基于CCHS的浮选泡沫图像纹理特征提取
陈宁,林霞,桂卫华,阳春华,唐朝晖
(中南大学 信息科学与工程学院,湖南 长沙,410083)
摘要:为了快速、有效地获取图像的纹理特征,提出一种基于颜色共生混合结构(color co-occurrence hybrid structure, CCHS)的浮选泡沫图像纹理特征提取方法。该方法的步骤如下:首先,将泡沫图像从RGB空间转换到HSI空间并对各颜色分量进行量化,计算图像的颜色共生矩阵并将其正规化为三角矩阵;然后,利用CCHS算法提取图像的纹理特征;最后,分析矿物品位与特征统计量熵及新特征参数即纹理复杂度之间的变化关系。研究结果表明:适当提高颜色分量的量化级数能提高浮选泡沫图像纹理特征提取的精确度;利用CCHS算法提取纹理特征,降低了计算的复杂度;实验结果验证了该算法的有效性,表明它能更准确地对矿物品位进行调控,指导浮选工况。
关键词:浮选;泡沫图像;纹理特征提取;颜色共生混合结构;矿物品位
中图分类号:TP391 文献标志码:A 文章编号:1672-7207(2013)11-4506-07
Flotation froth image texture extraction based on CCHS
CHEN Ning, LIN Xia, GUI Weihua, YANG Chunhua, TANG Zhaohui
(School of Information Science and Engineering, Central South University, Changsha 410083, China)
Abstract: A method for froth image texture extraction based on CCHS was proposed to rapidly and effectively extract feature texture. The procedures are as follows. Firstly, froth image space was converted from RGB to HSI in which each color component was quantized. Then the color co-occurrence matrix was calculated and froth image texture features were extracted from the normalized triangle matrix using CCHS algorithm. Finally, the relationships between concentrate grade and both statistical entropy and texture complexity were analyzed. The results show that the quantization degree of color components is appropriately increased, which increases the flotation froth image texture extraction accuracy. Using the extraction method of CCHS algorithm can reduce the calculation complexity. The experimental results verify the validity of this method, it can more accurately regulate and control the mineral grade and guide the flotation operation.
Key words: flotation; froth image; texture feature extraction; color co-occurrence hybrid structure; mineral grade
