CN106203456A - 基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法 - Google Patents
基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法 Download PDFInfo
- Publication number
- CN106203456A CN106203456A CN201610568045.8A CN201610568045A CN106203456A CN 106203456 A CN106203456 A CN 106203456A CN 201610568045 A CN201610568045 A CN 201610568045A CN 106203456 A CN106203456 A CN 106203456A
- Authority
- CN
- China
- Prior art keywords
- coal dust
- point
- algorithm
- overlapping
- characteristic point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,包括步骤:一、图像处理器调用二值化图像处理模块对煤粉尘图像进行二值化处理,得到煤粉尘二值化图像;二、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数并根据形状特征系数确定出存在煤尘重叠颗粒的煤粉尘二值化图像;三、图像处理器调用边缘特征点定位模块定位得到煤尘重叠颗粒图像的边缘曲线的特征点;四、图像处理器调用重叠颗粒交点提取模块提取出特征点中的重叠颗粒交点;五、图像处理器调用煤尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤尘重叠颗粒分离。本发明提高了煤尘重叠颗粒分离精度,鲁棒性好,适应性强,使用效果好。
Description
技术领域
本发明属于煤粉尘图像处理技术领域,具体涉及一种基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法。
背景技术
在煤尘粒径分布和煤尘浓度测量过程中煤尘颗粒的识别是最为关键的内容。在完成滤波去噪和图像分割的处理过程之后可获得煤尘的二值图像,接下来要实现对煤尘二值图像的识别工作,由于煤尘具有各种形状且煤尘之间还相互交叠,研究起来比较复杂,这就使得图像识别过程非常困难。
针对煤尘图像中存在的煤尘相互重叠的问题,那么要对煤尘图像识别前,首先应把重叠的煤尘进行分离。如何对原煤粉尘准确而有效分离,同时又不丢失信息,是一个经典的问题。近年来,研究人员一直通过改进现有的方法获得一些新的理论和算法,并从其他学科入手分离重叠颗粒,提出了很多新的探索。
目前大部分关于重叠颗粒的判别都在专业图像分析仪的帮助下进行,这个观测的过程是以肉眼识别为基础的,用鼠标划出重叠颗粒范围,其准确度具有一定的主观性,并且无法实现运用计算机自动分离重叠颗粒的目标。
基于对上述问题的考虑,许多学者对于重叠颗粒图像的分离问题通常从边缘跟踪和数学形态学两种不同思维出发进行归类,基于边缘跟踪算法常见的有链码差法、矢量夹角法、估算圆心法等,他们只适用于近圆形的粘连颗粒图像,局限性太大。而煤尘颗粒形状复杂,有块状、片状、针状、球状、线装等。显然应用边缘跟踪算法不能很好解决煤尘颗粒的识别问题,虽然数学形态学的方法不受到分析对象形状的限制,但其分割算法精度较低;聚类算法很难拟合重叠超过3个的颗粒;而通过分水岭变换算法获得的区域轮廓具有密闭性、连通性、单像素宽以及精确位置,但分水岭算法有过分割的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其方法步骤简单,设计新颖合理,实现方便,提高了煤尘重叠颗粒分离的精度,鲁棒性好,适应性强,使用灵活方便,实用性强,使用效果好,推广应用价值高。
为解决上述技术问题,本发明采用的技术方案是:一种基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于,该方法包括以下步骤:
步骤一、图像处理器调用二值化图像处理模块对获取到的煤粉尘图像进行二值化处理,得到煤粉尘二值化图像,煤粉尘二值化图像中,目标区域的标记为1,背景区域的标记为0;
步骤二、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs,并将的煤粉尘二值化图像确定为存在煤尘重叠颗粒的煤粉尘二值化图像;其中,为煤粉尘二值化图像存在煤尘重叠颗粒的形状特征系数阈值;
步骤三、图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点;
步骤四、图像处理器调用重叠颗粒交点提取模块提取出步骤三中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点;
步骤五、图像处理器调用煤尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤尘重叠颗粒分离,具体过程为:
步骤501、在每相邻两个重叠颗粒交点之间的特征点中随机抽取6个,对每相邻两个重叠颗粒交点之间的特征点进行椭圆拟合,得到椭圆的表达式ax2+bxy+cy2+dx+ey+h=0中的6个参数a、b、c、d、e、h的一组值;
步骤502、将差分进化粒子群的位置矩阵X初始化为:
其中,x1j(j=1,2,3,4,5,6)为步骤501中得到的椭圆的表达式中的6个参数a、b、c、d、e、h的一组值,xij(i=2,3,…,N;j=1,2,…,6)=x1j×[1+0.1×rand()],rand()为均匀分布在(0,1)上的随机数,N为种群规模;
步骤503、对于差分进化粒子群的位置矩阵X中的第i行粒子对应的椭圆,根据公式计算得到椭圆的中心坐标(xi,0,yi,0),并计算进行椭圆拟合的相邻两个重叠颗粒交点之间的各个特征点距离椭圆中心坐标(xi,0,yi,0)的距离,当距离小于匹配点选择距离阈值dp时,将特征点判断为匹配点,并将匹配点个数作为第i行粒子的适应度函数值;依次取i=1,2,…,N,计算各行粒子的适应度函数值,并在每次计算时,将适应度函数值大的粒子的适应度函数值定义为粒子当前最优位置,且在计算完N次后,将适应度函数值最大的粒子的适应度函数值定义为粒子群全局最优位置;
步骤504、通过公式
xij(n+1)=xij(n)+λFi(n)(Pg(n)-xij(n))+(1-λ)Fi(n)(Pi(n)-xij(n))+Fi(n)(xij(n)-xi+1,j(n))对差分进化粒子群的位置矩阵X进行更新,其中,xij(n)为迭代次数为n时差分进化粒子群中第i行第j列位置处的粒子,xij(n+1)为迭代次数为n+1时差分进化粒子群中第i行第j列位置处的粒子,λ为惯性系数且λ=λmin+n×(λmax-λmin)/nmax,n为迭代次数且取值为1~nmax的自然数,λmin为最小惯性系数,λmax为最大惯性系数,nmax为总迭代次数;Fi(n)为缩放系数且Fmin为最小缩放系数,Fmax为最大缩放系数;Pi(n)为迭代次数为n时的粒子当前最优位置,Pg(n)为迭代次数为n时的粒子群全局最优位置;xi+1,j(n)为迭代次数为n时差分进化粒子群中第i+1行第j列位置处的粒子;
