)、(5)、(6)40次后，通过使适应度函数值最大化，搜索到适应度函数的最大值15.3772825987，搜索出矿带图像的最佳阈值[118,150,181]，根据搜索到的最佳阈值对摇床矿带分带进行分割，从而把锡矿矿带分带分割为精矿、次精矿、中矿和尾矿四个矿带。

利用Kapur熵计算磷虾个体的适应度函数值，迭代次数为40次时，25个磷虾的适应度函数值分别为：

H＝[15.3772825987,15.1725749681,14.8666985095,13.8595522641,13.6070001036,12.7124563267,12.3188929863,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]。

实施例4：为了验证改进的磷虾优化算法的性能，本实施例中选取了四幅摇床矿带分带图像，利用基本的磷虾优化算法和本发明中改进的磷虾优化算法对四幅图像进行分割，两种算法采用的参数与实施例1中的相同，本发明中提出的磷虾优化算法随着迭代次数的变化对惯性权重ω_n进行更新，提高了算法的搜索速度和搜索精度，能够快速和准确地搜索到摇床矿带分带图像的最佳适应度函数值和最佳阈值。

表1：实验比较结果

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种基于磷虾优化算法的摇床矿带分带图像分割法，其特征在于：包括如下步骤：

(1)在摇床选矿的过程中，实时拍摄摇床床面上形成的矿带分带图像，将彩色的摇床矿带分带图像转换为灰度图像；

(2)磷虾个体的初始化：设置磷虾算法的参数，觅食速度V_f，最大扩散速度D^max，最大移动速度N^max，最大迭代次数iter_max和磷虾的个数M；产生[0,255]之间均匀分布的磷虾个体，让M个磷虾个体均匀地分布在摇床矿带分带图像的灰度直方图空间中；

(3)计算磷虾的适应度函数值，并根据适应度函数值，对磷虾个体进行从最好到最差的排列；

(4)利用公式对惯性权重ω_n进行更新，式中：ω_n为惯性权重，t为迭代次数，iter_max为最大迭代次数，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；

(5)对每个磷虾个体i，执行下列步骤：

a)计算磷虾个体i的运动向量式中：N_i为运动向量，N^max为最大移动速度，为磷虾个体i的受周围邻居吸引产生的运动向量，为当前最优磷虾个体吸引磷虾个体i产生的运动向量，ω_n为惯性权重，为磷虾个体i的上一次运动向量；

b)计算觅食运动向量F_i＝V_fβ_i+ω_fF_i ^old，其中：β_i＝β_i ^food+β_i ^best，β_i ^food为食物的吸引力，β_i ^best为到目前为止适应度函数值最大的磷虾个体i的影响力，F_i为磷虾个体i的觅食运动向量；V_f为觅食速度，ω_f为觅食运动向量的惯性权重，F_i ^old为磷虾个体i的上一次觅食运动向量；

c)计算物理扩散运动向量式中：D_i为物理扩散运动向量，D^max为最大扩散速度，t为当前的迭代次数，iter_max为最大迭代次数，δ为随机方向向量；

d)对磷虾的位置进行更新，更新公式为：式中：X_i(t+Δt)为磷虾个体i在t+Δt时刻的位置，X_i(t)为磷虾个体i在t时刻的位置，Δt为时间间隔；

(6)计算磷虾个体的适应度函数值,找出当前适应度函数值最优的磷虾个体；

(7)不断循环(4)、(5)、(6)三个步骤，直到满足最大迭代次数t_{iter_max}，通过适应度函数的最大化，找出经过多次迭代后适应度函数值最优的磷虾个体，该磷虾所处的位置即为摇床矿带分带图像的最佳阈值，最后根据求出的最佳阈值对摇床矿带分带图像进行分割。

2.根据权利要求1所述的基于磷虾优化算法的摇床矿带分带图像分割方法，其特征在于：最大迭代次数iter_max范围为[30,50]，磷虾的个数M的范围为[25,50]。

3.根据权利要求1所述的基于磷虾优化算法的摇床矿带分带图像分割法，其特征在于：步骤(4)中惯性权重的最大值ω_max为0.9，惯性权重的最小值ω_min为0.1。