浮选是指从矿石中提取有用矿物,它是根据矿物表面物理化学性质的不同,在浮选药剂的作用下,将有用矿物从矿浆中分离出来[1]。在浮选过程中,浮选泡沫是其中一个关键因素[2]。浮选泡沫大小、形状、颜色和表面纹理等表面视觉特征是浮选工况与工艺指标的直接指示器[3-4],一直以来都是通过有经验的工人对浮选泡沫进行肉眼观察得出,但这种人工观察泡沫进行现场操作的方式无法满足当前经济发展对浮选精矿产量、质量以及节能降耗减排的需求,而且会产生各种主观和客观误差[5-6]。将机器视觉应用到浮选过程中,利用数字图像处理技术对浮选泡沫图像进行分析,能实现对泡沫状态的客观描述,再进一步寻找与分析泡沫特征参数与工艺指标的关系,从而推进了浮选过程的生产自动化[7-8]。浮选泡沫随着浮选状态的不同而呈现出特殊的纹理状态,泡沫图像的纹理是泡沫表面粗糙度、对比度和黏性的综合体现,它与加药量、通气量等浮选生产操作变量及精矿品位、尾矿含量等浮选生产指标密切相关。Bartolacci等[9]总结了常用的泡沫纹理特征提取方法[10],讨论了基于泡沫纹理信息的浮选综合控制策略的可行性。刘文礼等[11]采用空间灰度相关矩阵法和领域灰度相关矩阵法分析泡沫图像的纹理特性,定性地指出了泡沫图像的各特征参数与纹理之间的相关性。一直以来,在泡沫图像的纹理特征描述上,基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)的方法[12]应用得最为普遍,但这种方法是基于灰度图像的,而工业摄取的浮选泡沫图像是1幅RGB彩色图像。为了准确提取浮选泡沫图像,考虑图像的颜色信息。桂卫华等[13]提出了用颜色共生矩阵代替灰度共生矩阵用于浮选泡沫图像的纹理分析,但是,这种基于统计的方法存在提取的精度不够且纹理提取的时间复杂度大等问题。为此,本文作者在基于颜色共生矩阵提取泡沫图像纹理特征的基础上提出一种改进算法,即基于CCHS的浮选泡沫图像纹理特征提取算法。首先,将泡沫图像从RGB空间转换到HSI空间,将图像在HSI空间对各分量选取合适的量化级数进行量化;然后,计算图像的颜色共生矩阵,并用CCHS算法对正规化后的三角矩阵提取泡沫图像的纹理特征。该方法在提高纹理特征提取的精确度的同时减少了纹理特征计算的时间,提高了算法效率,并且通过分析用该改进算法提取得到的纹理特征与矿物品位的关系,改进算法提取得到的泡沫图像的纹理特征能更好地表征矿物品位。
1 基于颜色共生矩阵提取纹理特征
1.1 颜色共生矩阵原理
Haralick等[14]提出了用GLCM来描述纹理特征。但对于彩色图像,若要用灰度共生矩阵来描述纹理,则需要首先将其转换为灰度图像,这将会导致图像的颜色信息丢失。为了更准确地对彩色图像进行描述,Shearer等[15]提出将颜色空间用于共生矩阵的纹理分析。Palm[16]在GLCM基础上派生出颜色共生矩阵(color co-occurrence matrix,简称CCM),将颜色信息结合到纹理特征中。颜色共生矩阵兼顾了图像的颜色分布和像素间的空间相关性。对于每一个颜色空间(c1, c2, c3),组合不同颜色分量,共可以构成6个颜色共生矩阵,其中:
(1)
在HSI颜色空间将各个分量量化为8级。图1所示为从图像的HSI颜色空间(图1(a))计算得到 (图1(b))的分析结果。
图1 颜色共生矩阵分析图
Fig.1 Analysis chart of CCM
1.2 基于CCM的纹理特征提取
由于颜色共生矩阵不能对图像的纹理进行直观描述,而是需要从中提取特征统计量来描述纹理,一般采用提取Haralick特征值。在利用基于CCM的纹理特征提取算法时,需要对从HSI空间计算得到的6个CCM基础上计算Haralick特征值。对于每一个共生矩阵,共有14个Haralick特征值,但在一般情况下,只采用能量、熵、对比度、逆差矩和相关性这5个特征统计量来对纹理特征进行描述。这5个特征既便于计算,又能反映较全面的纹理表征[17]。对这5个特征描述如下。
(1) 能量(UNI):反映了图像纹理分布的均匀性,粗纹理的能量较大,细纹理的能量较小。
(2) 熵(ENT):反映图像所具有的信息量,表示纹理的复杂程度,纹理越复杂,熵越大,反之越小。
