CN115841490B - 基于图像处理的采矿过程矿石颗粒分割方法及系统 - Google Patents
基于图像处理的采矿过程矿石颗粒分割方法及系统 Download PDFInfo
- Publication number
- CN115841490B CN115841490B CN202310154019.0A CN202310154019A CN115841490B CN 115841490 B CN115841490 B CN 115841490B CN 202310154019 A CN202310154019 A CN 202310154019A CN 115841490 B CN115841490 B CN 115841490B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- super
- pixel
- point
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的采矿过程矿石颗粒分割方法及系统,该方法获取矿石分割后的RGB图像,对RGB图像进行超像素分割得到至少两个最终超像素块;获取每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率;根据每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率获取对应最终超像素块的真实边缘点,根据真实边缘点完成RGB图像中的矿石分割。本发明通过对超像素块的边缘像素点进行筛选,提高了根据筛选后的边缘像素点完成RGB图像中的矿石分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的采矿过程矿石颗粒分割方法及系统。
背景技术
当前采矿步骤主要包括采面,破碎,运输,堆场,喷淋等步骤,每个步骤都有对应的机器,多机器协同作业既能够减少了矿物采集运输过程中的参与人员数量,保证采矿工人的工作环境足够安全,又能够提高采矿工作的效率。
由于采矿环境的限制,采矿系统中的矿石破碎分割环节的检测困难,影响多机器协同工作。目前对于矿石破碎分割环节的检测,主要通过采集传输带上的碎矿石图像,对碎矿石图像进行超像素分割得到碎矿石图像中的每个碎矿石区域,根据碎矿石区域判断矿石的破碎分割结果是否达标。但是由于矿石颗粒在传输带上的堆叠、矿石颗粒度大小的差异以及矿石颗粒之间的颜色差异,使得碎矿石图像中,颗粒度较大的碎矿石对应的边缘分割线较长,颗粒度较小的碎矿石对应的边缘分割线较短,而利用超像素分割只能实现较为理想的分割,很容易发生过分割或者欠分割现象,达不到期望中的分割结果,使得分割结果不准确。
发明内容
为了解决上述现有采矿过程中的碎矿石图像的分割结果不准确的问题,本发明的目的在于提供一种基于图像处理的采矿过程矿石颗粒分割方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于图像处理的采矿过程矿石颗粒分割方法,该方法包括:
获取矿石分割后的RGB图像,对RGB图像进行超像素分割得到至少两个最终超像素块;
获取每个最终超像素块的边缘像素点,根据边缘像素点与边缘像素点所属最终超像素块的种子点之间的度量距离,以及边缘像素点与其周围像素点之间的颜色信息差异,获取每个最终超像素块中的每个边缘像素点的误差分割率;
在所述超像素分割的过程中,对每次迭代过程下的分割结果进行形态学处理,得到对应迭代过程下的每个超像素块的每个边缘像素点的特征值;根据迭代次数、每次迭代过程下的每个超像素块的每个边缘像素点对应的度量距离和特征值获取每个最终超像素块中的每个边缘像素点的分割变化频率;
根据每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率获取对应最终超像素块的真实边缘点,根据真实边缘点完成RGB图像中的矿石分割。
进一步的,所述误差分割率的获取方法,包括:
以RGB图像中的每个像素点为中心点设定预设尺寸的邻域区域,根据邻域区域中每个像素点的像素值获取中心点的一阶颜色矩;
取任意一个最终超像素块作为参考最终超像素块,将参考最终超像素块的种子点的邻域区域作为目标邻域区域,取目标邻域区域内的任意一个像素点,计算像素点的一阶颜色矩与参考最终超像素块的种子点的一阶颜色矩的差值绝对值,记为像素点的第一值;
获取参考最终超像素块内的最大度量距离,分别计算目标邻域区域内的每个像素点对应的度量距离与最大度量距离的比值,记为目标邻域区域内对应像素点的第二值;
获取目标邻域区域内的每个像素点的第一值和第二值的乘积值,得到目标邻域区域内的所有像素点的乘积值之和;将目标邻域区域中每个像素点的乘积值与乘积值之和的比值作为对应像素点的特征参数;根据目标邻域区域内每个像素点的特征参数获取最大特征参数和最小特征参数;
获取参考最终超像素块中每个边缘像素点的乘积值;取参考最终超像素块中的任意一个边缘像素点,将边缘像素点的乘积值与乘积值之和的相加结果作为分母,边缘像素点的乘积值作为分子得到对应的比值,记为边缘像素点的第一特征参数;以最大特征参数和第一特征参数的差值绝对值为分子,第一特征参数和最小特征参数的差值与预设调参因子的相加结果为分母得到的比值作为对应边缘像素点的误差分割率。
