论文部分内容阅读
矿物资源是重要的战略资源,随着需求量增加,高品位资源日趋枯竭,提高资源利用率迫在眉睫。冶金企业一般通过浮选技术来提高选矿水平,但是浮选过程控制主要依靠工作人员实现。他们通过观察浮选泡沫的状态来调整浮选机的工作参数,该方法受到空间和主观性方面的限制,具有生产成本高、资源消耗大等问题。应用数字图像处理技术分析浮选泡沫图像的信息,可获悉浮选状态参数,从而实现浮选过程的自动控制,因此,建立自动监测系统具有重要意义,本文研究内容主要包括以下五部分。
在仿真图像生成的过程中,主要完成了两项工作:一是分析和总结浮选泡沫图像的特点；二是生成仿真图像。根据实际图像的特征进行仿真,仿真图像主要由背景、泡沫、干扰、光照四个部分组合而成,利用仿真图像可验证浮选泡沫识别算法的准确性。
在图像的预处理中,首先进行图像灰度化处理,分析和实现了四种处理方法:分量法、最大值法、平均值法和加权平均法,通过比较实验结果最终选择效果较好的加权平均法。其次进行图像增强,对比了通用的邻域均值滤波法、中值滤波法和形态学开闭滤波法,最终选择形态学滤波作为滤波方法。
在浮选泡沫图像分割算法研究中,主要分析和实现了常用的分割算法,实验表明,目前的分割算法无法满足浮选泡沫图像的准确分割。因此,本文提出了基于多分辨率和分水岭的浮选泡沫图像分割算法:首先,通过一级小波变换得到低分辨率的图像,并基于多尺度形态学梯度算子提取梯度图像；其次,利用改进的阈值提取算法来获得种子点图像,并对种子点图像去噪。最后,在低分辨率的梯度图像上进行形态学分水岭分割,得到准确的分割区域。该算法有效的克服了噪声的影响、减少了过分割现象、获得了较好的分割效果、降低了计算复杂度。
在数据分析方面,本文应用支持向量机SVM分类模型,以图像的颜色直方图、颜色矩、物理特征作为分类器的输入特征参数。通过实验选择合适的核函数及参数,分类识别率达到89.67％。
最后,应用VS2008软件环境,基于PC硬件平台设计和实现了浮选泡沫监测系统,该系统对输入的视频能够准确的监测和判决,指导现场工作人员作出相应的操作,减轻了浮选工人的劳动强度,克服人工观测在主观和时间上的缺陷。