(3) 对比度(CON):反映图像的清晰度和纹理沟纹深浅的程度,纹理的沟纹越深,对比度就越大,反之越小。
(4) 逆差矩(IDM):反映图像纹理的同质性,是数字图像的局部均匀性的直接度量。图像越均匀,逆差矩的值越大,反之越小。
(5) 相关性(COR):衡量领域图像像素间的线性依赖性,相关性越大,线性依赖越大,反之越小。
2 基于CCHS的泡沫图像纹理特征提取
利用基于颜色共生矩阵CCM的纹理特征提取算法来提取泡沫图像的纹理特征,能将包含颜色信息在内的纹理特征提取出来。但该算法的计算复杂度较大,且在对图像进行量化时,只从视觉的角度考虑,而未考虑特征提取的精度问题,所以,只将泡沫图像在HSI空间量化为8级。为了解决上述问题,在本文算法中,将量化级数适当提高;同时,为了提高算法效率,采用CCHS算法对纹理特征进行提取。
2.1 算法步骤
针对上述考虑,本文的算法流程图如图2所示。
图2 基于CCHS的浮选泡沫图像纹理特征提取流程图
Fig.2 Diagram of flotation froth image texture extraction procedure based on CCHS
由于在浮选现场摄取到的是1幅RGB图像,而通过对比分析,HSI颜色空间更适用于彩色纹理识别,并且它能将图像的颜色信息从亮度中分离出来[16]。所以,首先将泡沫图像从RGB颜色空间转换到HSI颜色空间,转换公式为
(2)
其中:H为色调,表示图像的颜色类别;S为色饱和度,表示颜色的深浅程度;I为亮度;,RGB颜色空间中R,G和B的范围为[0, 1],从而由式(2)可以得出H,S和I的取值范围分别为[0°, 360°],[0, 1]和[0, 1]。
然后,对HSI空间各颜色分量进行量化。量化就是将图像像素点在HSI空间的取值范围分成若干区间,并仅用1个数值代表每个区间中的所有取值,所以,在量化时,量化值与实际值之间会存在误差,并且这种误差在量化级数越小时越明显,而量化级数越大,这种误差会减少。可见,量化级数的选取对后续纹理特征提取的效率和精度产生很大影响。图像在HSI空间的量化级数越高,在对纹理特征进行提取时的精度也将越高。但量化级数越高,CCM的维数越高,在其基础上进行特征统计的运算复杂度也将越高。且根据现实要求,对于持续时间极短的1幅浮选泡沫视频图像,其相应的各种工况基本维持不变,所以,对于同一视频内的各帧图像,其各纹理特征量也应视为无变化。根据这一条件,若量化级数过高,则会使同一视频图像的各个特征差别太大,不满足现实需要。经过统计分析,在将量化级数设为不同的值,分别比较特征提取精度以及计算复杂度时发现:为满足现实工业要求的同时,要尽量提高精度,将量化级数设为32最理想。在对泡沫图像的各个分量进行量化后,再采用式(1)计算泡沫图像的6个CCM。在HSI颜色空间,6个共生矩阵分别为,,,,和。颜色共生矩阵表征1幅图像包含颜色特征在内的纹理状况。
在一般情况下,图像的CCM为稀疏矩阵,这必会造成存储空间的大量浪费,也会导致后续计算特征统计量时大量的冗余计算,从而使得计算复杂度很大。对颜色共生矩阵进行规一化处理并运用CCHS算法来提取图像的纹理特征能有效解决上述问题,并能减弱颜色共生矩阵对空间分辨率之间差异的敏感性。
归一化处理步骤如下。
Step 1:对于1幅图像的CCM,可设为
计算其对称阵P2,且,则
Step 2:将P2归一化为对称阵P3,且 (其中R为归一化常数,),则
Step 3:在P3的基础上计算归一化三角矩阵P,,则
得到对颜色共生矩阵归一化后的三角矩阵P以后,再利用CCHS算法计算Haralick特征值。表1所示为分别利用CCM算法以及本文提出的CCHS算法
表1 基于CCM和CCHS的共生矩阵统计特征对比
Table 1 Comparison of statistical features in co-occurrence matrix based on CCM and CCHS
对文中用到的3个特征进行特征统计。表1中:Pij为CCM的元素;Pk是将CCM归一化后的三角矩阵P中的非零元素。
从表1可以看出:若直接用CCM算法对颜色共生矩阵P1计算其特征统计量,其计算复杂度为O(N2)(其中,N为量化级数);而若利用本文提出的CCHS算法对归一化后的三角矩阵P进行特征统计,其计算复杂度为O(L)(其中,L为链表长度),其量化级数低于CCM算法的量化级数。该算法按行遍历矩阵中的非0值,并存取其值与该非0值所对应的坐标,具体遍历过程如图3所示。
根据既往现场工人观察泡沫的经验,泡沫图像表面的纹理粗细及复杂程度与矿物品位有直接关系。一般地,若表面纹理粗,则矿物品位低;反之,若表面纹理细,则矿物品位高。而基于共生矩阵的特征统计量中的能量与泡沫表面的纹理有关,熵和逆差矩与泡沫表面的纹理复杂程度有关,且经过统计分析各个特征值与矿物品位的关系,无法找到对比度及相关性与矿物品位之间的联系,所以,最终选取能量及用熵和逆差矩新设计的1个特征参数即纹理复杂度分析纹理特征与矿物品位的关系。分别用JU,JE和JI来表示能量、熵和逆差矩,如表1所示。纹理复杂度T定义为熵与逆差矩的比值:
(3)
2.2 基于CCHS的浮选泡沫图像纹理特征提取算法的优势
由上述分析可知,本文所提出的基于CCHS的泡沫图像纹理特征提取算法与原有算法相比,优势主要体现在以下几个方面:(1) 量化级数提高。将量化级数设为32,极大地提高了特征提取的精度。(2) 将颜色共生矩阵进行归一化为三角矩阵并采用CCHS算法提取纹理特征,降低了纹理特征提取的计算复杂度,提高了提取效率。(3) 全面考虑了能反映矿物品位的纹理特征统计量,能更准确地分析纹理特征与矿物品位之间的关系。
图3 基于CCHS算法遍历矩阵P
Fig.3 Traversing matrix P based on CCHS algorithm
3 实验结果及分析
本实验选取利用泡沫图像采集平台捕获工业现场的90幅持续时间极短精选泡沫图像视频进行分析。对于同一泡沫视频图像中的各帧,由于其持续时间极短,所对应的现场工况应视为不变,所以,对应的泡沫图像的纹理特征也应没有太多变化。故对于每幅泡沫图像视频,可以从中选取任何一帧来表征整幅图像。现从现场采集的90幅视频图像组中,选取4幅不同时刻矿物品位不同的泡沫图像视频,该4幅视频代表4种典型工况下的泡沫图像,并从每幅视频中选取1帧较清晰的泡沫图像,计算该图像的特征统计量以表征整幅视频的纹理特征。该4幅泡沫图像如图4所示。
通过肉眼观察,可看到各图像呈现不同的纹理。当浮选药剂添加量远低于标准值时,浮选槽表面泡沫极少,图像对应的矿物品位偏低,但是纹理较复杂,如图4(a)所示。在一般情况下,当图像矿物品位较低时,泡沫表面携带粒子较少,泡沫图像纹理平滑,纹理复杂度小,如图4(b)所示。当泡沫表面携带粒子逐渐增加时,图像对应的矿物品位增大,泡沫表面开始出现不同的褶皱现象,此时,图像纹理也变得比较复杂,纹理复杂度增大,如图4(c)所示。当泡沫表面矿物承载量达到泡沫承受的临界值时,浮选泡沫出现大量的塌陷和泥化现象,对应的矿物品位相对很大,此时,泡沫纹理会更复杂,纹理复杂度也更大,如图4(d)所示。而能量随矿物品位的增大而减小。分别利用基于CCM及CCHS的泡沫图像纹理特征提取算法计算各帧泡沫图像的纹理复杂度和能量,并分别记为TCCM,TCCHS,JU,CCM和JU,CCHS,计算结果如表2所示。
图4 4幅典型工况下的泡沫图像
Fig.4 Four froth images of different mineral grade
表2 利用基于CCM及CCHS的纹理特征提取算法计算所得泡沫图像能量与纹理复杂度
Table 2 Froth images energy and texture complexity calculated by texture extraction algorithm based on CCM and CCHS
从表2可以看出:利用基于CCHS的纹理特征提取算法计算得到的4种状态泡沫图像的纹理复杂度TCCHS与通过肉眼观察到的图像特征相吻合,图4(b),4(c)和4(d)中的TCCHS随着矿物品位的增加而增加;而图4(a)所示的泡沫图像中,由于浮选药剂添加不足而导致纹理复杂,计算得到的TCCHS也很高。利用基于CCHS的纹理特征提取算法计算泡沫图像的能量JU,CCHS随着矿物品位的增大而减少。对比表2中基于CCM计算得到的泡沫图像的纹理复杂度TCCM和能量JU,CCM,很显然,TCCM在数值上相差很小,不同矿物品位仅相差0.100,也无法准确地反映不同的泡沫图像的状态;JU,CCM也无规律性,所以,原有算法在反映泡沫图像的矿物品位上存在精度与准确度的问题。故用基于CCHS的泡沫图像纹理特征提取算法能提高数据的准确度与精确度,能更准确地反映泡沫图像的矿物品位。
分别利用基于CCHS的浮选泡沫图像纹理特征提取算法计算90幅视频图像的能量和纹理复杂度,再分析其与矿物品位的关系,所得结果分别如图5和图6所示。
从图5可知:精矿品位随着纹理复杂度的增大先增大后减少;当纹理复杂度较小时,图像平滑,精矿品位小,矿物品位低;当精矿品位增大时,泡沫褶皱,纹理变得复杂;但当泡沫出现大量的塌陷、泥化,对应的纹复杂度大,但此时矿物品位低;泡沫图像的纹理复杂度能反映泡沫矿物品位的变化,纹理复杂度在5.0~6.0之间时所对应的矿物品位较高。从图6可以看出:精矿品位与泡沫图像的能量变化的总体趋势是能量随着矿物品位的增大而减少。因为当纹理粗时,能量大,对应的矿物品位低;纹理细时,能量少,对应的矿物品位高。泡沫图像的能量反映泡沫矿物品位的变化,将泡沫图像的能量维持在小于0.8的范围内,可保证较高的矿物品位。所以,对于1幅泡沫图像,首先计算得到它的纹理复杂度及能量,再通过同时监控纹理复杂度与能量,使纹理复杂度维持在5.0~6.0,并同时使能量小于0.8,从而能防止由于单一指标监控引起的失误,保证浮选泡沫精矿品位保持在合适范围内,进而更好地指导工业实践。
图5 基于CCHS的泡沫图像纹理复杂度与矿物品位的关系
Fig.5 Relationship between froth image texture complexity T and mineral grade
图6 基于CCHS的泡沫图像能量与矿物品位的关系
Fig.6 Relationship between froth image energy and mineral grade
4 结论
(1) 针对基于CCM的浮选泡沫图像纹理特征算法存在计算复杂度大及精度低的问题,本文在其基础上提出了一种改进算法。该算法首先将泡沫图像从RGB颜色空间转换到HSI颜色空间,再将泡沫图像在HSI空间的各颜色分量量化为32级,在保证结果准确性的同时,提高了泡沫图像纹理特征的提取精度;然后,将颜色共生矩阵归一化为三角矩阵后再运用CCHS算法计算特征统计量,降低了算法的运算复杂度;最后,综合分析泡沫图像精矿品位与能量及自定义纹理复杂度之间的关系,得出浮选泡沫图像的最佳纹理复杂度及能量区间。
(2) 基于CCHS的浮选泡沫图像纹理特征提取算法所得提取效率及精度比原有算法的高。该算法为优化浮选控制提供重要的泡沫特征参数,通过适当调节药剂、风压等操作,从而改变泡沫图像能量及纹理复杂度程度,通过同时监测泡沫图像能量及纹理复杂度,使精矿品位能够保持在合适的范围内。
参考文献:
[1] 胡熙庚. 浮选理论与工艺[M]. 长沙: 中南工业大学出版社, 1991: 23-56.
HU Xigeng. Flotation theory and technology[M]. Changsha: Central South Industrial University Press, 1991: 23-56.
[2] LI Yanpeng, ZHU Tingting, YANG Ge, et al. Imaging study of surfactant effect on bubble behaviors in froth flotation[C]// 2011 International Symposium on Water Resource and Environmental Protection. Xi’an, 2011: 1199-1201.
[3] Lu M X, Wang F, Liu X M, et al. Analysis of texture of froth image in coal flotation[J]. Journal of China University of Mining & Technology, 2001, 11(2): 100-103.
[4] 汪中伟, 梁栋华. 基于浮选泡沫图像特征参数的应用研究[J]. 矿冶, 2011, 20(2): 82-84.
WANG Zhonghua, LIANG Donghua. Application research of flotation froth image feature parameter[J]. Mining and Metallurgy, 2011, 20(2): 82-84.
[5] Citir C, Aktas Z, Berber R. Off-line image analysis for froth flotation of coal[J]. Computers & Chemical Engineering, 2004, 28(5): 625-632.
[6] 宋晓明, 杨保东, 武涛, 等. 浮选过程控制的历史发展和现状[J]. 有色金属, 2011(Z1): 223-228.
SONG Xiaoming, YANG Baodong, WU Tao, et al. Historical development and current situation of flotation process control[J]. Nonferrous Metals, 2011(Z1): 223-228.
[7] Kaartinen J, Hatonen J, Hyoyniemi H, et al. Machine- vision-based control of zine flotation: A case study[J]. Control Engineering Practice, 2006, 14(12): 1455-1466.
[8] 何桂春, 冯金妮, 吴艺鹏, 等. 浮选泡沫图像处理技术研究现状与进展[J]. 有色金属科学与工程, 2011, 2(2): 57-63.
HE Guichun, FENG Jinni, WU Yipeng, et al. Research status and development of flotation froth image processing[J]. Nonferrous Metals Science and Engineering, 2011, 2(2): 57-63.
[9] Bartolacci G, Pelletier P J, Tessier J J, et al. Application of numerical image analysis to process diagnosis and physical parameter measurement in mineral processes—Part 1: Flotation control based on froth textural characteristics[J]. Mineral Engineering, 2006, 19(6/7/8): 734-747.
[10] 刘丽, 匡纲要. 图像纹理特征提取方法综述[J]. 中国图像图形学报, 2009, 14(4): 622-635.
LIU Li, KUANG Ganggao. Overview of image texture feature extraction of methods[J]. Journal of Image and Graphics, 2009, 14(4): 622-635.
[11] 刘文礼, 路迈西, 王凡, 等. 煤泥浮选泡沫图像纹理特征的提取及泡沫状态的识别[J]. 化工学报, 2003, 54(6): 830-835.
LIU Wenli, LU Maixi, WANG Fan, et al. Extraction of textural feature and recognition of coal flotation froth[J]. Journal of Chinese Industry and Engineering, 2003, 54(6): 830-835.
[12] 陈美龙, 戴声奎. 基于GLCM算法的图像纹理特征分析[J]. 通信技术, 2012, 45(2): 108-111.
CHEN Meilong, DAI Shengkui. Analysis of image texture feature based on GLCM[J]. Communication Technology, 2012, 45(2): 108-111.
[13] 桂卫华, 廖茜, 阳春华, 等. 一种新的浮选泡沫图像纹理特征提取方法[J]. 中国科技论文在线, 2012, 7(4): 277-281.
GUI Weihua, LIAO Xi, YANG Chunhua, et al. A new texture extraction method for flotation froth images[J]. China Science Paper, 2012, 7(2): 277-281.
[14] Haralick R M, Shanmugam K, Dinstein I. Texture feature for image classification[J]. IEEE Trans on Sys, Man and Cyb, 1973, 3(6): 610-621.
[15] Shearer S A, Holmes R G. Plant identification using color co-occurrence matrices[J]. Transactions of the ASAE, 1990, 33(6): 2037-2044.
[16] Palm C. Color texture classification by integrative co-occurrence matrices[J]. Pattern Recognition, 2004, 37(5): 965-976.
[17] Ulaby F T, Kouyate F, Brisco B, et al. Textural information in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986, 24(2): 235-245.
(编辑 陈灿华)
收稿日期:2012-10-12;修回日期:2012-12-25
基金项目:国家自然科学基金资助项目(61134006,61071176)
通信作者:陈宁(1970-),女,湖南长沙人,教授,博士生导师,从事数字图像处理、数字信号处理技术及应用研究;电话:13875915950;E-mail: ningchen@csu.edu.cn