《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計應(yīng)用 > 一種浮選泡沫視頻圖像自適應(yīng)篩選方法
一種浮選泡沫視頻圖像自適應(yīng)篩選方法
2015年微型機與應(yīng)用第12期
尹遜越,廖一鵬
(福州大學(xué) 物理與信息工程學(xué)院,,福建 福州 350100)
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。
Abstract:
Key words :

  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:

  8)%QF3~XU[OKSWRYLQVQ80E.jpg

  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),。

001.jpg

  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,。

002.jpg

  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0}{W0~`KSYY$6~X~(B8UJ7O.jpgj和IM%FBF@(07JEV9BLPCZSO2E.pngt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IM%FBF@(07JEV9BLPCZSO2E.pngt。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0}{W0~`KSYY$6~X~(B8UJ7O.jpgj。

  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,。

  8.png

  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。

  9.png

  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。

003.jpg

  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,。

004.jpg

  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.


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。