CN113743424A - 一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法 - Google Patents
一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法 Download PDFInfo
- Publication number
- CN113743424A CN113743424A CN202111077739.9A CN202111077739A CN113743424A CN 113743424 A CN113743424 A CN 113743424A CN 202111077739 A CN202111077739 A CN 202111077739A CN 113743424 A CN113743424 A CN 113743424A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- flocculation sedimentation
- gradient
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004062 sedimentation Methods 0.000 title claims abstract description 60
- 238000005189 flocculation Methods 0.000 title claims abstract description 52
- 230000016615 flocculation Effects 0.000 title claims abstract description 52
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000006185 dispersion Substances 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005316 response function Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 abstract 2
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008719 thickening Effects 0.000 description 5
- 238000003756 stirring Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003311 flocculating effect Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,属于矿山充填技术领域。本发明采集尾砂动态絮凝沉降过程的图像数据,对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像,采用Harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据,采用DBSCAN算法对特征点数据进行聚类分析,计算出絮凝沉降图像中的Cluster数目;根据絮凝沉降图像中的Cluster数目分析絮团体的分散情况。本发明方法在全尾砂动态絮凝沉降过程中,观察絮团不断聚合与破碎行为,引入Cluster来表征在絮团体分散情况,有利于全尾砂动态絮凝沉降细观行为分析。
Description
技术领域
本发明涉及一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,属于矿山充填技术领域。
背景技术
随着浅层矿产资源的不断消耗,深部开采日益成为矿产开发的重要趋势,膏体充填采矿方法是深部资源安全、绿色及高效开发的可靠方案。在膏体充填工艺流程中浓密是其首要工艺流程,浓密结果的好坏将直接影响其底流浓度等参数。
传统的全尾砂脱水浓密主要依靠尾砂的自重进行自然沉降,这种浓密方式尾砂沉降速度慢、溢流水浑浊且底流浓度低,达不到矿山充填的需求。为了确保较好的浓密效果,在沉降柱实验中往往采取在低浓度的尾砂料浆中添加高分子絮凝剂,使尾砂颗粒形成大尺寸絮团,加快浓密过程,但在静态沉降实验中通过添加高分子絮凝剂的方法忽略了水力条件对浓密效果的影响。为此,常会在沉降柱添加絮凝剂后用搅拌棒搅动,使得絮凝剂与尾砂颗粒混合。
通过搅拌棒的搅拌由于剪切作用力的存在将颗粒之间的弱相互作用破坏,将絮团中所包裹的包裹水释放出来,在重力-化学-剪切联合作用下,会使较大的尾砂絮团充分分散,形成均质、性能稳定、较小的尾砂絮团。然而,现有技术中却没有对全尾砂沉降过程细观图像进行定量分析的方法。
发明内容
本发明针对现有技术中无法对全尾砂沉降过程细观图像进行定量分析的问题,提出了一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,即采取基于灰度Harris特征点的DBSCAN聚类分析法,借助于Matlab软件实现了对细观图像“Cluster”数的计算,以Cluster作为絮团体动态沉降分散程度数学表征指标,实现对全尾砂沉降过程细观图像的定量分析。
一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,具体步骤如下:
(1)采集尾砂动态絮凝沉降过程的图像数据;
(2)对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像;
