基于光学信息的浮选法泡沫识别方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种基于光学信息的浮选法泡沫识别方法。


背景技术：

2.泡沫浮选作为应用最为广泛的一种选矿方法，其可以用于几乎所有矿石的分选。泡沫浮选是以表面化学为基础，利用矿物颗粒表面疏水性的差异来使不同矿物达到有效分离效果的选矿方法，泡沫的泡沫大小、颜色等表面视觉特征直接表征了浮选工况的综合现象。
3.随着图像处理技术的发展，目标大多数利用图像分割方法来获取泡沫的表面视觉特征，但由于采集的浮选泡沫图像中存在泡沫结构复杂或泡沫粘连严重等问题，极大增加了分割难度，容易出现严重的过分割或分割不充分现象，使得分割效果并不理想。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于光学信息的浮选法泡沫识别方法，所采用的技术方案具体如下：采集浮选泡沫图像得到对应的灰度图像，使用大津阈值法得到灰度图像中的多个反光白色区域，反光白色区域是指由于反光造成的白色区域；分别对每个反光白色区域进行连通域分析得到目标区域；获取当前目标区域的中心像素点，计算中心像素点与中心像素点周围区域内每个像素点之间的灰度值差值，得到中心高亮系数；根据中心像素点至当前目标区域的边缘的距离获取当前目标区域的环形区域，对所述环形区域内的像素点进行聚类，得到多个簇，根据每个簇的中心点坐标进行椭圆拟合，得到拟合优度；计算当前簇分别与其他簇之间的欧式距离，选取最小欧式距离作为当前簇的目标欧式距离，根据所有簇的目标欧式距离计算目标欧式距离方差，将所述目标欧式距离方差作为所述环形区域中的颗粒感混乱值；结合所述拟合优度和所述颗粒感混乱值得到所述环形区域对应的周围光环系数；将所述中心高亮系数和所述周围光环系数之间的比值作为当前目标区域的气泡高亮系数；获取每个目标区域的所述气泡高亮系数，当所述气泡高亮系数大于气泡亮度系数阈值时，确定所述目标区域为气泡反光白色区域；对灰度图像中的非气泡反光白色区域进行边缘检测，得到对应的边缘图像，检测边缘图像中的直线和曲线，统计每个直线或曲线两侧的气泡反光白色区域的数量以确定真气泡边缘线，根据所述真气泡边缘线的位置信息对所述浮选泡沫图像中的气泡进行识别分割。
5.进一步的，所述中心高亮点系数的获取方法，包括：以中心像素点为窗口中心构建窗口，分别计算中心像素点与窗口内其他24个像素点之间的灰度值差值，根据灰度值差值得到当前目标区域的中心高亮系数，则中心高亮系数的计算公式为：
其中，为中心高亮系数；为当前目标区域内中心像素点的灰度值，为窗口内其余24个像素点中第个像素点的灰度值。
6.进一步的，所述根据中心像素点至当前目标区域的边缘的距离获取当前目标区域的环形区域的方法，包括：获取中心像素点与当前目标区域每个边缘像素点之间的连线，以连线上与所述中心像素点的距离为三分之二倍的连线长度的点作为分割点，所述分割点构成分割边缘；在当前目标区域中将所述分割边缘围成的区域去除，获得环形区域。
7.进一步的，所述周围光环系数的计算公式为：其中，为所述周围光环系数；为调节系数；为所述拟合优度；为所述颗粒感混乱值；和均为调节系数；为簇的数量。
8.进一步的，所述气泡高亮系数与所述中心高亮系数呈负相关关系、所述气泡高亮系数与所述周围光环系数呈正相关关系。
9.进一步的，所述统计每个直线或曲线两侧的气泡反光白色区域的数量以确定真气泡边缘线的方法，包括：统称直线和曲线为线条，根据当前线条的位置分别获取当前线条两侧由当前线条和其他线条所构成的目标检测区域，且该目标检测区域中不存在线条；分别对当前线条的两个目标检测区域进行气泡发光白色区域的数量的统计；当这两个目标检测区域中都只有一个气泡发光白色区域时，确认当前线条是真气泡边缘；当任意一个目标检测区域中出现大于或等于2个气泡发光白色区域时，返回线条检测，通过提高线条的检测精度，直至目标检测区域中的气泡发光白色区域的数量小于2；其余情况下，确认当前线条属于假气泡边缘。
10.本发明实施例至少具有如下有益效果：通过中心高亮分布和外围的均匀环带状颗粒特征精确识别浮选泡沫图像中气泡的中心反光区域，从而确定浮选泡沫图像中气泡的大致位置和气泡的中心反光区域位置，以气泡的中心反光区域作为依据对浮选泡沫图像中的边缘进行分析判断，以实现对气泡的精确识别和分割，增强分割结果准确度，提高了工作效率。
附图说明
11.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。
12.图1为本发明一个实施例提供的一种基于光学信息的浮选法泡沫识别方法的步骤流程图。
具体实施方式
13.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光学信息的浮选法泡沫识别方法，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。
14.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。
15.下面结合附图具体的说明本发明所提供的一种基于光学信息的浮选法泡沫识别方法的具体方案。
16.请参阅图1，其示出了本发明一个实施例提供的一种基于光学信息的浮选法泡沫识别方法的步骤流程图，该方法包括以下步骤：步骤s001，采集浮选泡沫图像得到对应的灰度图像，使用大津阈值法得到灰度图像中的多个反光白色区域，反光白色区域是指由于反光造成的白色区域；分别对每个反光白色区域进行连通域分析得到目标区域。
17.具体的，对浮选槽内矿浆产生的大量气泡使用可见光相机进行图像采集，得到浮选泡沫图像。由于环境和相机等影响，采集的图像上会出现噪声，对后续的图像处理和特征提取产生影响，使结果不精确，所以需要对浮选泡沫图像进行图像预处理，则图像预处理方法为：本发明实施例先采用中值滤波对浮选泡沫图像进行处理，使浮选泡沫图像更加平滑；由于光照的不均匀，浮选泡沫图像上部分泡沫的边缘并不明显，然后采用反锐化掩膜法对浮选泡沫图像进行增强处理，将边缘区域进行锐化处理，使得处理后的浮选泡沫图像中的泡沫边缘会变得更加清晰明显。
18.进一步的，在矿浆的浮选泡沫图像中，每个气泡的中心都会因为反光造成非常明显的白色区域，而气泡的主体为偏暗的区域，边缘为颜色非常深或比较亮的明显边界，因此根据灰度图像中每个像素点的灰度值获取的灰度分布直方图，将会分为比较明显的三个波峰，分别对应反光白色区域，偏暗区域和非常深的边界区域，故将预处理后的浮选泡沫图像转化为灰度图像，利用大津法对灰度图像进行阈值分割得到灰度图像中的多个反光白色区域，反光白色区域是指由于反光造成的白色区域，然后分别对每个反光白色区域进行连通域分析得到目标区域，一个反光白色区域对应一个目标区域。
19.步骤s002，获取当前目标区域的中心像素点，计算中心像素点与中心像素点周围区域内每个像素点之间的灰度值差值，得到中心高亮系数；根据中心像素点至当前目标区域的边缘的距离获取当前目标区域的环形区域，对环形区域内的像素点进行聚类，得到多个簇；根据簇的位置分布计算环形区域对应的周围光环系数，将中心高亮系数和周围光环系数之间的比值作为当前目标区域的气泡高亮系数。
20.具体的，由于反光白色区域是光照反光形成的，所以反光白色区域的中心亮度最
高且亮度分布非常均匀，故根据该特征获取每个目标区域的中心高亮系数，具体为：获取当前目标区域的中心像素点，计算中心像素点与中心像素点周围区域内每个像素点之间的灰度值差值，得到中心高亮系数，且灰度值差值与中心高亮系数呈正相关关系。
21.作为一个示例，本发明实施例以中心像素点为窗口中心构建窗口，将窗口的范围作为中心像素点的周围区域，则分别计算中心像素点与窗口内其他24个像素点之间的灰度值差值，根据灰度值差值得到当前目标区域的中心高亮系数，则中心高亮系数的计算公式为：其中，为中心高亮系数；为目标区域内中心像素点的灰度值，为窗口内其余24个像素点中第个个像素点的灰度值。
22.需要说明的是，目标区域内的中心亮度分布越均匀，即灰度值差值越小，则中心高亮系数越小。
23.反光白色区域从中心向外部分，其亮度较中心亮度稍有减弱，而泡沫为矿物颗粒溶于溶剂形成的，所以表面较为粗糙，且在光照下显示出明显颗粒感，因此在发光白色区域中，由于光照的突出，这些颗粒呈环带状分布在中心高亮区域周围，进而根据这些特征构建每个目标区域的周围光环系数，具体步骤包括：（1）根据中心像素点至当前目标区域的边缘的距离获取当前目标区域的环形区域，对环形区域内的像素点进行聚类，得到多个簇，根据每个簇的中心点坐标进行椭圆拟合，得到拟合优度。
24.具体的，选取当前目标区域中心之外的环形区域，也即获取中心像素点与当前目标区域每个边缘像素点之间的连线，以连线上与中心像素点的距离为三分之二倍的连线长度的点作为分割点，将分割点构成分割边缘，将当前目标区域中由分割边缘围成的区域去除后，剩余的区域即为环形区域。
25.由于环形区域为当前目标区域的外圈部分，根据该部分中表面粗糙的颗粒可以通过聚类得到多个簇，因此采用dbscan聚类算法，以聚类半径为1，minpts为3进行聚类，获得个簇，n为正整数。由于这些颗粒对应簇的所在位置是包含很多矿物颗粒的泥浆泡对应反光白色区域的外圈部分，因此这些颗粒对应的簇应呈椭圆分布，故对于每一个簇，分别选取其中心坐标，根据所有的中心坐标与椭圆进行拟合，获得拟合优度，拟合优度用以衡量簇的分布是否呈椭圆状。
26.需要说明的是，为簇的个数，对应反光白色区域的外圈部分的颗粒数量，也即是环形区域中的颗粒数量，是气泡除中心高亮区域外的外圈的独特特征。气泡相接位置呈现出中心高亮区域的相同特征但周围未呈现相同的颗粒状表现，因此为防止计算机将这些部分误认为气泡，所以将簇的个数下限设定为6，用于突出环形区域的独特颗粒特征。
27.（2）对于环形区域内呈现出的颗粒状亮斑，其分布较为均匀，故根据该特征对环形
区域中的颗粒混乱度进行衡量。
28.具体的，计算当前簇分别与其他簇之间的欧式距离，选取最小欧式距离作为当前簇的目标欧式距离，根据所有簇的目标欧式距离计算目标欧式距离方差，将目标欧式距离方差作为环形区域中的颗粒感混乱值。
29.需要说明的是，当目标欧式距离方差越小时，环形区域的颗粒混乱度越小，相对应光照下当前目标区域的环形区域呈现出的环带状颗粒越均匀。
30.（3）当检测出的簇的数量越多、簇的分布越接近于椭圆即拟合优度越大，颗粒感混乱值越小，对应环形区域的周围光环系数越大，也即当前目标区域的环形区域中识别出的颗粒状部分越多，呈现出的颗粒越均匀、越接近环带状，对应的周围光环系数越大，因此结合拟合优度和颗粒感混乱值得到环形区域对应的周围光环系数，则周围光环系数的计算公式为：其中，为周围光环系数；为调节系数，用于调节函数值的取值范围；为颗粒感混乱值；和均为调节系数，用于调节函数值的取值范围。
31.优选的，本发明实施例中和取经验值，即，，。
32.需要说明的是，为簇对应的中心点分布与椭圆之间的拟合优度，由于这些中心点的分布近似于椭圆，所以设置拟合优度的下限为0.65，但由于中心点的个数较多，拟合优度不会过高，为避免只检测到少数簇而使拟合优度偏高的情况，所以设置拟合优度的上限为0.9，故拟合优度的取值范围为。
33.（4）利用步骤（1）至步骤（3）的方法，能够得到每个目标区域的周围光环系数。
34.对于每一个目标区域，由于中心高亮系数和周围光环系数均表示了气泡的特征，因此根据每个目标区域对应的中心高亮系数和周围光环系数分析对应目标区域的气泡高亮系数，则将中心高亮系数和周围光环系数之间的比值作为对应目标区域的气泡高亮系数，且气泡高亮系数与中心高亮系数呈负相关关系、气泡高亮系数与周围光环系数呈正相关关系。
35.步骤s003，获取每个目标区域的气泡高亮系数，当气泡高亮系数大于气泡亮度系数阈值时，确定目标区域为气泡反光白色区域；对灰度图像中的非气泡反光白色区域进行边缘检测，得到对应的边缘图像，检测边缘图像中的直线和曲线，统计每个直线或曲线两侧的气泡反光白色区域的数量以确定真气泡边缘线，根据真气泡边缘线的位置信息对浮选泡沫图像中的气泡进行识别分割。
36.具体的，根据步骤s002的方法，能够得到每个目标区域的气泡高亮系数，设定气泡亮度系数阈值，当气泡高亮系数大于气泡亮度系数阈值时，确定目标区域为气泡反光白色区域，气泡反光白色区域是指气泡反光形成的白色区域。
37.优选的，本发明实施例气泡亮度系数阈值取经验值，气泡亮度系数阈值为0.231。
38.进一步的，使用canny算子对灰度图像中的非气泡反光白色区域进行边缘检测，得到对应的边缘图像，非气泡反光白色区域也即是除去气泡反光区域的剩余区域；分别使用霍夫直线检测和霍夫椭圆检测以检测出边缘图像中的直线和曲线，并标记出边缘图像中对应的直线和曲线，为了方便表述，将直线和曲线统称为线条，对标记处的线条进行多次闭运算，使各线条相接。
39.根据普拉托定理，气泡由完整光滑的曲面拼成，气泡的交界为两两线条相接构成的曲线，所以根据线条检测能够获取气泡的所有边界，但是由于采集的图像中气泡比较杂乱，容易导致检测出来的线条不仅包括气泡边界，还包括一些其他的杂乱线条，因此需要将属于气泡边界的线条筛选出来，具体方法为：以任意一个线条为例，根据当前线条的位置分别获取当前线条两侧由当前线条和其他线条所构成的目标检测区域，且该目标检测区域中不存在线条，一侧对应一个目标检测区域；分别对当前线条的两个目标检测区域进行气泡发光白色区域的数量的统计，当这两个目标检测区域中都只有一个气泡发光白色区域时，确认当前线条是真气泡边缘；当任意一个目标检测区域中出现大于或等于2个气泡发光白色区域时，返回线条检测，通过提高线条的识别精度，直至目标检测区域中的气泡发光白色区域的数量小于2；其余情况下，确认当前线条属于假气泡边缘。
40.作为一个示例，令每个目标检测区域中的气泡发光白色区域的数量为，其中，为完整的气泡反光白色区域的数量，为不完整的气泡反光白色区域的数量，为虚数单位，根据的具体取值计算当前线条的单侧气泡特征值：当的取值为时，说明线条检测时未将所有气泡边缘筛选出，则需要返回检测直线和曲线的部分，提高对线条的检测精度，进而线条的单侧气泡特征值的获取，直至获得的取值为常数。
41.分别获取当前线条两侧的单侧气泡特征值，计算单侧气泡特征值之间的乘积，当乘积等于1时，确认当前线条为真气泡边缘，反之，当乘积不等于1时，确定当前线条为假气泡边缘。
42.进一步的，通过上述气泡边界的线条筛选方法，确认所有的真气泡边缘，根据所有真气泡边缘的位置信息对浮选泡沫图像中的气泡边缘进行标记，根据标记后的浮选泡沫图像进行气泡的识别分割。
43.综上所述，本发明实施例提供了一种基于光学信息的浮选法泡沫识别方法，该方法采集浮选泡沫图像得到对应的灰度图像，对灰度图像进行阈值分割得到多个反光白色区域；通过中心高亮分布和外围的均匀环带状颗粒特征确认气泡反光白色区域，对灰度图像中的非气泡反光白色区域进行直线和曲线的检测，统计每个直线或曲线两侧的气泡反光白
色区域的数量以确定真气泡边缘线，根据真气泡边缘线的位置信息对浮选泡沫图像中的气泡进行识别分割，实现了对气泡的精确识别和分割，增强了分割结果准确度，提高了工作效率。
44.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。
45.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。
46.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。