基于FCM-WA联合算法的多种类矿石图像分割_汤文聪.pdf

第31卷第1期2023 年 2 月Vol.31 No.1Feb.，2023Gold Science and Technology153基于FCM-WA联合算法的多种类矿石图像分割汤文聪1，罗小燕1，2*1.江西理工大学机电工程学院，江西 赣州 341000；2.江西省矿冶机电工程研究中心，江西 赣州 341000摘 要：矿石图像分割是基于机器视觉的矿石粒度分布检测的重要组成部分。针对复合矿山中颜色多样、纹理复杂且边缘粘连的多种类矿石图像难以识别与分割的问题，提出了一种基于FCM-WA联合算法的矿石图像分割方法。首先对矿石图像进行形态学优化，利用双边滤波、直方图均衡化和形态学重构来优化矿石图像的几何特征，减少噪声对分割效果的影响，提高图像对比度；然后将模糊C均值聚类（FCM）算法与分水岭（WA）算法相结合，利用FCM算法进行聚类迭代，计算出合适的分割阈值并对矿石图像进行分割，输出二值化图像；再利用基于距离变换的WA算法优化FCM算法的分割结果，对FCM算法输出的矿石图像边缘粘连部分进行分割，以获取最佳的分割图像。研究结果表明：（1）利用形态学优化流程处理矿石图像能够减少噪声并增强边缘信息，从而提高对比度；（2）相比传统的大津法和遗传算法，本文所提FCM-WA方法的稳健性更强、分割效果更好，对多种类的矿石图像像素分割准确率和矿石粒度识别准确率均可达到92%以上；（3）通过试验验证，FCM-WA方法能够精确地分割颜色多样、纹理特征复杂及边缘粘连的多种类矿石图像，分割结果满足粒度分布检测的要求；（4）FCM-WA方法符合现实矿山企业生产的需求，能够为研发新型矿山智能化粒度检测设备提供可靠的技术支持。关键词：复合矿山；矿石图像；形态学处理；模糊C均值聚类；分水岭算法；边缘分割中图分类号：TP391 文献标志码：A 文章编号：1005-2518（2023）01-0153-10 DOI：10.11872/j.issn.1005-2518.2023.01.148引用格式：TANG Wencong，LUO Xiaoyan.Image Segmentation of Multi Kinds of Ores Based on FCM-WA Joint Algorithm J.Gold Science and Technology，2023，31（1）：153-162.汤文聪，罗小燕.基于FCM-WA联合算法的多种类矿石图像分割 J.黄金科学技术，2023，31（1）：153-162.矿石的粒度分布是反映破碎机运行状况的关键指标，通过了解矿石的粒度分布情况，能够及时调整破碎机运行参数，进而提高破碎机的工作效率。传统的矿石粒度检测采用人工筛分，不仅耗费大量人力资源，其统计结果还具有延时性。随着机器视觉技术的不断发展，基于机器视觉的矿石粒度检测也成为一大研究热点，矿石图像分割则是基于机器视觉的矿石粒度检测的重要组成部分（Li et al.，2021）。精确的矿石图像分割方法，能够将矿石颗粒准确分离出来，进而保证矿石粒度检测的准确性。因此，提高矿石图像分割的准确率，能够保证矿石粒度检测数据的真实性，对破碎机的运行参数进行适当调整，以保证破碎机稳定运行，对于矿山的安全高效生产具有重大意义。目前矿石图像分割的主流方法包括阈值分割、边缘检测、深度学习处理分割和基于特定理论的分割等方法（Zhan et al.，2019；Li et al.，2020；Xiao et al.，2020；Wang et al.，2021，王伟等，2022）。Zhang et al.（2017）提出一种基于费舍尔判别的双窗阈值矿石图像分割方法，通过对图像的每个像素的邻域阈值进行费舍尔判别，收稿日期：2022-10-17；修订日期：2022-11-28基金项目：国家自然科学基金项目“基于多尺度内聚颗粒模型的振动破碎能耗研究”（编号：51464017）和江西省教育厅科学技术项目“黑钨磨矿过程状态监测与负荷智能识别”（编号：200827）联合资助作者简介：汤文聪（1997-），男，广东韶关人，硕士研究生，从事图像处理研究工作。