摘  要： 針對(duì)浮選視頻圖像獲取過(guò)程中出現(xiàn)的圖像質(zhì)量問(wèn)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(guò)分析浮選圖像紋理特征選取評(píng)價(jià)參數(shù)，然后采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)建立圖像質(zhì)量評(píng)判模型，對(duì)不同質(zhì)量圖像進(jìn)行評(píng)判篩選。實(shí)驗(yàn)證明，該方法篩選速度快且識(shí)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(gè)含有固、液、氣三相變化的物理化學(xué)過(guò)程[2]，并且泡沫表面運(yùn)動(dòng)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(dòng)強(qiáng)度大、資源利用率低等局限[3]。隨著機(jī)器視覺(jué)和數(shù)字圖像處理技術(shù)應(yīng)用到浮選中，通過(guò)機(jī)器實(shí)時(shí)對(duì)浮選表面進(jìn)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(duì)浮選圖像質(zhì)量的評(píng)價(jià)，只有無(wú)參考質(zhì)量評(píng)價(jià)方法。有些學(xué)者通過(guò)利用共生矩陣內(nèi)的紋理特征參數(shù)[5]對(duì)圖像進(jìn)行質(zhì)量評(píng)價(jià)。本文通過(guò)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(píng)價(jià)模型[6]，然后采用經(jīng)典改進(jìn)分水嶺分割算法[7]來(lái)驗(yàn)證所篩選圖像處理效果。實(shí)驗(yàn)證明：本文所用浮選圖像質(zhì)量評(píng)價(jià)方法可以篩選出不同質(zhì)量浮選圖像，篩選出來(lái)的合格圖像分割效果明顯，而且自動(dòng)識(shí)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(dá)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(duì)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(duì)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(jí)，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(duì)，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(gè)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(píng)價(jià)指標(biāo)。各特征參數(shù)表達(dá)式如下所示：

　?。?）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?cái)?shù)。

　　1．2 各項(xiàng)特征參數(shù)數(shù)據(jù)特性分析

　　本文在研究分析時(shí)分別選取曝光過(guò)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(duì)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(píng)價(jià)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(guò)誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行不斷訓(xùn)練，減少目標(biāo)與實(shí)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(guò)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(gè)等級(jí)并編碼，分別為1000、0100、0010、0001。對(duì)應(yīng)有4個(gè)輸出神經(jīng)元。隱含層神經(jīng)元經(jīng)過(guò)試驗(yàn)得出神經(jīng)元個(gè)數(shù)為34時(shí)學(xué)習(xí)效率最小。

　　BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程為：

　?。?）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。

　?。?）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)。

　?。?）計(jì)算網(wǎng)絡(luò)目標(biāo)向量（y1k，y2k，…，yqk）與實(shí)際輸出ct的一般化誤差dt。

　?。?）通過(guò)vij，dt和中間層輸出bj計(jì)算中間每個(gè)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(guò)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(jìn)

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

　　其中，?濁為學(xué)習(xí)效率，?琢為動(dòng)量因子，n為訓(xùn)練次數(shù)。附加動(dòng)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(jī)制如式（9）所示。

　　其中，E（n）表示第n步誤差。

3 實(shí)驗(yàn)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(dòng)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(yàn)樣本。校驗(yàn)樣本如表1所示，仿真結(jié)果如表2所示，分析實(shí)驗(yàn)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(shí)際圖像結(jié)果一致。在試驗(yàn)中，對(duì)150幅圖像處理時(shí)間不到  0.01 s，完全可以滿足現(xiàn)場(chǎng)需求，且判別正確率比人工識(shí)別精確。對(duì)篩選后不同質(zhì)量的圖像進(jìn)行了經(jīng)典改進(jìn)分水嶺算法分割，分割效果對(duì)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(guò)分水嶺算法的分割后，（a）圖像泡沫基本被分割出來(lái)，（b）、（c）和（d）圖像分割效果非常差。經(jīng)過(guò)篩選，在對(duì)高質(zhì)量圖像進(jìn)行分割或是特征參數(shù)提取時(shí)，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(dòng)強(qiáng)度。本文選取浮選圖像紋理特征作為圖像質(zhì)量評(píng)價(jià)指標(biāo)，通過(guò)分析各因子隨時(shí)間序列分布狀態(tài)，并利用改進(jìn)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(duì)浮選圖像進(jìn)行質(zhì)量評(píng)價(jià)，篩選出不同質(zhì)量浮選泡沫圖像，提高圖像識(shí)別效率和精度。在今后研究中，把該圖像質(zhì)量評(píng)價(jià)結(jié)果應(yīng)用于浮選圖像智能采集，實(shí)現(xiàn)圖像采集系統(tǒng)自動(dòng)控制，當(dāng)曝光過(guò)度時(shí)，可以采用減少曝光時(shí)間、減少進(jìn)光量或降低圖像亮度，反之，增大曝光時(shí)間。對(duì)于模糊圖像直接從圖像序列中刪除掉，由此提高浮選實(shí)時(shí)監(jiān)控系統(tǒng)實(shí)用性和圖像采集效率。

　　參考文獻(xiàn)

　　[1] 何桂春，黃開(kāi)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(shí)別[J].化工學(xué)報(bào)，2003，54（6）：832-372.

　　[4] 陽(yáng)春華，周開(kāi)軍，牟學(xué)民，等.基于計(jì)算機(jī)視覺(jué)的浮選泡沫顏色及尺寸測(cè)量方法[J].儀器儀表學(xué)報(bào)，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(píng)估[J].計(jì)算機(jī)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(píng)價(jià)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(lè)，龐全.一種改進(jìn)的基于分水嶺算法的粘連分割研究[J].計(jì)算機(jī)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.