摘  要： 針對浮選視頻圖像獲取過程中出現(xiàn)的圖像質(zhì)量問題,，提出一種浮現(xiàn)泡沫視頻圖像自適應(yīng)篩選方法,。首先通過分析浮選圖像紋理特征選取評價參數(shù),，然后采用改進BP神經(jīng)網(wǎng)絡(luò)建立圖像質(zhì)量評判模型,，對不同質(zhì)量圖像進行評判篩選。實驗證明,，該方法篩選速度快且識別正確率和效率高,，篩選后的圖像分割效果好,。

　　關(guān)鍵詞： 浮選圖像；BP神經(jīng)網(wǎng)絡(luò),；圖像質(zhì)量

0 引言

　　現(xiàn)代選礦工業(yè)中,，泡沫浮選的主要目的就是提高礦物中精礦的品位[1]。浮選工藝復(fù)雜,，是一個含有固,、液、氣三相變化的物理化學(xué)過程[2],，并且泡沫表面運動狀態(tài)不穩(wěn)定,，獲取的圖像特征也各不相同。傳統(tǒng)生產(chǎn)方式主要是人工控制,，并且有主觀依賴性大,、勞動強度大、資源利用率低等局限[3],。隨著機器視覺和數(shù)字圖像處理技術(shù)應(yīng)用到浮選中,，通過機器實時對浮選表面進行監(jiān)控，提取特征參數(shù),。這些特征參數(shù)主要包括泡沫大小,、形狀、紋理特征,、流速[4]等,。

　　針對浮選圖像質(zhì)量的評價，只有無參考質(zhì)量評價方法,。有些學(xué)者通過利用共生矩陣內(nèi)的紋理特征參數(shù)[5]對圖像進行質(zhì)量評價,。本文通過提取浮選泡沫圖像紋理特征參數(shù)并利用BP神經(jīng)網(wǎng)絡(luò)，建立浮選圖像質(zhì)量評價模型[6],，然后采用經(jīng)典改進分水嶺分割算法[7]來驗證所篩選圖像處理效果,。實驗證明：本文所用浮選圖像質(zhì)量評價方法可以篩選出不同質(zhì)量浮選圖像，篩選出來的合格圖像分割效果明顯,，而且自動識別準(zhǔn)確率得到了提高,。

1 灰度共生矩陣?yán)碚摷疤卣鲄?shù)提取分析

　　1.1 灰度共生矩陣參數(shù)提取

　　灰度共生矩陣表達了圖像灰度分布在空間位置上反復(fù)出現(xiàn)情況，其定義為θ方向上相隔距離d的一對像素分別具有灰度值i和j出現(xiàn)概率,，記為P（i,，j；d,，θ）,。設(shè)f（x，y）是對應(yīng)圖像空間位置坐標(biāo)（x，y）的灰度值,，L為圖像灰度等級,，Lr、Lc代表圖像行和列的維數(shù),。f（x,，y）=i和f（x+Dx，y+Dy）=j為像素對,，取值為0°,、45°、90°和135°,，公式如下所示：

　　P（i,，j；d,，θ）={[（x,，y），（x+Dx,，y+Dy）]|∈（Lr,，Lc）×（Lr，Lc）f（x,，y）=i,，f（x+Dx，y+Dy）=j}（1）

　　本文選取灰度共生矩陣中4個紋理特征,，以及圖像灰度和高亮區(qū)域所占比例作為浮選圖像質(zhì)量評價指標(biāo),。各特征參數(shù)表達式如下所示：

　　（1）圖像能量asm為：

　　其中,，Sw為高亮區(qū)域的像素總數(shù),，S為總像素數(shù)。

　　1．2 各項特征參數(shù)數(shù)據(jù)特性分析

　　本文在研究分析時分別選取曝光過度圖像,、曝光不足圖像,、模糊圖像以及正常圖像各30幅，并提取各特征參數(shù),。圖1是圖像紋理特征分布狀態(tài),。

　　圖1中（a）到（f）分別為對應(yīng)能量、熵值,、慣性矩,、相關(guān)度、灰度均值和高亮區(qū)域比率評價指標(biāo)的分布圖,。從圖1中紋理特征分布圖中可以明顯看出,，不同質(zhì)量浮選泡沫圖像之間特征參數(shù)分布差別明顯，但是有些特征參數(shù)的分布區(qū)分度較低。

2 BP神經(jīng)網(wǎng)絡(luò)算法

　　2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

　　BP神經(jīng)網(wǎng)絡(luò)原理通過誤差反向傳播算法對網(wǎng)絡(luò)進行不斷訓(xùn)練,，減少目標(biāo)與實際輸出誤差,，按照輸出層到中間層再到輸出層的順序逐漸修正連接權(quán)值,。通過不斷修正誤差,，提高輸入正確率[8]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示,。

　　把4種不同質(zhì)量圖像并分別設(shè)為1~4共4個等級并編碼,，分別為1000、0100,、0010,、0001。對應(yīng)有4個輸出神經(jīng)元,。隱含層神經(jīng)元經(jīng)過試驗得出神經(jīng)元個數(shù)為34時學(xué)習(xí)效率最小,。

　　BP網(wǎng)絡(luò)的學(xué)習(xí)過程為：

　　（1）初始化權(quán)值wi,，j和vi,，j，閾值j和t在（-1,，1）之間隨意取值,。

　　（2）選取任意一組輸入（a1k,，a2k,，a3k，…,，ank）和目標(biāo)樣本（y1k,，y2k，…,，yqk）輸入網(wǎng)絡(luò),。

　　（3）計算網(wǎng)絡(luò)目標(biāo)向量（y1k,，y2k,，…，yqk）與實際輸出ct的一般化誤差dt,。

　?。?）通過vij，dt和中間層輸出bj計算中間每個單元一般性誤差ejk,。

　?。?）利用dt，bj修正權(quán)值vij和閾值t。最后通過ejk和輸入（a1k,，a2k,，a3k，…,，ank）修正輸入層和隱含層的權(quán)值wi,，j和閾值j。

　　2.2 BP神經(jīng)網(wǎng)絡(luò)算法改進

　　BP神經(jīng)網(wǎng)絡(luò)經(jīng)常會陷入局部極小值和收斂,，本文采用附加動量法和自適應(yīng)學(xué)習(xí)速率法對BP神經(jīng)網(wǎng)絡(luò)進行改進,。附加動量法對權(quán)值wi，j在反向傳播基礎(chǔ)上對前一次權(quán)值進行加權(quán)產(chǎn)生新權(quán)值,，計算公式如式（8）所示,。

　　其中，?濁為學(xué)習(xí)效率,，?琢為動量因子,，n為訓(xùn)練次數(shù)。附加動量法可以使權(quán)值誤差更加接近誤差曲線最底部,，使之可以跳出局部極小值,。其收斂機制如式（9）所示。

　　其中,，E（n）表示第n步誤差,。

3 實驗仿真結(jié)果與分析

　　本文中采用雙層網(wǎng)絡(luò)結(jié)構(gòu)，隱含層傳遞函數(shù)tansig（n）,，輸出層傳遞函數(shù)logsig（n）,。最小均方誤差和學(xué)習(xí)效率為0.01和0.1，動量系數(shù)為0.95,。將圖1中樣本數(shù)據(jù)作為樣本學(xué)習(xí)訓(xùn)練,，另取80組數(shù)據(jù)作為校驗樣本。校驗樣本如表1所示,，仿真結(jié)果如表2所示,，分析實驗結(jié)果和人工判別成功率如表3所示。

　　由表1和表2看出,，本文方法所判別結(jié)果與實際圖像結(jié)果一致,。在試驗中，對150幅圖像處理時間不到  0.01 s,，完全可以滿足現(xiàn)場需求,，且判別正確率比人工識別精確。對篩選后不同質(zhì)量的圖像進行了經(jīng)典改進分水嶺算法分割,，分割效果對比如圖3所示,。

　　從圖3可以看出,，不同質(zhì)量浮選泡沫圖像的分割效果，經(jīng)過分水嶺算法的分割后,，（a）圖像泡沫基本被分割出來,，（b）、（c）和（d）圖像分割效果非常差,。經(jīng)過篩選,，在對高質(zhì)量圖像進行分割或是特征參數(shù)提取時，結(jié)果更準(zhǔn)確,，處理效果更好,。

4 結(jié)論

　　數(shù)字圖像處理技術(shù)應(yīng)用于工業(yè)浮選是為了輔助生產(chǎn),，提高礦物回收率,，降低勞動強度。本文選取浮選圖像紋理特征作為圖像質(zhì)量評價指標(biāo),，通過分析各因子隨時間序列分布狀態(tài),，并利用改進的BP神經(jīng)網(wǎng)絡(luò)生成浮選視頻圖像自適應(yīng)篩選模型。該模型可以快速準(zhǔn)確地對浮選圖像進行質(zhì)量評價,，篩選出不同質(zhì)量浮選泡沫圖像,，提高圖像識別效率和精度。在今后研究中,，把該圖像質(zhì)量評價結(jié)果應(yīng)用于浮選圖像智能采集,，實現(xiàn)圖像采集系統(tǒng)自動控制，當(dāng)曝光過度時,，可以采用減少曝光時間,、減少進光量或降低圖像亮度，反之,，增大曝光時間,。對于模糊圖像直接從圖像序列中刪除掉，由此提高浮選實時監(jiān)控系統(tǒng)實用性和圖像采集效率,。

　　參考文獻

　　[1] 何桂春,，黃開啟.浮選指標(biāo)與浮選泡沫數(shù)字圖像關(guān)系的研究[J].金屬礦山，2008（8）：96-100.

　　[2] MORAR S H,， HARRIS M C,， BRADSHAWD J. The use of machine vision to predict flotation performanc[J]. Minerals Engineering， 2012（36）：31-36.

　　[3] 劉文禮,，路邁西,，王勇，等.煤泥浮選泡沫紋理特征的提取及泡沫狀態(tài)識別[J].化工學(xué)報,，2003,，54（6）：832-372.

　　[4] 陽春華,，周開軍，牟學(xué)民,，等.基于計算機視覺的浮選泡沫顏色及尺寸測量方法[J].儀器儀表學(xué)報,，2009，30（4）：717-721.

　　[5] 楊彪,，江朝暉,，陳鐸，等.基于客觀參數(shù)的圖像質(zhì)量評估[J].計算機仿真,，2009,，26（5）：232-235.

　　[6] 范媛媛，桑英軍,，沈湘衡.基于BP神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量評價參數(shù)優(yōu)化[J].應(yīng)用光學(xué),，2011，6（32）：1150-1156.

　　[7] 丁偉杰,，范影樂,，龐全.一種改進的基于分水嶺算法的粘連分割研究[J].計算機工程應(yīng)用，2007,，43（10）：70-72.

　　[8] LI X W. Combined use of BP neural netwo-rk and computational integral imaging reco-nstruction for optical multiple-image security[J]. Optics Communica,， 2014，31（5）：147-158.