进一步的,取任意一次迭代过程为参考迭代过程,对参考迭代过程下的分割结果分别做开运算和闭运算,对应得到开运算结果和闭运算结果;
取参考迭代过程下的任意一个超像素块作为目标超像素块,基于开运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的开运算特征值;
基于闭运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的闭运算特征值;
对于目标超像素块中的任意一个边缘像素点,将边缘像素点的开运算特征值和闭运算特征值的差值作为边缘像素点的特征值。
进一步的,所述分割变化频率的获取方法,包括:
取任意一个最终超像素块中的任意一个边缘像素点作为参考边缘像素点,根据迭代过程下参考边缘像素点对应的度量距离分别计算每次迭代过程下参考边缘像素点与所属超像素块的种子点之间的信息熵;
根据每次迭代过程下参考边缘像素点对应的信息熵计算信息熵方差;根据每次迭代过程下参考边缘像素点的特征值计算特征值方差;
将迭代次数、信息熵方差以及特征值方差之间的乘积作为参考边缘像素点的分割变化频率。
进一步的,所述真实边缘点的获取方法,包括:
对于任意一个最终超像素块,获取误差分割率大于等于0的边缘像素点作为第一边缘像素点,根据第一边缘像素点的分割变化频率和误差分割率,分别获取最大分割变化频率和最大误差分割率,根据最大分割变化频率设置第一阈值,根据最大误差分割率设置第二阈值,将分割变化频率小于等于第一阈值且误差分割率小于等于第二阈值所对应的第一边缘像素点作为最终超像素块的真实边缘点。
第二方面,本发明实施例提供了一种基于图像处理的采矿过程矿石颗粒分割系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述任意一项方法中的步骤。
本发明具有如下有益效果:本发明考虑到采集的RGB图像是比较复杂的,对RGB图像进行超像素分割得到至少两个最终超像素块;对于最终超像素块的边缘来说,边缘对应RGB图像中的相邻矿石颗粒的边缘处,这些边缘可能会由于矿石颗粒堆叠或者矿石颗粒的不规则外形造成过分割、欠分割的现象出现,因此为避免分割误差,根据边缘像素点与边缘像素点所属最终超像素块的种子点之间的度量距离,以及边缘像素点与其周围像素点之间的颜色信息差异,获取每个最终超像素块中的每个边缘像素点的误差分割率,用于反映边缘像素点与所属最终超像素块的种子点之间的图像信息差异,误差分割率越小,图像信息差异越小,越可能属于对应最终超像素块的真正边缘点;同时为了进一步保证真正边缘线的获取准确性,考虑到如果随着种子点的迭代,像素点对应的度量距离不发生改变,那么认为此类像素点发生过分割或者欠分割的概率就很小,因此基于迭代次数、每次迭代过程下的每个超像素块的每个边缘像素点对应的度量距离和特征值获取每个最终超像素块中的每个边缘像素点的分割变化频率,用于反映超像素分割过程中边缘像素点的变化;进而根据每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率获取对应最终超像素块的真实边缘点,使得最终超像素块的边缘像素点的筛选更加合理准确,提高了根据真实边缘点完成RGB图像中的矿石分割的准确性。
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所提供的一种基于图像处理的采矿过程矿石颗粒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图像处理的采矿过程矿石颗粒分割方法及系统,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。
本发明所针对的具体场景为:在采矿系统中,将挖掘的矿石运输到粉碎机进行粉碎分割,利用相机获取粉碎的矿石图像来分析粉碎矿石的粒度大小。
下面结合附图具体的说明本发明所提供的一种基于图像处理的采矿过程矿石颗粒分割方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的采矿过程矿石颗粒分割方法的步骤流程图,该方法包括:
步骤S001,获取矿石分割后的RGB图像,对RGB图像进行超像素分割得到至少两个最终超像素块。
具体的,矿石分割的过程相对复杂,需要经过粗碎机、中碎机、细碎仓、筛选仓等多个步骤,最终将分割后的矿石送到传送带上,用于后续的运输,堆场等步骤。为了采集分割矿石图像,在传送装置上方安装工业CCD相机和环形光源,保证拍摄运输带上的分割矿石图像时,光线均匀,采集的矿石分割后的图像为RGB图像。
由于周围工作环境属于具有较强干扰噪声的环境,因此需要对采集的RGB图像进行去噪处理,提高采集图像的质量。本发明利用双边滤波去噪技术对所采集的RGB图像进行去噪处理,双边滤波去噪技术为公知技术,具体过程不再详细赘述。
本发明中,采集的RGB图像是比较复杂的,主要由于矿石颗粒之间在传输带上的堆叠、矿石颗粒度大小的差异以及矿石颗粒之间的颜色差异造成的,因此本方案利用超像素分割技术将采集的RGB图像进行分割,得到至少两个最终超像素块。
超像素分割算法考虑种子点与非种子点之间的相似性,度量非种子点与种子点是否应该划分到一个超像素块内,因此认为在同一超像素块内的像素点的图像信息与种子点的图像信息之间具有一定的相似性。在本发明中,超像素分割的步骤如下:
1.对于尺寸大小为M*N的RGB图像,将RGB图像从RGB空间转换到LAB颜色空间。
2.给定超像素分割的预置参数,超像素块个数K的大小取经验值200,每个超像素块中的像素数量为,超像素块的尺度大小为。
3.根据超像素块的个数在RGB图像中均匀分配初始中心点(种子点),保存其位置信息和Lab颜色空间内的Lab分量值,利用差分公式计算梯度以对初始中心点进行更新,计算初始中心点的八邻域中梯度幅值最小的点作为新的种子点。
4.对像素点进行聚类,首先利用K-means算法将像素点分类,计算其余像素点与种子点的度量距离,本发明通过位置信息计算欧氏距离,通过Lab分量值计算颜色空间的颜色距离,将两个距离融合得到像素点与种子点之间的度量距离D:
式中,为像素点i的坐标;(,,)为像素点i的颜色分量值;为种子点z的坐标;(,,)为种子点z的颜色分量值;S是超像素块的尺寸;m为Lab颜色空间内的颜色距离的最大值,m的大小取经验值20。
5.随着迭代过程更新种子点,直到超像素块内的像素点不再发生变化,停止迭代,得到RGB图像的超像素分割结果,也即是将RGB图像分割为至少两个最终超像素块,同时,统计超像素分割中的迭代次数T。
步骤S002,获取每个最终超像素块的边缘像素点,根据边缘像素点与边缘像素点所属最终超像素块的种子点之间的度量距离,以及边缘像素点与其周围像素点之间的颜色信息差异,获取每个最终超像素块中的每个边缘像素点的误差分割率。
具体的,根据步骤S001的方法得到超像素分割的结果后,对于最终超像素块的边缘来说,边缘对应RGB图像中的相邻矿石颗粒的边缘处,这些边缘可能会由于矿石颗粒堆叠或者矿石颗粒的不规则外形造成过分割、欠分割的现象出现。考虑到每个超像素块中的种子点和种子点周围的其他像素点是属于同一类的像素点,具有相似的图像特征,也就是说,在超像素分割RGB图像的过程中,过分割和欠分割的现象不会发生在种子点以及种子点相邻的局部范围内,因此通过种子点与其周围像素点的图像信息之间相似度,设置相似度的大小范围对边缘像素点进行筛选,故基于此特征,构建最终超像素块的每个边缘像素点的误差分割率,具体过程如下:
(1)以RGB图像中的每个像素点为中心点设定预设尺寸的邻域区域,根据邻域区域中每个像素点的像素值获取中心点的一阶颜色矩。
本方案中以八邻域的大小作为邻域区域的大小,以RGB图像中的任意一个像素点为例,根据该像素点的八邻域内的每个像素点的像素值获取该像素点的一阶颜色矩,其中一阶颜色矩为公知技术,本方案不再赘述。
(2)取任意一个最终超像素块作为参考最终超像素块,将参考最终超像素块的种子点的邻域区域作为目标邻域区域,取目标邻域区域内的任意一个像素点,计算像素点的一阶颜色矩与参考最终超像素块的种子点的一阶颜色矩的差值绝对值,记为像素点的第一值。
作为一个示例,将第k个最终超像素块作为参考最终超像素块,记参考最终超像素块的种子点为,将种子点的八邻域作为目标邻域区域,计算目标邻域区域内的第j个像素点的一阶颜色矩与种子点的一阶颜色矩的差值绝对值,其中,为目标邻域区域内的第j个像素点对应的差值绝对值,也即是第一值,为目标邻域区域内的第j个像素点的一阶颜色矩,为种子点的一阶颜色矩,为取绝对值,进而获取目标邻域区域内每个像素点与种子点的一阶颜色矩的差值绝对值。
(3)获取参考最终超像素块内的最大度量距离,分别计算目标邻域区域内的每个像素点对应的度量距离与最大度量距离的比值,记为目标邻域区域内对应像素点的第二值。
作为一个示例,超像素分割过程中,每个像素点与种子点都存在一个度量距离,根据参考最终超像素块中每个像素点与种子点之间的度量距离获取参考最终超像素块内的最大度量距离,计算目标邻域区域内的第j个像素点与种子点之间的度量距离和最大度量距离的比值,记为目标邻域区域内的第j个像素点的第二值,进而获取目标邻域区域内每个像素点的第二值。
(4)获取目标邻域区域内的每个像素点的第一值和第二值的乘积值,得到目标邻域区域内的所有像素点的乘积值之和;将目标邻域区域中每个像素点的乘积值与乘积值之和的比值作为对应像素点的特征参数;根据目标邻域区域内每个像素点的特征参数获取最大特征参数和最小特征参数。
作为一个示例,目标邻域区域内的第j个像素点的特征参数的计算公式为:
其中,为目标邻域区域内的第j个像素点的特征参数;为目标邻域区域内的第j个像素点的第二值;为目标邻域区域内的第j个像素点的第一值;为目标邻域区域内的像素点总数量;为目标邻域区域内的第j个像素点的乘积值;为乘积值之和。
需要说明的是,考虑到超像素分割是基于颜色距离和空间距离进行分割的,因此通过分析每个像素点周围的颜色分布差异获取像素点的一阶颜色矩,用于表征对应像素点的周围颜色差异,同时又根据像素点所属最终超像素块内的最大度量距离进行对比,将像素点的度量距离与最大度量距离的比值作为像素点的度量距离差异,进而结合颜色差异和度量距离差异分析像素点的图像信息特征,也即是第一值和第二值的乘积值,计算种子点的目标邻域区域内的每个像素点的乘积值的相加结果,用于表征种子点周围的图像信息分布情况;将目标邻域区域内的每个像素点的乘积值在相加结果中的占比作为对应像素点的特征参数,综合表现了种子点周围每个像素点之间的图像信息差异特征;乘积值越大,占比越大,对应特征参数越大。