步骤505、定义第一次执行步骤502时的迭代次数n为1,逐一增大n,重复执行步骤503~504,直到迭代次数n达到nmax后执行步骤506;
步骤506、将最后一次迭代确定出的粒子群全局最优位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式ax2+bxy+cy2+dx+ey+h=0中的6个参数a、b、c、d、e、h;
步骤507、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离,每个椭圆曲线内都围有一个分离出来的单个煤尘颗粒。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤二中图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs的具体过程为:
步骤201、图像处理器累加标记为1的目标区域中像素的个数,并将累加值确定为煤粉尘二值化图像的面积A;
步骤202、图像处理器调用图像周长计算模块计算出煤粉尘二值化图像的周长C,具体过程为:
步骤2021、假设煤粉尘二值化图像区域边界的链码为{a1a2a3…aτ},其中,序列a1a2a3…aτ表示从一个起始点开始将煤粉尘二值化图像区域边界的走向按链码编码方式记录下来,τ为编码总个数且取值为大于1的自然数;
步骤2022、将第q个码段aq所表示的线段长度表示为ΔCq,图像处理器根据公式计算出煤粉尘二值化图像的周长C,其中,neq为第q个码段aq中的偶数码段数,le为第q个码段aq中的偶数码所表示的线段的长度;noq为第q个码段aq中的奇数码段数,lo为第q个码段aq中的奇数码所表示的线段的长度;q的取值为1~τ的自然数;
步骤203、图像处理器根据公式φs=4πA/C2计算出煤粉尘二值化图像的形状特征系数φs。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤二中所述的取值为0.5。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤三中图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点的具体过程为:
步骤301、找出存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点,并删除共线点,具体过程为:
步骤3011、将存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘轮廓用H个轮廓点表示为P={p1,p2,…,pH};其中,H为大于100的自然数;
步骤3012、根据公式计算H个轮廓点中第k个轮廓点pk(xk,yk)到它的前一个轮廓点pk-1(xk-1,yk-1)与后一个轮廓点pk+1(xk+1,yk+1)连成的直线的距离dk;其中,k的取值为1~H的自然数,xk为第k个轮廓点pk(xk,yk)的横坐标,yk为第k个轮廓点pk(xk,yk)的纵坐标;xk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的横坐标,yk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的纵坐标;xk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的横坐标,yk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的纵坐标;
步骤3013、比较dk与断点选择距离阈值dt,当dk>dt时,将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点并保留,当dk≤dt时,将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的共线点并删除;
步骤302、采用迭代法从存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点中定位特征点,具体过程为:
步骤3021、设定特征点选择距离阈值dz;
步骤3022、根据公式计算步骤3013中判断出的断点中第r个断点pr(xr,yr)到它的前一个断点pr-1(xr-1,yr-1)与后一个断点pr+1(xr+1,yr+1)连成的直线的距离dr;其中,r的取值为1~M的自然数,M为步骤3013中判断出的断点的总数;xr为第r个断点pr(xr,yr)的横坐标,yr为第r个断点pr(xr,yr)的纵坐标;xr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的横坐标,yr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的纵坐标;xr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的横坐标,yr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的纵坐标;
步骤3023、比较dr与特征点选择距离阈值dz,当dr>dz时,将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的可能特征点并保留,当dr≤dz时,将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非特征点并删除;
步骤3024、将特征点选择距离阈值dz增加距离步长Δdz;
步骤3025、根据公式计算步骤3023中判断出的可能特征点中第f个可能特征点pf(xf,yf)到它的前一个可能特征点pf-1(xf-1,yf-1)与后一个可能特征点pf+1(xf+1,yf+1)连成的直线的距离df;其中,f的取值为1~m的自然数,m为步骤3023中判断出的可能特征点的总数;xf为第f个可能特征点pf(xf,yf)的横坐标,yf为第f个可能特征点pf(xf,yf)的纵坐标;xf-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的横坐标,yr-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的纵坐标;xf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的横坐标,yf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的纵坐标;
步骤3026、比较df与特征点选择距离阈值dz,当df>dz时,将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的有效特征点并保留,当df≤dz时,将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非有效特征点并删除;