*通信作者：罗小燕（1967-），女，江西赣州人，副教授，从事计算机测控与智能技术研究工作。Vol.31 No.1 Feb.，2023采选技术与矿山管理154再对矿石图像阈值进行分割，提高了矿石图像分割效率。Huang et al.（2022）提出了一种基于改进Canny算子的爆堆表面矿岩边缘检测方法，该方法通过利用改进的canny算子来去除噪声和修复矿岩边缘，提高了矿岩边缘检测的准确率。Liu et al.（2020）利用深度学习方法中的 U-Net和 Res-Unet网络来分割矿石图像，取得了较高的分割率。张建立等（2019）利用遗传算法对矿石图像的像素进行分割，得到了矿石图像的最佳分割阈值，取得了较好的分割效果。虽然以上算法均取得了一定的成果，但也存在一定的局限性。阈值分割方法和边缘检测方法对于单一种类矿石图像分割上取得了较大的成就，但实际情况中大多数矿山为复合矿山，生产的矿石种类多样、颜色和纹理混杂，仅针对单一种类矿石的分割算法会大大降低图像分割的准确率；遗传算法容易较早收敛，且无法分割粘连边缘；深度学习所使用的训练集数量巨大，训练时间长，对硬件要求高，且泛化能力较弱。综上所述，传统阈值分割和边缘检测方法难以对颜色混杂的多种类矿石进行分割，深度学习算法对硬件及样本量要求严苛，均难以真正应用于复合矿山的图像分割。基于聚类的图像分割方法，由于能够将特征相近的像素划分到相同的类里，可以较好地解决多种类目标图像分割问题，适用于多种类矿石图像的分割。在聚类算法中，由于 FCM聚类算法不受样本数据的维度限制，且具有良好的稳健性，因此基于FCM 聚 类 算 法 的 图 像 分 割 得 到 了 广 泛 关 注。Huang et al.（2019）利用FCM算法对脑CT图像进行了分割，取得了较好的结果。Qin et al.（2019）提出了一种基于 FCM聚类的路面图像分割方法，成功实现了路面图像的分割。FCM算法虽然具有良好的稳健性，但易受到噪声干扰，出现过分割现象，且该算法无法对矿石粘连的边缘部分进行有效分割，从而导致矿石粒度准确率过低，而分水岭算法则常用于解决边缘粘连部分的分割。Zhou et al.（2022）和张建立等（2020）利用改进的分水岭算法对骨区影像进行分割，成功分割了图像中的粘连区域。基于此，针对现有的矿石图像分割算法在处理多种类矿石图像时存在的适应度低、分割效果不理想及粘连边缘难以分割的问题，提出一种基于FCM-WA 联合算法的多种类矿石图像分割方法。首先，对矿石图像进行形态学优化操作，利用双边滤波、直方图均衡化和形态学重构等操作，去除噪声干扰，弱化矿石图像的纹理特征，然后利用FCM算法对矿石图像进行分割，得到矿石目标分割图像，最后利用WA算法对矿石粘连的边缘进行优化，得到最终的矿石分割图像。通过试验表明，本文所提方法稳健性强，分割效果好，提高了矿石图像分割的准确率。1 形态学优化流程本文所采集的矿石图像来自于下垄某复合矿山。该矿山是以黑钨矿石为主，混杂着石英矿石和钼矿石的复合矿山，矿石图像如图1所示。由于矿石的种类较多、颜色多样、边缘粘连，且在矿石图像采集过程中，本身会存在粉尘与噪声干扰，如果直接对矿石图像进行分割，会因为存在过多的干扰信息而导致误分割，所以需要对工业相机采集到的矿石图像进行形态学优化处理。形态学优化处理流程如图2所示。1.1 图像预处理本文采集图像所使用的设备为 500 万像素CCD相机。图像采集系统如图3所示。首先对图像采集系统所采集到的矿石图像进图1多种类矿石图像Fig.1Multiple kinds of ore images图2形态学优化处理流程Fig.2Morphological optimization process2023 年 2 月 第 31 卷 第 1 期155汤文聪等：基于FCM-WA联合算法的多种类矿石图像分割行灰度化，减少干扰信息，提高运算速度；然后对灰度图像进行双边滤波，双边滤波既能平滑去噪，去除矿石纹理特征，又能较好地保存矿石的边缘信息，非常适合对矿石图像进行预处理。