摘  要： 針對浮選視頻圖像獲取過程中出現的圖像質量問題，提出一種浮現泡沫視頻圖像自適應篩選方法。首先通過分析浮選圖像紋理特征選取評價參數，然后采用改進BP神經網絡建立圖像質量評判模型，對不同質量圖像進行評判篩選。實驗證明，該方法篩選速度快且識別正確率和效率高，篩選后的圖像分割效果好。

　　關鍵詞： 浮選圖像；BP神經網絡；圖像質量

0 引言

　　現代選礦工業中，泡沫浮選的主要目的就是提高礦物中精礦的品位[1]。浮選工藝復雜，是一個含有固、液、氣三相變化的物理化學過程[2]，并且泡沫表面運動狀態不穩定，獲取的圖像特征也各不相同。傳統生產方式主要是人工控制，并且有主觀依賴性大、勞動強度大、資源利用率低等局限[3]。隨著機器視覺和數字圖像處理技術應用到浮選中，通過機器實時對浮選表面進行監控，提取特征參數。這些特征參數主要包括泡沫大小、形狀、紋理特征、流速[4]等。

　　針對浮選圖像質量的評價，只有無參考質量評價方法。有些學者通過利用共生矩陣內的紋理特征參數[5]對圖像進行質量評價。本文通過提取浮選泡沫圖像紋理特征參數并利用BP神經網絡，建立浮選圖像質量評價模型[6]，然后采用經典改進分水嶺分割算法[7]來驗證所篩選圖像處理效果。實驗證明：本文所用浮選圖像質量評價方法可以篩選出不同質量浮選圖像，篩選出來的合格圖像分割效果明顯，而且自動識別準確率得到了提高。

1 灰度共生矩陣理論及特征參數提取分析

　　1.1 灰度共生矩陣參數提取

　　灰度共生矩陣表達了圖像灰度分布在空間位置上反復出現情況，其定義為θ方向上相隔距離d的一對像素分別具有灰度值i和j出現概率，記為P（i，j；d，θ）。設f（x，y）是對應圖像空間位置坐標（x，y）的灰度值，L為圖像灰度等級，Lr、Lc代表圖像行和列的維數。f（x，y）=i和f（x+Dx，y+Dy）=j為像素對，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個紋理特征，以及圖像灰度和高亮區域所占比例作為浮選圖像質量評價指標。各特征參數表達式如下所示：

　　（1）圖像能量asm為：

　　其中，Sw為高亮區域的像素總數，S為總像素數。

　　1．2 各項特征參數數據特性分析

　　本文在研究分析時分別選取曝光過度圖像、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。圖1是圖像紋理特征分布狀態。

　　圖1中（a）到（f）分別為對應能量、熵值、慣性矩、相關度、灰度均值和高亮區域比率評價指標的分布圖。從圖1中紋理特征分布圖中可以明顯看出，不同質量浮選泡沫圖像之間特征參數分布差別明顯，但是有些特征參數的分布區分度較低。

2 BP神經網絡算法

　　2.1 神經網絡結構

　　BP神經網絡原理通過誤差反向傳播算法對網絡進行不斷訓練，減少目標與實際輸出誤差，按照輸出層到中間層再到輸出層的順序逐漸修正連接權值。通過不斷修正誤差，提高輸入正確率[8]。BP神經網絡結構圖如圖2所示。

　　把4種不同質量圖像并分別設為1~4共4個等級并編碼，分別為1000、0100、0010、0001。對應有4個輸出神經元。隱含層神經元經過試驗得出神經元個數為34時學習效率最小。

　　BP網絡的學習過程為：

　　（1）初始化權值wi，j和vi，j，閾值j和t在（-1，1）之間隨意取值。

　　（2）選取任意一組輸入（a1k，a2k，a3k，…，ank）和目標樣本（y1k，y2k，…，yqk）輸入網絡。

　　（3）計算網絡目標向量（y1k，y2k，…，yqk）與實際輸出ct的一般化誤差dt。

　　（4）通過vij，dt和中間層輸出bj計算中間每個單元一般性誤差ejk。

　　（5）利用dt，bj修正權值vij和閾值t。最后通過ejk和輸入（a1k，a2k，a3k，…，ank）修正輸入層和隱含層的權值wi，j和閾值j。

　　2.2 BP神經網絡算法改進

　　BP神經網絡經常會陷入局部極小值和收斂，本文采用附加動量法和自適應學習速率法對BP神經網絡進行改進。附加動量法對權值wi，j在反向傳播基礎上對前一次權值進行加權產生新權值，計算公式如式（8）所示。

　　其中，?濁為學習效率，?琢為動量因子，n為訓練次數。附加動量法可以使權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。其收斂機制如式（9）所示。

　　其中，E（n）表示第n步誤差。

3 實驗仿真結果與分析

　　本文中采用雙層網絡結構，隱含層傳遞函數tansig（n），輸出層傳遞函數logsig（n）。最小均方誤差和學習效率為0.01和0.1，動量系數為0.95。將圖1中樣本數據作為樣本學習訓練，另取80組數據作為校驗樣本。校驗樣本如表1所示，仿真結果如表2所示，分析實驗結果和人工判別成功率如表3所示。

　　由表1和表2看出，本文方法所判別結果與實際圖像結果一致。在試驗中，對150幅圖像處理時間不到  0.01 s，完全可以滿足現場需求，且判別正確率比人工識別精確。對篩選后不同質量的圖像進行了經典改進分水嶺算法分割，分割效果對比如圖3所示。

　　從圖3可以看出，不同質量浮選泡沫圖像的分割效果，經過分水嶺算法的分割后，（a）圖像泡沫基本被分割出來，（b）、（c）和（d）圖像分割效果非常差。經過篩選，在對高質量圖像進行分割或是特征參數提取時，結果更準確，處理效果更好。

4 結論

　　數字圖像處理技術應用于工業浮選是為了輔助生產，提高礦物回收率，降低勞動強度。本文選取浮選圖像紋理特征作為圖像質量評價指標，通過分析各因子隨時間序列分布狀態，并利用改進的BP神經網絡生成浮選視頻圖像自適應篩選模型。該模型可以快速準確地對浮選圖像進行質量評價，篩選出不同質量浮選泡沫圖像，提高圖像識別效率和精度。在今后研究中，把該圖像質量評價結果應用于浮選圖像智能采集，實現圖像采集系統自動控制，當曝光過度時，可以采用減少曝光時間、減少進光量或降低圖像亮度，反之，增大曝光時間。對于模糊圖像直接從圖像序列中刪除掉，由此提高浮選實時監控系統實用性和圖像采集效率。

　　參考文獻

　　[1] 何桂春，黃開啟.浮選指標與浮選泡沫數字圖像關系的研究[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識別[J].化工學報，2003，54（6）：832-372.

　　[4] 陽春華，周開軍，牟學民，等.基于計算機視覺的浮選泡沫顏色及尺寸測量方法[J].儀器儀表學報，2009，30（4）：717-721.

　　[5] 楊彪，江朝暉，陳鐸，等.基于客觀參數的圖像質量評估[J].計算機仿真，2009，26（5）：232-235.

　　[6] 范媛媛，桑英軍，沈湘衡.基于BP神經網絡的圖像質量評價參數優化[J].應用光學，2011，6（32）：1150-1156.

　　[7] 丁偉杰，范影樂，龐全.一種改進的基于分水嶺算法的粘連分割研究[J].計算機工程應用，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.