CN115272311A - 一种基于机器视觉的黑钨矿石图像分割方法 - Google Patents
一种基于机器视觉的黑钨矿石图像分割方法 Download PDFInfo
- Publication number
- CN115272311A CN115272311A CN202211172764.XA CN202211172764A CN115272311A CN 115272311 A CN115272311 A CN 115272311A CN 202211172764 A CN202211172764 A CN 202211172764A CN 115272311 A CN115272311 A CN 115272311A
- Authority
- CN
- China
- Prior art keywords
- image
- wolframite
- superpixel
- ore
- objective function
- 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.)
- Pending
Links
- ZXOKVTWPEIAYAB-UHFFFAOYSA-N dioxido(oxo)tungsten Chemical compound [O-][W]([O-])=O ZXOKVTWPEIAYAB-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 8
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 28
- 229910052721 tungsten Inorganic materials 0.000 claims description 28
- 239000010937 tungsten Substances 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010433 feldspar Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- PBYZMCDFOULPGH-UHFFFAOYSA-N tungstate Chemical compound [O-][W]([O-])(=O)=O PBYZMCDFOULPGH-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种基于机器视觉的黑钨矿石图像分割方法，该方法获取黑钨矿石图像的灰度图像，对灰度图像进行超像素分割，得到预设数量的初始超像素块；获取黑钨矿石图像的边缘二值图，根据边缘二值图中的局部极大值点得到黑钨矿石图像中的矿石数量；结合每个初始超像素块内的矿石数量和矿石边缘的边缘点位置构建综合目标函数，由综合目标函数获取预设数量的最优值；基于最优值对灰度图像重新超像素分割，得到多个目标超像素块；对目标超像素块进行聚类确认优质矿石对应的目标超像素块。通过对超像素分割算法的改进，使得黑钨矿石图像中矿石的分割更加准确，提高了黑钨矿石的初选识别效率，实现了自动化鉴别筛选。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于机器视觉的黑钨矿石图像分割方法。
背景技术
钨，是一种高硬度、高熔点、不易腐蚀的有色金属，在生产生活中有着广泛的应用。钨的来源是通过对钨矿进行提取得到的，钨矿有黑钨矿石（钨酸铁锰）和白钨矿石（钨酸钙），其中，黑钨矿石占比为65%，为主要的钨提取来源。
黑钨矿石在大体上可以分为三类：纯钨矿石，少钨矿石和不含钨矿石，纯钨矿石的表面为纯黑色，基本不含其他杂质；少钨矿石的表面由各类成分的不同，可能褐黑色、灰色和白色夹杂，颜色一般较杂乱，少钨矿石中含有一部分钨元素，其余部分由长石和石灰岩构成；不含钨矿石中基本不含或仅含有微量钨元素，矿石颜色一般为白色，或白色中仅含少量黑点。
工业生产通常对黑钨矿石进行冶炼、粗炼和精炼来实现钨的提取，而黑钨矿石的质量越好，所含钨量就越高，提取所得钨的贫化率就越低，因此，对黑钨矿石进行初选是钨矿采集生产中不可或缺的一环。传统的钨矿初选一般采用人力初选，也即选用具有一定资历的矿业技术人员，用眼观察所采黑钨矿石的颜色和颗粒大小，根据自己的从业经验对矿石的质量进行区分鉴别，而这种方法耗费了大量的人力，同时由于人工误差的缘故，物料成本也大大的增加。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的黑钨矿石图像分割方法，所采用的技术方案具体如下：
采集黑钨矿石图像以得到对应的灰度图像；将灰度图像进行超像素分割，得到预设数量的初始超像素块；
获取黑钨矿石图像的边缘二值图，对所述边缘二值图进行距离变换得到新图像，对所述新图像进行非极大值抑制处理得到所述新图像中的局部极大值点，将局部极大值点的数量作为黑钨矿石图像中的矿石数量；结合每个初始超像素块内的矿石数量和所述预设数量构建第一目标函数；根据每个初始超像素块中矿石边缘上的边缘点位置构建第二目标函数；
对所述第一目标函数和所述第二目标函数进行加权求和得到综合目标函数；基于所述综合目标函数，利用粒子群优化算法得到所述预设数量的最优值；根据所述最优值对灰度图像重新进行超像素分割，得到与所述最优值相等数量的目标超像素块；
根据目标超像素块之间的颜色差异计算任意两个目标超像素块之间的色彩距离，基于所述色彩距离对所有的目标超像素块进行聚类，得到优质矿石对应的目标超像素块，完成黑钨矿石图像的分割。
进一步的，所述第一目标函数的构建方法，包括：
分别统计每个初始超像素块中局部极大值点的数量；根据黑钨矿石图像中的矿石数量计算每个初始超像素块内的平均矿石数量；结合每个初始超像素块对应的局部极大值点的数量和所述平均矿石数量构建第一目标函数：
其中，
为第一目标函数；
为第
个初始超像素块中局部极大值点的数量；
为所述预设数量；
为黑钨矿石图像中的矿石数量；
为所述平均矿石数量。
进一步的，所述第二目标函数的构建方法，包括：
计算当前初始超像素块内的矿石边缘上的当前边缘点分别与当前初始超像素块的边界上每个边界点之间的距离，将最短的距离作为当前边缘点的边界距离，获取当前初始超像素块内的矿石边缘上每个边缘点的所述边界距离，以计算当前初始超像素块的平均边界距离；
获取每个初始超像素块的平均边界距离，得到所有平均边界距离的均值，结合所述均值和每个初始超像素块的平均边界距离构建第二目标函数：
其中，
为第二目标函数；
为所述预设数量；
为第
个初始超像素块的平均边界距离；
为所述均值。
进一步的，所述根据目标超像素块之间的颜色差异计算任意两个目标超像素块之间的色彩距离的方法，包括：
分别提取每个目标超像素块的R分量值、G分量值和B分量值，根据任意两个目标超像素块之间每个相同分量值的差异计算对应两个目标超像素块之间的色彩距离
：
其中，
为一个目标超像素块的三个分量值；
为另一个目标超像素块的三个分量值。
进一步的，采用K-Means算法进行所述聚类。
进一步的，所述局部极大值点的获取方法，包括：
获取所述新图像中每个像素点的8邻域峰值，将8邻域峰值作为局部极大值点。
本发明实施例至少具有如下有益效果：对传统的超像素分割算法进行改进，能够自适应获取黑钨矿石图像被分割的超像素块数量，以使得每个矿石都能与分割的超像素块进行匹配，从而实现最优分割；同时基于最优分割结果，以根据黑钨矿石的颜色完成最优质矿石的鉴别筛选，从而提高黑钨矿石的初选效率和准确性，实现了生产自动化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于机器视觉的黑钨矿石图像分割方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的黑钨矿石图像分割方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的黑钨矿石图像分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的黑钨矿石图像分割方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集黑钨矿石图像以得到对应的灰度图像；将灰度图像进行超像素分割，得到预设数量的初始超像素块。
具体的，首先利用工业相机对一堆黑钨矿石进行图像采样，得到黑钨矿石图像，为了保证采样精度，将矿石的黑白色与背景进行区分，本发明实施例的采样背景为红色条形光源。然后对黑钨矿石图像进行预处理，其过程为：将黑钨矿石图像进行灰度化，得到对应的灰度图像，且运用中值滤波器对灰度图像进行滤波，以完成黑钨矿石图像的预处理。
基于预设数量W，利用SLIC超像素分割算法将灰度图像分割为W个初始超像素块，其中SLIC超像素分割算法是现有技术，本发明实施例不再过多赘述。
步骤S002，获取黑钨矿石图像的边缘二值图，对边缘二值图进行距离变换得到新图像，对新图像进行非极大值抑制处理得到新图像中的局部极大值点，将局部极大值点的数量作为黑钨矿石图像中的矿石数量；结合每个初始超像素块内的矿石数量和预设数量构建第一目标函数；根据每个初始超像素块中矿石边缘上的边缘点位置构建第二目标函数。
具体的，SLIC超像素分割算法将灰度图像分割成W个初始超像素块，也即是将黑钨矿石图像中的矿石根据相似度分配到各个初始超像素块。但超像素分割算法的结果易受所选取的W值影响，W的取值不合适容易导致欠分割或过分割，也就是说，超像素块数目的选择不当，会对分割结果造成很大影响，且考虑到矿石位置也会对分割造成一定影响，有的矿石堆积在一起，无法得知其中矿石的具体数目，有的矿石边界重叠，对矿石间的细致鉴别造成较大的困难，因此为保证对矿石的精确分割，需要获取W的最优解。
利用双阈值检测得到矿石图像黑钨矿石图像的边缘二值图，由于矿石的形状各不相同，多为不规则图形，则将灰度值为255的像素点作为特征点，利用Two-Pass算法将边缘二值图中的所有的矿石连通区域找出。由于每个矿石连通域可能对应多个矿石，因此为了得到较为准确的矿石数量，首先对边缘二值图进行距离转换得到新图像，然后对新图像进行NMS(CenterNet)处理得到新图像中的局部极大值点，局部极大值点的具体获取方法为：获取新图像中每个像素点的8邻域峰值，将8邻域峰值作为局部极大值点，进而得到新图像中的所有局部极大值点。NMS(CenterNet)处理后得到的局部极大值点可粗略认为是矿石的中心点，则统计新图像中局部极大值点的数量，以将局部极大值点的数量作为黑钨矿石图像中的矿石数量M。
为了保证对矿石的精确划分，则保证每个超像素块中的矿石数量相等，但由于局部极大值点能够粗略反映矿石在黑钨矿石图像中的位置，而为了将每个矿石分配到各个超像素块中，且每个超像素块中的局部极大值点为1个，也即是每个超像素块中矿石数量的期望值为1，则构建一个第一目标函数，用于表示超像素块内矿石数量的偏离程度，而第一目标函数构建的方法为：分别统计每个初始超像素块中局部极大值点的数量，令第
个初始超像素块中局部极大值点的数量为
，也即是第
个初始超像素块中矿石数量为
；若矿石在每个初始超像素块内的数量相等，则根据黑钨矿石图像中的矿石数量M得到每个初始超像素块内都应有
个矿石，进而结合每个初始超像素块中的矿石数量构建第一目标函数
：
进一步的，用矿石的覆盖率反映了矿石在超像素块内的紧密程度，而矿石在超像素块内的覆盖率越大，说明超像素分割的结果越好，W值的最优解越准确，因此根据每个初始超像素块中矿石边缘上的边缘点位置构建第二目标函数，用于表示矿石在超像素块中的边缘吻合度，而第二目标函数的构建方法为：以第
个初始超像素块为例，计算第
个初始超像素块内的矿石边缘上的当前边缘点分别与第
个初始超像素块的边界上每个边界点之间的距离，将最短的距离作为当前边缘点的边界距离，进而得到第
个初始超像素块内的矿石边缘上每个边缘点的边界距离，根据第
个初始超像素块的所有边界距离计算平均边界距离
；同理，获取每个初始超像素块的平均边界距离，计算所有初始超像素块的平均边界距离的均值
，结合均值
和每个初始超像素块的平均边界距离构建第二目标函数
：
需要说明的是，矿石边缘可由边缘二值图得到。
步骤S003，对第一目标函数和第二目标函数进行加权求和得到综合目标函数；基于综合目标函数，利用粒子群优化算法得到预设数量的最优值；根据最优值对灰度图像重新进行分割，得到与最优值相等数量的目标超像素块。
具体的，本发明实施例着重考虑矿石在超像素块中的覆盖率，也即是第一目标函数的权重小于第二目标函数的权重，同时令第一目标函数和第二目标函数的值域接近，则采用加权求和的方法获取综合目标函数，则综合目标函数为：
，其中，
为第一目标函数的权重，
为第二目标函数的权重。
优选的，本发明实施例中
，
。
根据构建的综合目标函数
，利用粒子群优化算法求得全局最优解
，也即是预设数量的最优值。基于最优值
，利用SLIC超像素分割算法将灰度图像重新分割为
个目标超像素块。
需要说明的是，利用SLIC超像素分割算法对灰度图像进行分割，实现了空间上对矿石的精准分割。
步骤S004，根据目标超像素块之间的颜色差异计算任意两个目标超像素块之间的色彩距离，基于色彩距离对所有的目标超像素块进行聚类，得到黑钨矿石对应的目标超像素块，完成黑钨矿石的分割。
具体的，根据工业生产上的累积经验可知纯钨矿石的颜色为黑色，而少钨矿石的颜色为褐黑色、灰色以及白色夹杂，由此可知，黑钨矿石的质量与其颜色关系密切，黑色越深，黑色范围越广，黑钨矿石的含钨量就越高，故本发明采用K-Means算法对目标超像素块进行聚类，以得到优质矿石对应的目标超像素块，其具体过程为：分别提取每个目标超像素块的R分量值、G分量值和B分量值，根据任意两个目标超像素块之间对应每个相同分量值的差异计算对应两个目标超像素块之间的色彩距离
：
其中，
为一个目标超像素块的三个分量值；
为另一个目标超像素块的三个分量值。
基于色彩距离，利用K-Means算法所有的目标超像素块进行分类，而由于黑钨矿石的主要颜色为黑色和白色，则令K=2，使得目标超像素块分为两类，一类属于优质矿石对应的目标超像素块，另一类属于非优质矿石对应的目标超像素块，进而完成黑钨矿石图像中优质矿石的分割，以根据分割完成的黑钨矿石图像实现黑钨矿石的初选。
综上所述，本发明实施例提供了一种基于机器视觉的黑钨矿石图像分割方法，该方法获取黑钨矿石图像的灰度图像，对灰度图像进行超像素分割，得到预设数量的初始超像素块；获取黑钨矿石图像的边缘二值图，根据边缘二值图中的局部极大值点得到黑钨矿石图像中的矿石数量；结合每个初始超像素块内的矿石数量和矿石边缘的边缘点位置构建综合目标函数，由综合目标函数获取预设数量的最优值；基于最优值对灰度图像重新超像素分割，得到多个目标超像素块；对目标超像素块进行聚类确认优质矿石对应的目标超像素块。通过对超像素分割算法的改进，使得黑钨矿石图像中矿石的分割更加准确，提高了黑钨矿石的初选效率，实现了自动化鉴别筛选。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器视觉的黑钨矿石图像分割方法，其特征在于，该方法包括以下步骤：
采集黑钨矿石图像以得到对应的灰度图像；将灰度图像进行超像素分割，得到预设数量的初始超像素块；
获取黑钨矿石图像的边缘二值图，对所述边缘二值图进行距离变换得到新图像，对所述新图像进行非极大值抑制处理得到所述新图像中的局部极大值点，将局部极大值点的数量作为黑钨矿石图像中的矿石数量；结合每个初始超像素块内的矿石数量和所述预设数量构建第一目标函数；根据每个初始超像素块中矿石边缘上的边缘点位置构建第二目标函数；
对所述第一目标函数和所述第二目标函数进行加权求和得到综合目标函数；基于所述综合目标函数，利用粒子群优化算法得到所述预设数量的最优值；根据所述最优值对灰度图像重新进行超像素分割，得到与所述最优值相等数量的目标超像素块；
根据目标超像素块之间的颜色差异计算任意两个目标超像素块之间的色彩距离，基于所述色彩距离对所有的目标超像素块进行聚类，得到优质矿石对应的目标超像素块，完成黑钨矿石图像的分割。
2.如权利要求1所述的一种基于机器视觉的黑钨矿石图像分割方法，其特征在于，所述第一目标函数的构建方法，包括：
分别统计每个初始超像素块中局部极大值点的数量；根据黑钨矿石图像中的矿石数量计算每个初始超像素块内的平均矿石数量；结合每个初始超像素块对应的局部极大值点的数量和所述平均矿石数量构建第一目标函数：
其中，
为第一目标函数；
为第
个初始超像素块中局部极大值点的数量；
为所述预设数量；
为黑钨矿石图像中的矿石数量；
为所述平均矿石数量。
3.如权利要求1所述的一种基于机器视觉的黑钨矿石图像分割方法，其特征在于，所述第二目标函数的构建方法，包括：
计算当前初始超像素块内的矿石边缘上的当前边缘点分别与当前初始超像素块的边界上每个边界点之间的距离，将最短的距离作为当前边缘点的边界距离，获取当前初始超像素块内的矿石边缘上每个边缘点的所述边界距离，以计算当前初始超像素块的平均边界距离；
获取每个初始超像素块的平均边界距离，得到所有平均边界距离的均值，结合所述均值和每个初始超像素块的平均边界距离构建第二目标函数：
其中，
为第二目标函数；
为所述预设数量；
为第
个初始超像素块的平均边界距离；
为所述均值。
4.如权利要求1所述的一种基于机器视觉的黑钨矿石图像分割方法，其特征在于，所述根据目标超像素块之间的颜色差异计算任意两个目标超像素块之间的色彩距离的方法，包括：
分别提取每个目标超像素块的R分量值、G分量值和B分量值，根据任意两个目标超像素块之间每个相同分量值的差异计算对应两个目标超像素块之间的色彩距离
：
其中，
为一个目标超像素块的三个分量值；
为另一个目标超像素块的三个分量值。
5.如权利要求1所述的一种基于机器视觉的黑钨矿石图像分割方法，其特征在于，采用K-Means算法进行所述聚类。
6.如权利要求1所述的一种基于机器视觉的黑钨矿石图像分割方法，其特征在于，所述局部极大值点的获取方法，包括：
获取所述新图像中每个像素点的8邻域峰值，将8邻域峰值作为局部极大值点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211172764.XA CN115272311A (zh) | 2022-09-26 | 2022-09-26 | 一种基于机器视觉的黑钨矿石图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211172764.XA CN115272311A (zh) | 2022-09-26 | 2022-09-26 | 一种基于机器视觉的黑钨矿石图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115272311A true CN115272311A (zh) | 2022-11-01 |
Family
ID=83756470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211172764.XA Pending CN115272311A (zh) | 2022-09-26 | 2022-09-26 | 一种基于机器视觉的黑钨矿石图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272311A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841490A (zh) * | 2023-02-23 | 2023-03-24 | 山东泗水山岭石材厂 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
| CN116596921A (zh) * | 2023-07-14 | 2023-08-15 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及系统 |
| CN117974651A (zh) * | 2024-03-29 | 2024-05-03 | 陕西彤山生物科技有限公司 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006031390A (ja) * | 2004-07-15 | 2006-02-02 | Hitachi Software Eng Co Ltd | 画像分割処理システム |
| CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
| CN114549834A (zh) * | 2022-01-26 | 2022-05-27 | 中南大学 | 一种半监督混合训练语义分割方法及系统 |
| CN114758043A (zh) * | 2020-12-29 | 2022-07-15 | 中冶长天国际工程有限责任公司 | 一种基于3d云图的矿石块度智能识别方法及系统 |
-
2022
- 2022-09-26 CN CN202211172764.XA patent/CN115272311A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006031390A (ja) * | 2004-07-15 | 2006-02-02 | Hitachi Software Eng Co Ltd | 画像分割処理システム |
| CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
| CN114758043A (zh) * | 2020-12-29 | 2022-07-15 | 中冶长天国际工程有限责任公司 | 一种基于3d云图的矿石块度智能识别方法及系统 |
| CN114549834A (zh) * | 2022-01-26 | 2022-05-27 | 中南大学 | 一种半监督混合训练语义分割方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841490A (zh) * | 2023-02-23 | 2023-03-24 | 山东泗水山岭石材厂 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
| CN116596921A (zh) * | 2023-07-14 | 2023-08-15 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及系统 |
| CN116596921B (zh) * | 2023-07-14 | 2023-10-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及系统 |
| CN117974651A (zh) * | 2024-03-29 | 2024-05-03 | 陕西彤山生物科技有限公司 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
| CN117974651B (zh) * | 2024-03-29 | 2024-05-28 | 陕西彤山生物科技有限公司 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115272311A (zh) | 一种基于机器视觉的黑钨矿石图像分割方法 | |
| CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
| CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| US8331642B2 (en) | Method and device for determining a contour and a center of an object | |
| CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
| CN107578035A (zh) | 基于超像素‑多色彩空间的人体轮廓提取方法 | |
| CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
| CN106503704B (zh) | 一种自然场景中圆形交通标志定位方法 | |
| CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
| CN106127203B (zh) | 一种利用目标物定位和追踪装置对图像进行识别的方法 | |
| CN115457004A (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
| CN112418087B (zh) | 一种基于神经网络的水下视频鱼类识别方法 | |
| CN103198319A (zh) | 用于矿山井筒环境下的模糊图像角点提取方法 | |
| CN115131375B (zh) | 一种矿石自动分割方法 | |
| CN112907460B (zh) | 一种遥感图像增强方法 | |
| CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
| CN115330758A (zh) | 基于去噪处理的焊接质量检测方法 | |
| CN112434570B (zh) | 一种钽铌矿摇床矿带的图像识别方法 | |
| CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
| CN101447027A (zh) | 磁码字符区域的二值化方法及其应用 | |
| CN107742359B (zh) | 一种纸币识别方法、装置、终端设备及可读存储介质 | |
| CN111241911B (zh) | 一种自适应的车道线检测方法 | |
| CN105336035A (zh) | 一种脏污冠字号图像分类的方法与系统 | |
| CN109410259B (zh) | 基于置信度的结构化的双目深度图上采样方法 |
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 |