基于VSM的紋理特征提取與分類及在鋁浮選中的應(yīng)用.pdf

1、近年來，數(shù)字圖像處理技術(shù)在礦物浮選過程中得到了廣泛的研究與應(yīng)用。通常，研究浮選泡沫表層特征參數(shù)的變化，能夠?qū)ε菽∵x工況進(jìn)行一定的識別。但是，由于浮選工藝現(xiàn)場環(huán)境惡劣，導(dǎo)致浮選泡沫圖像品質(zhì)低，從而影響對浮選泡沫圖像特征提取的準(zhǔn)確性，最終影響浮選泡沫圖分類識別的精確率。為了降低工業(yè)現(xiàn)場對圖像品質(zhì)的影響，提高浮選泡沫圖分類準(zhǔn)確率，本文提出了基于向量空間模型(Vector Space Model，VSM)的泡沫圖像紋理特征提取和分類方法。

2、r>　　(1)本文針對泡沫圖像特征提取受圖像品質(zhì)的影響，提出了基于VSM的紋理特征提取方法。該方法通過對數(shù)據(jù)庫圖像進(jìn)行合理分塊，提取各分塊的顏色共生矩陣(Color Co-occurrence Matrix，CCM)紋理特征，對所有的CCM特征向量用模糊C均值聚類得到圖像的CCM紋理數(shù)據(jù)表，并用設(shè)計的相對TF-MI(Term frequency-Mutualinformation)權(quán)重因子對CCM紋理數(shù)據(jù)表進(jìn)行加權(quán)，再將對單幅圖像各個分

3、塊的CCM特征向量與加權(quán)后的CCM紋理數(shù)據(jù)表進(jìn)行對照并標(biāo)識每個分塊的狀態(tài)，統(tǒng)計各個狀態(tài)出現(xiàn)的頻次，最后得到圖像CCM紋理特征的向量表示稱為CCM紋理特征的詞袋表示。
　　(2)分別采用BP(Back Propagation)和LVQ(Learning VectorQuantization)神經(jīng)網(wǎng)絡(luò)模型對獲得的詞袋數(shù)據(jù)分類處理。針對BP網(wǎng)絡(luò)穩(wěn)定性受隱含層節(jié)點影響、LVQ網(wǎng)絡(luò)精度不足訓(xùn)練時間過長等問題，設(shè)計了BP-LVQ網(wǎng)絡(luò)組合分類模

4、型。該模型為采用三層網(wǎng)絡(luò)結(jié)構(gòu)，底層選取4組每組2個初始值不同的BP網(wǎng)絡(luò)，中層為4個結(jié)構(gòu)相同的LVQ，頂層為1個LVQ網(wǎng)絡(luò)。其中底層各組網(wǎng)絡(luò)采用不同的隱含層節(jié)點數(shù)，將每組的結(jié)果取均值輸入到對應(yīng)的中層LVQ網(wǎng)絡(luò)，中層的4個LVQ網(wǎng)絡(luò)再將輸出結(jié)果按權(quán)線性組合輸入頂層的LVQ網(wǎng)絡(luò)，由項層LVQ網(wǎng)絡(luò)輸出最終分類結(jié)果。
　　(3)將所提的基于VSM的特征提取和分類方法應(yīng)用在鋁土礦浮選過程中。結(jié)果表明:本文所提出的浮選泡沫特征提取和分類方法能提