CN113221919B - 一种煤泥颗粒图像的特征提取方法及电子设备 - Google Patents
一种煤泥颗粒图像的特征提取方法及电子设备 Download PDFInfo
- Publication number
- CN113221919B CN113221919B CN202110548243.9A CN202110548243A CN113221919B CN 113221919 B CN113221919 B CN 113221919B CN 202110548243 A CN202110548243 A CN 202110548243A CN 113221919 B CN113221919 B CN 113221919B
- Authority
- CN
- China
- Prior art keywords
- image
- particle
- slime
- original
- original image
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 167
- 239000003245 coal Substances 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000000611 regression analysis Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 13
- 239000010419 fine particle Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000011362 coarse particle Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003250 coal slurry Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种煤泥颗粒图像的特征提取方法，包括以下步骤：获取煤泥颗粒的原始图像，将原始图像进行灰度阶处理，得到原始灰度图；将原始灰度图进行特征变换得到特征向量；将特征向量进行差分重构得到重构结果；对重构结果进行模式特征分类，确定原始图像的颗粒类别；当颗粒类别为粗煤泥颗粒时，对原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果；当颗粒类别为细煤泥颗粒时，对原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果；将分布结果进行回归分析，得到煤泥水的浓度值。本发明还公开了一种电子设备。本发明将原始图像进行分类后采用不同的两种方法对原始图像进行处理，从而能够精准地得到煤泥水的浓度值。
Description
技术领域
本申请涉及选煤技术领域，尤其涉及一种煤泥颗粒图像的特征提取方法及电子设备。
背景技术
现有的煤泥颗粒图像提取一般使用对射式光源进行提取，该种方式较其它接触式测量而言，具有测量速度快，分析的参数含量多等一系列特点。该方法是最新的仪器测量方法及技术实现手段之一，但长久以来该方法仍然存在着一些问题，最主要是以下几个方面：
第一：由于拍摄窗口存在着煤泥颗粒叠落，精确分割每个煤泥颗粒在图像处理算法上存在着挑战；
第二：粗细煤泥颗粒在不同焦距范围内的成像效果相同，在成像及最终成像结果方面仅有边缘和细微纹理上的差异，不能采用光学系统解决不同焦距平面不同颗粒显著性区分的问题；
第三：当极细煤泥颗粒含量过多时，采用灰度平均值统计总体矿浆浓度效果不佳。
经过多次实验与分析比对，煤泥颗粒的粒级分布是可以用肉眼分析比对的，不同类别粒级的颗粒以及浓度上的差异都可以用具有经验的分析测试人员进行测试。但由于图像处理技术的不足，对于一些粘连多的区域，其分析分割效果不佳，导致图像中大颗粒的计算结果与实际观察与分析存在较大偏差。
因此，有需要设计一种能够对煤泥颗粒的粒度及浓度进行评判的煤泥颗粒图像的特征提取方法及电子设备。
发明内容
本申请的目的在于克服现有技术的不足，提供一种煤泥颗粒图像的特征提取方法及电子设备，将原始图像进行分类后采用不同的两种方法对原始图像进行处理，从而能够精准地得到煤泥水的浓度值。
本申请的技术方案提供一种煤泥颗粒图像的特征提取方法，包括以下步骤：
获取煤泥颗粒的原始图像，将原始图像进行灰度阶处理，得到原始灰度图；
将所述原始灰度图进行特征变换得到特征向量；
将所述特征向量进行差分重构得到重构结果；
对所述重构结果进行模式特征分类，确定所述原始图像的颗粒类别；
当所述颗粒类别为粗煤泥颗粒时，对所述原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果；
当所述颗粒类别为细煤泥颗粒时，对所述原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果；
将分布结果进行回归分析，得到煤泥水的浓度值。
优选地，将所述原始灰度图进行特征变换得到特征向量具体包括：
对所述原始灰度图的像素采用统一模式算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量
优选地，所述对所述原始灰度图的像素，采用统一模式的算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量具体包括：
对于原始灰度图中的第c个像素，选择以第c个像素作为原点，半径为r的圆形区域内的P个像素点，计算算子U(LBPP，R)，其中：
其中，P为圆形区域内总计的像素点个数，gc表示中心像素点的灰度值，gp表示圆形边界像素点中第p个像素点的灰度值，gp-1表示圆形边界像素点中第p-1个像素点的灰度值；
S(x)为单位阶跃响应表示公式，如下：
计算二进制的特征向量为：
其中，k为变化次数。优选地，对所述重构结果进行模式特征分类，判断所述原始图像的颗粒类别具体包括：
对重构后的所述特征向量进行归一化得到低维特征向量，将所述低维特征向量采用SVM进行模式特征分类，得到所述原始图像的颗粒分类。
优选地，所述模式特征分类具体包括：
采用已知分类情况的粗煤泥颗粒图片与细煤泥颗粒图片作为学习样本；
在多维空间超平面下采用高斯径向基核函数构建分类器；
对所述分类器寻优后得到惩罚系数和径向基函数参数γ的值；
将所述原始图像代入至所述分类器中得到所述颗粒分类。
优选地，对所述原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果具体包括：
对所述原始图像进行梯度变换；
将所述原始图像的每个像素的梯度值按照非线性映射的方法映射到预设个数的横坐标划分量中；
将梯度变换后的图像按照预设大小的滑窗对图像进行分块得到分块区域图像；
将所述分块区域图像按照预设像素块的区域进行归一化，得到直方图；
将所述直方图平均后得到粗煤泥颗粒分布特征谱；
对所述粗煤泥颗粒分布特征谱进行回归分析，得到粗煤泥颗粒分布模型；
将所述粗煤泥颗粒分布特征谱的数据代入至所述粗煤泥颗粒分布模型，得到所述粗煤泥颗粒分布结果。
优选地，对所述原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果具体包括：
采用预设大小的区域对所述原始图像进行变换，归一化得到降阶灰度共生矩阵；
根据所述降阶灰度共生矩阵求解，计算得到由矩阵熵、矩阵交二阶矩、低频覆盖灰度和对比度组成的四维特征向量作为细煤泥颗粒的表征向量；
采用所述四维特征向量与已知化验结果的对比图片进行线性回归分析得到细煤泥颗粒分布模型；
将所述原始图像进行四维特征向量求解，然后代入至所述细煤泥颗粒分布模型中得到所述细煤泥颗粒分布结果。
优选地，所述矩阵熵M1为：
所述矩阵交二阶矩M2为：
所述低频覆盖灰度M3为：
所述对比度M4为：
其中，p(i,j)为所述降阶灰度共生矩阵中第i行第j列的值。
优选地，将分布结果进行回归分析具体包括：
将所述粗煤泥颗粒粒度分布结果和所述细煤泥颗粒粒度分布结果进行回归分析，得到煤泥水的浓度值具体为：
其中a为粗颗粒状态下的比例系数，b为细颗粒状态下的比例系数，c为图像灰度比例系数，为图像灰度值均值，pi是粗颗粒条件下灰度值小于N的点的个数，pj是细颗粒条件下灰度值小于N的点的个数,N为预设大于0的自然数。
本发明还公开了一种电子设备，包括：
至少一个处理器；以及，
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被至少一个所述处理器执行的指令，所述指令被至少一个所述处理器执行，以使至少一个所述处理器能够执行上述的煤泥颗粒图像的特征提取方法。
采用上述技术方案后，具有如下有益效果：
本发明通过先对原始图像进行处理，并将原始图像分类为粗煤泥颗粒和细煤泥颗粒，并采用不同的方法对粗煤泥颗粒和细煤泥颗粒进行处理，从而能够精准地得到煤泥水的浓度值。
附图说明
参见附图，本申请的公开内容将变得更易理解。应当理解：这些附图仅仅用于说明的目的，而并非意在对本申请的保护范围构成限制。图中：
图1是本发明中的方法流程示意图；
图2是本发明一种电子设备的硬件结构示意图。
具体实施方式
下面结合附图来进一步说明本申请的具体实施方式。
容易理解，根据本申请的技术方案，在不变更本申请实质精神下，本领域的一般技术人员可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本申请的技术方案的示例性说明，而不应当视为本申请的全部或视为对申请技术方案的限定或限制。
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”、“相连”应做广义理解，例如，可以是固定连接，也可以可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个组件内部的连通。对于本领域的普通技术人员而言，可以视具体情况理解上述属于在本申请中的具体含义。
本发明在其中一个实施例中公开了一种煤泥颗粒图像的特征提取方法，包括以下步骤：
获取煤泥颗粒的原始图像，将原始图像进行灰度阶处理，得到原始灰度图；
将原始灰度图进行特征变换得到特征向量；
将特征向量进行差分重构得到重构结果；
对重构结果进行模式特征分类，确定原始图像的颗粒类别；
当颗粒类别为粗煤泥颗粒时，对原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果；
当颗粒类别为细煤泥颗粒时，对原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果；
将分布结果进行回归分析，得到煤泥水的浓度值。
在本发明的其中一些实施例中，将原始图像进行0-255灰度阶处理，得到原始灰度图。
在本发明的其中一些实施例中，将原始灰度图进行特征变换得到特征向量具体包括：
对原始灰度图的像素采用统一模式算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量
在本发明的其中一些实施例中，对原始灰度图的像素采用统一模式的算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量具体包括：
对于原始灰度图中的第c个像素，选择以第c个像素作为原点，半径为r的圆形区域内的P个像素点，计算算子U(LBPP，R)，其中：
其中，P为圆形区域内总计的像素点个数，gc表示中心像素点的灰度值，gp表示圆形边界像素点中第p个像素点的灰度值，gp-1表示圆形边界像素点中第p-1个像素点的灰度值；
S(x)为单位阶跃响应表示公式，如下：
计算二进制的特征向量为：
其中，k为变化次数。
其中，统一模式的算子在像素循环邻域结构中包含较少的空间变换，因此一方面满足旋转不变性，另外可以有获得较低维数的特征向量。
在本发明的其中一些实施例中，对重构结果进行模式特征分类，判断原始图像的颗粒类别具体包括：
对重构后的特征向量进行归一化得到低维特征向量，将低维特征向量采用SVM进行模式特征分类，得到原始图像的颗粒分类。
在本发明的其中一些实施例中，模式特征分类具体包括：
采用已知分类情况的粗煤泥颗粒图片与细煤泥颗粒图片作为学习样本；
在多维空间超平面下采用高斯径向基核函数构建分类器；
对分类器寻优后得到惩罚系数和径向基函数参数γ的值；
将原始图像代入至分类器中得到颗粒分类。
其中，所采用学习样本数量不少于50。
在本发明的其中一些实施例中，对原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果具体包括：
对原始图像进行梯度变换；
将原始图像的每个像素的梯度值按照非线性映射的方法映射到预设个数的横坐标划分量中；
将梯度变换后的图像按照预设大小的滑窗对图像进行分块得到分块区域图像；
将分块区域图像按照预设像素块的区域进行归一化，得到直方图；
将直方图平均后得到粗煤泥颗粒分布特征谱；
对粗煤泥颗粒分布特征谱进行回归分析，得到粗煤泥颗粒分布模型；
将粗煤泥颗粒分布特征谱的数据代入至粗煤泥颗粒分布模型，得到粗煤泥颗粒分布结果。
在本发明的其中一些实施例中，对原始图像进行梯度变换具体包括采用梯度直方图的方法在稠密的重叠块网络上计算图像局部区域的梯度，主要用来检测局部区域中细颗粒图像是由团聚颗粒所组成还是由单纯细颗粒组成。
首先将原始灰度图进行梯度变换，为了降低灰度图像的噪点，先采用离散高斯平滑模板进行平滑，高斯函数在不同平滑的尺度下进行对灰度图像进行平滑操作，然后采用差分模板进行梯度计算。
平滑操作不仅能够捕获轮廓，细煤泥颗粒团聚阴影，还能进一步弱化背景光的影响。
其中水平和垂直方向上梯度计算公式如下：
在本发明的其中一些实施例中，对粗煤泥颗粒分布特征谱进行回归分析，得到粗煤泥颗粒分布模型具体为：
pi＝fi(M1,…,M144)
其中，粒级p(单位um)的划分根据图像的焦距、景深和颗粒流速不同而不同，当焦距(f，单位mm)，景深(l，单位mm)，颗粒流速(v，mm/s)满足f>12或l<5或v>25时，i＝2
否则，i＝3，有
在本发明的其中一些实施例中，对原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果具体包括：
采用预设大小的区域对原始图像进行变换，归一化得到降阶灰度共生矩阵；
根据降阶灰度共生矩阵求解，计算得到由矩阵熵、矩阵交二阶矩、低频覆盖灰度和对比度组成的四维特征向量作为细煤泥颗粒的表征向量；
采用四维特征向量与已知化验结果的对比图片进行线性回归分析得到细煤泥颗粒分布模型；
将原始图像进行四维特征向量求解后代入至细煤泥颗粒分布模型中得到细煤泥颗粒分布结果。
在本发明的其中一些实施例中，矩阵熵M1为：
矩阵交二阶矩M2为：
低频覆盖灰度M3为：
对比度M4为：
其中，p(i,j)为降阶灰度共生矩阵中第i行第j列的值。
在本发明的其中一些实施例中，将分布结果进行回归分析具体包括：
将粗煤泥颗粒粒度分布结果和细煤泥颗粒粒度分布结果进行回归分析，得到煤泥水的浓度值具体为：
其中a为粗颗粒状态下的比例系数，b为细颗粒状态下的比例系数，c为图像灰度比例系数，为图像灰度值均值，pi是粗颗粒条件下灰度值小于N的点的个数，pj是细颗粒条件下灰度值小于N的点的个数,N为预设大于0的自然数。
优选地，N为10。
本发明还公开了一种电子设备，包括：
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的煤泥颗粒图像的特征提取方法。
实施例1：
本实施例公开了一种煤泥颗粒图像的特征提取方法，如图1所示，其包括以下步骤：
S1：获取煤泥颗粒的原始图像，将原始图像进行灰度阶处理，得到原始灰度图；
S2：将原始灰度图进行特征变换得到特征向量；
S3：将特征向量进行差分重构得到重构结果；
S4：对重构结果进行模式特征分类，确定原始图像的颗粒类别；
S4.1：当颗粒类别为粗煤泥颗粒时，对原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果；
S4.2：当颗粒类别为细煤泥颗粒时，对原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果；
S5：将分布结果进行回归分析，得到煤泥水的浓度值。
其中，步骤S1的具体过程为：
将原始图像进行0-255灰度阶处理，得到原始灰度图。
步骤S2具体包括：对原始灰度图的像素采用统一模式算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量
其中，对于原始灰度图中的第c个像素，选择以第c个像素作为原点，半径为r的圆形区域内的P个像素点，计算算子U(LBPP，R)，其中：
P为圆形区域内总计的像素点个数，gc表示中心像素点的灰度值，gp表示圆形边界像素点中第p个像素点的灰度值，，gp-1表示圆形边界像素点中第p-1个像素点的灰度值。
其中，S(x)为单位阶跃响应表示公式，如下：
计算二进制的特征向量为：
其中，k为变化次数。
优选地，k设置为经验数值2。
由于统一模式的算子在像素循环邻域结构中包含较少的空间变换，因此一方面满足旋转不变性，另外可以有获得较低维数的特征向量。
步骤S4具体包括对重构后的特征向量进行归一化得到低维特征向量，将低维特征向量采用SVM进行模式特征分类，得到原始图像的颗粒分类。
具体地，针对于可以得到所有网格中的特征直方图与总图的特征向量的比值，归一化得到53维特征向量，将上述结果的53维特征向量采用SVM进行模式特征分类，可以得到两类颗粒粒度的分类结果，即是粗颗粒图像、细煤泥颗粒两种分类。
其中，SVM进行模式特征分类具体包括：
采用已知分类情况的粗煤泥颗粒图片与细煤泥颗粒图片作为学习样本；
在多维空间超平面下采用高斯径向基核函数构建分类器；
对分类器寻优后得到惩罚系数和径向基函数参数γ的值；
将原始图像代入至分类器中得到颗粒分类。
其中，所采用学习样本数量不少于50。
步骤S4.1具体包括以下步骤：
S4.1.1：对原始图像进行梯度变换；
S4.1.2：将原始图像的每个像素的梯度值按照非线性映射的方法映射到预设个数的横坐标划分量中；
S4.1.3：将梯度变换后的图像按照预设大小的滑窗对图像进行分块得到分块区域图像；
S4.1.4：将分块区域图像按照预设像素块的区域进行归一化，得到直方图；
S4.1.5：将直方图平均后得到粗煤泥颗粒分布特征谱；
S4.1.6：对粗煤泥颗粒分布特征谱进行回归分析，得到粗煤泥颗粒分布模型；
S4.1.7：将粗煤泥颗粒分布特征谱的数据代入至粗煤泥颗粒分布模型，得到粗煤泥颗粒分布结果。
在本实施例中，步骤S4.1.1具体为对原始图像进行梯度变换具体包括采用梯度直方图的方法在稠密的重叠块网络上计算图像局部区域的梯度，主要用来检测局部区域中细颗粒图像是由团聚颗粒所组成还是由单纯细颗粒组成。
首先将原始灰度图进行梯度变换，为了降低灰度图像的噪点，先采用离散高斯平滑模板进行平滑，高斯函数在不同平滑的尺度下进行对灰度图像进行平滑操作，然后采用[-1,0,1]的差分模板进行梯度计算。
平滑操作不仅能够捕获轮廓，细煤泥颗粒团聚阴影，还能进一步弱化背景光的影响。
其中水平和垂直方向上梯度计算公式如下：
在本实施例中，步骤S4.1.2具体为每个像素的梯度值按照非线性映射方法映射到18个bin中，分别是[-255,-180],(-180,-112],(-112,-78],(-78,-54],(-54,-36],(-36,-22],(-22,-12],(-12,-6],(-5,-1],[1,5),[6,12),[12,22),[22,36),[36,54),[54,78),[78,112),[112,180),[180,255)。因为后续需要归一化，所以梯度为0的点与总体相关，不需要进行统计。
步骤S4.1.3具体为将梯度变换后的图像按照64×128滑窗对图像进行分块。
步骤S4.1.4具体为对分块区域图像按照32×32像素块大小的区域进行直方图归一化，得到bin为18的直方图，其中，每块分块区域图像会得到的上述18*8维特征向量
在步骤S4.1.6中，粗煤泥颗粒分布模型具体为：
pi＝fi(M1,…,M144)
其中，粒级p(单位um)的划分根据图像的焦距、景深和颗粒流速不同而不同，当焦距(f，单位mm)，景深(l，单位mm)，颗粒流速(v，mm/s)满足f>12或l<5或v>25时，i＝2
否则，i＝3，有
在本实施例中，步骤S4.2具体包括以下步骤：
S4.2.1：采用预设大小的区域对原始图像进行变换，归一化得到降阶灰度共生矩阵；
S4.2.2：根据降阶灰度共生矩阵求解，计算得到由矩阵熵、矩阵交二阶矩、低频覆盖灰度和对比度组成的四维特征向量作为细煤泥颗粒的表征向量；
S4.2.3：采用四维特征向量与已知化验结果的对比图片进行线性回归分析得到细煤泥颗粒分布模型；
S4.2.4：将原始图像进行四维特征向量求解后代入至细煤泥颗粒分布模型中得到细煤泥颗粒分布结果。
其中，在步骤S4.2.2中，矩阵熵M1为：
矩阵交二阶矩M2为：
低频覆盖灰度M3为：
对比度M4为：
其中，p(i,j)为降阶灰度共生矩阵中第i行第j列的值。
在本实施例中，步骤S5具体为将粗煤泥颗粒粒度分布结果和细煤泥颗粒粒度分布结果进行回归分析，得到煤泥水的浓度值具体为：
其中a为粗颗粒状态下的比例系数，b为细颗粒状态下的比例系数，c为图像灰度比例系数，为图像灰度值均值，pi是粗颗粒条件下灰度值小于N的点的个数，pj是细颗粒条件下灰度值小于N的点的个数,N为预设大于0的自然数。
优选地，N为10。
实施例2：
如图2所示为本发明一种电子设备的硬件结构示意图，包括：
至少一个处理器201；以及，
与至少一个处理器201通信连接的存储器202；其中，
存储器202存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如前的煤泥颗粒图像的特征提取方法。
图2中以一个处理器201为例。
电子设备还可以包括：输入装置203和显示装置204。
处理器201、存储器202、输入装置203及显示装置204可以通过总线或者其他方式连接，图中以通过总线连接为例。
存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的煤泥颗粒图像的特征提取方法对应的程序指令/模块，例如，图1所示的方法流程。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的煤泥颗粒图像的特征提取方法。
存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据煤泥颗粒图像的特征提取方法的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器202可选包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至执行煤泥颗粒图像的特征提取方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可接收输入的用户点击，以及产生与煤泥颗粒图像的特征提取方法的用户设置以及功能控制有关的信号输入。显示装置204可包括显示屏等显示设备。
在一个或者多个模块存储在存储器202中，当被一个或者多个处理器201运行时，执行上述任意方法实施例中的煤泥颗粒图像的特征提取方法。
以上的仅是本申请的原理和较佳的实施例。应当指出，对于本领域的普通技术人员来说，在本申请原理的基础上，还可以做出若干其它变型，也应视为本申请的保护范围。
Claims (8)
1.一种煤泥颗粒图像的特征提取方法，其特征在于，包括以下步骤：
获取煤泥颗粒的原始图像，将原始图像进行灰度阶处理，得到原始灰度图；
将所述原始灰度图进行特征变换得到特征向量；
将所述特征向量进行差分重构得到重构结果；
对所述重构结果进行模式特征分类，确定所述原始图像的颗粒类别；
当所述颗粒类别为粗煤泥颗粒时，对所述原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果；
当所述颗粒类别为细煤泥颗粒时，对所述原始图像采用图像统计学处理的方式得到细煤泥颗粒粒度分布结果；
将分布结果进行回归分析，得到煤泥水的浓度值；
所述对所述原始图像采用图像处理的方式得到粗煤泥颗粒粒度分布结果具体包括：
对所述原始图像进行梯度变换；
将所述原始图像的每个像素的梯度值按照非线性映射的方法映射到预设个数的横坐标划分量中；
将梯度变换后的图像按照预设大小的滑窗对图像进行分块得到分块区域图像；
将所述分块区域图像按照预设像素块的区域进行归一化，得到直方图；
将所述直方图平均后得到粗煤泥颗粒分布特征谱；
对所述粗煤泥颗粒分布特征谱进行回归分析，得到粗煤泥颗粒分布模型；
将所述粗煤泥颗粒分布特征谱的数据代入至所述粗煤泥颗粒分布模型，得到所述粗煤泥颗粒分布结果；
所述对所述原始图像采用图像处理的方式得到细煤泥颗粒粒度分布结果具体包括：
采用预设大小的区域对所述原始图像进行变换，归一化得到降阶灰度共生矩阵；
根据所述降阶灰度共生矩阵，计算得到由矩阵熵、矩阵交二阶矩、低频覆盖灰度和对比度组成的四维特征向量作为细煤泥颗粒的表征向量；
采用所述四维特征向量与已知化验结果的对比图片进行线性回归分析得到细煤泥颗粒分布模型；
将所述原始图像进行四维特征向量求解后代入至所述细煤泥颗粒分布模型中得到所述细煤泥颗粒分布结果。
2.根据权利要求1所述的煤泥颗粒图像的特征提取方法，其特征在于，将所述原始灰度图进行特征变换得到特征向量，具体包括：
对所述原始灰度图的像素，采用统一模式的算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量
3.根据权利要求2所述的煤泥颗粒图像的特征提取方法，其特征在于，所述对所述原始灰度图的像素采用统一模式的算子，将像素通过符号对临近像素进行比较，得到二进制的特征向量具体包括：
对于原始灰度图中的第c个像素，选择以第c个像素作为原点，半径为r的圆形区域内的P个像素点，计算算子U(LBPP，R)，其中：
其中，P为圆形区域内总计的像素点个数，gc表示中心像素点的灰度值，gp表示圆形边界像素点中第p个像素点的灰度值，gp-1表示圆形边界像素点中第p-1个像素点的灰度值；
S(x)为单位阶跃响应表示公式，如下：
计算二进制的特征向量为：
其中，k为变化次数。
4.根据权利要求2所述的煤泥颗粒图像的特征提取方法，其特征在于，对所述重构结果采用进行模式特征分类，判断所述原始图像的颗粒类别具体包括：
对重构后的所述特征向量进行归一化得到低维特征向量，将所述低维特征向量采用SVM进行模式特征分类，得到所述原始图像的颗粒分类。
5.根据权利要求1所述的煤泥颗粒图像的特征提取方法，其特征在于，所述进行模式特征分类具体包括：
采用已知分类情况的粗煤泥颗粒图片与细煤泥颗粒图片作为学习样本；
在多维空间超平面下采用高斯径向基核函数构建分类器；
对所述分类器寻优后得到惩罚系数c和径向基函数参数γ的值；
将所述原始图像代入至所述分类器中得到所述颗粒分类。
6.根据权利要求1所述的煤泥颗粒图像的特征提取方法，其特征在于：
所述矩阵熵M1为：
所述矩阵交二阶矩M2为：
所述低频覆盖灰度M3为：
所述对比度M4为：
其中，p(i,j)为所述降阶灰度共生矩阵中第i行第j列的值。
7.根据权利要求1-6任一项所述的煤泥颗粒图像的特征提取方法，其特征在于：所述将分布结果进行回归分析，具体包括：
将所述粗煤泥颗粒粒度分布结果和所述细煤泥颗粒粒度分布结果进行回归分析，得到煤泥水的浓度值具体为：
其中a为粗颗粒状态下的比例系数，b为细颗粒状态下的比例系数，c为图像灰度比例系数，为图像灰度值均值，pi是粗颗粒条件下灰度值小于N的点的个数，pj是细颗粒条件下灰度值小于N的点的个数,N为预设大于0的自然数。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被至少一个所述处理器执行的指令，所述指令被至少一个所述处理器执行，以使至少一个所述处理器能够执行如权利要求1至7任一项所述的煤泥颗粒图像的特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110548243.9A CN113221919B (zh) | 2021-05-19 | 2021-05-19 | 一种煤泥颗粒图像的特征提取方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110548243.9A CN113221919B (zh) | 2021-05-19 | 2021-05-19 | 一种煤泥颗粒图像的特征提取方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221919A CN113221919A (zh) | 2021-08-06 |
| CN113221919B true CN113221919B (zh) | 2023-12-26 |
Family
ID=77093491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110548243.9A Active CN113221919B (zh) | 2021-05-19 | 2021-05-19 | 一种煤泥颗粒图像的特征提取方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221919B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003083868A (ja) * | 2001-09-11 | 2003-03-19 | Nkk Corp | 粒度分布測定方法 |
| CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
| CN108710852A (zh) * | 2018-05-21 | 2018-10-26 | 山东大学 | 一种限定拍摄深度的粒度分布图像识别方法及系统 |
| WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
-
2021
- 2021-05-19 CN CN202110548243.9A patent/CN113221919B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003083868A (ja) * | 2001-09-11 | 2003-03-19 | Nkk Corp | 粒度分布測定方法 |
| CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
| CN108710852A (zh) * | 2018-05-21 | 2018-10-26 | 山东大学 | 一种限定拍摄深度的粒度分布图像识别方法及系统 |
| WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进差分进化粒子群的煤尘颗粒图像辨识;王征;潘红光;;煤炭学报(02);全文 * |
| 基于灰度形态重构的颗粒图像分割方法;杨华东, 简淼夫;南京工业大学学报(自然科学版)(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221919A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
| US8139867B2 (en) | Image segregation system architecture | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN107103320B (zh) | 嵌入式医疗数据图像识别及集成方法 | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| CN115861135A (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
| Guntoro et al. | Application of machine learning techniques in mineral phase segmentation for X-ray microcomputed tomography (µCT) data | |
| WO2013148566A1 (en) | Image blur detection | |
| CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
| CN106651834A (zh) | 无参考图像的变电设备红外热像图质量评价方法及装置 | |
| CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
| CN111563556B (zh) | 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统 | |
| CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
| CN112088296A (zh) | 用于检测细胞学样品中的具有至少一个异常的细胞的方法 | |
| CN113221919B (zh) | 一种煤泥颗粒图像的特征提取方法及电子设备 | |
| CN110322466B (zh) | 一种基于多层区域限制的有监督图像分割方法 | |
| Ravi Kumar et al. | Morphological real time video edge detection in Labview | |
| CN116486140B (zh) | 土壤质地分类方法、装置和电子设备 | |
| CN117911409B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| CN116580397B (zh) | 病理图像识别方法、装置、设备及存储介质 | |
| CN112541913B (zh) | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 | |
| CN112465028B (zh) | 一种感知视觉安全评估方法及系统 |
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 |