CN110728253B - 一种基于颗粒粗糙度的纹理特征度量方法 - Google Patents
一种基于颗粒粗糙度的纹理特征度量方法 Download PDFInfo
- Publication number
- CN110728253B CN110728253B CN201911006079.8A CN201911006079A CN110728253B CN 110728253 B CN110728253 B CN 110728253B CN 201911006079 A CN201911006079 A CN 201911006079A CN 110728253 B CN110728253 B CN 110728253B
- Authority
- CN
- China
- Prior art keywords
- bubble
- particle
- gray
- point
- region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种基于颗粒粗糙度的纹理特征度量方法,在泡沫浮选领域,本发明提出一种基于颗粒粗糙度的纹理特征度量方法,此方法基于现场设置的数字图像采集系统提取泡沫图像,提出了颗粒区域的概念,并对泡泡表面的颗粒区域进行准确提取,对所提取的颗粒区域进行一系列的度量,通过一系列计算定义了纹理特征量颗粒粗糙度,用以反映整幅图像的纹理特征。该方法有效弥补了传统的纹理特征提取方法没有考虑泡沫表面颗粒的缺陷,从而可以更准确的判断工况并有效指导加药。
Description
技术领域
本发明属于泡沫浮选技术领域,具体涉及一种锌浮选过程中的纹理特征度量方法。
背景技术
泡沫浮选是国内外广泛应用的一种选矿方法,该方法能依据矿物表面亲水性与疏水性的差异,有效地将目标矿物分离出来。泡沫浮选过程将目标矿物与其共生的脉石研磨成合适大小的颗粒然后送入浮选槽中,通过添加药剂调整不同矿物颗粒表面性质同时在浮选过程中不断地搅拌和鼓风,使矿浆中形成大量具有不同尺寸、形态、纹理等特征信息的气泡,使有用矿物颗粒粘附在气泡表面,气泡携带矿物颗粒上升至浮选槽表面形成泡泡层,脉石矿物留在矿浆中,从而实现矿物分选。由于浮选工艺流程长、内部机理不明确、影响因素多、涉及变量多且非线性严重、工艺指标不能在线检测等原因,一直以来,浮选过程主要依靠人工肉眼观察浮选槽表面泡泡状态来完成现场操作,这种生产方式主观性强,难以实现浮选泡泡状态的客观评价与认知,造成浮选生产指标波动频繁、矿物原料流失严重、药剂消耗量大、资源回收率低等情况发生,特别在高品位矿物资源日益匮乏的今天,浮选矿源成分复杂、矿物品味低,浮选生产人工操作更加难以有效进行。将机器视觉应用到浮选过程中,利用数字图像处理技术对浮选泡泡图像进行分析,能实现对泡泡状态的客观描述,再进一步寻找与分析泡泡特征参数与工艺指标的关系,从而推进了浮选过程的生产自动化。浮选泡泡随着浮选状态的不同而呈现出特殊的纹理状态,泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合体现,它与加药量、通气量等浮选生产操作变量及精矿品位、尾矿含量等浮选生产指标密切相关,当前的泡泡纹理信息提取方法主要是提取局部特征,存在提取的精度不够且纹理提取过程中没有考虑到泡泡表面颗粒等问题,难以准确反映工况,而实际上,泡泡表面常常附着一些矿石或者杂志小颗粒,造成泡泡表面粗糙不平,而这些小颗粒出现的数量以及颗粒内部纹理与锌精矿品位有密切关系,针对之前的研究没有考虑到泡泡表面颗粒的问题,提出一种基于颗粒粗糙度的纹理特征度量方法,此方法基于现场设置的数字图像采集系统提取泡泡图像,继而对泡泡表面的颗粒区域进行准确提取,并对颗粒内部纹理状况以及全局纹理特征进行量化度量,定义了纹理特征颗粒粗糙度,有效避免了传统的纹理特征提取方法的局限性,从而更准确的判断工况并有效指导加药。
发明内容
本发明的目的是提供一种基于颗粒粗糙度的纹理特征度量方法,在浮选生产中,浮选泡泡表面纹理是反映矿石品位的重要视觉信息,与浮选工况密切相关,直接反映泡泡层的矿化程度。本发明针对目前存在的浮选泡泡图像的纹理特征提取没有考虑泡泡表面颗粒的问题,定义了纹理特征度量方法颗粒粗糙度。该方法首先对泡泡图像进行分割,提取出感兴趣泡泡,然后对泡泡表面的颗粒区域进行提取,进而基于颗粒区域计算颗粒粗糙度,并对颗粒粗糙度如何反应工况的问题进行了分析说明,表明它能更准确地对矿物品位进行调控并指导浮选生产。
本发明采用的技术方案步骤如下:
步骤一:利用浮选现场图像采集系统收集锌浮选的泡泡视频并将泡泡视频转换为连续图像,对采集到的锌浮选图像数据进行数据预处理,如下:
1)剔除超出正常变化阈值的错误数据;
2)剔除不完整的数据;
步骤二:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A:
egf表示的是灰度图像中的每一个像素点对应的灰度值,其中,g∈N,f∈N,N∈(400,800)。
步骤三:泡泡图像中,泡泡常规的形态是表面光滑,高亮点位于单个泡泡凸起曲面的顶端,高亮点区域呈现最小灰度值,而以高亮点为中心,灰度值向下逐渐递增,在到达泡泡边界时达到最大值。而实际上,泡泡常常附着一些矿石或者杂志小颗粒,造成泡泡表面粗糙不平,而这些小颗粒的出现的数量与加药量和锌精矿品位有关系。
首先,对泡泡进行分割,采用分水岭的方法将泡泡分割得到h个单个的泡泡,并储存各个泡泡的灰度矩阵,得到单个泡泡的灰度矩阵集合B={b1,b2,b3,...,bλ,...,bh},bλ是第λ个泡泡灰度数值矩阵,h是分割后泡泡总的个数,在分割后的单个泡泡图像集合当中,筛选泡泡尺寸大于1200像素值的泡泡,即为感兴趣区域,对于筛选后的泡泡,用单个泡泡的灰度均值代替此泡泡高亮点部分的灰度值,得到待检测泡泡灰度矩阵集合C={c1,c2,c3,...,cε,...,cK},K是符合泡泡尺寸要求的泡泡个数。
步骤四:颗粒区域的检测:
1.非颗粒区域,泡泡表面是光滑的,灰度值的变化范围在渐变范围内。
2.颗粒区域中灰度值的变化超出了渐变范围。
采用以下步骤提取颗粒区域:
S1:对于分割筛选后的泡泡定义颗粒区域的搜索方式:对于泡泡cε,取0°、45°、90°、135°、180°、225°、270°、315°八个方向,在泡泡内任意一个方向上所有像素点的灰度值组成一个数组,单个泡泡的的最大宽度是个有限值,记泡泡最左侧像素点在灰度矩阵中的列数为Hm,记泡泡最右侧像素点在灰度矩阵中的列数为从Hn,搜索时候从泡泡灰度矩阵中的Hm列开始自左向右同时从泡泡上半部分边界开始自上向下开始搜索,初始搜索方向为270°;
S2:标记跳变点:
(1)设置灰度渐变的阈值为[0,8],首先以泡泡上半部分边界最左侧的像素点为起点,从270°方向开始搜索,取步长为1,在270°方向上,下一个灰度值与当前灰度值的差值的模定义为灰度渐变值,将灰度渐变值与阈值进行比较,灰度渐变值超过阈值则将当前灰度值位置标记为跳变点d1,位置用笛卡尔坐标表示为:(x1,y1),第一个跳变点所在列H0记为颗粒区域的左边界,其中Hm<...<H0<H1<H2<...<Hk<Hk+1<Hk+2<...<Hn,H1为H0后第一列,依此类推,按此搜索方式依次从H0列往右搜索,直到第Hk+2列时候没有搜索到跳变点,则Hk+1列为此颗粒区域的右边界;
(2)从H1列到Hk列之间,每一列自上向下按270°方向搜索,获得两个跳变点,在搜索第H1列时,记90度和270度射线方向的跳变点为d2和d3,取两个跳变点位置的中点作为位置中心发散点o1;以位置发散中心点o1为起点,按0°和180°射线方向往两边开始搜索,标记最近的跳变点的位置d4,d5;以位置发散中心点为起点,按45°和225°射线方向往两边开始搜索,标记最近的跳变点的位置d6,d7;以位置发散中心点为起点,按135°和315°射线方向往两边开始搜索,标记最近的跳变点的位置d8,d9;
S3:颗粒区域的提取:
由H1列的位置中心发散点o1得到8个跳变点,H2,H3,...,Hk列的位置中心发散点o2,o3,...,ok分别得到8个跳变点,则该颗粒区域共得到t=8k个跳变点,若t<24则此区域为噪点,不予考虑,当t≥24时将这t个跳变点依次相连得到颗粒区域,记作Dr(r∈τ)。
步骤五:颗粒粗糙度的计算:
(1)对于泡泡cε,由步骤四提取出颗粒区域Dτ,τ∈(1,2,...,Lε),Lε是泡泡cε中颗粒区域的总个数,并记Qε为该泡泡中所含像素点的个数,对于颗粒区域Dτ,其灰度矩阵的横轴用x表示,纵轴用y表示,记该区域像素点的个数为Sτ,其中各个像素点的灰度值记作e1,e2,...,eSτ记μτ为这Sτ个像素点的灰度均值,即同时计算该颗粒区域内像素点灰度值的方差στ 2,即
(2)泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合表述,泡泡的粗糙度和对比度与泡泡表面矿物的富集程度有关,而在粗糙度特征的提取过程中,颗粒区域的内部纹理是一项重要特征,对浮选生产具有重要的指示作用,对于颗粒区域Dτ,综合考虑其尺寸大小对粗糙度的影响,计算该颗粒区域中像素点个数与泡泡中像素点总个数的比值δτ,即
对于不满足条件①、②、③的颗粒区域定义为其他颗粒区域;
记整幅图像的显著颗粒区域的个数为q,一般颗粒区域的个数为s,轻微颗粒区域的个数为w,其他颗粒区域的个数为u,显著颗粒区域、一般颗粒区域、轻微颗粒区域、其他颗粒区域所占权重分别设定为0.4、0.3、0.2、0.1,定义整幅图像的颗粒粗糙度G,如下式所示:
G=0.4q+0.3s+0.2w+0.1u
步骤六:通过颗粒粗糙度判定工况:
当处于状态①时,泡泡表面纹理较细,药剂过量,泡泡中承载的矿物粒子超过了泡泡的承载量而使泡泡大量破碎,药剂浪费比较严重而且精矿品位低;
当处于状态②时,浮选药剂适量,浮选性能好,浮选生产效率高;
当处于状态③时,矿浆粘性低,药剂添加量欠缺,泡泡含矿量较少,含水量高,精矿品位低。
步骤二中将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A,其中N∈(400,800)。
本发明定义了纹理特征颗粒粗糙度,用以反映整幅图像的纹理特征,有效避免了传统的纹理特征提取方法的局限性,并有效克服了浮选现场光照不均匀现象对纹理特征提取造成的影响,从而更准确的判断工况并有效指导加药。
附图说明
图1是基于颗粒粗糙度的纹理特征度量方法的流程图。
图2是步骤四中S3所提取的颗粒区域示意图。
具体实施方式
图1是本发明流程图。
步骤一:利用浮选现场图像采集系统收集锌浮选的泡泡视频并将泡泡视频转换为连续图像,对采集到的锌浮选图像数据进行数据预处理,如下:
1)剔除超出正常变化阈值的错误数据;
2)剔除不完整的数据;
步骤二:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A:
egf表示的是灰度图像中的每一个像素点对应的灰度值,其中,g∈N,f∈N,N∈(400,800)。
步骤三:泡泡图像中,泡泡常规的形态是表面光滑,高亮点位于单个泡泡凸起曲面的顶端,高亮点区域呈现最小灰度值,而以高亮点为中心,灰度值向下逐渐递增,在到达泡泡边界时达到最大值。而实际上,泡泡常常附着一些矿石或者杂志小颗粒,造成泡泡表面粗糙不平,而这些小颗粒的出现的数量与加药量和锌精矿品位有关系。
首先,对泡泡进行分割,采用分水岭的方法将泡泡分割得到h个单个的泡泡,并储存各个泡泡的灰度矩阵,得到单个泡泡的灰度矩阵集合B={b1,b2,b3,...,bλ,...,bh},bλ是第λ个泡泡灰度数值矩阵,h是分割后泡泡总的个数,在分割后的单个泡泡图像集合当中,筛选泡泡尺寸大于1200像素值的泡泡,即为感兴趣区域,对于筛选后的泡泡,用单个泡泡的灰度均值代替此泡泡高亮点部分的灰度值,得到待检测泡泡灰度矩阵集合C={c1,c2,c3,...,cε,...,cK},K是符合泡泡尺寸要求的泡泡个数。
步骤四:颗粒区域的检测:
1.非颗粒区域,泡泡表面是光滑的,灰度值的变化范围在渐变范围内。
2.颗粒区域中灰度值的变化超出了渐变范围。
采用以下步骤提取颗粒区域:
S1:对于分割筛选后的泡泡定义颗粒区域的搜索方式:对于泡泡cε,取0°、45°、90°、135°、180°、225°、270°、315°八个方向,在泡泡内任意一个方向上所有像素点的灰度值组成一个数组,单个泡泡的的最大宽度是个有限值,记泡泡最左侧像素点在灰度矩阵中的列数为Hm,记泡泡最右侧像素点在灰度矩阵中的列数为从Hn,搜索时候从泡泡灰度矩阵中的Hm列开始自左向右同时从泡泡上半部分边界开始自上向下开始搜索,初始搜索方向为270°;
S2:标记跳变点:
(1)设置灰度渐变的阈值为[0,8],首先以泡泡上半部分边界最左侧的像素点为起点,从270°方向开始搜索,取步长为1,在270°方向上,下一个灰度值与当前灰度值的差值的模定义为灰度渐变值,将灰度渐变值与阈值进行比较,灰度渐变值超过阈值则将当前灰度值位置标记为跳变点d1,位置用笛卡尔坐标表示为:(x1,y1),第一个跳变点所在列H0记为颗粒区域的左边界,其中Hm<...<H0<H1<H2<...<Hk<Hk+1<Hk+2<...<Hn,H1为H0后第一列,依此类推,按此搜索方式依次从H0列往右搜索,直到第Hk+2列时候没有搜索到跳变点,则Hk+1列为此颗粒区域的右边界;
(2)从H1列到Hk列之间,每一列自上向下按270°方向搜索,获得两个跳变点,在搜索第H1列时,记90度和270度射线方向的跳变点为d2和d3,取两个跳变点位置的中点作为位置中心发散点o1;以位置发散中心点o1为起点,按0°和180°射线方向往两边开始搜索,标记最近的跳变点的位置d4,d5;以位置发散中心点为起点,按45°和225°射线方向往两边开始搜索,标记最近的跳变点的位置d6,d7;以位置发散中心点为起点,按135°和315°射线方向往两边开始搜索,标记最近的跳变点的位置d8,d9;
S3:颗粒区域的提取:
由H1列的位置中心发散点o1得到8个跳变点,H2,H3,...,Hk列的位置中心发散点o2,o3,...,ok分别得到8个跳变点,则该颗粒区域共得到t=8k个跳变点,若t<24则此区域为噪点,不予考虑,当t≥24时将这t个跳变点依次相连得到颗粒区域,记作Dr(r∈τ),图2是所提取的颗粒区域示意图。
步骤五:颗粒粗糙度的计算:
(1)对于泡泡cε,由步骤四提取出颗粒区域Dτ,τ∈(1,2,...,Lε),Lε是泡泡cε中颗粒区域的总个数,并记Qε为该泡泡中所含像素点的个数,对于颗粒区域Dτ,其灰度矩阵的横轴用x表示,纵轴用y表示,记该区域像素点的个数为Sτ,其中各个像素点的灰度值记作e1,e2,...,eSτ记μτ为这Sτ个像素点的灰度均值,即同时计算该颗粒区域内像素点灰度值的方差στ 2,即
(2)泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合表述,泡泡的粗糙度和对比度与泡泡表面矿物的富集程度有关,而在粗糙度特征的提取过程中,颗粒区域的内部纹理是一项重要特征,对浮选生产具有重要的指示作用,对于颗粒区域Dτ,综合考虑其尺寸大小对粗糙度的影响,计算该颗粒区域中像素点个数与泡泡中像素点总个数的比值δτ,即
对于不满足条件①、②、③的颗粒区域定义为其他颗粒区域;
记整幅图像的显著颗粒区域的个数为q,一般颗粒区域的个数为s,轻微颗粒区域的个数为w,其他颗粒区域的个数为u,显著颗粒区域、一般颗粒区域、轻微颗粒区域、其他颗粒区域所占权重分别设定为0.4、0.3、0.2、0.1,定义整幅图像的颗粒粗糙度G,如下式所示:
G=0.4q+0.3s+0.2w+0.1u
步骤六:通过颗粒粗糙度判定工况:
当处于状态①时,泡泡表面纹理较细,药剂过量,泡泡中承载的矿物粒子超过了泡泡的承载量而使泡泡大量破碎,药剂浪费比较严重而且精矿品位低;
当处于状态②时,浮选药剂适量,浮选性能好,浮选生产效率高;
当处于状态③时,矿浆粘性低,药剂添加量欠缺,泡泡含矿量较少,含水量高,精矿品位低。
步骤二中将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A,其中N∈(400,800)。
本发明定义了纹理特征颗粒粗糙度,用以反映整幅图像的纹理特征,有效避免了传统的纹理特征提取方法的局限性,并有效克服了浮选现场光照不均匀现象对纹理特征提取造成的影响,从而更准确的判断工况并有效指导加药。
Claims (5)
1.一种基于颗粒粗糙度的纹理特征度量方法,其特征在于,包括以下步骤:
步骤一:利用浮选现场图像采集系统收集历史时刻的锌浮选的泡泡视频并将泡泡视频转换为多帧的连续图像,对采集到的锌浮选图像数据进行数据预处理;
步骤二:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A
egf表示的是灰度图像中的每一个像素点对应的灰度值,其中,g∈N,f∈N;
步骤三:对泡泡进行分割,采用分水岭的方法将泡泡分割得到h个单个的泡泡,并储存各个泡泡的灰度矩阵,得到单个泡泡的灰度矩阵集合B={b1,b2,b3,...,bλ,...,bh},bλ是第λ个泡泡灰度数值矩阵,在分割后的单个泡泡图像集合当中,筛选出尺寸大于1200像素值的泡泡,记作C={c1,c2,c3,...,cε,...,cK},K是符合泡泡尺寸要求的单个泡泡的个数;
步骤四:颗粒区域的检测
非颗粒区域泡泡表面是光滑的,灰度值的变化范围在渐变范围内,而颗粒区域中灰度值的变化超出了渐变范围,采用以下步骤提取颗粒区域:
S1:对于分割筛选后的泡泡定义颗粒区域的搜索方式;
S2:在颗粒区域的搜索过程中标记出跳变点;
S3:完成对跳变点的标记之后,进行颗粒区域的提取;
步骤五:颗粒粗糙度的计算:
(1)对于分割筛选后的泡泡cε,由步骤四提取出颗粒区域Dτ,τ∈(1,2,...,Lε),Lε是泡泡cε中颗粒区域的总个数,并记Qε为该泡泡中所含像素点的个数,对于颗粒区域Dτ,其灰度矩阵的横轴用x表示,纵轴用y表示,记该区域像素点的个数为Sτ,其中各个像素点的灰度值记作记μτ为这Sτ个像素点的灰度均值,即同时计算该颗粒区域内像素点灰度值的方差στ 2,即
(2)泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合表述,泡泡的粗糙度和对比度与泡泡表面矿物的富集程度有关,而在粗糙度特征的提取过程中,颗粒区域的内部纹理是一项重要特征,对浮选生产具有重要的指示作用,对于颗粒区域Dτ,综合考虑其尺寸大小对粗糙度的影响,计算该颗粒区域中像素点个数与泡泡中像素点总个数的比值δτ,即
对于不满足条件①、②、③的颗粒区域定义为其他颗粒区域;
记整幅图像的显著颗粒区域的个数为q,一般颗粒区域的个数为s,轻微颗粒区域的个数为w,其他颗粒区域的个数为u,显著颗粒区域、一般颗粒区域、轻微颗粒区域、其他颗粒区域所占权重分别设定为0.4、0.3、0.2、0.1,定义整幅图像的颗粒粗糙度G,如下式所示:
G=0.4q+0.3s+0.2w+0.1u
步骤六:通过颗粒粗糙度判定工况:
当处于状态①时,泡泡表面纹理较细,药剂过量,泡泡中承载的矿物粒子超过了泡泡的承载量而使泡泡大量破碎,药剂浪费比较严重而且精矿品位低;
当处于状态②时,浮选药剂适量,浮选性能好,浮选生产效率高;
当处于状态③时,矿浆粘性低,药剂添加量欠缺,泡泡含矿量较少,含水量高,精矿品位低。
2.根据权利要求1所述的一种基于颗粒粗糙度的纹理特征度量方法,其特征在于,所述步骤二包括:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A,其中N∈(400,800)。
3.根据权利要求1所述的一种基于颗粒粗糙度的纹理特征度量方法,其特征在于,所述步骤四S1包括:对于分割筛选后的泡泡定义颗粒区域的搜索方式:
对于泡泡cε,取0°、45°、90°、135°、180°、225°、270°、315°八个方向,在泡泡cε内任意一个方向上所有像素点的灰度值组成一个数组,单个泡泡的的最大宽度是个有限值,记泡泡最左侧像素点在灰度矩阵中的列数为Hm,记泡泡最右侧像素点在灰度矩阵中的列数为Hn,搜索时从泡泡灰度矩阵中的Hm列开始自左向右同时从泡泡上半部分边界开始自上向下开始搜索,初始搜索方向为270°。
4.根据权利要求3所述的一种基于颗粒粗糙度的纹理特征度量方法,其特征在于,所述步骤四S2中,对于分割筛选后的泡泡定义颗粒区域的搜索方式,标记跳变点过程如下:
1)设置灰度渐变的阈值为[0,8],首先以泡泡上半部分边界最左侧的像素点为起点,从270°方向开始搜索,取步长为1,在270°方向上,下一个灰度值与当前灰度值的差值的模定义为灰度渐变值,将灰度渐变值与阈值进行比较,灰度渐变值超过阈值则将当前灰度值位置标记为跳变点d1,位置用笛卡尔坐标表示为:(x1,y1),第一个跳变点所在列H0记为颗粒区域的左边界,其中Hm<...<H0<H1<H2<...<Hk<Hk+1<Hk+2<...<Hn,H1为H0后第一列,依此类推,按此搜索方式依次从H0列往右搜索,直到第Hk+2列时候没有搜索到跳变点,则Hk+1列为此颗粒区域的右边界;
2)从H1列到Hk列之间,每一列自上向下按270°方向搜索,获得两个跳变点,在搜索第H1列时,记90度和270度射线方向的跳变点为d2和d3,取两个跳变点位置的中点作为位置中心发散点o1;以位置发散中心点o1为起点,按0°和180°射线方向往两边开始搜索,标记最近的跳变点的位置d4,d5;以位置发散中心点为起点,按45°和225°射线方向往两边开始搜索,标记最近的跳变点的位置d6,d7;以位置发散中心点为起点,按135°和315°射线方向往两边开始搜索,标记最近的跳变点的位置d8,d9。
5.根据权利要求4所述的一种基于颗粒粗糙度的纹理特征度量方法,其特征在于,所述步骤四S3中,颗粒区域的提取过程如下:
由H1列的位置中心发散点o1得到8个跳变点,H2,H3,...,Hk列的位置中心发散点o2,o3,...,ok分别得到8个跳变点,则该颗粒区域共得到t=8k个跳变点,若t<24则此区域为噪点,不予考虑,当t≥24时将这t个跳变点依次相连得到颗粒区域,记作Dr,r∈τ。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661106 | 2019-07-22 | ||
CN2019106611069 | 2019-07-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728253A CN110728253A (zh) | 2020-01-24 |
CN110728253B true CN110728253B (zh) | 2021-03-02 |
Family
ID=69222712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006079.8A Active CN110728253B (zh) | 2019-07-22 | 2019-10-22 | 一种基于颗粒粗糙度的纹理特征度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728253B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
CN116128873A (zh) * | 2023-04-04 | 2023-05-16 | 山东金帝精密机械科技股份有限公司 | 一种基于图像识别的轴承保持器检测方法、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3963847A (en) * | 1972-04-05 | 1976-06-15 | Johns-Manville Corporation | Surface texture for fibrous boards |
JPH0857351A (ja) * | 1994-08-18 | 1996-03-05 | Chichibu Onoda Cement Corp | 石炭灰の処理方法 |
CN101315669A (zh) * | 2008-07-15 | 2008-12-03 | 北京石油化工学院 | 一种浮选泡沫图像的处理方法及装置 |
WO2011011539A1 (en) * | 2009-07-21 | 2011-01-27 | University Of Virginia Patent Foundation | Systems and methods for ultrasound imaging and insonation of microbubbles |
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN104408724A (zh) * | 2014-11-27 | 2015-03-11 | 中南大学 | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 |
CN104634265A (zh) * | 2015-02-15 | 2015-05-20 | 中南大学 | 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 |
CN105405149A (zh) * | 2015-11-20 | 2016-03-16 | 中南大学 | 一种浮选泡沫图像的复合纹理特征提取方法 |
CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
CN110175617A (zh) * | 2019-05-28 | 2019-08-27 | 中南大学 | 基于纹理时间序列趋势特征匹配的一种浮选模糊故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9652841B2 (en) * | 2015-07-06 | 2017-05-16 | International Business Machines Corporation | System and method for characterizing NANO/MICRO bubbles for particle recovery |
-
2019
- 2019-10-22 CN CN201911006079.8A patent/CN110728253B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3963847A (en) * | 1972-04-05 | 1976-06-15 | Johns-Manville Corporation | Surface texture for fibrous boards |
JPH0857351A (ja) * | 1994-08-18 | 1996-03-05 | Chichibu Onoda Cement Corp | 石炭灰の処理方法 |
CN101315669A (zh) * | 2008-07-15 | 2008-12-03 | 北京石油化工学院 | 一种浮选泡沫图像的处理方法及装置 |
WO2011011539A1 (en) * | 2009-07-21 | 2011-01-27 | University Of Virginia Patent Foundation | Systems and methods for ultrasound imaging and insonation of microbubbles |
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN104408724A (zh) * | 2014-11-27 | 2015-03-11 | 中南大学 | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 |
CN104634265A (zh) * | 2015-02-15 | 2015-05-20 | 中南大学 | 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 |
CN105405149A (zh) * | 2015-11-20 | 2016-03-16 | 中南大学 | 一种浮选泡沫图像的复合纹理特征提取方法 |
CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
CN110175617A (zh) * | 2019-05-28 | 2019-08-27 | 中南大学 | 基于纹理时间序列趋势特征匹配的一种浮选模糊故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
EFFECT OF SURFACE ROUGHNESS ON INTERACTION OF PARTICLES IN FLOTATION;Firat Karakas 等;《Physicochemical Problems of Mineral Processing》;20161231;第52卷(第1期);第18-34页 * |
一种新的浮选泡沫图像纹理特征提取方法;桂卫华 等;《中国科技论文》;20120415;第7卷(第4期);第277-281页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110728253A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
CN102279973B (zh) | 基于高梯度关键点的海天线检测方法 | |
CN110728253B (zh) | 一种基于颗粒粗糙度的纹理特征度量方法 | |
Cao et al. | Integrated prediction model of bauxite concentrate grade based on distributed machine vision | |
CN110286124A (zh) | 基于机器视觉的耐火砖测量系统 | |
CN110230978A (zh) | 一种耐火砖几何尺寸测量方法 | |
CN105510195A (zh) | 一种堆叠骨料的粒度粒形在线检测方法 | |
CN109472261B (zh) | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN101510262A (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
CN104408724A (zh) | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 | |
CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN1844409A (zh) | 基于红外图像的温度场与料面分布检测方法及监测系统 | |
CN102680050B (zh) | 一种基于泡沫图像特征和通风量的硫浮选液位测量方法 | |
Köse et al. | Statistical methods for segmentation and quantification of minerals in ore microscopy | |
CN102609723A (zh) | 一种基于图像分类的全自动视频分割方法及装置 | |
CN110728677B (zh) | 一种基于滑动窗口算法的纹理粗糙度定义方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN110728676B (zh) | 一种基于滑动窗口算法的纹理特征度量方法 | |
CN107314957A (zh) | 一种岩石块度尺寸分布的测量方法 | |
CN114841453A (zh) | 一种浮选过程的精煤灰分预测方法 | |
CN114387328A (zh) | 基于深度学习模型和岩心图像的rqd计算方法 | |
CN116721391A (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
Xu et al. | Multi-model soft measurement method of the froth layer thickness based on visual features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |