一种煤粉尘图像识别方法与流程

本发明属于煤粉尘图像处理
技术领域：
，具体涉及一种煤粉尘图像识别方法。
背景技术：
：在煤尘污染严重的选煤厂，原煤的筛分、破碎以及传输过程中，由于煤炭水分挥发干燥，在受到振动、撞击并引起下落的过程中将生成大量粉尘，煤炭粉尘的浓度达到一定程度时同氧气结合在有明火的条件下，随时会产生煤尘爆炸的恶性安全事故，造成的危害非常大。并且过多的煤尘会造成贵重精密的设备仪器严重磨损，造成机器的老化，降低精密仪器使用年限，同时也会引发工人的尘肺病问题。所以需要对煤尘的变化情况准确了解，以便及时采取相应措施。但早期测量方式大多采用人工手动操作实现，检测过程稳定性较差，获得的结果存在较大误差，精确度不高，无法真正反映出煤尘颗粒浓度变化的规律，不能及时有效地指导防尘降尘工作。为了解决这一问题，人们提出了基于视觉信息下的煤尘图像监控分析的方法，其中，对煤尘图像进行有效的分割是煤尘浓度测量重要研究内容之一，在煤尘图像分析和识别中具有重要的意义，分割结果的好坏直接影响煤尘颗粒识别和煤尘粒径测量的准确性。现有的图像分割方法大致可分为区域生长法、阈值法、边界法、聚类法和结合特定理论的图像分割方法等类型，目前比较流行的分割方法还有结合先验形状知识的活动轮廓图像分割方法。另外，现有的图像分割方法还有基于概率统计方法、基于先验知识方法、基于神经网络方法、基于图论的分割方法等，这些方法主要利用图像的区域信息来实现分类，虽然鲁棒性较好，但耗时却相对较长。其中，阈值法是一种最常用的并行区域技术，阈值是用于区分不同目标的灰度值。在实际应用中，阈值法成为图像分割中最基本和应用最广泛的分割技术，已被应用到了很多领域，但该方法的关键和难点在于如何取得合适的阈值；如果阈值选择得过高,则会将过多的目标点误归为背景，如果阈值选得过低，则会把背景误判为目标。由于煤尘颗粒目标和背景的灰度值相差较小，煤尘的图像的特征很模糊(没有明确的特征模式)，因此，现有技术中还缺乏能够可靠地应用到煤粉尘图像处理中的图像分割方法，现有技术中的图像分割方法应用到煤粉尘图像分割中后，存在着分割方法复杂、精度低、效率低等缺陷和不足，限制了煤尘监控技术的发展。另外，在煤尘粒径分布和煤尘浓度测量过程中煤尘颗粒的识别是最为关键的内容。在完成滤波去噪和图像分割的处理过程之后可获得煤尘的二值图像,接下来要实现对煤尘二值图像的识别工作，由于煤尘具有各种形状且煤尘之间还相互交叠，研究起来比较复杂，这就使得图像识别过程非常困难。针对煤尘图像中存在的煤尘相互重叠的问题，那么要对煤尘图像识别前，首先应把重叠的煤尘进行分离。如何对原煤粉尘准确而有效分离，同时又不丢失信息，是一个经典的问题。近年来，研究人员一直通过改进现有的方法获得一些新的理论和算法，并从其他学科入手分离重叠颗粒，提出了很多新的探索。目前大部分关于重叠颗粒的判别都在专业图像分析仪的帮助下进行，这个观测的过程是以肉眼识别为基础的，用鼠标划出重叠颗粒范围，其准确度具有一定的主观性，并且无法实现运用计算机自动分离重叠颗粒的目标。基于对上述问题的考虑，许多学者对于重叠颗粒图像的分离问题通常从边缘跟踪和数学形态学两种不同思维出发进行归类，基于边缘跟踪算法常见的有链码差法、矢量夹角法、估算圆心法等，他们只适用于近圆形的粘连颗粒图像，局限性太大。而煤尘颗粒形状复杂，有块状、片状、针状、球状、线装等。显然应用边缘跟踪算法不能很好解决煤尘颗粒的识别问题，虽然数学形态学的方法不受到分析对象形状的限制，但其分割算法精度较低；聚类算法很难拟合重叠超过3个的颗粒；而通过分水岭变换算法获得的区域轮廓具有密闭性、连通性、单像素宽以及精确位置，但分水岭算法有过分割的问题。技术实现要素：本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种煤粉尘图像识别方法，其方法步骤简单，设计新颖合理，实现方便，提高了煤尘重叠颗粒识别的精度，有效性和鲁棒性好，适应性强，使用灵活方便，实用性强，使用效果好，推广应用价值高。为解决上述技术问题，本发明采用的技术方案是：一种煤粉尘图像识别方法，其特征在于，该方法包括以下步骤：步骤一、采用基于多属性约简的模糊粗糙集对煤粉尘图像进行分割，具体过程为：步骤101、模糊类别隶属度的确定：图像处理器将获取到的煤粉尘图像作为模糊粗糙集Y＝{y1,y2,…,yn′}来处理，在模糊粗糙集Y＝{y1,y2,…,yn′}中构造k′个聚类m1,m2,…,mk′，并确定出yi′对应于wi′的模糊类别隶属度其中，yi′为煤粉尘图像中第i′个像素点的灰度值，i′＝1,2,…,n′，n′为像素点的个数，k′为非0的自然数，wi′为模糊粗糙集的论域U内的像素；步骤102、确定模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像，具体过程为：步骤1021、图像处理器将煤粉尘图像的图像灰度特征空间中多个图像灰度特征看作多个条件属性，根据公式求取条件属性Ar′对应的模糊依赖度γY(Ar′)，其中，POSY(Ar′)为条件属性Ar′对应的模糊粗糙集Y的正域，且为yi′对应于POSY(Ar′)的模糊类别隶属度且其中，r′＝1,2,…,N′，N′为煤粉尘图像的图像灰度特征空间中条件属性的总个数；j′＝1,2,…,k′；步骤1022、比较煤粉尘图像的图像灰度特征空间中N′个条件属性对应的模糊依赖度，从{A1,A2,…,AN′}中选择一个具有最大模糊依赖度的条件属性作为第一个模糊属性约简的候选属性，并将选出的第一个模糊属性约简的候选属性定义为A′1；步骤1023、选择第2～λ′个模糊属性约简的候选属性，并将选择出的第1～λ′个模糊属性约简的候选属性定义为模糊属性约简的候选属性集B＝{A′1,A′2,…,A′q′}；其中，第q′个模糊属性约简的候选属性的选择方法为：除去已选出的q′-1个模糊属性约简的候选属性后，在其余的条件属性中选择一个具有最大模糊依赖度的条件属性作为模糊属性约简的候选属性，并将选出的候选属性定义为A′q′，q′的取值为2～λ′；步骤1024、判断是否存在Av(q′<v<N′)，满足Av对应模糊依赖度大于各个模糊属性约简的候选属性对应的模糊依赖度，当存在Av时，将B′＝{A′1,A′2,…,A′q′,Av}确定为模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像；否则，当不存在Av时，将B＝{A′1,A′2,…,A′q′}确定为模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像；步骤103、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值，具体过程为：步骤1031、设定循环总次数C′和用于存储数据的数据位总数S；其中，C′和S均为自然数且C′>S；步骤1032、设定进行煤粉尘图像分割的分割阈值s为并比较煤粉尘图像中每一个像素的灰度值与分割阈值s；取rand′()为均匀分布在(0，1)上的C′个随机数，每取一个随机数，记录循环次数h′并比较循环次数h′与用于存储数据的数据位总数S，当h′<C′且h′≤S时，循环执行步骤1033～步骤1036以及步骤1037；否则，当h′<C′且h′>S时，循环执行步骤1033～步骤1036以及步骤1038；直到h′＝C′后停止循环；其中，ymax为Y中元素的最大值且ymax＝max{y1,y2,…,yn}，ymin为Y中元素的最小值且ymin＝min{y1,y2,…,yn}；步骤1033、图像处理器对去除了冗余属性的煤粉尘图像进行目标区域的模糊下近似和模糊上近似，以及背景区域的模糊下近似和模糊上近似，分别表示为：目标区域的模糊下近似：目标区域的模糊上近似：背景区域的模糊下近似：背景区域的模糊上近似：步骤1034、当煤粉尘图像中每一个像素的灰度值均大于分割阈值s时，目标区域的模糊下近似RoX加1；当煤粉尘图像中部分像素的灰度值大于分割阈值s时，目标区域的模糊上近似加1；步骤1035、当煤粉尘图像中每一个像素的灰度值均小于等于分割阈值s时，背景区域的模糊下近似RBX加1；当煤粉尘图像中部分像素的灰度值小于等于分割阈值s时，背景区域的模糊上近似加1；步骤1036、根据公式计算煤粉尘图像的信息熵Entr(Y)；步骤1037、将步骤1036中计算得到的煤粉尘图像的信息熵Entr(Y)和与信息熵Entr(Y)对应的煤粉尘图像分割的分割阈值s直接存储在用于存储数据的数据位上；步骤1038、比较已经存储在用于存储数据的数据位上各个煤粉尘图像的信息熵Entr(Y)的大小，删除用于存储数据的数据位上最小的煤粉尘图像的信息熵Entr(Y)，并将当前计算得到的煤粉尘图像的信息熵Entr(Y)存储在删除了信息熵Entr(Y)的数据位上；然后再比较所有数据位上的煤粉尘图像的信息熵Entr(Y)，找到最大的煤粉尘图像的信息熵Entr(Y)，并将最大的煤粉尘图像的信息熵Entr(Y)对应的煤粉尘图像分割的分割阈值s确定为进行煤粉尘图像分割的阈值；步骤104、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较，并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域，将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域；步骤二、图像处理器调用二值化图像处理模块对煤粉尘图像进行二值化处理，得到煤粉尘二值化图像，煤粉尘二值化图像中，目标区域的标记为1，背景区域的标记为0；步骤三、采用改进差分进化粒子群算法对煤粉尘图像进行煤尘重叠颗粒分离，识别出煤尘颗粒；具体过程为：步骤301、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs，并将的煤粉尘二值化图像确定为存在煤尘重叠颗粒的煤粉尘二值化图像；其中，为煤粉尘二值化图像存在煤尘重叠颗粒的形状特征系数阈值；步骤302、图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点；步骤303、图像处理器调用重叠颗粒交点提取模块提取出步骤302中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点；步骤304、图像处理器调用煤尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤尘重叠颗粒分离，具体过程为：步骤3041、在每相邻两个重叠颗粒交点之间的特征点中随机抽取6个，对每相邻两个重叠颗粒交点之间的特征点进行椭圆拟合，得到椭圆的表达式ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h的一组值；步骤3042、将差分进化粒子群的位置矩阵X初始化为：X=x11x12x13x14x15x16x21x22x23x24x25x26..................xN1xN2xN3xN4xN5xN6]]>其中，x1j(j＝1,2,3,4,5,6)为步骤3041中得到的椭圆的表达式中的6个参数a、b、c、d、e、h的一组值，xij(i＝2,3,…,N；j＝1,2,…,6)＝x1j×[1+0.1×rand()]，rand()为均匀分布在(0,1)上的随机数，N为种群规模；步骤3043、对于差分进化粒子群的位置矩阵X中的第i行粒子对应的椭圆，根据公式计算得到椭圆的中心坐标(xi,0，yi,0)，并计算进行椭圆拟合的相邻两个重叠颗粒交点之间的各个特征点距离椭圆中心坐标(xi,0,yi,0)的距离，当距离小于匹配点选择距离阈值dp时，将特征点判断为匹配点，并将匹配点个数作为第i行粒子的适应度函数值；依次取i＝1,2,…,N，计算各行粒子的适应度函数值，并在每次计算时，将适应度函数值大的粒子的适应度函数值定义为粒子当前最优位置，且在计算完N次后，将适应度函数值最大的粒子的适应度函数值定义为粒子群全局最优位置；步骤3044、通过公式xij(n+1)＝xij(n)+λFi(n)(Pg(n)-xij(n))+(1-λ)Fi(n)(Pi(n)-xij(n))+Fi(n)(xij(n)-xi+1,j(n))对差分进化粒子群的位置矩阵X进行更新，其中，xij(n)为迭代次数为n时差分进化粒子群中第i行第j列位置处的粒子，xij(n+1)为迭代次数为n+1时差分进化粒子群中第i行第j列位置处的粒子，λ为惯性系数且λ＝λmin+n×(λmax-λmin)/nmax，n为迭代次数且取值为1～nmax的自然数，λmin为最小惯性系数，λmax为最大惯性系数，nmax为总迭代次数；Fi(n)为缩放系数且Fmin为最小缩放系数，Fmax为最大缩放系数；Pi(n)为迭代次数为n时的粒子当前最优位置，Pg(n)为迭代次数为n时的粒子群全局最优位置；xi+1,j(n)为迭代次数为n时差分进化粒子群中第i+1行第j列位置处的粒子；步骤3045、定义第一次执行步骤3042时的迭代次数n为1，逐一增大n，重复执行步骤3043～3044，直到迭代次数n达到nmax后执行步骤3046；步骤3046、将最后一次迭代确定出的粒子群全局最优位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h；步骤3047、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离，每个椭圆曲线内都围有一个识别出来的单个煤尘颗粒。上述的一种煤粉尘图像识别方法，其特征在于：步骤101中图像处理器确定出yi′对应于wi′的模糊类别隶属度的方法为：当j′＝1时，当j′＝k′时，当j′＝2～(k′-1)时，其中，ymin为Y中元素的最小值且ymin＝min{y1,y2,…,yn}，ymax为Y中元素的最大值且ymax＝max{y1,y2,…,yn}，j′＝1,2,…,k′。上述的一种煤粉尘图像识别方法，其特征在于：步骤1031中设定循环总次数C′为15～100，设定用于存储数据的数据位总数S为10～20；步骤1032中取rand′()为间隔0.5×10-3均匀分布在(0，1)上的C′个随机数。上述的一种煤粉尘图像识别方法，其特征在于：步骤301中图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs的具体过程为：步骤3011、图像处理器累加标记为1的目标区域中像素的个数，并将累加值确定为煤粉尘二值化图像的面积A；步骤3012、图像处理器调用图像周长计算模块计算出煤粉尘二值化图像的周长C，具体过程为：步骤30121、假设煤粉尘二值化图像区域边界的链码为{a1a2a3…aτ}，其中，序列a1a2a3…aτ表示从一个起始点开始将煤粉尘二值化图像区域边界的走向按链码编码方式记录下来，τ为编码总个数且取值为大于1的自然数；步骤30122、将第q个码段aq所表示的线段长度表示为△Cq，图像处理器根据公式计算出煤粉尘二值化图像的周长C，其中，neq为第q个码段aq中的偶数码段数，le为第q个码段aq中的偶数码所表示的线段的长度；noq为第q个码段aq中的奇数码段数，lo为第q个码段aq中的奇数码所表示的线段的长度；q的取值为1～τ的自然数；步骤3013、图像处理器根据公式φs＝4πA/C2计算出煤粉尘二值化图像的形状特征系数φs。上述的一种煤粉尘图像识别方法，其特征在于：步骤301中所述φs0的取值为0.5。上述的一种煤粉尘图像识别方法，其特征在于：步骤302中图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点的具体过程为：步骤3021、找出存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点，并删除共线点，具体过程为：步骤30211、将存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘轮廓用H个轮廓点表示为P＝{p1,p2,…,pH}；其中，H为大于100的自然数；步骤30212、根据公式计算H个轮廓点中第k个轮廓点pk(xk,yk)到它的前一个轮廓点pk-1(xk-1,yk-1)与后一个轮廓点pk+1(xk+1,yk+1)连成的直线的距离dk；其中，k的取值为1～H的自然数，xk为第k个轮廓点pk(xk,yk)的横坐标，yk为第k个轮廓点pk(xk,yk)的纵坐标；xk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的横坐标，yk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的纵坐标；xk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的横坐标，yk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的纵坐标；步骤30213、比较dk与断点选择距离阈值dt，当dk>dt时，将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点并保留，当dk≤dt时，将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的共线点并删除；步骤3022、采用迭代法从存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点中定位特征点，具体过程为：步骤30221、设定特征点选择距离阈值dz；步骤30222、根据公式计算步骤30213中判断出的断点中第r个断点pr(xr,yr)到它的前一个断点pr-1(xr-1,yr-1)与后一个断点pr+1(xr+1,yr+1)连成的直线的距离dr；其中，r的取值为1～M的自然数，M为步骤30213中判断出的断点的总数；xr为第r个断点pr(xr,yr)的横坐标，yr为第r个断点pr(xr,yr)的纵坐标；xr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的横坐标，yr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的纵坐标；xr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的横坐标，yr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的纵坐标；步骤30223、比较dr与特征点选择距离阈值dz，当dr>dz时，将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的可能特征点并保留，当dr≤dz时，将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非特征点并删除；步骤30224、将特征点选择距离阈值dz增加距离步长△dz；步骤30225、根据公式计算步骤30223中判断出的可能特征点中第f个可能特征点pf(xf,yf)到它的前一个可能特征点pf-1(xf-1,yf-1)与后一个可能特征点pf+1(xf+1,yf+1)连成的直线的距离df；其中，f的取值为1～m的自然数，m为步骤30223中判断出的可能特征点的总数；xf为第f个可能特征点pf(xf,yf)的横坐标，yf为第f个可能特征点pf(xf,yf)的纵坐标；xf-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的横坐标，yr-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的纵坐标；xf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的横坐标，yf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的纵坐标；步骤30226、比较df与特征点选择距离阈值dz，当df>dz时，将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的有效特征点并保留，当df≤dz时，将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非有效特征点并删除；步骤30227、根据公式计算步骤30226中判断出的有效特征点中与第f个可能特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)到它的前一个有效特征点pf′-1(xf′-1,yf′-1)与后一个有效特征点pf′+1(xf′+1,yf′+1)连成的直线的距离df′；其中，f′的取值为1～m′的自然数，m′为步骤30226中判断出的有效特征点的总数；xf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的横坐标，yf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的纵坐标；xf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的横坐标，yf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的纵坐标；xf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的横坐标，yf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的纵坐标；步骤30228、比较步骤30227中计算得到的df′与步骤30225中计算得到的df，取f′为1～m′的自然数，当m′个有效特征点均满足|df′-df|≤E∞时，将步骤30226中判断出的有效特征点确定为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点，否则，重复执行步骤30224～20228；其中，E∞为距离误差阈值。上述的一种煤粉尘图像识别方法，其特征在于：步骤30213中所述dt的取值为0.3～0.7，步骤30221中所述dz的取值为0.3～0.7，步骤30224中所述△dz的取值为0.03～0.07，步骤30228中所述E∞的取值为0.03～0.07。上述的一种煤粉尘图像识别方法，其特征在于：步骤303中图像处理器调用重叠颗粒交点提取模块提取出步骤302中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点的具体过程为：步骤3031、令pc(xc,yc)为当前特征点，pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点，pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点，根据公式：计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc)；步骤3032、根据公式求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I；步骤3033、判断条件是否成立，当条件成立时，将当前特征点pc(xc,yc)判断为重叠颗粒的交点；其中，It为交点选择面积阈值。上述的一种煤粉尘图像识别方法，其特征在于：步骤3033中所述It的取值为0.2～0.6。上述的一种煤粉尘图像识别方法，其特征在于：步骤3042中所述N的取值为50～200，步骤3043中所述dp的取值为0.3～0.7，步骤3044中所述λmin的取值为0.05，步骤3044中所述λmax的取值为0.9，步骤3044中所述Fmin的取值为0.1，步骤3044中所述Fmax的取值为7，步骤3044中所述nmax的取值为300～700。本发明与现有技术相比具有以下优点：1、本发明的方法步骤简单，设计新颖合理，实现方便。2、本发明将模糊粗糙集的思想应用到图像分割技术当中，提出了一种新颖的煤粉尘图像分割方法，利用模糊粗糙集技术的属性约简进行属性选择，将对分割比较重要的属性选择出来，将冗余的属性去掉，不仅提高了煤粉尘图像分割的效率，还提高了煤粉尘图像分割的精度。3、本发明通过形状特征系数确定存在煤尘重叠颗粒的煤粉尘二值化图像，避免了对不存在煤尘重叠颗粒的煤粉尘二值化图像进行重叠颗粒分离，不但可以降低图像处理器的运算量，而且能够提高重叠颗粒识别的精度，根据形状特征系数这个约束条件，可防止将单个颗粒错误地分离。4、本发明先对煤尘重叠颗粒图像的边缘曲线进行特征点定位，再提取特征点中的重叠颗粒交点，提高了边缘的敏感性，同时降低了对噪声的敏感性，通过特征点定位降低了代表煤尘颗粒边缘的点数，也减少了后续交点提取的计算量，有利于寻找出真正的交点，能够提高重叠颗粒识别的精度。5、本发明在进行煤尘重叠颗粒分离时，采用了改进的差分进化粒子群算法，与一定的经验知识相结合，相比于其它相关的方法的，能够合理快速地分离出重叠的颗粒，获得较好的鲁棒性，在对比度较低煤粉尘图像的二值化处理可获得较好效果。识别效果良好稳定，速度快且对煤粉尘图像有极强的兼容性。6、本发明对形状不同的煤尘颗粒分离都能够产生良好的效果，适应性强，使用灵活方便。7、本发明的实用性强，使用效果好，对于煤尘特性参数的研究具有一定的学术价值和应用前景，对于提高煤尘监控水平，确保选煤厂安全运行具有极其重要的意义。综上所述，本发明方法步骤简单，设计新颖合理，实现方便，提高了煤尘重叠颗粒识别的精度，有效性和鲁棒性好，适应性强，使用灵活方便，实用性强，使用效果好，推广应用价值高。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明图1为本发明的方法流程框图。图2A为采用OlympusBX41显微放大镜获取到的中颗粒煤粉尘图像。图2B为采用本发明的方法进行煤粉尘图像分割和煤尘重叠颗粒分离后得到的中颗粒煤粉尘图像。图3A为采用OlympusBX41显微放大镜获取到的小颗粒煤粉尘图像。图3B为采用本发明的方法进行煤粉尘图像分割和煤尘重叠颗粒分离后得到的小颗粒煤粉尘图像。具体实施方式如图1所示，本发明的煤粉尘图像识别方法，包括以下步骤：步骤一、采用基于多属性约简的模糊粗糙集对煤粉尘图像进行分割，具体过程为：步骤101、模糊类别隶属度的确定：图像处理器将获取到的煤粉尘图像作为模糊粗糙集Y＝{y1,y2,…,yn′}来处理，在模糊粗糙集Y＝{y1,y2,…,yn′}中构造k′个聚类m1,m2,…,mk′，并确定出yi′对应于wi′的模糊类别隶属度其中，yi′为煤粉尘图像中第i′个像素点的灰度值，i′＝1,2,…,n′，n′为像素点的个数，k′为非0的自然数，wi′为模糊粗糙集的论域U内的像素；具体实施时，图像处理器处理的煤粉尘图像采用显微放大镜获取得到。本实施例中，步骤101中图像处理器确定出yi′对应于wi′的模糊类别隶属度的方法为：当j′＝1时，当j′＝k′时，当j′＝2～(k′-1)时，其中，ymin为Y中元素的最小值且ymin＝min{y1,y2,…,yn}，ymax为Y中元素的最大值且ymax＝max{y1,y2,…,yn}，j′＝1,2,…,k′。步骤102、确定模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像，具体过程为：步骤1021、图像处理器将煤粉尘图像的图像灰度特征空间中多个图像灰度特征看作多个条件属性，根据公式求取条件属性Ar′对应的模糊依赖度γY(Ar′)，其中，POSY(Ar′)为条件属性Ar′对应的模糊粗糙集Y的正域，且为yi′对应于POSY(Ar′)的模糊类别隶属度且其中，r′＝1,2,…,N′，N′为煤粉尘图像的图像灰度特征空间中条件属性的总个数；j′＝1,2,…,k′；supmin表示用户关心的关联规则的最低重要性；γX(Ai)的值越大，说明条件属性越重要，当γX(Ai)＝0时，说明条件属性是冗余的。步骤1022、比较煤粉尘图像的图像灰度特征空间中N′个条件属性对应的模糊依赖度，从{A1,A2,…,AN′}中选择一个具有最大模糊依赖度的条件属性作为第一个模糊属性约简的候选属性，并将选出的第一个模糊属性约简的候选属性定义为A′1；步骤1023、选择第2～λ′个模糊属性约简的候选属性，并将选择出的第1～λ′个模糊属性约简的候选属性定义为模糊属性约简的候选属性集B＝{A′1,A′2,…,A′q′}；其中，第q′个模糊属性约简的候选属性的选择方法为：除去已选出的q′-1个模糊属性约简的候选属性后，在其余的条件属性中选择一个具有最大模糊依赖度的条件属性作为模糊属性约简的候选属性，并将选出的候选属性定义为A′q′，q′的取值为2～λ′；步骤1024、判断是否存在Av(q′<v<N′)，满足Av对应模糊依赖度大于各个模糊属性约简的候选属性对应的模糊依赖度，当存在Av时，将B′＝{A′1,A′2,…,A′q′,Av}确定为模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像；否则，当不存在Av时，将B＝{A′1,A′2,…,A′q′}确定为模糊粗糙集Y的模糊属性约简，得到去除了冗余属性的煤粉尘图像；步骤103、图像处理器调用分割阈值确定模块并根据最大熵的阈值确定方法确定出进行煤粉尘图像分割的阈值，具体过程为：步骤1031、设定循环总次数C′和用于存储数据的数据位总数S；其中，C′和S均为自然数且C′>S；本实施例中，步骤1031中设定循环总次数C′为15～100，设定用于存储数据的数据位总数S为10～20；步骤1032中取rand′()为间隔0.5×10-3均匀分布在(0，1)上的C′个随机数。步骤1032、设定进行煤粉尘图像分割的分割阈值s为并比较煤粉尘图像中每一个像素的灰度值与分割阈值s；取rand′()为均匀分布在(0，1)上的C′个随机数，每取一个随机数，记录循环次数h′并比较循环次数h′与用于存储数据的数据位总数S，当h′<C′且h′≤S时，循环执行步骤1033～步骤1036以及步骤1037；否则，当h′<C′且h′>S时，循环执行步骤1033～步骤1036以及步骤1038；直到h′＝C′后停止循环；其中，ymax为Y中元素的最大值且ymax＝max{y1,y2,…,yn}，ymin为Y中元素的最小值且ymin＝min{y1,y2,…,yn}；步骤1033、图像处理器对去除了冗余属性的煤粉尘图像进行目标区域的模糊下近似和模糊上近似，以及背景区域的模糊下近似和模糊上近似，分别表示为：目标区域的模糊下近似：目标区域的模糊上近似：背景区域的模糊下近似：背景区域的模糊上近似：步骤1034、当煤粉尘图像中每一个像素的灰度值均大于分割阈值s时，目标区域的模糊下近似RoX加1；当煤粉尘图像中部分像素的灰度值大于分割阈值s时，目标区域的模糊上近似加1；步骤1035、当煤粉尘图像中每一个像素的灰度值均小于等于分割阈值s时，背景区域的模糊下近似RBX加1；当煤粉尘图像中部分像素的灰度值小于等于分割阈值s时，背景区域的模糊上近似加1；步骤1036、根据公式计算煤粉尘图像的信息熵Entr(Y)；步骤1037、将步骤1036中计算得到的煤粉尘图像的信息熵Entr(Y)和与信息熵Entr(Y)对应的煤粉尘图像分割的分割阈值s直接存储在用于存储数据的数据位上；步骤1038、比较已经存储在用于存储数据的数据位上各个煤粉尘图像的信息熵Entr(Y)的大小，删除用于存储数据的数据位上最小的煤粉尘图像的信息熵Entr(Y)，并将当前计算得到的煤粉尘图像的信息熵Entr(Y)存储在删除了信息熵Entr(Y)的数据位上；然后再比较所有数据位上的煤粉尘图像的信息熵Entr(Y)，找到最大的煤粉尘图像的信息熵Entr(Y)，并将最大的煤粉尘图像的信息熵Entr(Y)对应的煤粉尘图像分割的分割阈值s确定为进行煤粉尘图像分割的阈值；步骤104、图像处理器将去除了冗余属性的煤粉尘图像中每一个像素的灰度值与进行煤粉尘图像分割的阈值做比较，并将像素的灰度值大于进行煤粉尘图像分割的阈值的像素划分为目标区域，将像素的灰度值小于等于进行煤粉尘图像分割的阈值的像素划分为背景区域；步骤二、图像处理器调用二值化图像处理模块对煤粉尘图像进行二值化处理，得到煤粉尘二值化图像，煤粉尘二值化图像中，目标区域的标记为1，背景区域的标记为0；步骤三、采用改进差分进化粒子群算法对煤粉尘图像进行煤尘重叠颗粒分离，识别出煤尘颗粒；具体过程为：步骤301、图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs，并将的煤粉尘二值化图像确定为存在煤尘重叠颗粒的煤粉尘二值化图像；其中，为煤粉尘二值化图像存在煤尘重叠颗粒的形状特征系数阈值；本实施例中，步骤301中图像处理器调用形状特征系数计算模块计算出煤粉尘二值化图像的形状特征系数φs的具体过程为：步骤3011、图像处理器累加标记为1的目标区域中像素的个数，并将累加值确定为煤粉尘二值化图像的面积A；步骤3012、图像处理器调用图像周长计算模块计算出煤粉尘二值化图像的周长C，具体过程为：步骤30121、假设煤粉尘二值化图像区域边界的链码为{a1a2a3…aτ}，其中，序列a1a2a3…aτ表示从一个起始点开始将煤粉尘二值化图像区域边界的走向按链码编码方式记录下来，τ为编码总个数且取值为大于1的自然数；步骤30122、将第q个码段aq所表示的线段长度表示为△Cq，图像处理器根据公式计算出煤粉尘二值化图像的周长C，其中，neq为第q个码段aq中的偶数码段数，le为第q个码段aq中的偶数码所表示的线段的长度；noq为第q个码段aq中的奇数码段数，lo为第q个码段aq中的奇数码所表示的线段的长度；q的取值为1～τ的自然数；步骤3013、图像处理器根据公式φs＝4πA/C2计算出煤粉尘二值化图像的形状特征系数φs。本实施例中，步骤301中所述的取值为0.5。步骤302、图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点；本实施例中，步骤302中图像处理器调用边缘特征点定位模块定位得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点的具体过程为：步骤3021、找出存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点，并删除共线点，具体过程为：步骤30211、将存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘轮廓用H个轮廓点表示为P＝{p1,p2,…,pH}；其中，H为大于100的自然数；步骤30212、根据公式计算H个轮廓点中第k个轮廓点pk(xk,yk)到它的前一个轮廓点pk-1(xk-1,yk-1)与后一个轮廓点pk+1(xk+1,yk+1)连成的直线的距离dk；其中，k的取值为1～H的自然数，xk为第k个轮廓点pk(xk,yk)的横坐标，yk为第k个轮廓点pk(xk,yk)的纵坐标；xk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的横坐标，yk-1为第k个轮廓点pk(xk,yk)的前一个轮廓点pk-1(xk-1,yk-1)的纵坐标；xk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的横坐标，yk+1为第k个轮廓点pk(xk,yk)的后一个轮廓点pk+1(xk+1,yk+1)的纵坐标；步骤30213、比较dk与断点选择距离阈值dt，当dk>dt时，将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点并保留，当dk≤dt时，将第k个轮廓点pk(xk,yk)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的共线点并删除；本实施例中，步骤30213中所述dt的取值为0.3～0.7，优选为0.5。步骤3022、采用迭代法从存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的断点中定位特征点，具体过程为：步骤30221、设定特征点选择距离阈值dz；本实施例中，步骤30221中所述dz的取值为0.3～0.7，优选为0.5。步骤30222、根据公式计算步骤30213中判断出的断点中第r个断点pr(xr,yr)到它的前一个断点pr-1(xr-1,yr-1)与后一个断点pr+1(xr+1,yr+1)连成的直线的距离dr；其中，r的取值为1～M的自然数，M为步骤30213中判断出的断点的总数；xr为第r个断点pr(xr,yr)的横坐标，yr为第r个断点pr(xr,yr)的纵坐标；xr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的横坐标，yr-1为第r个断点pr(xr,yr)的前一个断点pr-1(xr-1,yr-1)的纵坐标；xr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的横坐标，yr+1为第r个断点pr(xr,yr)的后一个断点pr+1(xr+1,yr+1)的纵坐标；步骤30223、比较dr与特征点选择距离阈值dz，当dr>dz时，将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的可能特征点并保留，当dr≤dz时，将第r个断点pr(xr,yr)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非特征点并删除；步骤30224、将特征点选择距离阈值dz增加距离步长△dz；本实施例中，步骤30224中所述△dz的取值为0.03～0.07，优选为0.05。步骤30225、根据公式计算步骤30223中判断出的可能特征点中第f个可能特征点pf(xf,yf)到它的前一个可能特征点pf-1(xf-1,yf-1)与后一个可能特征点pf+1(xf+1,yf+1)连成的直线的距离df；其中，f的取值为1～m的自然数，m为步骤30223中判断出的可能特征点的总数；xf为第f个可能特征点pf(xf,yf)的横坐标，yf为第f个可能特征点pf(xf,yf)的纵坐标；xf-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的横坐标，yr-1为第f个可能特征点pf(xf,yf)的前一个可能特征点pf-1(xf-1,yf-1)的纵坐标；xf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的横坐标，yf+1为第f个可能特征点pf(xf,yf)的后一个可能特征点pf+1(xf+1,yf+1)的纵坐标；步骤30226、比较df与特征点选择距离阈值dz，当df>dz时，将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的有效特征点并保留，当df≤dz时，将第f个可能特征点pf(xf,yf)判断为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的非有效特征点并删除；步骤30227、根据公式计算步骤30226中判断出的有效特征点中与第f个可能特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)到它的前一个有效特征点pf′-1(xf′-1,yf′-1)与后一个有效特征点pf′+1(xf′+1,yf′+1)连成的直线的距离df′；其中，f′的取值为1～m′的自然数，m′为步骤30226中判断出的有效特征点的总数；xf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的横坐标，yf′为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的纵坐标；xf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的横坐标，yf′-1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的前一个有效特征点pf′-1(xf′-1,yf′-1)的纵坐标；xf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的横坐标，yf′+1为与第f个特征点pf(xf,yf)相对应的有效特征点pf′(xf′,yf′)的后一个有效特征点pf′+1(xf′+1,yf′+1)的纵坐标；步骤30228、比较步骤30227中计算得到的df′与步骤30225中计算得到的df，取f′为1～m′的自然数，当m′个有效特征点均满足|df′-df|≤E∞时，将步骤30226中判断出的有效特征点确定为存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点，否则，重复执行步骤30224～20228；其中，E∞为距离误差阈值。本实施例中，步骤30228中所述E∞的取值为0.03～0.07，优选为0.05。通过步骤302的方法得到存在煤尘重叠颗粒的煤尘重叠颗粒图像的边缘曲线的特征点后，能够实现煤尘重叠颗粒图像的边缘平滑，去除边缘的毛刺，减少后续步骤中交点提取的计算量，通过特征点定位后代表煤尘颗粒边缘的点数大大降低，从而使寻找交点时边缘点数大大降低，因此交点提取的计算量降低了，有利于找到真正的交点，通过特征点定位后，绝大多数干扰点被剔除，因此有利于找到搜索到真正的交点。步骤303、图像处理器调用重叠颗粒交点提取模块提取出步骤302中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点；本实施例中，步骤303中图像处理器调用重叠颗粒交点提取模块提取出步骤302中定位得到的煤尘重叠颗粒图像的边缘曲线的特征点中的重叠颗粒交点的具体过程为：步骤3031、令pc(xc,yc)为当前特征点，pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点，pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点，根据公式：计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc)；步骤3032、根据公式求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I；步骤3033、判断条件是否成立，当条件成立时，将当前特征点pc(xc,yc)判断为重叠颗粒的交点；其中，It为交点选择面积阈值。本实施例中，步骤3033中所述It的取值为0.2～0.6，优选为0.4。I的大小和符号与特征点的位置有关，改变公式中的任意两行则其结果将发生变化，即I的符号与特征点的弯曲方向有关，因此,可以通过判断特征点对应三角形面积I的符号来判断该点是否为交点；按逆时针旋转方向沿闭合边界顺序选取3个特征点组成三角形，其面积值通常是正值，当边界出现相交时，其局部弯曲方发生改变，三角形面积值变为负值。设定交点选择面积阈值It的目的是能保证真正交点对应的面积必须大于一定值，这样就可以很好的去除掉不平滑边缘引起的伪交点。步骤304、图像处理器调用煤尘重叠颗粒分离模块并采用改进的差分进化粒子群算法进行煤尘重叠颗粒分离，具体过程为：步骤3041、在每相邻两个重叠颗粒交点之间的特征点中随机抽取6个，对每相邻两个重叠颗粒交点之间的特征点进行椭圆拟合，得到椭圆的表达式ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h的一组值；步骤3042、将差分进化粒子群的位置矩阵X初始化为：X=x11x12x13x14x15x16x21x22x23x24x25x26..................xN1xN2xN3xN4xN5xN6]]>其中，x1j(j＝1,2,3,4,5,6)为步骤3041中得到的椭圆的表达式中的6个参数a、b、c、d、e、h的一组值，xij(i＝2,3,…,N；j＝1,2,…,6)＝x1j×[1+0.1×rand()]，rand()为均匀分布在(0,1)上的随机数，N为种群规模；本实施例中，步骤3042中所述N的取值为50～200，步骤3043、对于差分进化粒子群的位置矩阵X中的第i行粒子对应的椭圆，根据公式计算得到椭圆的中心坐标(xi,0,yi,0)，并计算进行椭圆拟合的相邻两个重叠颗粒交点之间的各个特征点距离椭圆中心坐标(xi,0,yi,0)的距离，当距离小于匹配点选择距离阈值dp时，将特征点判断为匹配点，并将匹配点个数作为第i行粒子的适应度函数值；依次取i＝1,2,…,N，计算各行粒子的适应度函数值，并在每次计算时，将适应度函数值大的粒子的适应度函数值定义为粒子当前最优位置，且在计算完N次后，将适应度函数值最大的粒子的适应度函数值定义为粒子群全局最优位置；本实施例中，步骤3043中所述dp的取值为0.3～0.7，优选为0.5。步骤3044、通过公式xij(n+1)＝xij(n)+λFi(n)(Pg(n)-xij(n))+(1-λ)Fi(n)(Pi(n)-xij(n))+Fi(n)(xij(n)-xi+1,j(n))对差分进化粒子群的位置矩阵X进行更新，其中，xij(n)为迭代次数为n时差分进化粒子群中第i行第j列位置处的粒子，xij(n+1)为迭代次数为n+1时差分进化粒子群中第i行第j列位置处的粒子，λ为惯性系数且λ＝λmin+n×(λmax-λmin)/nmax，n为迭代次数且取值为1～nmax的自然数，λmin为最小惯性系数，λmax为最大惯性系数，nmax为总迭代次数；Fi(n)为缩放系数且Fmin为最小缩放系数，Fmax为最大缩放系数；Pi(n)为迭代次数为n时的粒子当前最优位置，Pg(n)为迭代次数为n时的粒子群全局最优位置；xi+1,j(n)为迭代次数为n时差分进化粒子群中第i+1行第j列位置处的粒子；本实施例中，步骤3044中所述λmin的取值为0.05，步骤3044中所述λmax的取值为0.9，步骤3044中所述Fmin的取值为0.1，步骤3044中所述Fmax的取值为7，步骤3044中所述nmax的取值为300～700，优选为500。步骤3045、定义第一次执行步骤3042时的迭代次数n为1，逐一增大n，重复执行步骤3043～3044，直到迭代次数n达到nmax后执行步骤3046；步骤3046、将最后一次迭代确定出的粒子群全局最优位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h；步骤3047、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离，每个椭圆曲线内都围有一个识别出来的单个煤尘颗粒。具体实施时，所述图像处理器为计算机。为了验证本发明能够产生的技术效果，采用MATLAB2014b软件进行了下面的仿真论证：仿真1采用由OlympusBX41显微放大镜(显微放大倍数:目镜×10，物镜×10)获取到的如图2A所示的中颗粒煤粉尘图像作为测试图像，图像的像素大小为512×512；采用本发明的方法进行煤粉尘图像分割和煤尘重叠颗粒分离后得到的中颗粒煤粉尘图像如图2B所示，仿真结果图表明，本发明的方法能够把颗粒从图像中准确的识别出来。仿真2采用由OlympusBX41显微放大镜(显微放大倍数:目镜×10，物镜×10)获取到的如图3A所示的小颗粒煤粉尘图像作为测试图像，图像的像素大小为512×512；采用本发明的方法进行煤粉尘图像分割和煤尘重叠颗粒分离后得到的小颗粒煤粉尘图像如图3B所示，仿真结果图表明，本发明的方法能够把颗粒从图像中准确的识别出来。以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。当前第1页1 2 3