双边滤波定义（陈志坤等，2020）如下：BF I p=1Wpq SGs(p-q)Gr(Ip-Iq)Iq（1）式中：BF 为双边滤波符号；Wp为归一化参数；Gs(p-q)为空间权值函数；Gr(Ip-Iq)为像素范围权值函数；Ip为当前p点像素；Iq为输入图像中对应q像素。由于图像采集时可能受到环境光照影响，会出现图像亮度不一、对比度不够的情况，故本文采用自适应直方图均衡化进行图像增强，以平衡图像的整体亮度，提高对比度（吕侃徽等，2021）。直方图均衡化的理论思想是对于图像中的任一像素点p，p 0，255，总能在输出图像里有对应的像素q，q 0，255，使得下面等式成立（阮秋琦等，2020）：k=0phistinput(k)=k=0qhistoutput(k)（2）histoutput(k)=H W256，k 0，255（3）式中：hist（k）为灰度级为k的像素个数；H为图像高度；W为图像宽度。1.2 形态学重构对于预处理后的图像，噪声大大减少，对比度增强，边缘更清晰，但由于矿石本身纹理复杂，且单块矿石上可能存在多种颜色信息，如果直接进行分割，会产生过分割现象。因此，需要对图像进行形态学重构，进一步减少矿石图像的纹理特征及颜色杂糅问题，以便后续矿石图像的分割。根据矿石图像的特征，对矿石图像进行腐蚀和膨胀等操作（李国耀等，2020）。腐蚀能够消融物体的边界，去除矿石图像噪声及小区域纹理特征；膨胀则相当于腐蚀的反向操作，能够消除图像内部的空洞，使同一区域的矿石纹理特征尽量相同。本文对矿石图像进行开、闭运算，其定义（蔡改贫等，2020）分别为|A B=(AB)BAB=(AB)B（4）式中：和 分别表示开、闭运算；和分别表示膨胀、腐蚀运算。开运算能过滤掉噪声并保持原有形状，闭运算能够弥合图像空洞和轮廓断线，使图像更清晰。形态学重建是通过结构元素和掩膜，获得原始图像上具有某些特性的连通区域并形成新图像的过程，其中结构元素用来确定连接性，而掩膜则用于约束变换过程。基于开运算（闭运算）的重建，就是将开运算（闭运算）后的图像作为掩膜进行形态学重构。采用形态学开闭重建所得的矿石图像，与原始图像的大小相同，但其边缘特征清晰，噪声和纹理特征减少，有利于后续分割。形态学重构的步骤如下：（1）创建结构元素se；（2）重复运算hk+1=(hkse)g，直至hk+1=hk式中：se为结构元素；g为掩膜；hk+1为重构结果；当k=1时，h1为原始图像。形态学优化结果如图4所示。图3图像采集系统Fig.3Image acquisition systemVol.31 No.1 Feb.，2023采选技术与矿山管理1562 FCM-WA图像分割方法2.1 FCM算法模糊 C均值聚类算法（FCM）是一种基于模糊理论的聚类算法，它能够使类内数据对象的相似度达到最大，类间数据对象的相似度达到最小，非常适用于多种类矿石图像的分割（Raju et al.，2019；邓文晶等，2019）。本文将FCM算法应用于形态学优化处理后的矿石图像，利用 FCM算法确定纹理复杂、颜色各异的矿石图像的多个阈值，将矿石图像准确分割出来。FCM算法的实质就是让样本点和聚类中心的欧氏距离的加权和最小，因此需要使目标函数值J在隶属度函数uij的约束范围下越小越好。FCM算法的计算流程（Verma et al.，2021）如下：为了更好地使用迭代的方法求解J的最小值，采用拉格朗日乘子法，将目标函数转化为J(U，C，)=i=1nj=1cumijd2(xi，cj)+i=1ni(j=1cuij-1)（5）式中：为拉格朗日乘子；cj为聚类中心；uij为隶属度；m为样本对聚类中心的各模糊隶属度的加权值。要对目标函数J求极小值，需要先对目标函数关 于 聚 类 中 心cj和 隶 属 度uij求 偏 导。函 数J(U，