步骤3027、根据公式计算步骤3026中判断出的有效特征点中与第f个可能特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)到它的前一个有效特征点pf′-1(xf′-1,yf′-1)与后一个有效特征点pf′+1(xf′+1,yf′+1)连成的直线的距离df′;其中,f′的取值为1~m′的自然数,m′为步骤3026中判断出的有效特征点的总数;xf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的横坐标,yf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的纵坐标;xf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的横坐标,yf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的纵坐标;xf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的横坐标,yf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的纵坐标;
步骤3028、比较步骤3027中计算得到的df′与步骤3025中计算得到的df,取f′为1~m′的自然数,当m′个有效特征点均满足|df′-df|≤E∞时,将步骤3026中判断出的有效特征点确定为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点,否则,重复执行步骤3024~3028;其中,E∞为距离误差阈值。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤3013中所述dt的取值为0.3~0.7,步骤3021中所述dz的取值为0.3~0.7,步骤3024中所述Δdz的取值为0.03~0.07,步骤3028中所述E∞的取值为0.03~0.07。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤四中图像处理器调用重叠颗粒交点提取模块提取出步骤三中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点的具体过程为:
步骤401、令pc(xc,yc)为当前特征点,pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点,pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点,根据公式:计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc);
步骤402、根据公式求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I;
步骤403、判断条件是否成立,当条件成立时,将当前特征点pc(xc,yc)判断为重叠颗粒的交点;其中,It为交点选择面积阈值。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤403中所述It的取值为0.2~0.6。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤502中所述N的取值为50~200。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤503中所述dp的取值为0.3~0.7。
上述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤504中所述λmin的取值为0.05,步骤504中所述λmax的取值为0.9,步骤504中所述Fmin的取值为0.1,步骤504中所述Fmax的取值为7,步骤504中所述nmax的取值为300~700。
本发明与现有技术相比具有以下优点:
1、本发明的方法步骤简单,设计新颖合理,实现方便。
2、本发明通过形状特征系数确定存在煤尘重叠颗粒的煤粉尘二值化图像,避免了对不存在煤尘重叠颗粒的煤粉尘二值化图像进行重叠颗粒分离,不但可以降低图像处理器的运算量,而且能够提高重叠颗粒分离的精度,根据形状特征系数这个约束条件,可防止将单个颗粒错误地分离。
3、本发明先对煤尘重叠颗粒图像的边缘曲线进行特征点定位,再提取特征点中的重叠颗粒交点,提高了边缘的敏感性,同时降低了对噪声的敏感性,通过特征点定位降低了代表煤尘颗粒边缘的点数,也减少了后续交点提取的计算量,有利于寻找出真正的交点,能够提高重叠颗粒分离的精度。
4、本发明在进行煤尘重叠颗粒分离时,采用了改进的差分进化粒子群算法,与一定的经验知识相结合,相比于其它相关的方法的,能够合理快速地分离出重叠的颗粒,获得较好的鲁棒性,在对比度较低煤粉尘图像的二值化处理可获得较好效果。识别效果良好稳定,速度快且对煤粉尘图像有极强的兼容性。
5、本发明对形状不同的煤尘颗粒分离都能够产生良好的效果,适应性强,使用灵活方便。
6、本发明的实用性强,使用效果好,对于煤尘特性参数的研究具有一定的学术价值和应用前景,对于提高煤尘监控水平,确保选煤厂安全运行具有极其重要的意义。
综上所述,本发明方法步骤简单,设计新颖合理,实现方便,提高了煤尘重叠颗粒分离的精度,鲁棒性好,适应性强,使用灵活方便,实用性强,使用效果好,推广应用价值高。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2A为采用Olympus BX41显微放大镜获取到的中颗粒煤粉尘图像。
图2B为采用本发明的方法进行煤尘重叠颗粒分离后得到的中颗粒煤粉尘图像。
图3A为采用Olympus BX41显微放大镜获取到的小颗粒煤粉尘图像。
图3B为采用本发明的方法进行煤尘重叠颗粒分离后得到的小颗粒煤粉尘图像。
具体实施方式
如图1所示,本发明的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于该方法包括以下步骤:
步骤一、图像处理器调用二值化图像处理模块对获取到的煤粉尘图像进行二值化处理,得到煤粉尘二值化图像,煤粉尘二值化图像中,目标区域的标记为1,背景区域的标记为0;
具体实施时,图像处理器处理的煤粉尘图像采用显微放大镜获取得到。
步骤二、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs,并将的煤粉尘二值化图像确定为存在煤尘重叠颗粒的煤粉尘二值化图像;其中,为煤粉尘二值化图像存在煤尘重叠颗粒的形状特征系数阈值;
本实施例中,步骤二中图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs的具体过程为:
步骤201、图像处理器累加标记为1的目标区域中像素的个数,并将累加值确定为煤粉尘二值化图像的面积A;
步骤202、图像处理器调用图像周长计算模块计算出煤粉尘二值化图像的周长C,具体过程为:
步骤2021、假设煤粉尘二值化图像区域边界的链码为{a1a2a3…aτ},其中,序列a1a2a3…aτ表示从一个起始点开始将煤粉尘二值化图像区域边界的走向按链码编码方式记录下来,τ为编码总个数且取值为大于1的自然数;
步骤2022、将第q个码段aq所表示的线段长度表示为ΔCq,图像处理器根据公式计算出煤粉尘二值化图像的周长C,其中,neq为第q个码段aq中的偶数码段数,le为第q个码段aq中的偶数码所表示的线段的长度;noq为第q个码段aq中的奇数码段数,lo为第q个码段aq中的奇数码所表示的线段的长度;q的取值为1~τ的自然数;
步骤203、图像处理器根据公式φs=4πA/C2计算出煤粉尘二值化图像的形状特征系数φs。
本实施例中,步骤二中所述的取值为0.5。
步骤三、图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点;
本实施例中,步骤三中图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点的具体过程为:
步骤301、找出存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点,并删除共线点,具体过程为:
步骤3011、将存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘轮廓用H个轮廓点表示为P={p1,p2,…,pH};其中,H为大于100的自然数;
步骤3012、根据公式计算H个轮廓点中第k个轮廓点pk(xk,yk)到它的前一个轮廓点pk-1(xk-1,yk-1)与后一个轮廓点pk+1(xk+1,yk+1)连成的直线的距离dk;其中,k的取值为1~H的自然数,xk为第k个轮廓点pk(xk,yk)的横坐标,yk为第k个轮廓点pk(xk,yk)的纵坐标;xk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的横坐标,yk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的纵坐标;xk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的横坐标,yk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的纵坐标;
步骤3013、比较dk与断点选择距离阈值dt,当dk>dt时,将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点并保留,当dk≤dt时,将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的共线点并删除;
本实施例中,步骤3013中所述dt的取值为0.3~0.7,优选为0.5。
步骤302、采用迭代法从存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点中定位特征点,具体过程为:
步骤3021、设定特征点选择距离阈值dz;
本实施例中,步骤3021中所述dz的取值为0.3~0.7,优选为0.5。
步骤3022、根据公式计算步骤3013中判断出的断点中第r个断点pr(xr,yr)到它的前一个断点pr-1(xr-1,yr-1)与后一个断点pr+1(xr+1,yr+1)连成的直线的距离dr;其中,r的取值为1~M的自然数,M为步骤3013中判断出的断点的总数;xr为第r个断点pr(xr,yr)的横坐标,yr为第r个断点pr(xr,yr)的纵坐标;xr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的横坐标,yr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的纵坐标;xr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的横坐标,yr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的纵坐标;
步骤3023、比较dr与特征点选择距离阈值dz,当dr>dz时,将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的可能特征点并保留,当dr≤dz时,将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非特征点并删除;
步骤3024、将特征点选择距离阈值dz增加距离步长Δdz;
本实施例中,步骤3024中所述Δdz的取值为0.03~0.07,优选为0.05。
步骤3025、根据公式计算步骤3023中判断出的可能特征点中第f个可能特征点pf(xf,yf)到它的前一个可能特征点pf-1(xf-1,yf-1)与后一个可能特征点pf+1(xf+1,yf+1)连成的直线的距离df;其中,f的取值为1~m的自然数,m为步骤3023中判断出的可能特征点的总数;xf为第f个可能特征点pf(xf,yf)的横坐标,yf为第f个可能特征点pf(xf,yf)的纵坐标;xf-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的横坐标,yr-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的纵坐标;xf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的横坐标,yf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的纵坐标;
步骤3026、比较df与特征点选择距离阈值dz,当df>dz时,将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的有效特征点并保留,当df≤dz时,将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非有效特征点并删除;
步骤3027、根据公式计算步骤3026中判断出的有效特征点中与第f个可能特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)到它的前一个有效特征点pf′-1(xf′-1,yf′-1)与后一个有效特征点pf′+1(xf′+1,yf′+1)连成的直线的距离df′;其中,f′的取值为1~m′的自然数,m′为步骤3026中判断出的有效特征点的总数;xf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的横坐标,yf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的纵坐标;xf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的横坐标,yf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的纵坐标;xf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的横坐标,yf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的纵坐标;
步骤3028、比较步骤3027中计算得到的df′与步骤3025中计算得到的df,取f′为1~m′的自然数,当m′个有效特征点均满足|df′-df|≤E∞时,将步骤3026中判断出的有效特征点确定为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点,否则,重复执行步骤3024~3028;其中,E∞为距离误差阈值。
本实施例中,步骤3028中所述E∞的取值为0.03~0.07,优选为0.05。
通过步骤三的方法得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点后,能够实现煤尘重叠颗粒图像的边缘平滑,去除边缘的毛刺,减少后续步骤中交点提取的计算量,通过特征点定位后代表煤尘颗粒边缘的点数大大降低,从而使寻找交点时边缘点数大大降低,因此交点提取的计算量降低了,有利于找到真正的交点,通过特征点定位后,绝大多数干扰点被剔除,因此有利于找到搜索到真正的交点。
步骤四、图像处理器调用重叠颗粒交点提取模块提取出步骤三中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点;
本实施例中,步骤四中图像处理器调用重叠颗粒交点提取模块提取出步骤三中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点的具体过程为:
步骤401、令pc(xc,yc)为当前特征点,pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点,pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点,根据公式:计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc);
步骤402、根据公式求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I;
步骤403、判断条件是否成立,当条件成立时,将当前特征点pc(xc,yc)判断为重叠颗粒的交点;其中,It为交点选择面积阈值。
本实施例中,步骤403中所述It的取值为0.2~0.6,优选为0.4。
I的大小和符号与特征点的位置有关,改变公式中的任意两行则其结果将发生变化,即I的符号与特征点的弯曲方向有关,因此,可以通过判断特征点对应三角形面积I的符号来判断该点是否为交点;按逆时针旋转方向沿闭合边界顺序选取3个特征点组成三角形,其面积值通常是正值,当边界出现相交时,其局部弯曲方发生改变,三角形面积值变为负值。设定交点选择面积阈值It的目的是能保证真正交点对应的面积必须大于一定值,这样就可以很好的去除掉不平滑边缘引起的伪交点。
步骤五、图像处理器调用煤尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤尘重叠颗粒分离,具体过程为:
步骤501、在每相邻两个重叠颗粒交点之间的特征点中随机抽取6个,对每相邻两个重叠颗粒交点之间的特征点进行椭圆拟合,得到椭圆的表达式ax2+bxy+cy2+dx+ey+h=0中的6个参数a、b、c、d、e、h的一组值;
步骤502、将差分进化粒子群的位置矩阵X初始化为:
其中,x1j(j=1,2,3,4,5,6)为步骤501中得到的椭圆的表达式中的6个参数a、b、c、d、e、h的一组值,xij(i=2,3,…,N;j=1,2,…,6)=x1j×[1+0.1×rand()],rand()为均匀分布在(0,1)上的随机数,N为种群规模;
本实施例中,步骤502中所述N的取值为50~200。
步骤503、对于差分进化粒子群的位置矩阵X中的第i行粒子对应的椭圆,根据公式计算得到椭圆的中心坐标(xi,0,yi,0),并计算进行椭圆拟合的相邻两个重叠颗粒交点之间的各个特征点距离椭圆中心坐标(xi,0,yi,0)的距离,当距离小于匹配点选择距离阈值dp时,将特征点判断为匹配点,并将匹配点个数作为第i行粒子的适应度函数值;依次取i=1,2,…,N,计算各行粒子的适应度函数值,并在每次计算时,将适应度函数值大的粒子的适应度函数值定义为粒子当前最优位置,且在计算完N次后,将适应度函数值最大的粒子的适应度函数值定义为粒子群全局最优位置;
本实施例中,步骤503中所述dp的取值为0.3~0.7,优选为0.5。
步骤504、通过公式xij(n+1)=xij(n)+λFi(n)(Pg(n)-xij(n))+(1-λ)Fi(n)(Pi(n)-xij(n))+Fi(n)(xij(n)-xi+1,j(n))对差分进化粒子群的位置矩阵X进行更新,其中,xij(n)为迭代次数为n时差分进化粒子群中第i行第j列位置处的粒子,xij(n+1)为迭代次数为n+1时差分进化粒子群中第i行第j列位置处的粒子,λ为惯性系数且λ=λmin+n×(λmax-λmin)/nmax,n为迭代次数且取值为1~nmax的自然数,λmin为最小惯性系数,λmax为最大惯性系数,nmax为总迭代次数;Fi(n)为缩放系数且Fmin为最小缩放系数,Fmax为最大缩放系数;Pi(n)为迭代次数为n时的粒子当前最优位置,Pg(n)为迭代次数为n时的粒子群全局最优位置;xi+1,j(n)为迭代次数为n时差分进化粒子群中第i+1行第j列位置处的粒子;
本实施例中,步骤504中所述λmin的取值为0.05,步骤504中所述λmax的取值为0.9,步骤504中所述Fmin的取值为0.1,步骤504中所述Fmax的取值为7,步骤504中所述nmax的取值为300~700,优选为500。
步骤505、定义第一次执行步骤502时的迭代次数n为1,逐一增大n,重复执行步骤503~504,直到迭代次数n达到nmax后执行步骤506;
步骤506、将最后一次迭代确定出的粒子群全局最优位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式ax2+bxy+cy2+dx+ey+h=0中的6个参数a、b、c、d、e、h;
步骤507、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离,每个椭圆曲线内都围有一个分离出来的单个煤尘颗粒。
具体实施时,所述图像处理器为计算机。
为了验证本发明能够产生的技术效果,采用MATLAB2014b软件进行了下面的仿真论证:
仿真1
采用由Olympus BX41显微放大镜(显微放大倍数:目镜×10,物镜×10)获取到的如图2A所示的中颗粒煤粉尘图像作为测试图像,图像的像素大小为512×512;采用本发明的方法进行煤尘重叠颗粒分离后得到的中颗粒煤粉尘图像如图2B所示,仿真结果图表明,本发明的方法能够将煤粉尘图像中粘连重叠颗粒合理分离出来,该分开的重叠区域基本都能成功分离。
仿真2
采用由Olympus BX41显微放大镜(显微放大倍数:目镜×10,物镜×10)获取到的如图3A所示的小颗粒煤粉尘图像作为测试图像,图像的像素大小为512×512;采用本发明的方法进行煤尘重叠颗粒分离后得到的小颗粒煤粉尘图像如图3B所示,仿真结果图表明,本发明的方法能够将煤粉尘图像中粘连重叠颗粒合理分离出来,该分开的重叠区域基本都能成功分离。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于,该方法包括以下步骤:
步骤一、图像处理器调用二值化图像处理模块对获取到的煤粉尘图像进行二值化处理,得到煤粉尘二值化图像,煤粉尘二值化图像中,目标区域的标记为1,背景区域的标记为0;
步骤二、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs,并将的煤粉尘二值化图像确定为存在煤尘重叠颗粒的煤粉尘二值化图像;其中,为煤粉尘二值化图像存在煤尘重叠颗粒的形状特征系数阈值;
步骤三、图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点;
步骤四、图像处理器调用重叠颗粒交点提取模块提取出步骤三中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点;
步骤五、图像处理器调用煤尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤尘重叠颗粒分离,具体过程为:
步骤501、在每相邻两个重叠颗粒交点之间的特征点中随机抽取6个,对每相邻两个重叠颗粒交点之间的特征点进行椭圆拟合,得到椭圆的表达式ax2+bxy+cy2+dx+ey+h=0中的6个参数a、b、c、d、e、h的一组值;
步骤502、将差分进化粒子群的位置矩阵X初始化为:
其中,x1j(j=1,2,3,4,5,6)为步骤501中得到的椭圆的表达式中的6个参数a、b、c、d、e、h的一组值,xij(i=2,3,…,N;j=1,2,…,6)=x1j×[1+0.1×rand()],rand()为均匀分布在(0,1)上的随机数,N为种群规模;
步骤503、对于差分进化粒子群的位置矩阵X中的第i行粒子对应的椭圆,根据公式计算得到椭圆的中心坐标(xi,0,yi,0),并计算进行椭圆拟合的相邻两个重叠颗粒交点之间的各个特征点距离椭圆中心坐标(xi,0,yi,0)的距离,当距离小于匹配点选择距离阈值dp时,将特征点判断为匹配点,并将匹配点个数作为第i行粒子的适应度函数值;依次取i=1,2,…,N,计算各行粒子的适应度函数值,并在每次计算时,将适应度函数值大的粒子的适应度函数值定义为粒子当前最优位置,且在计算完N次后,将适应度函数值最大的粒子的适应度函数值定义为粒子群全局最优位置;
步骤504、通过公式
xij(n+1)=xij(n)+λFi(n)(Pg(n)-xij(n))+(1-λ)Fi(n)(Pi(n)-xij(n))+Fi(n)(xij(n)-xi+1,j(n))对差分进化粒子群的位置矩阵X进行更新,其中,xij(n)为迭代次数为n时差分进化粒子群中第i行第j列位置处的粒子,xij(n+1)为迭代次数为n+1时差分进化粒子群中第i行第j列位置处的粒子,λ为惯性系数且λ=λmin+n×(λmax-λmin)/nmax,n为迭代次数且取值为1~nmax的自然数,λmin为最小惯性系数,λmax为最大惯性系数,nmax为总迭代次数;Fi(n)为缩放系数且Fmin为最小缩放系数,Fmax为最大缩放系数;Pi(n)为迭代次数为n时的粒子当前最优位置,Pg(n)为迭代次数为n时的粒子群全局最优位置;xi+1,j(n)为迭代次数为n时差分进化粒子群中第i+1行第j列位置处的粒子;
步骤505、定义第一次执行步骤502时的迭代次数n为1,逐一增大n,重复执行步骤503~504,直到迭代次数n达到nmax后执行步骤506;
步骤506、将最后一次迭代确定出的粒子群全局最优位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式ax2+bxy+cy2+dx+ey+h=0中的6个参数a、b、c、d、e、h;
步骤507、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离,每个椭圆曲线内都围有一个分离出来的单个煤尘颗粒。
2.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤二中图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs的具体过程为:
步骤201、图像处理器累加标记为1的目标区域中像素的个数,并将累加值确定为煤粉尘二值化图像的面积A;
步骤202、图像处理器调用图像周长计算模块计算出煤粉尘二值化图像的周长C,具体过程为:
步骤2021、假设煤粉尘二值化图像区域边界的链码为{a1a2a3…aτ},其中,序列a1a2a3…aτ表示从一个起始点开始将煤粉尘二值化图像区域边界的走向按链码编码方式记录下来,τ为编码总个数且取值为大于1的自然数;
步骤2022、将第q个码段aq所表示的线段长度表示为ΔCq,图像处理器根据公式计算出煤粉尘二值化图像的周长C,其中,neq为第q个码段aq中的偶数码段数,le为第q个码段aq中的偶数码所表示的线段的长度;noq为第q个码段aq中的奇数码段数,lo为第q个码段aq中的奇数码所表示的线段的长度;q的取值为1~τ的自然数;
步骤203、图像处理器根据公式φs=4πA/C2计算出煤粉尘二值化图像的形状特征系数φs。
3.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤二中所述的取值为0.5。
4.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤三中图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点的具体过程为:
步骤301、找出存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点,并删除共线点,具体过程为:
步骤3011、将存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘轮廓用H个轮廓点表示为P={p1,p2,…,pH};其中,H为大于100的自然数;
步骤3012、根据公式计算H个轮廓点中第k个轮廓点pk(xk,yk)到它的前一个轮廓点pk-1(xk-1,yk-1)与后一个轮廓点pk+1(xk+1,yk+1)连成的直线的距离dk;其中,k的取值为1~H的自然数,xk为第k个轮廓点pk(xk,yk)的横坐标,yk为第k个轮廓点pk(xk,yk)的纵坐标;xk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的横坐标,yk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的纵坐标;xk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的横坐标,yk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的纵坐标;
步骤3013、比较dk与断点选择距离阈值dt,当dk>dt时,将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点并保留,当dk≤dt时,将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的共线点并删除;
步骤302、采用迭代法从存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点中定位特征点,具体过程为:
步骤3021、设定特征点选择距离阈值dz;
步骤3022、根据公式计算步骤3013中判断出的断点中第r个断点pr(xr,yr)到它的前一个断点pr-1(xr-1,yr-1)与后一个断点pr+1(xr+1,yr+1)连成的直线的距离dr;其中,r的取值为1~M的自然数,M为步骤3013中判断出的断点的总数;xr为第r个断点pr(xr,yr)的横坐标,yr为第r个断点pr(xr,yr)的纵坐标;xr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的横坐标,yr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的纵坐标;xr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的横坐标,yr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的纵坐标;
步骤3023、比较dr与特征点选择距离阈值dz,当dr>dz时,将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的可能特征点并保留,当dr≤dz时,将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非特征点并删除;
步骤3024、将特征点选择距离阈值dz增加距离步长Δdz;
步骤3025、根据公式计算步骤3023中判断出的可能特征点中第f个可能特征点pf(xf,yf)到它的前一个可能特征点pf-1(xf-1,yf-1)与后一个可能特征点pf+1(xf+1,yf+1)连成的直线的距离df;其中,f的取值为1~m的自然数,m为步骤3023中判断出的可能特征点的总数;xf为第f个可能特征点pf(xf,yf)的横坐标,yf为第f个可能特征点pf(xf,yf)的纵坐标;xf-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的横坐标,yr-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的纵坐标;xf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的横坐标,yf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的纵坐标;
步骤3026、比较df与特征点选择距离阈值dz,当df>dz时,将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的有效特征点并保留,当df≤dz时,将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非有效特征点并删除;
步骤3027、根据公式计算步骤3026中判断出的有效特征点中与第f个可能特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)到它的前一个有效特征点pf′-1(xf′-1,yf′-1)与后一个有效特征点pf′+1(xf′+1,yf′+1)连成的直线的距离df′;其中,f′的取值为1~m′的自然数,m′为步骤3026中判断出的有效特征点的总数;xf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的横坐标,yf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的纵坐标;xf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的横坐标,yf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的纵坐标;xf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的横坐标,yf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的纵坐标;
步骤3028、比较步骤3027中计算得到的df′与步骤3025中计算得到的df,取f′为1~m′的自然数,当m′个有效特征点均满足|df′-df|≤E∞时,将步骤3026中判断出的有效特征点确定为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点,否则,重复执行步骤3024~3028;其中,E∞为距离误差阈值。
5.按照权利要求4所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤3013中所述dt的取值为0.3~0.7,步骤3021中所述dz的取值为0.3~0.7,步骤3024中所述Δdz的取值为0.03~0.07,步骤3028中所述E∞的取值为0.03~0.07。
6.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤四中图像处理器调用重叠颗粒交点提取模块提取出步骤三中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点的具体过程为:
步骤401、令pc(xc,yc)为当前特征点,pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点,pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点,根据公式:计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc);
步骤402、根据公式求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I;
步骤403、判断条件是否成立,当条件成立时,将当前特征点pc(xc,yc)判断为重叠颗粒的交点;其中,It为交点选择面积阈值。
7.按照权利要求6所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤403中所述It的取值为0.2~0.6。
8.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤502中所述N的取值为50~200。
9.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤503中所述dp的取值为0.3~0.7。
10.按照权利要求1所述的基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法,其特征在于:步骤504中所述λmin的取值为0.05,步骤504中所述λmax的取值为0.9,步骤504中所述Fmin的取值为0.1,步骤504中所述Fmax的取值为7,步骤504中所述nmax的取值为300~700。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610568045.8A CN106203456B (zh) | 2016-07-20 | 2016-07-20 | 基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610568045.8A CN106203456B (zh) | 2016-07-20 | 2016-07-20 | 基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203456A true CN106203456A (zh) | 2016-12-07 |
CN106203456B CN106203456B (zh) | 2018-01-02 |
Family
ID=57494046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610568045.8A Active CN106203456B (zh) | 2016-07-20 | 2016-07-20 | 基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203456B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325937A (zh) * | 2018-08-20 | 2019-02-12 | 中国科学院自动化研究所 | 目标体的数量统计方法、装置及系统 |
CN109876569A (zh) * | 2019-04-19 | 2019-06-14 | 济南大学 | 一种布袋除尘器净化气体指标在线检测装置、系统及方法 |
CN116466189A (zh) * | 2023-05-09 | 2023-07-21 | 国网江苏省电力有限公司宿迁供电分公司 | 基于粒子群算法优化支持向量机的配电网故障选线方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065283A (zh) * | 2012-12-28 | 2013-04-24 | 西南科技大学 | 一种密集固体核径迹的粘连分离算法 |
CN103593855A (zh) * | 2013-12-04 | 2014-02-19 | 西安电子科技大学 | 基于粒子群优化和空间距离测度聚类的图像分割方法 |
CN104240243A (zh) * | 2014-09-05 | 2014-12-24 | 南京农业大学 | 一种基于椭圆拟合的粘连仔猪自动计数方法 |
-
2016
- 2016-07-20 CN CN201610568045.8A patent/CN106203456B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065283A (zh) * | 2012-12-28 | 2013-04-24 | 西南科技大学 | 一种密集固体核径迹的粘连分离算法 |
CN103593855A (zh) * | 2013-12-04 | 2014-02-19 | 西安电子科技大学 | 基于粒子群优化和空间距离测度聚类的图像分割方法 |
CN104240243A (zh) * | 2014-09-05 | 2014-12-24 | 南京农业大学 | 一种基于椭圆拟合的粘连仔猪自动计数方法 |
Non-Patent Citations (4)
Title |
---|
刘伟华: "基于机器视觉的煤尘在线检测系统关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
张伟: "基于图像处理的井下煤尘在线检测技术的研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
张峻凯: "基于瓶颈点探测与椭圆拟合的细胞图像分割方法探究", 《电子测试》 * |
闫学昆 等: "凸性颗粒构成的粘连区域的三类自动分离方法的对比分析", 《中国体视学与图像分析》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325937A (zh) * | 2018-08-20 | 2019-02-12 | 中国科学院自动化研究所 | 目标体的数量统计方法、装置及系统 |
CN109325937B (zh) * | 2018-08-20 | 2020-08-25 | 中国科学院自动化研究所 | 目标体的数量统计方法、装置及系统 |
CN109876569A (zh) * | 2019-04-19 | 2019-06-14 | 济南大学 | 一种布袋除尘器净化气体指标在线检测装置、系统及方法 |
CN116466189A (zh) * | 2023-05-09 | 2023-07-21 | 国网江苏省电力有限公司宿迁供电分公司 | 基于粒子群算法优化支持向量机的配电网故障选线方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106203456B (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203377B (zh) | 一种煤粉尘图像识别方法 | |
CN103971102B (zh) | 基于手指轮廓和决策树的静态手势识别方法 | |
CN101763500B (zh) | 应用于高自由度手掌图像中掌形提取和特征定位的方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN102592268B (zh) | 一种分割前景图像的方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN103413145B (zh) | 基于深度图像的关节点定位方法 | |
CN102270308B (zh) | 一种基于五官相关aam模型的面部特征定位方法 | |
CN110232308B (zh) | 基于手部速度与轨迹分布的跟随机器人手势轨迹识别方法 | |
CN110070090A (zh) | 一种基于手写文字识别的物流标签信息检测方法及系统 | |
CN105354866A (zh) | 一种多边形轮廓相似度检测方法 | |
CN111612008A (zh) | 基于卷积网络的图像分割方法 | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
CN101464948A (zh) | 一种基于关键点的仿射不变矩的目标识别方法 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN103984920B (zh) | 一种基于稀疏表示与多特征点的三维人脸识别方法 | |
CN109583357A (zh) | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 | |
CN106503626A (zh) | 基于深度图像与手指轮廓匹配的并指手势识别方法 | |
CN111950525B (zh) | 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法 | |
CN105138983B (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN105975905B (zh) | 一种手指静脉快速识别方法 | |
CN106203456B (zh) | 基于改进差分进化粒子群算法的煤尘重叠颗粒分离方法 | |
CN112069992A (zh) | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
Adiwinata et al. | Fish species recognition with faster r-cnn inception-v2 using qut fish dataset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |