CN108830831B - 一种基于改进surf匹配的锌浮选泡沫自然速度特征提取方法 - Google Patents

Abstract

本发明提出了一种基于改进SURF匹配的锌浮选泡沫自然速度特征提取方法，选取具有尺度不变性、旋转不变性以及抗噪能力较强的SURF特征算子对图像进行特征提取，通过分析泡沫形状的相似性以及其特定的运动轨迹，提出根据泡沫运动情况实时迭代更新匹配方法，利用改进匹配条件进行运动匹配，得到锌浮选泡沫初速度，匹配结果计算考虑实际情况下的粗选槽中刮板的周期性运动，选择底流速度得到浮选泡沫自然速度特征。本发明克服了传统泡沫速度提取方法匹配误差大、速度慢等问题，应用速度提高10倍以上，通过提出的迭代更新SURF算子匹配方法大大提高匹配成功率20％以上。解决了锌浮选现场浮选泡沫特征难以提取以及如何机器视觉化的问题。

Description

一种基于改进SURF匹配的锌浮选泡沫自然速度特征提取方法

技术领域

本发明属于泡沫浮选技术领域，具体涉及一种锌浮选过程中粗选泡沫速度特征提取方法。

背景技术

泡沫浮选是当今选矿工业中最主要的方法之一，是一种利用矿物颗粒表面的物理化学性 质不同导致亲水性不同，进而对矿物进行分选的方法，具有很强的实用价值。在浮选过程中， 利用搅拌桶的物理运动和控制进气量，可以形成大量具有不同尺寸、颜色、形态以及纹理等 特征的气泡，矿物颗粒黏附在气泡表面进而实现矿物分选。锌精矿的品位值和回收率反应工 况的好坏情况。而浮选泡沫图像特征是判断浮选工况的一个重要依据，它包含有大量与操作 变量和生产工艺有关的信息。多年来选厂主要依靠专家经验观察浮选机矿浆表面的泡沫状态， 来调整浮选机器矿浆液位和改变药剂制度。凭经验对生产工况进行评价，无法实现全流程综 合工况的客观认知。虽然选厂通过离线化验分析能够得到精矿品位，但是随着生产线的流动， 工况发生波动，且此方法受到人为因素影响较大，检验过程复杂且成本高。又由于浮选工艺 流程复杂、冗长、影响因素多，无法实现精矿品位的在线检测和实时监控，影响了对加药量 和其他参数的即时调整，最终影响了矿物的回收率。因此研究如何提取有效锌浮选泡沫图像 特征，从而面向生产指标优化进行实时在线检测，对指导生产操作和过程的优化稳定运行具 有重要的意义。

随着计算机技术、数字图像处理技术的快速发展，将基于机器视觉的软测量技术应用于 浮选过程给浮选指标的实时监测带来了新的突破,获得了更多与品位相关的浮选指标。在实际 生产过程中，经验工人通过观测泡沫图像的速度、稳定度、颜色等特征判断当前工况并进行 适应性调整。要实现锌浮选的自动化稳定生产，首先要将通过机器视觉获取有效信息，将信 息知识化、规则化，从而实现工艺的实时监控。研究发现，浮选泡沫速度是判断精矿品位的 重要途径。现有的泡沫图像速度特征提取方法面临鲁棒性低、匹配结果误差大、匹配速度慢 等问题，针对泡沫特有的形状相似性、形变量大、易融合坍塌等特征，传统的特征算子并没 有体现出良好的适应性；并且实际工艺当中刮板的周期性物理转动也对泡沫自然流速造成了 一定的影响，浮选泡沫速度特征的提取遇到了很多实际应用方面的问题。

发明内容

本发明的目的是针对锌浮选过程中精矿品位在线检测较为困难，浮选泡沫图像特征难以精确 表达，提出一种改进SURF匹配的锌浮选泡沫自然速度特征提取方法。

本发明通过下列方案给予实现：

一种基于改进SURF匹配的锌浮选泡沫自然速度特征提取方法，该方法包括：

S1：通过工厂浮选图像采集***获取不同精矿品位值情况下锌浮选图像数据，对采集的 数据进行分析，除去其中空缺的数据集、由于相机震动或者其他人为原因造成的图像不 清晰的数据集；

S2：根据处理后的锌浮选图像数据集以及生产数据，组成三个不同的样本子空间，具体 步骤如下：

(1)获取精选的锌浮选图像数据集，将其分为品位偏高、正常、偏低三个工况；

(2)将采集的图像进行分类，剔除类别边界造成干扰的泡沫图像；

(3)将最终泡沫图像数据集分为V1、V2、V3分别对应三种不同工况；

S3：针对每个不同的样本子空间，对其每帧泡沫图像提取SURF特征，具体步骤有：

(1)提取第k帧图像转换为灰度图像，求得该图像积分图I_k；

(2)对于积分图I_k中给定的点

构建Hessian矩阵:

其中L_xx(x,σ)为该帧图像中

点以均值为0，标准差为σ的高斯函数作为滤波器，通过 卷积运算计算x方向二阶偏导数，同理L_xy(x,σ)、L_yy(x,σ)，求得矩阵行列式 det(H(x,σ))；

(3)采取改变滤波器的模板大小来建立尺度空间金字塔，根据给定图像大小使用三层或者 四层滤波器；

(4)根据每个点的Hessian矩阵计算后的det(H(x,σ))值与其3×3×3领域内的点进行比 较，利用3D-非极大值抑制方法初步确定特征点，再利用三维线性插值得到亚像素级的特 征点，设置阈值使得被检测的特征点数量降低，选取最大值作为最终特征点；

(5)选取最终特征点为中心、6s为半径范围内构建圆，s为最终特征点在步骤(3)中被检测 时的尺度，以尺寸为4σ的Haar小波在水平方向的响应值d_x和垂直方向的响应值d_y与标 准差为σ＝2s的高斯函数加权，用圆心角为60°的扇形在圆内扫描一周得到最大响应值的 方向作为最终特征点主方向；

(6)以最终特征点为中心、步骤(5)中主方向为方向、20s为窗口构建区域块，再分为4×4 个子区域，对每个子区域计算Haar小波在水平方向的响应值d_x和垂直方向的响应值d_y和 响应值绝对值之和∑|d_x|、∑|d_y|共同组成结构v＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，形成 4×4×4＝64维SURF特征点描述算子；

S4：针对提取SURF特征的泡沫图像，利用改进匹配条件进行运动匹配，得到锌浮选泡沫 初速度，具体步骤如下：

(1)提取L工况下样本子空间的连续两帧图像，进行S3操作，得到SURF特征描述算子v₀、 v₁；

(2)根据欧氏距离定义v₀和v₁之间距离，得到两算子之间最近距离d₀与次近距离d₁，选择 两者的比值

作为评判标准，设置阈值ratio_T,当ratio＜ratio_T时，特征点匹配成 功，否则失败；

(3)根据两帧泡沫图像的特征点匹配结果，对其利用RANSAC算法进行误匹配点去除；

(4)根据去除误配点后的匹配结果，根据两帧图像匹配点的像素点差，获得泡沫位移，除 去单位时间得到初始速度

其中c为匹配成功的特征点个数；

(5)求得

中速度大小分量平均值SPE_vel，方向分量平均值SPE_ang，选取权重系 数ω₀，ω₁，更新步骤(2)中匹配标准，若ratio＜ratio_T且

则匹 配成功，否则匹配失败，其中

为当前匹配点初始速度大小分量平均值，

为当前匹配点初始速度方向分量平均值；

(6)根据步骤(1)-(5)计算之后连续两帧的泡沫初速度，直到该子空间泡沫图像速度特征 提取完毕，得到L工况下浮选泡沫速度初速度

S5：根据匹配结果计算考虑实际生产情况下粗选槽中刮板的周期性运动，选择底流速度 得到浮选泡沫自然速度特征，具体步骤如下：

(1)针对浮选泡沫初速度向量中的每个分量

进行归一化处理，得到速度分量直方图；

(2)选取速度分量直方图中80％以上的速度分量区间求取平均数

得到

(3)根据middle_speed_L通过二次线性插值，获得浮选泡沫速度曲线；

(4)求出步骤(3)中速度曲线所有极小值点，取其平均数得到最终速度

其中x_i为第i个极小值点，n为极小值点的个数；

S6：根据以上步骤提取三个样本子空间内所有泡沫图像的速度特征，组成该样本条件下 的速度特征集。

本发明提出了一种基于改进SURF匹配的锌浮选泡沫自然速度特征提取方法，解决了锌浮 选现场浮选泡沫特征难以提取以及如何机器视觉化的问题；本发明针对泡沫图像的特点，选 取具有尺度不变性、旋转不变性以及抗噪能力较强的SURF特征算子对图像进行特征提取，相 比传统的子块配准和相位配准方法提高了泡沫图像之间的匹配速度；由于浮选泡沫是从3D到 2D的投影成像，且泡沫相似度高、形变率高、坍塌率高，现有SURF匹配算法直接应用在浮 选泡沫场景误配率较高，不能实施有效匹配，因此通过分析泡沫形状的相似性以及其特定的 运动轨迹，提出根据泡沫运动情况实时迭代更新匹配方法，大大提高了匹配率；考虑实际工 艺中刮板的周期性动力作用带来的速度噪声，提出根据速度周期性变化选取底流速度作为泡 沫自然速度。本发明克服了传统泡沫速度提取方法匹配误差大、速度慢等问题，相比传统SIFT 算子在该场景下的应用速度提高10倍以上，通过提出的迭代更新SURF算子匹配方法大大提 高匹配成功率20％以上，便于在现场实时操作。

附图说明

图1是本发明实施中锌浮选泡沫自然速度特征提取的流程图。

具体实施方式

下面是结合本发明附图，对本发明中所采用的技术方案更加详细、清楚地做出了描述和 解释。本发明针对锌浮选过程中精矿品位在线检测较为困难，浮选泡沫图像特征难以精确表 达，本发明利用与锌浮选产量、锌浮选精矿品位密切相关的速度特征，提出一种改进SURF匹 配的锌浮选泡沫自然速度特征提取方法。显然，所描述的实施例仅是本发明实施例中的一部 分，并不是实施例的全部。基于本发明中的实施例，相关领域的技术人员在没有做出创造性 劳动的前提所获得所有其它的实施例都应为本发明的保护范围。

如图1所示，为本发明实施例中的一种改进SURF匹配的锌浮选泡沫自然速度特征提取方 法，该方法包括如下具体步骤：

S1：通过工厂浮选图像采集***获取不同精矿品位值情况下锌浮选图像数据，依据专家 经验，对采集的数据进行分析，除去其中的干扰项，如空缺的数据集、由于相机震动或 者其他人为原因造成的图像不清晰的数据集。

S2：根据处理后的锌浮选图像数据集以及生产数据，组成三个不同的样本子空间，具体 步骤如下：

(1)获取精选的锌浮选图像数据集，根据生产数据指标以及专家经验，将其分为品位偏高 (锌精矿品位高于55％)、正常(锌精矿品位在54％左右)、偏低(锌精矿品位低于53％)三个 工况；

(2)将采集挑选后的图像进行分类，剔除类别边界造成干扰的泡沫图像；

(3)将最终泡沫图像数据集分为V1、V2、V3分别对应品位偏高、品位正常、品位偏低三 种不同工况。

S3：针对每个不同的样本子空间，对其每帧泡沫图像提取SURF特征，具体步骤有：

(1)提取第k帧图像转换为灰度图像，遍历求得该图像积分图像I_k；

(2)对于图像I_k中给定的点

构建Hessian矩阵：

其中L_xx(x,σ)为该帧图像中

点以均值为0，标准差为σ的高斯函数作为滤波器，通过卷 积运算计算x方向二阶偏导数，同理L_xy(x,σ)、L_yy(x,σ)，求得矩阵行列式：

det(H(x,σ))＝D_xxD_yy-(wD_xy)²

其中D_xx、D_yy为用9×9的盒式滤波器来近似σ＝1.2的高斯函数近似解，可以简化运算， 其中w由以下式子计算：

其中|*|_F为Frobenius范数；

(3)构建高斯金字塔尺度空间，采取改变滤波器的模板大小来建立尺度空间金字塔，原始 图像不需要下采样，根据给定图像大小使用三层或者四层滤波器，其中第一层滤波器模 板大小为9×9，15×15，21×21，27×27，相邻模板相差6个像素，第二层滤波器模板大小为 15×15，27×27，39×39，51×51，相邻模板相差12个像素，第三层滤波器模板大小为 27×27，51×51，75×75，99×99，相邻模板相差24个像素，第四层滤波器模板大小为51×51，99×99，147×147，195×195，相邻模板相差48个像素；

(4)根据每个点的Hessian矩阵计算det(H(x,σ))值，设置合理阈值，小于该阈值的点被 去除，再利用3D-非极大值抑制方法将Hessian矩阵响应值与其3×3×3领域内的点进行 比较，初步确定特征点，再利用三维线性插值拟合得到亚像素级的特征点进行比较，选取最大值作为最终特征点；

(5)选取最终特征点为中心、6s为半径范围内构建圆，s为最终特征点在步骤(3)中被检测 时的尺度，以尺寸为4σ的Haar小波在水平方向的响应值d_x和垂直方向的响应值d_y与标 准差为σ＝2s的高斯函数加权，用圆心角为60°的扇形在圆内扫描一周得到最大响应值的 方向作为最终特征点主方向；

(6)以最终特征点为中心、步骤(5)中主方向为方向、20s为窗口构建区域块，再分为4×4 个子区域，对每个子区域计算Haar小波在水平方向的响应值d_x和垂直方向的响应值d_y和 响应值绝对值之和∑|d_x|、∑|d_y|共同组成结构v＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，形成 4×4×4＝64维SURF特征点描述算子；

S4：针对提取SURF特征的泡沫图像，利用改进匹配条件进行运动匹配，得到锌浮选泡沫 初速度，具体步骤如下：

(1)提取L工况下样本子空间的连续两帧图像，进行S3操作，得到SURF特征描述算子

其中m和n分别为

和

中特征点的个数；

(2)根据欧氏距离计算

和

之间相似特征向量，得到两个特征值之间最近距离d₀＝min(dis(v_0i,v_1j))，其中dis(v_0i,v_1j)为v_0i与v_1j之间的欧氏距离，得到最近欧氏距离匹配点，去除两点，再求出最近距离d₁，选择两者的比值

作为评判标准，设置 阈值ratio_T,当ratio＜ratio_T时，特征点匹配成功，否则失败；

(3)根据两帧泡沫图像的特征点匹配结果，对其利用RANSAC算法进行误匹配点去除，从 步骤(2)中得到的匹配成功的点集合

随机抽样T₁个匹配对应点，其中T₁∈[4，20]，计 算出直线方程，然后计算集合

剩余点到该直线的距离，设置内外点距离阈值d_T(通过 多次实验获得)，所有小于d_T距离的点判定为内点，其余为外点，设置最优内点个数T₂， 其中

为匹配成功的点集合

的个数，当内点个数大于T₂时， 判定该模型为最优，并计算该模型统计误差error_min，重复该过程，迭代更新模型并计算 统计误差，使得error_min最小，模型最优，从而剔除

中误配点；

(4)根据去除误配点后的匹配结果，根据两帧图像匹配点的像素点差，获得各个匹配点之 间泡沫位移，除去单位时间得到初始速度

其中c为匹配成功 的特征点个数；

(5)求得

中速度大小分量平均值SPE_vel，方向分量平均值SPE_ang，选取权重系 数ω₀，ω₁，更新(2)中匹配标准，若ratio＜ratio_T且

则匹配成 功，否则匹配失败，其中

为当前匹配点初始速度大小分量平均值，

为当 前匹配点初始速度方向分量平均值；

(6)根据步骤(1)-(5)计算之后连续两帧的泡沫初速度，直到该子空间泡沫图像速度特征 提取完毕，得到L工况下浮选泡沫速度初速度

S5：根据匹配结果计算考虑实际生产情况下刮板动力速度，得到浮选泡沫自然速度特征， 具体步骤如下：

(1)针对浮选泡沫初速度向量中的每个分量

进行归一化处理，得到速度分量直方图；

(2)选取速度分量直方图中80％以上的速度分量区间求取平均数

得到

(3)根据middle_speed_L通过二次线性插值，获得浮选泡沫速度曲线；

(4)考虑粗选槽中刮板的周期性运动，选择底流速度作为浮选泡沫自然速度，剔除离群点， 求出(3)中速度曲线所有极小值点，取其平均数得到最终速度

其中x_i为第i个极小值点，n为极小值点的个数。

S6：根据以上步骤提取三个样本子空间内所有泡沫图像的速度特征，组成该样本条件下 的速度特征集。

本发明请求保护的范围并不仅仅局限于本具体实施方式的描述。

Claims (2)

1.一种基于改进SURF匹配的锌浮选泡沫自然速度特征提取方法，其特征在于包括以下步骤：

S1：通过工厂浮选图像采集***获取不同精矿品位值情况下锌浮选图像数据，对采集的数据进行分析，除去其中空缺的数据集、由于相机震动或者其他人为原因造成的图像不清晰的数据集，得到处理后的锌浮选图像数据集以及生产数据；

S2：根据处理后的锌浮选图像数据集以及生产数据，组成三个不同的样本子空间，具体步骤如下：

(1)获取精选的锌浮选图像数据集，将其分为品位偏高、正常、偏低三个工况；

(2)将采集的图像进行分类，剔除类别边界造成干扰的泡沫图像；

(3)将最终泡沫图像数据集分为V1、V2、V3分别对应三种不同工况；

S3：针对每个不同的样本子空间，对其每帧泡沫图像提取SURF特征，具体步骤有：

(1)提取第k帧图像转换为灰度图像，求得该图像积分图I_k；

(2)对于积分图I_k中给定的点

构建Hessian矩阵:

其中L_xx(x,σ)为该帧图像中

点以均值为0，标准差为σ的高斯函数作为滤波器，通过卷积运算计算x方向二阶偏导数，同理L_xy(x,σ)、L_yy(x,σ)，求得矩阵行列式det(H(x,σ))；

(3)采取改变滤波器的模板大小来建立尺度空间金字塔，根据给定图像大小使用三层或者四层滤波器；

(4)根据每个点的Hessian矩阵计算后的det(H(x,σ))值与其3×3×3邻域内的点进行比较，利用3D-非极大值抑制方法初步确定特征点，再利用三维线性插值得到亚像素级的特征点，设置阈值使得被检测的特征点数量降低，选取最大值作为最终特征点；

(5)选取最终特征点为中心、6s为半径范围内构建圆，s为最终特征点在步骤(3)中被检测时的尺度，以尺寸为4σ的Haar小波在水平方向的响应值d_x和垂直方向的响应值d_y与标准差为σ＝2s的高斯函数加权，用圆心角为60°的扇形在圆内扫描一周得到最大响应值的方向作为最终特征点主方向；

(6)以最终特征点为中心、步骤(5)中主方向为方向、20s为窗口构建区域块，再分为4×4个子区域，对每个子区域计算Haar小波在水平方向的响应值d_x和垂直方向的响应值d_y和响应值绝对值之和∑|d_x|、∑|d_y|共同组成结构v＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，形成4×4×4＝64维SURF特征点描述算子；

S4：针对提取SURF特征的泡沫图像，利用改进匹配条件进行运动匹配，得到锌浮选泡沫初速度，具体步骤如下：

(1)提取L工况下样本子空间的连续两帧图像，进行S3操作，得到SURF特征描述算子v₀、v₁；

(2)根据欧氏距离定义v₀和v₁之间距离，得到两算子之间最近距离d₀与次近距离d₁，选择两者的比值

作为评判标准，设置阈值ratio_T,当ratio＜ratio_T时，特征点匹配成功，否则失败；

(3)根据两帧泡沫图像的特征点匹配结果，对其利用RANSAC算法进行误匹配点去除；

(4)根据去除误配点后的匹配结果，根据两帧图像匹配点的像素点差，获得泡沫位移，除去单位时间得到初始速度

其中c为匹配成功的特征点个数；

(5)求得

中速度大小分量平均值SPE_vel，方向分量平均值SPE_ang，选取权重系数ω₀，ω₁，更新步骤(2)中匹配标准，若ratio＜ratio_T且

则匹配成功，否则匹配失败，其中

为当前匹配点初始速度大小分量平均值，

为当前匹配点初始速度方向分量平均值；

(6)根据步骤(1)-(5)计算之后连续两帧的泡沫初速度，直到该子空间泡沫图像速度特征提取完毕，得到L工况下浮选泡沫速度初速度

S5：根据匹配结果计算考虑实际生产情况下粗选槽中刮板的周期性运动，选择底流速度得到浮选泡沫自然速度特征，具体步骤如下：

(1)针对浮选泡沫初速度向量中的每个分量

进行归一化处理，得到速度分量直方图；

(2)选取速度分量直方图中80％以上的速度分量区间求取平均数

得到

(3)根据middle_speed_L通过二次线性插值，获得浮选泡沫速度曲线；

(4)求出步骤(3)中速度曲线所有极小值点，取其平均数得到最终速度

其中x_i为第i个极小值点，n为极小值点的个数；

S6：提取三个样本子空间内所有泡沫图像的速度特征，组成该样本条件下的速度特征集。

2.根据权利要求1所述一种基于改进SURF匹配的锌浮选泡沫自然速度特征提取方法，其特征在于：所述S4对泡沫图像提取SURF特征后进行改进匹配算法的步骤(2)中参数ratio_T、步骤(5)中参数ω₀、ω₁取值范围分别为：ratio_T∈[0.55，0.85]，ω₀∈[1.2，2]，ω₁∈[0.5，1.5]。

Images