CN106228554B - 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 - Google Patents
基于多属性约简的模糊粗糙集煤粉尘图像分割方法 Download PDFInfo
- Publication number
- CN106228554B CN106228554B CN201610574203.0A CN201610574203A CN106228554B CN 106228554 B CN106228554 B CN 106228554B CN 201610574203 A CN201610574203 A CN 201610574203A CN 106228554 B CN106228554 B CN 106228554B
- Authority
- CN
- China
- Prior art keywords
- coal dust
- fuzzy
- dust image
- image
- segmentation
- 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.)
- Active
Links
Abstract
本发明公开了一种基于多属性约简的模糊粗糙集煤粉尘图像分割方法,包括步骤:一、模糊类别隶属度的确定;二、确定模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;三、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值;四、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较,并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域,将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域。本发明方法步骤简单,提高了煤粉尘图像分割的效率和精度,有效性和鲁棒性好,使用灵活方便,可扩展性好,推广应用价值高。
Description
技术领域
本发明属于煤粉尘图像处理技术领域,具体涉及一种基于多属性约简的模糊粗糙集煤粉尘图像分割方法。
背景技术
在煤尘污染严重的选煤厂,原煤的筛分、破碎以及传输过程中,由于煤炭水分挥发干燥,在受到振动、撞击并引起下落的过程中将生成大量粉尘,煤炭粉尘的浓度达到一定程度时同氧气结合在有明火的条件下,随时会产生煤尘爆炸的恶性安全事故,造成的危害非常大。并且过多的煤尘会造成贵重精密的设备仪器严重磨损,造成机器的老化,降低精密仪器使用年限,同时也会引发工人的尘肺病问题。所以需要对煤尘的变化情况准确了解,以便及时采取相应措施。但早期测量方式大多采用人工手动操作实现,检测过程稳定性较差,获得的结果存在较大误差,精确度不高,无法真正反映出煤尘颗粒浓度变化的规律,不能及时有效地指导防尘降尘工作。为了解决这一问题,人们提出了基于视觉信息下的煤尘图像监控分析的方法,其中,对煤尘图像进行有效的分割是煤尘浓度测量重要研究内容之一,在煤尘图像分析和识别中具有重要的意义,分割结果的好坏直接影响煤尘颗粒识别和煤尘粒径测量的准确性。
现有的图像分割方法大致可分为区域生长法、阈值法、边界法、聚类法和结合特定理论的图像分割方法等类型,目前比较流行的分割方法还有结合先验形状知识的活动轮廓图像分割方法。另外,现有的图像分割方法还有基于概率统计方法、基于先验知识方法、基于神经网络方法、基于图论的分割方法等,这些方法主要利用图像的区域信息来实现分类,虽然鲁棒性较好,但耗时却相对较长。
其中,阈值法是一种最常用的并行区域技术,阈值是用于区分不同目标的灰度值。在实际应用中,阈值法成为图像分割中最基本和应用最广泛的分割技术,已被应用到了很多领域,但该方法的关键和难点在于如何取得合适的阈值;如果阈值选择得过高,则会将过多的目标点误归为背景,如果阈值选得过低,则会把背景误判为目标。由于煤尘颗粒目标和背景的灰度值相差较小,煤尘的图像的特征很模糊(没有明确的特征模式),因此,现有技术中还缺乏能够可靠地应用到煤粉尘图像处理中的图像分割方法,现有技术中的图像分割方法应用到煤粉尘图像分割中后,存在着分割方法复杂、精度低、效率低等缺陷和不足,限制了煤尘监控技术的发展。
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,提供一种基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其方法步骤简单,设计新颖合理,实现方便,提高了煤粉尘图像分割的效率和精度,有效性和鲁棒性好,使用灵活方便,可扩展性好,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:一种基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于,该方法包括以下步骤:
步骤一、模糊类别隶属度的确定:图像处理器将获取到的煤粉尘图像作为模糊粗糙集X={x1,x2,…,xn}来处理,在模糊粗糙集X={x1,x2,…,xn}中构造k个聚类m1,m2,…,mk,并确定出xi对应于wi的模糊类别隶属度
其中,xi为煤粉尘图像中第i个像素点的灰度值,i=1,2,…,n,n为像素点的个数,k为非0的自然数,wi为模糊粗糙集的论域U内的像素;
步骤二、确定模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像,具体过程为:
步骤201、图像处理器将煤粉尘图像的图像灰度特征空间中多个图像灰度特征看作多个条件属性,根据公式求取条件属性Ar对应的模糊依赖度γX(Ar),其中,POSX(Ar)为条件属性Ar对应的模糊粗糙集X的正域,且为xi对应于POSX(Ar)的模糊类别隶属度且
其中,r=1,2,…,N,N为煤粉尘图像的图像灰度特征空间中条件属性的总个数;j=1,2,…,k;
步骤202、比较煤粉尘图像的图像灰度特征空间中N个条件属性对应的模糊依赖度,从{A1,A2,…,AN}中选择一个具有最大模糊依赖度的条件属性作为第一个模糊属性约简的候选属性,并将选出的第一个模糊属性约简的候选属性定义为A′1;
步骤203、选择第2~λ个模糊属性约简的候选属性,并将选择出的第1~λ个模糊属性约简的候选属性定义为模糊属性约简的候选属性集B={A′1,A′2,…,A′q};其中,第q个模糊属性约简的候选属性的选择方法为:除去已选出的q-1个模糊属性约简的候选属性后,在其余的条件属性中选择一个具有最大模糊依赖度的条件属性作为模糊属性约简的候选属性,并将选出的候选属性定义为A′q,q的取值为2~λ;
步骤204、判断是否存在Av,q<v<N,满足Av对应模糊依赖度大于各个模糊属性约简的候选属性对应的模糊依赖度,当存在Av时,将B′={A′1,A′2,…,A′q,Av}确定为模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;否则,当不存在Av时,将B={A′1,A′2,…,A′q}确定为模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;
步骤三、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值,具体过程为:
步骤301、设定循环总次数C和用于存储数据的数据位总数S;其中,C和S均为自然数且C>S;
步骤302、设定进行煤粉尘图像分割的分割阈值s为并比较煤粉尘图像中每一个像素的灰度值与分割阈值s;取rand()为均匀分布在(0,1)上的C个随机数,每取一个随机数,记录循环次数h并比较循环次数h与用于存储数据的数据位总数S,当h<C且h≤S时,循环执行步骤303~步骤306以及步骤307;否则,当h<C且h>S时,循环执行步骤303~步骤306以及步骤308;直到h=C后停止循环;其中,xmax为X中元素的最大值且xmax=max{x1,x2,…,xn},xmin为X中元素的最小值且xmin=min{x1,x2,…,xn};
步骤303、图像处理器对去除了冗余属性的煤粉尘图像进行目标区域的模糊下近似和模糊上近似,以及背景区域的模糊下近似和模糊上近似,分别表示为:
目标区域的模糊下近似:
目标区域的模糊上近似:
背景区域的模糊下近似:
背景区域的模糊上近似:
步骤304、当煤粉尘图像中每一个像素的灰度值均大于分割阈值s时,目标区域的模糊下近似R oX加1;当煤粉尘图像中部分像素的灰度值大于分割阈值s时,目标区域的模糊上近似加1;
步骤305、当煤粉尘图像中每一个像素的灰度值均小于等于分割阈值s时,背景区域的模糊下近似R BX加1;当煤粉尘图像中部分像素的灰度值小于等于分割阈值s时,背景区域的模糊上近似加1;
步骤306、根据公式计算煤粉尘图像的信息熵Entr(X);
步骤307、将步骤306中计算得到的煤粉尘图像的信息熵Entr(X)和与信息熵Entr(X)对应的煤粉尘图像分割的分割阈值s直接存储在用于存储数据的数据位上;
步骤308、比较已经存储在用于存储数据的数据位上各个煤粉尘图像的信息熵Entr(X)的大小,删除用于存储数据的数据位上最小的煤粉尘图像的信息熵Entr(X),并将当前计算得到的煤粉尘图像的信息熵Entr(X)存储在删除了信息熵Entr(X)的数据位上;然后再比较所有数据位上的煤粉尘图像的信息熵Entr(X),找到最大的煤粉尘图像的信息熵Entr(X),并将最大的煤粉尘图像的信息熵Entr(X)对应的煤粉尘图像分割的分割阈值s确定为进行煤粉尘图像分割的阈值;
步骤四、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较,并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域,将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域。
上述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:步骤一中图像处理器确定出xi对应于wi的模糊类别隶属度的方法为:
当j=1时,
当j=k时,
当j=2~(k-1)时,
其中,xmin为X中元素的最小值且xmin=min{x1,x2,…,xn},xmax为X中元素的最大值且xmax=max{x1,x2,…,xn},j=1,2,…,k。
上述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:步骤301中设定循环总次数C为15~100,设定用于存储数据的数据位总数S为10~20。
上述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:步骤302中取rand()为间隔0.5×10-3均匀分布在(0,1)上的C个随机数。
上述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:所述图像处理器为计算机。
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、本发明将模糊粗糙集的思想应用到图像分割技术当中,提出了一种新颖的煤粉尘图像分割方法,利用模糊粗糙集技术的属性约简进行属性选择,将对分割比较重要的属性选择出来,将冗余的属性去掉,不仅提高了煤粉尘图像分割的效率,还提高了煤粉尘图像分割的精度。
3、本发明的使用灵活方便,且具有很强的可扩展性。
4、本发明在一定程度上使得煤粉尘图像分割的有效性和鲁棒性得到了保证。
5、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,提高了煤粉尘图像分割的效率和精度,有效性和鲁棒性好,使用灵活方便,可扩展性好,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大颗粒煤粉尘图像。
图2B为采用迭代法进行图像分割后得到的大颗粒煤粉尘图像。
图2C为采用传统的模糊粗糙集算法进行图像分割后得到的大颗粒煤粉尘图像。
图2D为采用本发明的方法进行图像分割后得到的大颗粒煤粉尘图像。
图3A为采用Olympus BX41显微放大镜获取到的中颗粒煤粉尘图像。
图3B为采用迭代法进行图像分割后得到的中颗粒煤粉尘图像。
图3C为采用传统的模糊粗糙集算法进行图像分割后得到的中颗粒煤粉尘图像。
图3D为采用本发明的方法进行图像分割后得到的中颗粒煤粉尘图像。
图4A为采用Olympus BX41显微放大镜获取到的小颗粒煤粉尘图像。
图4B为采用迭代法进行图像分割后得到的小颗粒煤粉尘图像。
图4C为采用传统的模糊粗糙集算法进行图像分割后得到的小颗粒煤粉尘图像。
图4D为采用本发明的方法进行图像分割后得到的小颗粒煤粉尘图像。
具体实施方式
如图1所示,本发明的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,包括以下步骤:
步骤一、模糊类别隶属度的确定:图像处理器将获取到的煤粉尘图像作为模糊粗糙集X={x1,x2,…,xn}来处理,在模糊粗糙集X={x1,x2,…,xn}中构造k个聚类m1,m2,…,mk,并确定出xi对应于wi的模糊类别隶属度
其中,xi为煤粉尘图像中第i个像素点的灰度值,i=1,2,…,n,n为像素点的个数,k为非0的自然数,wi为模糊粗糙集的论域U内的像素;
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。
本实施例中,步骤一中图像处理器确定出xi对应于wi的模糊类别隶属度的方法为:
当j=1时,
当j=k时,
当j=2~(k-1)时,
其中,xmin为X中元素的最小值且xmin=min{x1,x2,…,xn},xmax为X中元素的最大值且xmax=max{x1,x2,…,xn},j=1,2,…,k。
步骤二、确定模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像,具体过程为:
步骤201、图像处理器将煤粉尘图像的图像灰度特征空间中多个图像灰度特征看作多个条件属性,根据公式求取条件属性Ar对应的模糊依赖度γX(Ar),其中,POSX(Ar)为条件属性Ar对应的模糊粗糙集X的正域,且为xi对应于POSX(Ar)的模糊类别隶属度且
其中,r=1,2,…,N,N为煤粉尘图像的图像灰度特征空间中条件属性的总个数;j=1,2,…,k;supmin表示用户关心的关联规则的最低重要性;γX(Ai)的值越大,说明条件属性越重要,当γX(Ai)=0时,说明条件属性是冗余的。
步骤202、比较煤粉尘图像的图像灰度特征空间中N个条件属性对应的模糊依赖度,从{A1,A2,…,AN}中选择一个具有最大模糊依赖度的条件属性作为第一个模糊属性约简的候选属性,并将选出的第一个模糊属性约简的候选属性定义为A′1;
步骤203、选择第2~λ个模糊属性约简的候选属性,并将选择出的第1~λ个模糊属性约简的候选属性定义为模糊属性约简的候选属性集B={A′1,A′2,…,A′q};其中,第q个模糊属性约简的候选属性的选择方法为:除去已选出的q-1个模糊属性约简的候选属性后,在其余的条件属性中选择一个具有最大模糊依赖度的条件属性作为模糊属性约简的候选属性,并将选出的候选属性定义为A′q,q的取值为2~λ;
步骤204、判断是否存在Av,q<v<N,满足Av对应模糊依赖度大于各个模糊属性约简的候选属性对应的模糊依赖度,当存在Av时,将B′={A′1,A′2,…,A′q,Av}确定为模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;否则,当不存在Av时,将B={A′1,A′2,…,A′q}确定为模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;
步骤三、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值,具体过程为:
步骤301、设定循环总次数C和用于存储数据的数据位总数S;其中,C和S均为自然数且C>S;
本实施例中,步骤301中设定循环总次数C为15~100,设定用于存储数据的数据位总数S为10~20。
步骤302、设定进行煤粉尘图像分割的分割阈值s为并比较煤粉尘图像中每一个像素的灰度值与分割阈值s;取rand()为均匀分布在(0,1)上的C个随机数,每取一个随机数,记录循环次数h并比较循环次数h与用于存储数据的数据位总数S,当h<C且h≤S时,循环执行步骤303~步骤306以及步骤307;否则,当h<C且h>S时,循环执行步骤303~步骤306以及步骤308;直到h=C后停止循环;其中,xmax为X中元素的最大值且xmax=max{x1,x2,…,xn},xmin为X中元素的最小值且xmin=min{x1,x2,…,xn};
本实施例中,步骤302中取rand()为间隔0.5×10-3均匀分布在(0,1)上的C个随机数。
步骤303、图像处理器对去除了冗余属性的煤粉尘图像进行目标区域的模糊下近似和模糊上近似,以及背景区域的模糊下近似和模糊上近似,分别表示为:
目标区域的模糊下近似:
目标区域的模糊上近似:
背景区域的模糊下近似:
背景区域的模糊上近似:
步骤304、当煤粉尘图像中每一个像素的灰度值均大于分割阈值s时,目标区域的模糊下近似R oX加1;当煤粉尘图像中部分像素的灰度值大于分割阈值s时,目标区域的模糊上近似加1;
步骤305、当煤粉尘图像中每一个像素的灰度值均小于等于分割阈值s时,背景区域的模糊下近似R BX加1;当煤粉尘图像中部分像素的灰度值小于等于分割阈值s时,背景区域的模糊上近似加1;
步骤306、根据公式计算煤粉尘图像的信息熵Entr(X);
步骤307、将步骤306中计算得到的煤粉尘图像的信息熵Entr(X)和与信息熵Entr(X)对应的煤粉尘图像分割的分割阈值s直接存储在用于存储数据的数据位上;
步骤308、比较已经存储在用于存储数据的数据位上各个煤粉尘图像的信息熵Entr(X)的大小,删除用于存储数据的数据位上最小的煤粉尘图像的信息熵Entr(X),并将当前计算得到的煤粉尘图像的信息熵Entr(X)存储在删除了信息熵Entr(X)的数据位上;然后再比较所有数据位上的煤粉尘图像的信息熵Entr(X),找到最大的煤粉尘图像的信息熵Entr(X),并将最大的煤粉尘图像的信息熵Entr(X)对应的煤粉尘图像分割的分割阈值s确定为进行煤粉尘图像分割的阈值;
步骤四、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较,并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域,将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域。
本实施例中,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所示的大颗粒煤粉尘图像作为测试图像,图像的像素大小为512×512;采用迭代法进行图像分割后得到的大颗粒煤粉尘图像如图2B所示,采用传统的模糊粗糙集算法进行图像分割后得到的大颗粒煤粉尘图像如图2C所示,采用本发明的方法进行图像分割后得到的大颗粒煤粉尘图像如图2D所示,仿真结果图表明,本发明的方法能够把颗粒从图像中准确的提取出来,图像分割的精度更高。
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;采用迭代法进行图像分割后得到的中颗粒煤粉尘图像如图3B所示,采用传统的模糊粗糙集算法进行图像分割后得到的中颗粒煤粉尘图像如图3C所示,采用本发明的方法进行图像分割后得到的中颗粒煤粉尘图像如图3D所示,仿真结果图表明,本发明的方法能够把颗粒从图像中准确的提取出来,图像分割的精度更高。
仿真3
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4A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;采用迭代法进行图像分割后得到的小颗粒煤粉尘图像如图4B所示,采用传统的模糊粗糙集算法进行图像分割后得到的小颗粒煤粉尘图像如图4C所示,采用本发明的方法进行图像分割后得到的小颗粒煤粉尘图像如图4D所示,仿真结果图表明,本发明的方法能够把颗粒从图像中准确的提取出来,图像分割的精度更高。
另外,还得到了仿真1、仿真2和仿真3中基于三种算法的不同煤粉尘图像性能指标表如表1所示:
表1基于三种算法的不同煤粉尘图像性能指标表
通过对表1进行分析得出,本发明的方法在提高煤粉尘图像分割效率的同时,在一定程度上也使得煤粉尘图像分割的有效性和鲁棒性得到了保证。从权衡分割精度同计算效率的角度考虑,本发明的方法是一种实用有效的图像分割算法,本发明的方法无论在阈值还是分割性能指标上都拥有显著的优势,能满足精确分割的要求,这也为煤粉尘图像处理的后续研究提供了精确数据。
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 (5)
1.一种基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于,该方法包括以下步骤:
步骤一、模糊类别隶属度的确定:图像处理器将获取到的煤粉尘图像作为模糊粗糙集X={x1,x2,…,xn}来处理,在模糊粗糙集X={x1,x2,…,xn}中构造k个聚类m1,m2,…,mk,并确定出xi对应于wi的模糊类别隶属度
其中,xi为煤粉尘图像中第i个像素点的灰度值,i=1,2,…,n,n为像素点的个数,k为非0的自然数,wi为模糊粗糙集的论域U内的像素;
步骤二、确定模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像,具体过程为:
步骤201、图像处理器将煤粉尘图像的图像灰度特征空间中多个图像灰度特征看作多个条件属性,根据公式求取条件属性Ar对应的模糊依赖度γX(Ar),其中,POSX(Ar)为条件属性Ar对应的模糊粗糙集X的正域,且 为xi对应于POSX(Ar)的模糊类别隶属度且
其中,r=1,2,…,N,N为煤粉尘图像的图像灰度特征空间中条件属性的总个数;j=1,2,…,k;
步骤202、比较煤粉尘图像的图像灰度特征空间中N个条件属性对应的模糊依赖度,从{A1,A2,…,AN}中选择一个具有最大模糊依赖度的条件属性作为第一个模糊属性约简的候选属性,并将选出的第一个模糊属性约简的候选属性定义为A′1;
步骤203、选择第2~λ个模糊属性约简的候选属性,并将选择出的第1~λ个模糊属性约简的候选属性定义为模糊属性约简的候选属性集B={A′1,A′2,…,A′q};其中,第q个模糊属性约简的候选属性的选择方法为:除去已选出的q-1个模糊属性约简的候选属性后,在其余的条件属性中选择一个具有最大模糊依赖度的条件属性作为模糊属性约简的候选属性,并将选出的候选属性定义为A′q,q的取值为2~λ;
步骤204、判断是否存在Av,q<v<N,满足Av对应模糊依赖度大于各个模糊属性约简的候选属性对应的模糊依赖度,当存在Av时,将B′={A′1,A′2,…,A′q,Av}确定为模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;否则,当不存在Av时,将B={A′1,A′2,…,A′q}确定为模糊粗糙集X的模糊属性约简,得到去除了冗余属性的煤粉尘图像;
步骤三、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值,具体过程为:
步骤301、设定循环总次数C和用于存储数据的数据位总数S;其中,C和S均为自然数且C>S;
步骤302、设定进行煤粉尘图像分割的分割阈值s为并比较煤粉尘图像中每一个像素的灰度值与分割阈值s;取rand()为均匀分布在(0,1)上的C个随机数,每取一个随机数,记录循环次数h并比较循环次数h与用于存储数据的数据位总数S,当h<C且h≤S时,循环执行步骤303~步骤306以及步骤307;否则,当h<C且h>S时,循环执行步骤303~步骤306以及步骤308;直到h=C后停止循环;其中,xmax为X中元素的最大值且xmax=max{x1,x2,…,xn},xmin为X中元素的最小值且xmin=min{x1,x2,…,xn};
步骤303、图像处理器对去除了冗余属性的煤粉尘图像进行目标区域的模糊下近似和模糊上近似,以及背景区域的模糊下近似和模糊上近似,分别表示为:
目标区域的模糊下近似:
目标区域的模糊上近似:
背景区域的模糊下近似:
背景区域的模糊上近似:
步骤304、当煤粉尘图像中每一个像素的灰度值均大于分割阈值s时,目标区域的模糊下近似R oX加1;当煤粉尘图像中部分像素的灰度值大于分割阈值s时,目标区域的模糊上近似加1;
步骤305、当煤粉尘图像中每一个像素的灰度值均小于等于分割阈值s时,背景区域的模糊下近似R BX加1;当煤粉尘图像中部分像素的灰度值小于等于分割阈值s时,背景区域的模糊上近似加1;
步骤306、根据公式计算煤粉尘图像的信息熵Entr(X);
步骤307、将步骤306中计算得到的煤粉尘图像的信息熵Entr(X)和与信息熵Entr(X)对应的煤粉尘图像分割的分割阈值s直接存储在用于存储数据的数据位上;
步骤308、比较已经存储在用于存储数据的数据位上各个煤粉尘图像的信息熵Entr(X)的大小,删除用于存储数据的数据位上最小的煤粉尘图像的信息熵Entr(X),并将当前计算得到的煤粉尘图像的信息熵Entr(X)存储在删除了信息熵Entr(X)的数据位上;然后再比较所有数据位上的煤粉尘图像的信息熵Entr(X),找到最大的煤粉尘图像的信息熵Entr(X),并将最大的煤粉尘图像的信息熵Entr(X)对应的煤粉尘图像分割的分割阈值s确定为进行煤粉尘图像分割的阈值;
步骤四、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较,并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域,将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域。
2.按照权利要求1所述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:步骤一中图像处理器确定出xi对应于wi的模糊类别隶属度的方法为:
当j=1时,
当j=k时,
当j=2~(k-1)时,
其中,xmin为X中元素的最小值且xmin=min{x1,x2,…,xn},xmax为X中元素的最大值且xmax=max{x1,x2,…,xn},j=1,2,…,k。
3.按照权利要求1所述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:步骤301中设定循环总次数C为15~100,设定用于存储数据的数据位总数S为10~20。
4.按照权利要求1所述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:步骤302中取rand()为间隔0.5×10-3均匀分布在(0,1)上的C个随机数。
5.按照权利要求1所述的基于多属性约简的模糊粗糙集煤粉尘图像分割方法,其特征在于:所述图像处理器为计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610574203.0A CN106228554B (zh) | 2016-07-20 | 2016-07-20 | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610574203.0A CN106228554B (zh) | 2016-07-20 | 2016-07-20 | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228554A CN106228554A (zh) | 2016-12-14 |
CN106228554B true CN106228554B (zh) | 2017-07-04 |
Family
ID=57531612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610574203.0A Active CN106228554B (zh) | 2016-07-20 | 2016-07-20 | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228554B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665000A (zh) * | 2018-05-03 | 2018-10-16 | 华东交通大学 | 一种基于不确定性分析的数字图像自动标注方法 |
CN109272508B (zh) * | 2018-08-02 | 2021-10-26 | 哈尔滨工程大学 | 一种基于粗糙集和粗糙熵的Petri网络图像分割方法 |
CN109118004B (zh) * | 2018-08-16 | 2021-09-14 | 李宏伟 | 一种工程构筑选址适宜区预测方法 |
CN109829385B (zh) * | 2019-01-04 | 2020-12-01 | 北京航空航天大学 | 一种精细识别空间目标的光谱模式识别方法 |
CN110057748A (zh) * | 2019-05-30 | 2019-07-26 | 西安石油大学 | 油气管道土壤腐蚀分级量化方法 |