(3)采用Harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据;
(4)采用DBSCAN算法对特征点数据进行聚类分析,计算出絮凝沉降图像中的Cluster数目;
(5)根据絮凝沉降图像中的Cluster数目分析絮团体的分散情况。
所述步骤(2)灰度处理的具体方法为采用平均值法的灰度处理使RGB三通道图像转变为单通道图像,即RGB三通道图像由x×y个像素点构成,采用平均值法的灰度方法进行处理:
Gray(x,y)=(R(x,y)+G(x,y)+B(x,y))/3
式中:Gray为所得到的灰度图像;R、G、B为图像上的红、黄、蓝三个通道的颜色;x、y代表图上像素点所在位置。
所述步骤(3)最大特征点提取的方法,具体步骤如下:
1)Harris检测通过计算窗口沿任何方向移动后的灰度变化情况,分别利用x方向的模板和y方向上的模板在图像上移动,通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像;
2)计算每个像素点对应的x和y方向梯度的乘积,得到新的图像,Ix、Iy和Ixy分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像中的每个像素点对应的属性值,得到矩阵W’:
式中:Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积;
3)对图像进行高斯滤波和平滑处理,得到矩阵W:
式中:Wu,v为均值为零的离散二维高斯函数,δ为高斯标准差,Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,I为原始图像的平均灰度;u为x方向的位移量,v为y方向的位移量;
4)计算灰度图像中每个像素点对应的响应函数CRF:
式中:k为经验参数,通常取k=0.04~0.06,式中可取k=0.05;Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积;det(W)和trace2(W)为W行列式和行列式W迹的操作符;
5)利用数学解析式确定响应函数CRF所对应的极大值点即为图像中的特征点:
CRF>threshold
式中:threshold为原始图像的全局平均阈值。
所述步骤(4)采用DBSCAN算法对特征点数据进行聚类分析,计算出絮凝沉降图像中的Cluster数目的具体方法为
1)特征点数据集中点p的Eps近邻指特征点p邻域半径Eps范围内点的集合,表示为Eps(p):
Eps(p)={q∈D|dist(p,q)≤Eps}
式中:D为特征点数据集,dist(p,q)为点p与q之间的距离;
2)给定参数Eps和MinPts,对于所选取絮团对象的p点则有:
|Eps(q)|≥MinPts
式中p为核心点;在核心点的Eps邻域内的对象为边界点;
3)采用DBSCAN算法对特征点数据进行聚类分析,根据以上公式计算出絮凝沉降图像中的Cluster数目。
本发明的有益效果是:
(1)本发明通过对尾砂动态絮凝沉降过程细观结构进行聚类研究需对细观图像进行灰度处理,采用Harris特征提取进行细观图像特征点提取,极大的保存全尾砂沉降过程中的重要特征信息;然后,采用DBSCAN算法将具有相似特征的特征点聚类到一个分类中,为了对尾砂沉降过程絮体分散情况的细观图像进行数学描述,提出以Cluster作为其数学表征指标,从而满足尾砂沉降细观结构研究的图像处理需求探究动态沉降环境下对尾砂浓密的影响;
(2)本发明根据尾砂动态絮凝沉降过程所拍摄得到的图像信息,对其进行基于灰度Harris特征点的DBSCAN聚类分析法,实现絮体动态沉降分散程度定量表征。
附图说明
图1为本发明流程图;
图2为尾砂动态絮凝沉降拍摄的图像A;
图3为图像A的灰度图像;
图4为图像A的x方向梯度、y方向梯度及xy乘积的梯度图像;
图5为图像A的特征点分布图;
图6为图像A的聚类分析情况图;
图7为尾砂动态絮凝沉降拍摄的图像B;
图8为图像B的灰度图像;
图9为图像B的x方向梯度、y方向梯度及xy乘积的梯度图像;
图10为图像B的特征点分布图;
图11为图像B的聚类分析情况图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于所述内容。
实施例1:一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法(见图1),其特征在于,具体步骤如下:
(1)高速照相机对尾砂动态絮凝沉降过程进行拍照,获取沉降过程的细观图像数据;
(2)对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像;
其中灰度处理的具体方法为采用平均值法的灰度处理使RGB三通道图像转变为单通道图像,即RGB三通道图像由x×y个像素点构成,采用平均值法的灰度方法进行处理:
Gray(x,y)=(R(x,y)+G(x,y)+B(x,y))/3
式中:Gray为所得到的灰度图像;R、G、B为图像上的红、黄、蓝三个通道的颜色;x、y代表图上像素点所在位置;
(3)采用Harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据,具体步骤如下:
1)Harris检测通过计算窗口沿任何方向移动后的灰度变化情况,分别利用x方向的模板和y方向上的模板在图像上移动,通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像;
2)计算每个像素点对应的x和y方向梯度的乘积,得到新的图像,Ix、Iy和Ixy分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像中的每个像素点对应的属性值,得到矩阵W’:
式中:Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积;
3)对图像进行高斯滤波和平滑处理,得到矩阵W:
式中:Wu,v为均值为零的离散二维高斯函数,δ为高斯标准差,Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,I为原始图像的平均灰度;u为x方向的位移量,v为y方向的位移量;
4)计算灰度图像中每个像素点对应的响应函数CRF:
式中:k为经验参数,通常取k=0.04~0.06,式中可取k=0.05;Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,det(W)和trace2(W)为W行列式和行列式W迹的操作符;
5)利用数学解析式确定响应函数CRF所对应的极大值点即为图像中的特征点:
CRF>threshold
式中:threshold为原始图像的全局平均阈值;
(4)采用DBSCAN算法对特征点数据进行聚类分析,计算出絮凝沉降图像中的Cluster数目:
1)特征点数据集中点p的Eps近邻指特征点p邻域半径Eps范围内点的集合,表示为Eps(p):
Eps(p)={q∈D|dist(p,q)≤Eps}
式中:D为特征点数据集,dist(p,q)为点p与q之间的距离;
2)给定参数Eps和MinPts,对于所选取絮团对象的p点则有:
|Eps(q)|≥MinPts
式中p为核心点;在核心点的Eps邻域内的对象为边界点;
3)采用DBSCAN算法对特征点数据进行聚类分析,根据以上公式计算出絮凝沉降图像中的Cluster数目;
(5)根据絮凝沉降图像中的Cluster数目分析絮团体的分散情况,Cluster数目越大,说明絮团体分散效果越差。
实施例2:一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法(见图1),其特征在于,具体步骤如下:
(1)高速照相机对尾砂动态絮凝沉降过程进行拍照,获取沉降过程的细观图像数据(见图2的尾砂动态絮凝沉降拍摄的图像A);
(2)基于Matlab软件对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像(见图3中图像A的灰度图像);
其中灰度处理的具体方法为采用平均值法的灰度处理使RGB三通道图像转变为单通道图像,即RGB三通道图像由x×y个像素点构成,采用平均值法的灰度方法进行处理:
Gray(x,y)=(R(x,y)+G(x,y)+B(x,y))/3
式中:Gray为所得到的灰度图像;R、G、B为图像上的红、黄、蓝三个通道的颜色;x、y代表图上像素点所在位置;
(3)采用Harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据(见图5中图像A的特征点分布图),具体步骤如下:
1)Harris检测通过计算窗口沿任何方向移动后的灰度变化情况,分别利用x方向的模板和y方向上的模板在图像上移动,通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像;
2)计算每个像素点对应的x和y方向梯度的乘积,得到新的图像,Ix、Iy和Ixy分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像(见图4)中的每个像素点对应的属性值,得到矩阵W’:
式中:Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积;
3)对图像进行高斯滤波和平滑处理,得到矩阵W:
式中:Wu,v为均值为零的离散二维高斯函数,δ为高斯标准差,Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,I为原始图像的平均灰度;u为x方向的位移量,v为y方向的位移量;
4)计算灰度图像中每个像素点对应的响应函数CRF:
式中:k为经验参数,通常取k=0.04~0.06,式中取k=0.05;Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,det(W)和trace2(W)为W行列式和W行列式迹的操作符;
5)利用数学解析式确定响应函数CRF所对应的极大值点即为图像中的特征点:
CRF>threshold
式中:threshold为原始图像的全局平均阈值;
(4)采用DBSCAN算法对特征点数据进行聚类分析(见图6),计算出絮凝沉降图像中的Cluster数目:
1)特征点数据集中点p的Eps近邻指特征点p邻域半径Eps范围内点的集合,表示为Eps(p):
Eps(p)={q∈D|dist(p,q)≤Eps}
式中:D为特征点数据集,dist(p,q)为点p与q之间的距离;
2)给定参数Eps和MinPts,对于所选取絮团对象的p点则有:
|Eps(q)|≥MinPts
式中p为核心点;在核心点的Eps邻域内的对象为边界点;
3)采用DBSCAN算法对特征点数据进行聚类分析,根据以上公式计算出絮凝沉降图像中的Cluster数目;
(5)根据絮凝沉降图像中的Cluster数目分析絮团体的分散情况,Cluster数目越大,说明絮团体分散效果越差。
实施例3:一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法(见图1),其特征在于,具体步骤如下:
(1)高速照相机对尾砂动态絮凝沉降过程进行拍照,获取沉降过程的细观图像数据(见图7尾砂动态絮凝沉降拍摄的图像B);
(2)基于Matlab软件对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像(见图8中图像B的灰度图像);
其中灰度处理的具体方法为采用平均值法的灰度处理使RGB三通道图像转变为单通道图像,即RGB三通道图像由x×y个像素点构成,采用平均值法的灰度方法进行处理:
Gray(x,y)=(R(x,y)+G(x,y)+B(x,y))/3
式中:Gray为所得到的灰度图像;R、G、B为图像上的红、黄、蓝三个通道的颜色;x、y代表图上像素点所在位置;
(3)采用Harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据(见图10中图像B的特征点分布图),具体步骤如下:
1)Harris检测通过计算窗口沿任何方向移动后的灰度变化情况,分别利用x方向的模板和y方向上的模板在图像上移动,通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像;
2)计算每个像素点对应的x和y方向梯度的乘积,得到新的图像,Ix、Iy和Ixy分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像(见图9)中的每个像素点对应的属性值,得到矩阵W’:
式中:Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积;
3)对图像进行高斯滤波和平滑处理,得到矩阵W:
式中:Wu,v为均值为零的离散二维高斯函数,δ为高斯标准差,Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,I为原始图像的平均灰度;u为x方向的位移量,v为y方向的位移量;
4)计算灰度图像中每个像素点对应的响应函数CRF:
式中:k为经验参数,通常取k=0.04~0.06,式中取k=0.05;Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,det(W)和trace2(W)为W行列式和W行列式迹的操作符;
5)利用数学解析式确定响应函数CRF所对应的极大值点即为图像中的特征点:
CRF>threshold
式中:threshold为原始图像的全局平均阈值;
(4)采用DBSCAN算法对特征点数据进行聚类分析(见图11),计算出絮凝沉降图像中的Cluster数目:
1)特征点数据集中点p的Eps近邻指特征点p邻域半径Eps范围内点的集合,表示为Eps(p):
Eps(p)={q∈D|dist(p,q)≤Eps}
式中:D为特征点数据集,dist(p,q)为点p与q之间的距离;
2)给定参数Eps和MinPts,对于所选取絮团对象的p点则有:
|Eps(q)|≥MinPts
式中p为核心点;在核心点的Eps邻域内的对象为边界点;
3)采用DBSCAN算法对特征点数据(图10的图(b)提取的特征点)进行聚类分析,根据以上公式计算出絮凝沉降图像中的Cluster数目;
(5)根据絮凝沉降图像中的Cluster数目分析絮团体的分散情况,Cluster数目越大,说明絮团体分散效果越差;
通过对比图像A与图像B在相同情况下,聚类分布后的Cluster数目见表1
表1图像A与图像B聚类分布后的Cluster数目
从表1可知,相同情况下图像A的Cluster数均小于或等于图像B的;在Noise点数方面两者相近,无明显差别即对分散均匀度无影响;
根据尾砂絮凝沉降过程中拍摄的图像A和图像B,得到两图像Cluster数和Noise数(不被算法所囊括的特征点),图像A原始图像中看到絮体其分散均匀,大块絮体较少;图像B原始图像中大块絮体较多,小而散的絮体较少,故在分散效果较好的尾砂絮凝沉降图像中,其Cluster值越小,可根据Cluster值,实现对全尾砂动态絮凝沉降过程中分散情况的好坏进行判定。
以上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 (4)
1.一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,其特征在于,具体步骤如下:
(1)采集尾砂动态絮凝沉降过程的图像数据;
(2)对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像;
(3)采用Harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据;
(4)采用DBSCAN算法对特征点数据进行聚类分析,计算出絮凝沉降图像中的Cluster数目;
(5)根据絮凝沉降图像中的Cluster数目分析絮团体的分散情况。
2.根据权利要求1所述全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,其特征在于:步骤(2)灰度处理的具体方法为采用平均值法的灰度处理使RGB三通道图像转变为单通道图像,即RGB三通道图像由x×y个像素点构成,采用平均值法的灰度方法进行处理:
Gray(x,y)=(R(x,y)+G(x,y)+B(x,y))/3
式中:Gray为所得到的灰度图像;R、G、B为图像上的红、黄、蓝三个通道的颜色;x、y代表图上像素点所在位置。
3.根据权利要求1所述全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,其特征在于:步骤(3)最大特征点提取的方法,具体步骤如下:
1)Harris检测通过计算窗口沿任何方向移动后的灰度变化情况,分别利用x方向的模板和y方向上的模板在图像上移动,通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像;
2)计算每个像素点对应的x和y方向梯度的乘积,得到新的图像,Ix、Iy和Ixy分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像中的每个像素点对应的属性值,得到矩阵W’:
式中:Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积;
3)对图像进行高斯滤波和平滑处理,得到矩阵W:
式中:Wu,v为均值为零的离散二维高斯函数,δ为高斯标准差,Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,I为原始图像的平均灰度,u为x方向的位移量,v为y方向的位移量;
4)计算灰度图像中每个像素点对应的响应函数CRF:
式中:k为经验参数,Ix为灰度图像像素点在水平方向上的梯度,Iy为灰度图像像素点在垂直方向上的梯度,IxIy为灰度图像像素点对应的x和y方向梯度的乘积,det(W)和trace2(W)为W行列式和W行列式迹的操作符;
5)利用数学解析式确定响应函数CRF所对应的极大值点即为图像中的特征点:
CRF>threshold
式中:threshold为原始图像的全局平均阈值。
4.根据权利要求1所述全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法,其特征在于:步骤(4)采用DBSCAN算法对特征点数据进行聚类分析,计算出絮凝沉降图像中的Cluster数目的具体方法为
1)特征点数据集中点p的Eps近邻指特征点p邻域半径Eps范围内点的集合,表示为Eps(p):
Eps(p)={q∈D|dist(p,q)≤Eps}
式中:D为特征点数据集,dist(p,q)为点p与q之间的距离;
2)给定参数Eps和MinPts,对于所选取絮团对象的p点则有:
|Eps(q)|≥MinPts
式中p为核心点;在核心点的Eps邻域内的对象为边界点;
3)采用DBSCAN算法对特征点数据进行聚类分析,根据以上公式计算出絮凝沉降图像中的Cluster数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111077739.9A CN113743424B (zh) | 2021-09-15 | 2021-09-15 | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111077739.9A CN113743424B (zh) | 2021-09-15 | 2021-09-15 | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743424A true CN113743424A (zh) | 2021-12-03 |
CN113743424B CN113743424B (zh) | 2023-06-27 |
Family
ID=78738894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111077739.9A Active CN113743424B (zh) | 2021-09-15 | 2021-09-15 | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743424B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115353181A (zh) * | 2022-10-17 | 2022-11-18 | 南通海阳节能环保科技有限公司 | 一种用于造纸废水的凝絮剂剂量智能投放方法 |
CN115615885A (zh) * | 2022-08-31 | 2023-01-17 | 金诚信矿业管理股份有限公司 | 一种尾砂絮凝沉降智能分析方法和系统 |
CN115760852A (zh) * | 2023-01-06 | 2023-03-07 | 青岛市城市规划设计研究院 | 一种海洋污水排放处理方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1538177A (zh) * | 2003-05-30 | 2004-10-20 | 哈尔滨工业大学 | 基于图像处理技术的混凝过程絮体检测及优化控制系统 |
US20060072799A1 (en) * | 2004-08-26 | 2006-04-06 | Mclain Peter B | Dynamic contrast visualization (DCV) |
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
CN103679148A (zh) * | 2013-12-11 | 2014-03-26 | 哈尔滨工业大学深圳研究生院 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
WO2014067296A1 (zh) * | 2012-11-05 | 2014-05-08 | 深圳市恩普电子技术有限公司 | 一种血管内外膜识别、描记和测量的方法 |
US20160171684A1 (en) * | 2014-12-15 | 2016-06-16 | Koninklijke Philips N.V. | Device, System and Method for Skin Detection |
CN105844290A (zh) * | 2016-03-16 | 2016-08-10 | 网易(杭州)网络有限公司 | 匹配图像中多个相同对象的方法及装置 |
CN106442526A (zh) * | 2016-08-29 | 2017-02-22 | 青岛理工大学 | 一种基于matlab的活性污泥絮体分析方法 |
CN107452013A (zh) * | 2017-05-27 | 2017-12-08 | 深圳市美好幸福生活安全系统有限公司 | 基于Harris角点检测和Sugeno模糊积分的显著性检测方法 |
CN108256258A (zh) * | 2018-01-31 | 2018-07-06 | 西安科技大学 | 基于sem图像的胶结充填体力学响应特性预测方法 |
US10037458B1 (en) * | 2017-05-02 | 2018-07-31 | King Fahd University Of Petroleum And Minerals | Automated sign language recognition |
CN108830842A (zh) * | 2018-06-04 | 2018-11-16 | 哈尔滨工程大学 | 一种基于角点检测的医学图像处理方法 |
CN109580922A (zh) * | 2018-12-07 | 2019-04-05 | 昆明理工大学 | 一种全尾砂动态剪切作用下连续浓密测试系统及测试方法 |
KR101999797B1 (ko) * | 2018-01-15 | 2019-07-12 | 충북대학교 산학협력단 | 헤리스 코너 벡터 클러스터링 알고리즘을 이용한 스테레오 영상 특징점 매칭 시스템 및 방법 |
CN110119670A (zh) * | 2019-03-20 | 2019-08-13 | 杭州电子科技大学 | 一种基于Harris角点检测的视觉导航方法 |
JP2019136664A (ja) * | 2018-02-13 | 2019-08-22 | 株式会社明電舎 | 水質分析装置及び水質分析方法 |
-
2021
- 2021-09-15 CN CN202111077739.9A patent/CN113743424B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1538177A (zh) * | 2003-05-30 | 2004-10-20 | 哈尔滨工业大学 | 基于图像处理技术的混凝过程絮体检测及优化控制系统 |
US20060072799A1 (en) * | 2004-08-26 | 2006-04-06 | Mclain Peter B | Dynamic contrast visualization (DCV) |
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
WO2014067296A1 (zh) * | 2012-11-05 | 2014-05-08 | 深圳市恩普电子技术有限公司 | 一种血管内外膜识别、描记和测量的方法 |
CN103679148A (zh) * | 2013-12-11 | 2014-03-26 | 哈尔滨工业大学深圳研究生院 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
US20160171684A1 (en) * | 2014-12-15 | 2016-06-16 | Koninklijke Philips N.V. | Device, System and Method for Skin Detection |
CN105844290A (zh) * | 2016-03-16 | 2016-08-10 | 网易(杭州)网络有限公司 | 匹配图像中多个相同对象的方法及装置 |
CN106442526A (zh) * | 2016-08-29 | 2017-02-22 | 青岛理工大学 | 一种基于matlab的活性污泥絮体分析方法 |
US10037458B1 (en) * | 2017-05-02 | 2018-07-31 | King Fahd University Of Petroleum And Minerals | Automated sign language recognition |
CN107452013A (zh) * | 2017-05-27 | 2017-12-08 | 深圳市美好幸福生活安全系统有限公司 | 基于Harris角点检测和Sugeno模糊积分的显著性检测方法 |
KR101999797B1 (ko) * | 2018-01-15 | 2019-07-12 | 충북대학교 산학협력단 | 헤리스 코너 벡터 클러스터링 알고리즘을 이용한 스테레오 영상 특징점 매칭 시스템 및 방법 |
CN108256258A (zh) * | 2018-01-31 | 2018-07-06 | 西安科技大学 | 基于sem图像的胶结充填体力学响应特性预测方法 |
JP2019136664A (ja) * | 2018-02-13 | 2019-08-22 | 株式会社明電舎 | 水質分析装置及び水質分析方法 |
CN108830842A (zh) * | 2018-06-04 | 2018-11-16 | 哈尔滨工程大学 | 一种基于角点检测的医学图像处理方法 |
CN109580922A (zh) * | 2018-12-07 | 2019-04-05 | 昆明理工大学 | 一种全尾砂动态剪切作用下连续浓密测试系统及测试方法 |
CN110119670A (zh) * | 2019-03-20 | 2019-08-13 | 杭州电子科技大学 | 一种基于Harris角点检测的视觉导航方法 |
Non-Patent Citations (9)
Title |
---|
仇建斌等: "角点与边缘信息相结合的遥感图像飞机检测新方法", 《微电子学与计算机》 * |
仇建斌等: "角点与边缘信息相结合的遥感图像飞机检测新方法", 《微电子学与计算机》, no. 09, 5 September 2011 (2011-09-05), pages 214 - 216 * |
刘凯;黄德镛;张明旭;吴东旭;: "大红山铜矿全尾砂絮凝沉降的试验研究", 中国矿业, vol. 17, no. 12, pages 60 - 63 * |
周龙萍: "基于改进的Harris算法检测角点", 《计算机技术与发展》 * |
周龙萍: "基于改进的Harris算法检测角点", 《计算机技术与发展》, no. 02, 10 February 2013 (2013-02-10), pages 11 - 14 * |
孙天宇等: "OPTICS 聚类与目标区域概率模型的 多运动目标跟踪", 中国国象图形学报, vol. 20, no. 11, pages 1492 - 1499 * |
梁玮等: "《计算机视觉》", 31 January 2021, 北京:北京理工大学出版社, pages: 51 - 53 * |
翟光: "《空间目标相对导航与滤波技术》", 29 February 2020, 北京:北京理工大学出版社, pages: 124 - 127 * |
马小科: "《数据挖掘基础及其应用》", 31 August 2020, 西安:西安电子科学技术大学出版社, pages: 211 - 214 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115615885A (zh) * | 2022-08-31 | 2023-01-17 | 金诚信矿业管理股份有限公司 | 一种尾砂絮凝沉降智能分析方法和系统 |
CN115353181A (zh) * | 2022-10-17 | 2022-11-18 | 南通海阳节能环保科技有限公司 | 一种用于造纸废水的凝絮剂剂量智能投放方法 |
CN115760852A (zh) * | 2023-01-06 | 2023-03-07 | 青岛市城市规划设计研究院 | 一种海洋污水排放处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743424B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743424B (zh) | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
CN108711149B (zh) | 基于图像处理的矿岩粒度检测方法 | |
CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN108734714B (zh) | 一种基于Matlab分析碳酸盐岩结构的方法 | |
CN111127499A (zh) | 一种基于语义轮廓信息的安检图像刀具检测分割方法 | |
CN107274413A (zh) | 一种钢材金相组织晶界自动提取方法 | |
CN104268600B (zh) | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 | |
Mehrshad et al. | New image-processing algorithm for measurement of bubble size distribution from flotation froth images | |
YANG et al. | Bubble size estimation using interfacial morphological information for mineral flotation process monitoring | |
CN107247929B (zh) | 一种结合先验知识的鞋印花纹渐进细化式提取方法 | |
CN107392968A (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN108986077B (zh) | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN111598897A (zh) | 基于Otsu和改进Bernsen的红外图像分割方法 | |
CN113887524A (zh) | 基于语义分割的磁铁矿显微图像分割方法 | |
CN109523537B (zh) | 一种基于图像处理的非定常空化流动结构精细化分析方法 | |
CN107516315A (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
CN108629776B (zh) | 矿岩粒度检测系统 | |
CN104573703B (zh) | 基于偏导分布与边界策略的输电线快速识别方法 |
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 |