基于LBPV的浮选泡沫图像纹理特征提取*

在浮选生产中,浮选泡沫表面纹理与浮选工况密切相关,直接反映泡沫层的矿化程度(品位高低).为了给浮选操作提供指导,提出了一种基于LBPV( local binary pattern variance)的泡沫图像纹理特征提取方法.该方法通过融合泡沫图像局部空间结构和对比度来提取泡沫图像纹理特征,然后将LBPV纹理特征应用于...     

浮选泡沫图像等效尺寸分布特征提取

利用图像分割方法提取浮选泡沫图像的尺寸分布特征易受光照影响, 鲁棒性不强, 而利用小波纹理分析方法提取泡沫图像纹理特征则具有多尺度统计特性, 对光照鲁棒性较强, 但没有形态学意义. 针对这一问题, 提出一种浮选泡沫图像等效尺寸分布特征提取方法, 提取一种新的浮选泡沫图像特征—–等效尺寸分布特征, 并将其应用于铜浮选泡沫图像分类识别. 实验结果表明, 所提取的等效尺寸分布特征可以有效区分3 种不同浮选工况所对应的泡沫图像.     

基于小波变换的浮选泡沫图像纹理特征提取

随矿物浮选工况的变化,精选泡沫表面出现亮度分布不均、灰度分布差异性大的特点,表现出明显的纹理特性。为定量分析精选泡沫表面纹理特征与浮选工况间的关系,采用小波变换方法提取纹理特征均匀度,实现精选泡沫表面纹理的量化描述,并通过实验分析,获得精选泡沫的最佳纹理区间。工业现场运行结果表明,该方法可以实时监视精选泡沫表面纹理特征变化,有利于浮选生产指标的优化 控制。     

基于图象识别的浮选控制系统

研究了通过提取煤浮选泡沫层图象的特征量 ,建立数学模型预测精煤泡沫的灰份和浓度 ;将泡沫图象按结构进行分类 ,利用泡沫结构特征识别的LVQ神经网络模型建立浮选控制系统。     

基于图像纹理特征和多级SVM的浮选过程状态识别方法研究

针对浮选泡沫图像的纹理特征,采用多级支持向量机(MLSVMs)方法对浮选生产过程状态进行识别.首先基于灰度共生矩阵,提取浮选泡沫图像的诸如能量、熵及惯性等纹理特性参数来描述浮选泡沫的视觉特征;然后采用归一化后的纹理特征数据样本分别对多级支持向量机进行训练和识别.MLSVMs模型核函数参数采用改进惯性权重的粒子群算法进行优化.测试结果表明,所提出的方法在训练时间和识别正确率上具有较好的性能,可以满足浮选过程的实时监控要求.     

基于纹理单元分布的硫浮选过程病态工况检测

针对硫浮选过程难以及时发现病态工况的问题,提出一种基于泡沫图像纹理单元分布函数的硫浮选过程病态工况检测方法。通过计算纹理单元值提取泡沫图像的纹理特征,避免传统灰度共生矩难以准确描述纹理特征的问题,设计核函数估计算法逼近泡沫纹理单元概率密度函数(PDF),使得纹理单元分布函数转化成一组动态权系数。建立基于纹理单元分布动态权系数的主元模型,并基于该模型的T2统计量得到检测阈值,从而实现硫浮选过程病态工况的及时检测。湿法炼锌直接浸出硫浮选工段现场运行结果表明此算法的有效性。     

基于纹理粗细度测量的铝土矿浮选过程最佳精选泡沫状态分析

为实现铝土矿浮选生产工况的自动监测和智能评价,提出一种基于机器视觉的精选泡沫最佳生产状态量化分析与选择方法。首先,通过改进LBP算子实现精选泡沫图像表面纹理粗细度特征的提取;然后,进一步分析了精矿品位与精选泡沫纹理特征间的关系,以获得最佳生产工况下的精选泡沫表面纹理粗细度特征区间。该方法可以实时监测精选泡沫表面纹理的变化,并自动鉴别精选泡沫是否处于最佳生产状态,为实现铝土矿浮选过程优化控制奠定了基础。     

自动化浮选系统中泡沫分离岭的研究

研究泡沫图像分离岭研究在矿物浮选系统自动化控制中的应用,提高控制准确度以保证矿物回收率.由于泡沫的产生随机性强,存在泡沫相互粘连、边缘模糊的问题而不易分割识别,传统的分离岭分析方法对粘连、模糊的泡沫不能准确分割,无法有效提取泡沫特征而造成浮选系统控制准确度不高的问题.为解决上述问题,提出局部纹理分析方法控制矿物浮选系统.通过对泡沫图像自适应分割后,提取粗分割图像的纹理特征并识别,据识别结果对区域进行再分割或合并以实现泡沫分离岭,避免传统方法对粘连、模糊泡沫分割不准确的问题,然后根据提取出的泡沫大小形状等特征在线控制矿物浮选系统.实验表明,改进方法能够有效解决粘连、模糊泡沫分割不准确的问题,而保证了矿物浮选系统的控制准确度和矿物的回收率.     

基于半监督聚类的煤泥浮选泡沫图像分类方法

针对选煤厂煤泥浮选过程加药量依靠人工干预存在主观性、滞后性和粗放性的问题,提出了一种基于半监督聚类的煤泥浮选泡沫图像分类方法。首先,采集已知加药比例与未知加药比例下的煤泥浮选泡沫图像样本,并对泡沫图像进行预处理,提取泡沫的气泡个数、气泡面积、气泡周长等形态特征;然后,对已知加药比例下泡沫图像形态特征样本进行标志,对未知加药比例下泡沫图像形态特征样本不做标志,并将已标志泡沫图像形态特征样本与未标志泡沫图像形态特征样本进行混合;最后,利用基于高斯混合模型的半监督聚类方法对混合样本进行聚类后得到各类簇,将各类簇内已标志泡沫图像形态特征样本的信息映射到未标志泡沫图像形态特征样本。应用结果表明,该方法可为煤泥浮选生产过程加药量调整提供指导,降低了药剂消耗量,提高了选煤厂浮选自动化水平和经济效益。     

基于SIFT特征配准的浮选泡沫移动速度提取与分析

利用尺度不变特征转换(SIFT)特征的优势,将其特征配准引入到泡沫速度特征提取中,解决了泡沫速度特征难以提取的问题.工业浮选现场泡沫速度特征提取结果表明:该方法对仿射变换、光照变化等不敏感;可以准确获取各种浮选状态下泡沫移动速度特征.在对某轻金属浮选厂泡沫视觉特征进行为期半年的观察之后,讨论了浮选泡沫速度特征与浮选指标间的关系,为建立基于机器视觉的浮选优化控制打下基础.     

基于VC＋＋6．0的浮选泡沫图像识别系统

浮选生产过程涉及许多变量以及存在严重的非线性,很难建立精确的数学模型,它的监控一直是困扰控制技术人员的难题。文中设计开发了一个用于选厂自动控制的浮选泡沫图像识别系统，并给出该系统VisualC 6．0的部分实现。利用该系统可以计算浮选泡沫图像的一些物理参数，通过这些物理参数以及浮选泡沫图像识别实验可以建立一定的数学模型，再通过这些数学模型可以精确预测浮选过程的工艺技术指标,从而为选厂过程的在线控制提供可靠数据依据。     

基于机器视觉的矿物浮选过程监控技术研究进展

矿物浮选流程长、分布范围广、控制变量多、关键工艺参数无法在线检测,导致实时监控困难, 严重制约了浮选生产的优化运行及选矿自动化水平的提升.浮选泡沫表面视觉特征是浮选工况和工艺指标的直接指示器, 为此将机器视觉应用到矿物浮选过程的监控中, 以提高浮选过程的资源回收率. 本文结合矿物浮选泡沫图像特点,从浮选过程的泡沫图像关键特征提取及表征、关键工艺参数检测、工况识别以及基于机器视觉监控系统的实现等方面综述了浮选过程监控技术的研究成果,并 指出了基于机器视觉的选矿过程监控技术的发展趋势及面临的挑战.     

Sobel算子在衣物纹理类型检测中的应用研究

衣物纹理是指衣物表面的纹络现象。在越来越发达的智能图像处理过程中,针对衣物纹理的检测也变得愈发平常,人们期望能够使用计算机自动识别衣物表面的纹理类型,如横竖条纹、方格及碎花等,从而进行基于纹理类型的相应操作。文中提出了一种利用Sobel算子进行梯度方向统计来实现衣物纹理类型检测的方法,其中对各纹理类型的判定依据来源于实验分析过程,经测试表明,该方法及相应判定依据能够有效地检测出衣物常见的纹理类型。     

云南绝版套刻版画的数字模拟合成技术研究

非真实感绘制（Non-Photorealistic Rendering,简称NPR）技术已成为计 算机图形学领域最热门的研究方向之一。NPR 建立在人类认知的基础上,利用计算机生成 不同艺术风格的图形。云南绝版套刻版画是极具云南本土少数民族特色的绘画代表,考察、 分析其实际创作过程,揭示其在线条、纹理、色彩运用和创作技法上的特点和规律,对于探 索、研究基于图像的云南绝版套刻版画的数字模拟合成关键技术是至关重要的。论文正是基 于以上研究,对云南绝版套刻版画中基于线积分卷积LIC 的刻痕模拟合成方法、基于多频 率噪声场的LIC 纹理的混色方法以及刻痕的纹理合成方法进行了初步的探索和实现。     

The use of texture for image classification of black & white air photographs

The use of black & white (B&W) air photographs for the production of historic land cover maps can be done by image classification, using additional texture features. In this paper we evaluate the importance of a number of parameters in the image classification process based on texture, such as the window size, angle and distance used to produce the texture features, the number of features used, the image quantization level and its spatial resolution. The evaluation was performed using five photographs from the 1950s. The influence of the classification method, the number of classes searched for in the images and the post‐processing tasks were also investigated. The effect of each of these parameters for the classification accuracy was evaluated by cross‐validation. The selection of the best parameters was performed based on the validation results, and also on the computation load involved for each case and the end user requirements. The final classification results were good (average accuracy of 85.7%, k = 0.809) and the method has proven to be useful for the production of historic land cover maps from B&W air photographs.