(5)获取参考最终超像素块中每个边缘像素点的乘积值;取参考最终超像素块中的任意一个边缘像素点,将边缘像素点的乘积值与乘积值之和的相加结果作为分母,边缘像素点的乘积值作为分子得到对应的比值,记为边缘像素点的第一特征参数;以最大特征参数和第一特征参数的差值绝对值为分子,第一特征参数和最小特征参数的差值与预设调参因子的相加结果为分母得到的比值作为对应边缘像素点的误差分割率。
利用步骤(2)-(4)获取参考最终超像素块中每个边缘像素点的乘积值,利用边缘像素点的乘积值计算该边缘像素点的第一特征参数,则第一特征参数的计算公式为:
其中,为参考最终超像素块中的边缘像素点a的第一特征参数;为参考最终超像素块中的边缘像素点a的第二值;为参考最终超像素块中的边缘像素点a的第一值;为乘积值之和。
需要说明的是,由于种子点周围的图像信息几乎相近,通过将边缘像素点a的乘积值与种子点对应的乘积值之和进行相加处理得到的,用于将边缘像素点a作为种子点的周围像素点,通过分析边缘像素点a的乘积值在中的占比,来表征边缘像素点a在种子点的周围中的图像信息特征差异;占比越高,边缘像素点a与种子点之间携带的图像信息差异越小,边缘像素点a越可能属于种子点对应的最终超像素块的边缘点,对应第一特征参数越大。
根据参考最终超像素块中的边缘像素点a的第一特征参数、参考最终超像素块的种子点的目标邻域区域内的最大特征参数和最小特征参数获取边缘像素点a的误差分割率,则误差分割率的计算公式为:
其中,为边缘像素点a的误差分割率;为最大特征参数;为最小特征参数;为调参因子,避免分母为0的情况,本方案中为0.01。
需要说明的是,误差分割率反映了最终超像素块的边缘像素点与对应种子点的图像信息的相似度是否满足不会发生错误分割的相似度区间,因此本方案通过计算种子点的目标邻域区域内每个像素点的特征参数,取最大特征参数和最小特征参数作为边缘像素点与种子点之间的相似度区间,如果边缘像素点a处于不会发生欠分割或者过分割的区间内,即处于相似度区间中,则的值大于等于0,说明边缘像素点a越可能属于对应最终超像素块的真正边缘点,且边缘像素点a与所属最终超像素块的种子点之间的度量距离是满足分割时的阈值条件的,即边缘像素点a与所属最终超像素块的种子点的图像信息比较相似,对应的值越大,对应误差分割率越小,说明边缘像素点a发生欠分割或者过分割的概率越低,越有可能是最终超像素块k的真正边缘点;如果边缘像素点a不处于不会发生欠分割或者过分割的区间内,即不处于相似度区间中,则的值小于0,说明边缘像素点a与所属超像素块的种子点的图像信息越不相似,确认边缘像素点a不能作为所属最终超像素块的真正边缘点;反映了边缘像素点a与种子点之间的相似程度,的值越大,说明边缘像素点a与种子点之间越不相似,相似程度越小,越说明边缘像素点a不能作为所属最终超像素块的真正边缘点,对应误差分割率越大。
(6)基于步骤(2)-(5)的方法,获取每个最终超像素块中的每个边缘像素点的误差分割率。
步骤S003,在超像素分割的过程中,对每次迭代过程下的分割结果进行形态学处理,得到对应迭代过程下的每个超像素块的每个边缘像素点的特征值;根据迭代次数、每次迭代过程下的每个超像素块的每个边缘像素点对应的度量距离和特征值获取每个最终超像素块中的每个边缘像素点的分割变化频率。
具体的,在对RGB图像进行超像素分割的过程中,每个非种子点在RGB图像中的位置是不会发生变化的,即位置信息是的像素点无论种子点如何更新迭代,它的位置信息是不变的,变化的是像素点到种子点的度量距离,如果随着种子点的迭代,像素点对应的度量距离不发生改变,那么认为此类像素点发生过分割或者欠分割的概率就很小,但是对于边缘像素点而言,靠近多个超像素块,因此需要考虑边缘像素点与所有相邻种子点的度量距离的变化情况,通过像素点的图像信息的全局不变性,对边缘像素点进行细化以得到矿石颗粒的实际分割结果,保证分割的准确性,故基于此特征,构建最终超像素块的每个边缘像素点的分割变化频率,具体如下:
(1)在上述超像素分割的过程中,对每次迭代过程下的分割结果进行形态学处理,得到对应迭代过程下的每个超像素块的每个边缘像素点的特征值。
具体为:取任意一次迭代过程为参考迭代过程,对参考迭代过程下的分割结果分别做开运算和闭运算,对应得到开运算结果和闭运算结果;取参考迭代过程下的任意一个超像素块作为目标超像素块,基于开运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的开运算特征值;基于闭运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的闭运算特征值;对于目标超像素块中的任意一个边缘像素点,将边缘像素点的开运算特征值和闭运算特征值的差值作为边缘像素点的特征值。
作为一个示例,以超像素分割过程中的第p次迭代过程为例,对第p次迭代过程下的分割结果分别做开运算和闭运算,其中开运算和闭运算都属于公知技术,本方案不再赘述;为了分析第p次迭代过程下每个超像素块的分割情况,本方案通过对比开运算结果和闭运算结果,以分析每个边缘像素点在所属超像素块的轮廓信息的特征指标,因此基于第p次迭代过程下的分割结果的开运算结果,取第p次迭代过程下的分割结果中的任意一个超像素块作为目标超像素块,获取目标超像素块的傅里叶描述子,傅里叶描述子用于表征轮廓信息,由于目标超像素块的每个边缘像素点在获取傅里叶描述子时都对应一个元素值,则将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的开运算特征值;同理,基于第p次迭代过程下的分割结果的闭运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的闭运算特征值;进而将目标超像素块中的任意一个边缘像素点的开运算特征值和闭运算特征值的差值作为对应边缘像素点的特征值,则特征值的计算公式为:,其中,为第p次迭代过程下任意一个超像素块的边缘像素点b的特征值,为第p次迭代过程下任意一个超像素块的边缘像素点b的开运算特征值;第p次迭代过程下任意一个超像素块的边缘像素点b的闭运算特征值。
(2)根据上述超像素分割过程中的迭代次数、每次迭代过程下的每个超像素块的每个边缘像素点对应的度量距离和特征值获取每个最终超像素块中的每个边缘像素点的分割变化频率。
具体为:取任意一个最终超像素块中的任意一个边缘像素点作为参考边缘像素点,根据迭代过程下参考边缘像素点对应的度量距离分别计算每次迭代过程下参考边缘像素点与所属超像素块的种子点之间的信息熵;根据每次迭代过程下参考边缘像素点对应的信息熵计算信息熵方差;根据每次迭代过程下参考边缘像素点的特征值计算特征值方差;将迭代次数、信息熵方差以及特征值方差之间的乘积作为参考边缘像素点的分割变化频率。
作为一个示例,以第k个最终超像素块的边缘像素点a为例,由于边缘像素点a在RGB图像中位置是固定的,因此边缘像素点a在每次迭代过程中都会与所属超像素块的种子点有一个度量距离,故对于第p次迭代过程下的边缘像素点a,根据第p次迭代过程之前且包括第p次迭代过程下边缘像素点a与所属超像素块之间的度量距离计算信息熵,记为第p次迭代过程下边缘像素点a与所属超像素块的种子点之间的信息熵,其中信息熵的计算为公知技术,本方案不再赘述,信息熵反映了在p次迭代过程中,边缘像素点a与所属超像素块的种子点之间的度量距离的变化情况,信息熵越小,边缘像素点a作为所属超像素块的边缘点的稳定性越高;进而能够得到每次迭代过程下边缘像素点a与所属超像素块的种子点之间的信息熵,根据边缘像素点a对应的所有信息熵计算信息熵方差,记为;同时,由于边缘像素点a在每次迭代过程下都会对应一个特征值,因此根据每次迭代过程下边缘像素点a的特征值计算特征值方差,结合迭代次数T、信息熵方差以及特征值方差获取边缘像素点a的分割变化频率,则分割变化频率的计算公式为:
其中,为边缘像素点a的分割变化频率;为迭代次数;为边缘像素点a的信息熵方差;为边缘像素点a的特征值方差。
需要说明的是,分割变化频率反映了在超像素分割的过程中,边缘像素点对于相邻超像素块的种子点的度量独立的变化程度,边缘像素点越稳定,对应的梯度幅值几乎不变,且与所在超像素块的种子点的图像熵越稳定,即边缘像素点越稳定,信息熵方差与特征值方差的值越小,对应的分割变化频率越小,则信息熵方差和特征值方差都分别与分割变化率呈正相关关系;超像素分割过程中的迭代次数T越大,说明RGB图像中的像素点分割变化越多,对应分割变化频率越大,则迭代次数与分割变化频率呈正相关关系。
步骤S004,根据每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率获取对应最终超像素块的真实边缘点,根据真实边缘点完成RGB图像中的矿石分割。
具体的,根据步骤S002的方法获取每个最终超像素块中的每个边缘像素点的误差分割率,根据步骤S003的方法获取每个最终超像素块中的每个边缘像素点的分割变化频率,进而结合每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率获取对应最终超像素块的真实边缘点,具体为:对于任意一个最终超像素块,获取误差分割率大于等于0的边缘像素点作为第一边缘像素点,根据第一边缘像素点的分割变化频率和误差分割率,分别获取最大分割变化频率和最大误差分割率,根据最大分割变化频率设置第一阈值,根据最大误差分割率设置第二阈值,将分割变化频率小于等于第一阈值且误差分割率小于等于第二阈值所对应的第一边缘像素点作为最终超像素块的真实边缘点。
作为一个示例,令最大分割变化频率为、最大误差分割率为,设第一阈值为、第二阈值为,对于第k个最终超像素块中误差分割率大于等于0的边缘像素点a,当且,认为边缘像素点a是第k个最终超像素块的真实边缘点,否则,将边缘像素点a从第k个最终超像素块的边缘像素点中剔除。
至此,通过获取每个最终超像素块的真实边缘点,以修正过分割或欠分割造成的边缘误差,进而将每个最终超像素块的真实边缘点构成的区域作为分割后每个矿石颗粒的实际区域,从而实现RGB图像的精准分割。
进一步的,根据RGB图像的精准分割结果,计算矿石颗粒的粒度特征参数,在现阶段的采矿流程中,所述粒度特征参数包括:颗粒面积,颗粒周长,粒径以及体积。本发明中,利用精准分割结果的每个区域内像素点的数量表征矿石颗粒的面积大小,边缘像素点的数量用于表征矿石颗粒的周长,粒径大小通过最佳匹配椭圆的长短轴计算,最佳匹配椭圆长短轴的计算为公知技术,在此不做详细赘述,进而得到矿石颗粒的粒度特征参数的分布情况。
基于矿石颗粒的粒度特征参数的分布情况,分别发生相关指令给破碎机和运输机,如果矿石颗粒分割结果达到标准,调度运输机运输矿石颗粒到堆场处,并发送指令准备喷场机器,如果矿石颗粒没有达到分割标准,调度运输机运输矿石颗粒到粉碎机进行再次分割。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于图像处理的采矿过程矿石颗粒分割系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于图像处理的采矿过程矿石颗粒分割方法实施例中的步骤,例如图1所示的步骤。该一种基于图像处理的采矿过程矿石颗粒分割方法在上述实施例中已经详细说明,不再赘述。
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。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 (5)
1.一种基于图像处理的采矿过程矿石颗粒分割方法,其特征在于,该方法包括以下步骤:
获取矿石分割后的RGB图像,对RGB图像进行超像素分割得到至少两个最终超像素块;
获取每个最终超像素块的边缘像素点,根据边缘像素点与边缘像素点所属最终超像素块的种子点之间的度量距离,以及边缘像素点与其周围像素点之间的颜色信息差异,获取每个最终超像素块中的每个边缘像素点的误差分割率;
在所述超像素分割的过程中,对每次迭代过程下的分割结果进行形态学处理,得到对应迭代过程下的每个超像素块的每个边缘像素点的特征值;根据迭代次数、每次迭代过程下的每个超像素块的每个边缘像素点对应的度量距离和特征值获取每个最终超像素块中的每个边缘像素点的分割变化频率;
根据每个最终超像素块中的每个边缘像素点的误差分割率和分割变化频率获取对应最终超像素块的真实边缘点,根据真实边缘点完成RGB图像中的矿石分割;
所述误差分割率的获取方法,包括:
以RGB图像中的每个像素点为中心点设定预设尺寸的邻域区域,根据邻域区域中每个像素点的像素值获取中心点的一阶颜色矩;
取任意一个最终超像素块作为参考最终超像素块,将参考最终超像素块的种子点的邻域区域作为目标邻域区域,取目标邻域区域内的任意一个像素点,计算像素点的一阶颜色矩与参考最终超像素块的种子点的一阶颜色矩的差值绝对值,记为像素点的第一值;
获取参考最终超像素块内每个像素点与种子点之间的度量距离,获取参考最终超像素块内的最大度量距离,分别计算目标邻域区域内的每个像素点对应的度量距离与最大度量距离的比值,记为目标邻域区域内对应像素点的第二值;
获取目标邻域区域内的每个像素点的第一值和第二值的乘积值,得到目标邻域区域内的所有像素点的乘积值之和;将目标邻域区域中每个像素点的乘积值与乘积值之和的比值作为对应像素点的特征参数;根据目标邻域区域内每个像素点的特征参数获取最大特征参数和最小特征参数;
获取参考最终超像素块中每个边缘像素点的乘积值;取参考最终超像素块中的任意一个边缘像素点,将边缘像素点的乘积值与乘积值之和的相加结果作为分母,边缘像素点的乘积值作为分子得到对应的比值,记为边缘像素点的第一特征参数;以最大特征参数和第一特征参数的差值绝对值为分子,第一特征参数和最小特征参数的差值与预设调参因子的相加结果为分母得到的比值作为对应边缘像素点的误差分割率。
2.如权利要求1所述的一种基于图像处理的采矿过程矿石颗粒分割方法,其特征在于,所述对应迭代过程下的每个超像素块的每个边缘像素点的特征值的获取方法,包括:
取任意一次迭代过程为参考迭代过程,对参考迭代过程下的分割结果分别做开运算和闭运算,对应得到开运算结果和闭运算结果;
取参考迭代过程下的任意一个超像素块作为目标超像素块,基于开运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的开运算特征值;
基于闭运算结果,获取目标超像素块的傅里叶描述子,将目标超像素块的每个边缘像素点对应在傅里叶描述子中的元素值作为对应边缘像素点的闭运算特征值;
对于目标超像素块中的任意一个边缘像素点,将边缘像素点的开运算特征值和闭运算特征值的差值作为边缘像素点的特征值。
3.如权利要求1所述的一种基于图像处理的采矿过程矿石颗粒分割方法,其特征在于,所述分割变化频率的获取方法,包括:
取任意一个最终超像素块中的任意一个边缘像素点作为参考边缘像素点,根据迭代过程下参考边缘像素点对应的度量距离分别计算每次迭代过程下参考边缘像素点与所属超像素块的种子点之间的信息熵;
根据每次迭代过程下参考边缘像素点对应的信息熵计算信息熵方差;根据每次迭代过程下参考边缘像素点的特征值计算特征值方差;
将迭代次数、信息熵方差以及特征值方差之间的乘积作为参考边缘像素点的分割变化频率。
4.如权利要求1所述的一种基于图像处理的采矿过程矿石颗粒分割方法,其特征在于,所述真实边缘点的获取方法,包括:
对于任意一个最终超像素块,获取误差分割率大于等于0的边缘像素点作为第一边缘像素点,根据第一边缘像素点的分割变化频率和误差分割率,分别获取最大分割变化频率和最大误差分割率,根据最大分割变化频率设置第一阈值,根据最大误差分割率设置第二阈值,将分割变化频率小于等于第一阈值且误差分割率小于等于第二阈值所对应的第一边缘像素点作为最终超像素块的真实边缘点。
5.一种基于图像处理的采矿过程矿石颗粒分割系统,其特征在于,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时实现上述权利要求1-4中的任意一项所述一种基于图像处理的采矿过程矿石颗粒分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154019.0A CN115841490B (zh) | 2023-02-23 | 2023-02-23 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154019.0A CN115841490B (zh) | 2023-02-23 | 2023-02-23 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841490A CN115841490A (zh) | 2023-03-24 |
CN115841490B true CN115841490B (zh) | 2023-05-09 |
Family
ID=85580103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310154019.0A Active CN115841490B (zh) | 2023-02-23 | 2023-02-23 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841490B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188495B (zh) * | 2023-04-21 | 2023-07-04 | 山东无棣金土地开发建设有限公司 | 一种国土监测数据高效处理方法 |
CN116823827B (zh) * | 2023-08-29 | 2023-11-10 | 山东德信微粉有限公司 | 一种基于图像处理的矿石粉碎效果评价方法 |
CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117649405B (zh) * | 2024-01-29 | 2024-04-02 | 深圳泰康医疗设备有限公司 | 一种切片中药的烘焙质量评价方法 |
CN117830873B (zh) * | 2024-03-04 | 2024-04-30 | 西安城市发展资源信息有限公司 | 一种城乡规划图像的数据处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952271A (zh) * | 2017-03-08 | 2017-07-14 | 西北工业大学 | 一种基于超像素分割和em/mpm处理的图像分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996189B (zh) * | 2014-05-05 | 2017-10-03 | 小米科技有限责任公司 | 图像分割方法及装置 |
CN106683073B (zh) * | 2015-11-11 | 2020-02-18 | 杭州海康威视数字技术股份有限公司 | 一种车牌的检测方法及摄像机和服务器 |
CN108470173B (zh) * | 2018-04-17 | 2021-06-15 | 北京矿冶科技集团有限公司 | 一种矿石颗粒的分割方法 |
CN108986119B (zh) * | 2018-07-25 | 2020-07-28 | 京东方科技集团股份有限公司 | 图像分割方法及装置、计算机设备及可读存储介质 |
CN114870468A (zh) * | 2022-07-11 | 2022-08-09 | 山东泗水山岭石材厂 | 一种石材切割冷却水处理装置 |
CN115272311A (zh) * | 2022-09-26 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种基于机器视觉的黑钨矿石图像分割方法 |
-
2023
- 2023-02-23 CN CN202310154019.0A patent/CN115841490B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952271A (zh) * | 2017-03-08 | 2017-07-14 | 西北工业大学 | 一种基于超像素分割和em/mpm处理的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115841490A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115841490B (zh) | 基于图像处理的采矿过程矿石颗粒分割方法及系统 | |
Zhuang et al. | Detection of orchard citrus fruits using a monocular machine vision-based method for automatic fruit picking applications | |
Duan et al. | Detection and segmentation of iron ore green pellets in images using lightweight U-net deep learning network | |
Niemeyer et al. | Conditional random fields for lidar point cloud classification in complex urban areas | |
Al-Hafiz et al. | Red blood cell segmentation by thresholding and Canny detector | |
Phoulady et al. | A framework for nucleus and overlapping cytoplasm segmentation in cervical cytology extended depth of field and volume images | |
CN111681249B (zh) | 基于Grabcut的砂石颗粒的改进分割算法研究 | |
Guntoro et al. | Application of machine learning techniques in mineral phase segmentation for X-ray microcomputed tomography (µCT) data | |
CN102324032A (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
CN102346854A (zh) | 前景物体检测方法和设备 | |
Borzov et al. | Spectral-spatial methods for hyperspectral image classification. review | |
CN105868766A (zh) | 喷涂流水线工件自动检测与识别方法 | |
Byun et al. | A multispectral image segmentation approach for object-based image classification of high resolution satellite imagery | |
Koh et al. | Utilising convolutional neural networks to perform fast automated modal mineralogy analysis for thin-section optical microscopy | |
CN112200083B (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
Akbarizadeh et al. | A new curvelet-based texture classification approach for land cover recognition of SAR satellite images | |
Pushpa et al. | Diseased leaf segmentation from complex background using indices based histogram | |
Lu et al. | Fusion-based color and depth image segmentation method for rocks on conveyor belt | |
CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
Zhao et al. | Interactive segmentation of texture image based on active contour model with local inverse difference moment feature | |
Gao et al. | An RGB-D-Based Thickness Feature Descriptor and Its Application on Scrap Steel Grading | |
Hong et al. | Sliding window-based probabilistic change detection for remote-sensed images | |
Zakaria et al. | Particle swarm optimization and support vector machine for vehicle type classification in video stream | |
Khomiak et al. | Image segmentation methods for quick characterization of ore chip using RGB images |
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 |