CN111901514B (zh) * | 2019-12-19 | 2021-08-06 | 万静琼 | 自动化防爆镜头切换平台 |
CN111462144B (zh) * | 2020-03-30 | 2023-07-21 | 南昌工程学院 | 一种基于粗糙集的快速抑制图像模糊边界的图像分割方法 |
CN112508824B (zh) * | 2021-02-04 | 2021-04-23 | 湖南九九智能环保股份有限公司 | 一种堆场粉尘治理方法 |
CN115496759B (zh) * | 2022-11-17 | 2023-04-14 | 歌尔股份有限公司 | 灰尘检测方法和装置、存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5644911B1 (ja) * | 2013-07-29 | 2014-12-24 | Jfeスチール株式会社 | 異常検知方法および高炉操業方法 |
CN103942557B (zh) * | 2014-01-28 | 2017-07-11 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
-
2016
- 2016-07-20 CN CN201610574203.0A patent/CN106228554B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106228554A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228554B (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
US11900598B2 (en) | System and method of classification of biological particles | |
CN106203377B (zh) | 一种煤粉尘图像识别方法 | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN107657175A (zh) | 一种基于图像特征描述子的恶意样本同源检测方法 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN107515877A (zh) | 敏感主题词集的生成方法和装置 | |
CN109613002A (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN108229588B (zh) | 一种基于深度学习的机器学习识别方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN111062296B (zh) | 一种基于计算机的白细胞自动识别分类方法 | |
CN107122382A (zh) | 一种基于说明书的专利分类方法 | |
CN106295502A (zh) | 一种人脸检测方法及装置 | |
JPWO2005050479A1 (ja) | 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置 | |
CN104680193B (zh) | 基于快速相似性网络融合算法的在线目标分类方法与系统 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN111325237B (zh) | 一种基于注意力交互机制的图像识别方法 | |
CN110533116A (zh) | 基于欧式距离的自适应集成的不平衡数据分类方法 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN110163869A (zh) | 一种图像重复元素分割方法、智能设备及存储介质 | |
CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
Shi et al. | Segmentation quality evaluation based on multi-scale convolutional neural networks | |
Renaudie et al. | Accuracy of a neural net classification of closely-related species of microfossils from a sparse dataset of unedited images | |
CN113096079B (zh) | 图像分析系统及其构建方法 | |
CN108629506A (zh) | 风控模型的建模方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |