廖一鵬,王衛(wèi)星
(福州大學(xué) 物理與信息工程學(xué)院,福建 福州 350108)
?
結(jié)合多尺度邊緣增強及自適應(yīng)谷底檢測的浮選氣泡圖像分割
廖一鵬*,王衛(wèi)星
(福州大學(xué) 物理與信息工程學(xué)院,福建 福州 350108)
針對浮選氣泡圖像噪聲大、邊界弱、傳統(tǒng)谷底檢測算法對不同類型氣泡分割不具普遍性等問題,提出了一種結(jié)合Contourlet多尺度邊緣增強及自適應(yīng)谷底邊界檢測的氣泡分割方法。該方法通過對氣泡圖像進行Contourlet分解,得到多尺度多方向高頻子帶;通過對各方向子帶的高頻系數(shù)進行非線性增益處理,實現(xiàn)邊緣增強和噪聲抑制。對和聲搜索算法的“調(diào)音”策略和參數(shù)設(shè)定方法進行了改進,對不同類型氣泡圖像自適應(yīng)地獲取谷底邊界檢測算法的最優(yōu)參數(shù),提取谷底并進行形態(tài)學(xué)的邊緣完善處理。最后進行了分割實驗,并與其它方法做了比較。結(jié)果表明,采用該方法對不同類型氣泡進行分割時,平均檢測效率(DER)和準確率(ACR)分別為91.2%和90.6%,較傳統(tǒng)分割方法有較大提高。該方法無需手工調(diào)節(jié)參數(shù),自適應(yīng)能力強,精度高。
浮選氣泡圖像;圖像分割;Contourlet變換;多尺度邊緣增強;自適應(yīng)谷底檢測; 和聲搜索算法
礦物浮選過程中,氣泡形態(tài)可以直接反映生產(chǎn)工況及生產(chǎn)指標,而泡沫分割是氣泡形態(tài)特征提取的關(guān)鍵步驟[1-2],實際情況中,浮選氣泡粘連、受環(huán)境光照影響大,邊界不明顯,使得浮選圖像增強和分割一直是國內(nèi)外研究的難題,目前尚沒有很好的方法解決氣泡圖像分割。
目前,主流的泡沫圖像分割方法主要有基于邊緣和基于區(qū)域的方法?;趨^(qū)域的分割方法,主要以氣泡亮點作為標識點,運用改進分水嶺算法分割泡沫圖像[3-5],其對均勻分布氣泡取得了較好的分割效果,但是它對光照敏感,易產(chǎn)生過分割?;谶吘壍姆指罘椒ㄖ校荛_軍等提出了模糊三值模式的浮選氣泡邊緣檢測[6],具有較高的準確率,但是由于該方法的掩模區(qū)域尺寸是固定的,而氣泡尺寸是波動的,因此其不具有普遍性。Wang等提出了基于谷底邊界檢測的氣泡圖像分割算法[7-9],該算法抗噪能力強,效率高,但其憑經(jīng)驗選取模板尺寸和閾值,無法自適應(yīng)分割,對微弱邊界需要進行端點連接處理,有待進一步優(yōu)化。為提高谷底邊界檢測的精度,可對泡沫圖像先進行增強處理,常用空間域圖像增強方法使邊界細節(jié)得到增強,但同時也放大了噪聲。由于頻域變換的增強方法可以避免這一問題,故已成為研究熱點[10-12]。其中基于Contourlet變換的多尺度增強方法[13-15],在抑制噪聲、突出邊緣細節(jié)方面,具有明顯優(yōu)勢。
針對谷底邊界檢測算法的自適應(yīng)問題,可采用人工智能優(yōu)化算法來自動調(diào)整模板尺寸和閾值,和聲搜索算法[16](HS)是一種模擬音樂演奏中樂隊和聲原理的元啟發(fā)式搜索算法,具有很強的并行和全局搜索能力,是解決谷底邊界檢測算法參數(shù)自適應(yīng)優(yōu)化的有效工具。
為此,本文提出一種結(jié)合Contourlet多尺度邊緣增強及自適應(yīng)谷底邊界檢測的氣泡分割方法。針對微弱邊緣,先對圖像進行Contourlet分解,得到多尺度多方向高頻子帶,對各方向子帶的高頻系數(shù)進行閾值計算和非線性增益函數(shù)處理,來抑制噪聲,增強弱邊緣;為提高分割方法的自適應(yīng)性,對和聲搜索算法的“調(diào)音”策略和參數(shù)設(shè)定進行改進,進而自適應(yīng)獲取谷底邊界檢測算法的最優(yōu)參數(shù),提取準確的氣泡邊緣;最后采用形態(tài)學(xué)對邊緣進行完善,并與其他分割方法進行了比較。
2.1圖像Contourlet變換
Contourlet變換又叫塔型方向濾波器組,其簡稱為PDFB(Pyramid Directional Filter Bank)[17]。Contourlet變換過程如圖1所示,首先用拉普拉斯金字塔方法(Laplacian Pyramid,LP)分解圖像,得到一個低通采樣圖像和一個高通圖像,對低通圖像繼續(xù)分解,如此反復(fù)迭代,得到一個低通圖像和多個高通圖像。然后用方向濾波器組(Directional Filter Bank,DFB)把高通圖像分解成各個方向高頻系數(shù),Contourlet變換有完全重構(gòu)優(yōu)點。
圖1 Contourlet分解流程Fig.1 Flow chart of Contourlet transformation
2.2閾值確定及非線性增益函數(shù)增強
浮選泡沫圖像經(jīng)Contourlet分解后產(chǎn)生了一個低通子帶和若干個高頻方向子帶,低頻子帶主要包含氣泡輪廓和亮點信息,為避免氣泡亮點對后續(xù)分割造成影響而不作處理;高頻方向子帶主要包含了強邊緣、弱邊緣和噪聲,可通過調(diào)整高頻方向子帶系數(shù)達到增強弱邊緣,衰減各種噪聲的目的。對高頻方向子帶系數(shù)按式(1)的增強函數(shù)[13]進行調(diào)整,但是過度的增強邊緣將影響谷底檢測的連續(xù)性,本文采用雙閾值對強邊緣、弱邊緣和噪聲系數(shù)分別進行處理,如圖2所示。
(1)
式中,參數(shù)c用于控制增強強度,取值一般在[10,30]之間,這里取20。參數(shù)b用于控制增強范圍,取值在[0,1]之間。可以用T2、T3來約束函數(shù)的增強范圍,[0,T2]為噪聲系數(shù),為了抑制噪聲,可使這部分的放大倍數(shù)小于1。[T2,T3]內(nèi)的弱邊緣系數(shù)得到增強,[T3,1]的強邊緣系數(shù)保持不變,這里根據(jù)大量實驗統(tǒng)計結(jié)果,將T3取值為0.85。
圖2 增強函數(shù)曲線圖Fig.2 Graph of enhancing function
(2)
(3)
最后,該方向子帶的非線性增益函數(shù)為:
(4)
3.1谷底邊界檢測算法
圖3(a)是一幅隨機的浮選氣泡圖像,圖3(b)是相對應(yīng)的三維顯示圖,其中高度代表像素點的灰度值,圖3(c)(彩圖見期刊電子版)是圖3(a)中直線部分的截面灰度值,波峰代表氣泡高亮點,波谷代表對應(yīng)的氣泡邊緣??梢钥闯霾ü赛c對應(yīng)的灰度值都不相同,使用傳統(tǒng)的閾值分割方法進行分割必然會存在過分割或欠分割。
(a)浮選氣泡圖像 (b) 三維氣泡圖(a) Bubble image (b) 3D bubble image
(c)截面灰度圖 (c) Gray-scale graph of cross section 圖3 浮選氣泡特征圖Fig.3 Feature graph of flotation bubble
谷底檢測算法可以較好地提取谷底處的像素,而分數(shù)階積分可以大幅度提高信號中的低頻和甚低頻成分[18],本文采用基于分數(shù)階積分和谷底檢測算法相結(jié)合的方法來提取氣泡邊緣。根據(jù)G-L分數(shù)階積分定義式可推出分數(shù)階積分的差分定義:
(5)
提取差分式的各項系數(shù):
(6)
將像素f(i,j)的鄰域分為8個方向,結(jié)合分數(shù)階積分,構(gòu)造8個方向的模板,如圖4所示。
中心模板X0僅包含當(dāng)前像素f(i,j),其他8個子模板采用相同的尺寸,并取分數(shù)階積分差分的前3個系數(shù)a0、a1、a2進行構(gòu)造,分別將8個方向的掩模與圖像進行卷積運算,對于當(dāng)前像素值f(i,j)可得到8個運算結(jié)果G1~G8。
(7)
式中,d為模板大小,決定檢測邊緣的粗細。設(shè)谷底閾值為T,將與X0成直線的兩個子模板與圖像的卷積運算值進行對比,若每對中的兩個方向值都比中心模板值G0高出T,則判定f(i,j)為谷底,并按式(8)對4個方向?qū)ζ溥M行賦值,取4個方向的最大值作為谷底值,并記錄方向,以及進行二值化處理:
圖4 模板構(gòu)造示意圖 Fig.4 Schematic of template construction
(8)
根據(jù)以上分析可知,谷底邊界檢測算法的性能、準確率與參數(shù)v、d和T的設(shè)置相關(guān),因此要提取良好的氣泡邊緣,必須選擇最優(yōu)的v、d和T值。
3.2改進和聲搜索算法
隨機產(chǎn)生r1、r2,若r1 (9) (10) 3.3自適應(yīng)分割步驟 現(xiàn)場采集浮選泡沫圖像,首先對圖像進行Contourlet變換分解,并進行多尺度多方向高頻子帶邊緣增強,接著結(jié)合改進和聲搜索(IHS)最優(yōu)參數(shù)進行自適應(yīng)谷底邊界檢測,最后對檢測邊界進行形態(tài)學(xué)處理,實現(xiàn)流程如圖5,具體步驟如下。 圖5 自適應(yīng)分割流程圖Fig.5 Flow chart of adaptive segmentation (1) 現(xiàn)場采集浮選泡沫圖像。 (2) 圖像Contourlet變換分解,提取各尺度各方向的高頻子帶系數(shù),并確定噪聲閾值,對非線性增益函數(shù)進行分段,以提升弱邊緣的系數(shù)值。 (3) 構(gòu)造分數(shù)階積分谷底邊界檢測算法的8個方向掩模算子,以45°方向為例,如圖6所示,d為子塊大小,v為積分階數(shù)。 圖6 45°方向掩模算子Fig.6 Mask operator of 45° direction (4) 基本參數(shù)設(shè)置,初始化和聲記憶庫。 ①樂器個數(shù):3個(即v、d和T); ②確定各種樂器的音調(diào)范圍; ③初始化和聲記憶庫HM的和聲個數(shù)M,和聲記憶庫保留概率HMCR,記憶庫擾動概率PAR,最大迭代次數(shù)N; ④產(chǎn)生M個初始和聲,并記錄每個個體的適應(yīng)度值(這里的適應(yīng)度是分割后的孤立點與總谷底點的比率),從中隨機選擇一個個體。 (5)在[0,1]期間隨機生成r1,r2,采用改進的“調(diào)音”策略和BW的設(shè)置,產(chǎn)生新的個體,并進行谷底邊界檢測和適應(yīng)度計算,如果新個體優(yōu)于HM中的最差個體,則用其替換對應(yīng)的個體。 (6) 判斷是否達到終止條件,如果達到最大迭代次數(shù),最優(yōu)個體的v、d和T作為谷底邊界檢測算法的參數(shù),進行最終分割,否則轉(zhuǎn)步驟(5)。 (7) 最后采用形態(tài)學(xué)進行噪聲谷點去除、邊界跟蹤和區(qū)域合并[8]。 為了驗證本文所提出的邊緣檢測方法的性能,以福建金東礦業(yè)股份有限公司的鉛礦浮選廠泡沫圖像作為測試對象,硬件平臺為Intel(R) Core(TM) i5-4570 CPU@3.20GHz、4.00GB(RAM),仿真運行環(huán)境為Windows 7 Matlab 2014a。 首先對浮選泡沫圖像進行多尺度分解,為減少氣泡亮點對后續(xù)分割的影響,先對泡沫圖像直方圖均衡化后再做Contourlet變換,得到尺度1的低通圖像7(c),尺度2的兩個方向的高頻子帶圖像7(d)和(e),尺度3的4個子帶圖像7(f)、(g)、(h)和(i)。低頻反映的是氣泡的輪廓信息,6個方向的高頻子帶表現(xiàn)的則是氣泡的邊緣和紋理細節(jié)。 (a)原圖像 (b)直方圖均衡化 (c)低通圖像 (a) Original image (b) Histogram equalization (c) Low pass image (d)尺度2方向子帶1 (e)尺度2方向子帶2 (f)尺度3方向子帶1 (d) The 1st direction subband of 2nd scale (e)The 2nd direction subband of 2nd scale (f)The 1st direction subband of 3rd scale (g)尺度3方向子帶2 (h)尺度3方向子帶3 (i)尺度3方向子帶4 (g)The 2nd direction subband of 3rd scale (h)The 3rd direction subband of 3rd scale (i)The 4th direction subband of 3rd scale 圖7 氣泡圖像多尺度分解Fig.7 Multiscale decomposition of bubble image 對各方向高頻子帶系數(shù)進行閾值計算和非線性增益函數(shù)增強處理,尺度2和尺度3各個方向子帶系數(shù)的融合圖像如圖8(a)和8(d)所示,直接線性增強結(jié)果如圖8(b)和8(e)所示??梢姡湓谠鰪娺吘壍耐瑫r放大了噪聲,而非線性增益函數(shù)處理后的結(jié)果如圖8(c)和(f)所示,可見,采用非線性增益函數(shù)處是在增強邊緣同時抑制了噪聲。對低通圖像和增強后各個方向子帶圖像進行Contourlet反變換,得到最終的增強圖8(i),可以明顯看出,不僅增強了對比度和邊緣細節(jié),而且有效抑制了噪聲。圖8(g)為平穩(wěn)小波變換增強后的圖像,氣泡邊緣對比度得到了提高,但出現(xiàn)了局部亮度失真,及過增強現(xiàn)象, 部分邊緣細節(jié)被掩蓋。圖8(h)顯示,直接線性增強方法在提高對比度和邊緣細節(jié)的同時也擴散了噪聲,不利于后續(xù)處理。 (a)尺度2系數(shù)圖像 (b)尺度2直接增強 (c)尺度2非線性增強 (a)Coefficient image of 2nd scale (b) Direct enhancement of 2nd scale (c) Nonlinear enhancement of 2nd scale (d)尺度3系數(shù)圖像 (e)尺度3直接增強 (f)尺度3非線性增強 (d) Coefficient image of 3rd scale (e) Direct enhancement of 3rd scale (f) Nonlinear enhancement of 3rd scale (g)平穩(wěn)小波變換增強 (h)直接增強結(jié)果 (i)本文最終增強結(jié)果 (g) Enhanced by SWT (h) Result of direct enhancement (i) Enhanced by proposed algorithm圖8 氣泡圖像增強效果Fig.8 Enhancement effects of bubble image 采用文中提出的自適應(yīng)谷底檢測分割方法對中等大小的氣泡圖像進行分割實驗,參數(shù)設(shè)置為:①v為分數(shù)階積分的階數(shù)范圍:0.1≤v≤0.9;②d為中心模板像素大小,也就是檢測的谷底寬度,一般最大氣泡邊緣寬度不超過10,這里?。?≤d≤10;③T為谷底檢測閾值,T太大易導(dǎo)致邊緣不連續(xù)或丟失,T太小易導(dǎo)致邊緣太粗或者出現(xiàn)偽邊緣,實驗發(fā)現(xiàn)當(dāng)T>20時,只能檢測到大量的孤立邊緣,因此設(shè)置1≤T≤20;④和聲記憶庫HM的和聲個數(shù)M=6,和聲記憶庫保留概率HMCR=0.9,記憶庫擾動概率PAR=0.33,實驗發(fā)現(xiàn)迭代次數(shù)超過480后不再替代最差個體,因此設(shè)置最大迭代次數(shù)N=500。實驗結(jié)果如圖9所示(彩圖見期刊電子版),采用本文檢測算法在未增強圖像的情況下直接分割,結(jié)果如圖9(b)所示。結(jié)果顯示可以正確檢測部分氣泡邊界,一些弱邊界檢測不到,一些噪聲邊界卻被檢出。如果圖像先進行Contourlet多尺度增強后,再進行分割,則達到最大迭代次數(shù)后,最優(yōu)個體參數(shù)為:v=0.6、d=3、T=6,此時的分割結(jié)果如圖9(c)所示。結(jié)果顯示,氣泡邊界增強,而且噪聲大大地減少了。接著,進行噪聲谷點去除、邊界跟蹤、區(qū)域合并等后續(xù)處理,如圖9(d)~(e)所示,最后,與原圖疊加得到最終分割效果圖9(f),閉合了每一個氣泡,而且分割結(jié)果與實際氣泡的邊界也吻合。 將本文方法與Sobel檢測、Krisch檢測、大津閾值分割、迭代法閾值分割、Canny檢測、改進分水嶺分割等方法的分割效果和運行時間進行了比較,運行時間見表1。圖9(g)~9(i)分別是Sobel、Krisch和Canny檢測結(jié)果,這3種方法的運行效率較高,但因受光照,氣泡亮點邊界梯度強度的影響,導(dǎo)致這些法容易檢測到“偽”邊界,檢測結(jié)果不準確。圖9(j)為大津閾值分割的結(jié)果,該方法分割快,其能夠準確分割出白色亮點,亮點大小與氣泡大小相對應(yīng),但有些氣泡有多個亮點,有些氣泡卻沒有亮點,不能如實反映氣泡數(shù)量。而圖9(k)迭代法閾值分割的結(jié)果,雖然該方法的分割效率比大津閾值法高,但分割出的亮點大小均勻,無法反映氣泡的大小。圖9(l)是改進標記分水嶺分割結(jié)果,雖然運行時間是前面幾種方法的幾十倍,但能準確分割出大部分氣泡,使分割效果大大提高,因受光照影響大氣泡區(qū)域存在過分割,小氣泡區(qū)域存在欠分割現(xiàn)象。本文方法提取的邊緣連續(xù)性好,與實際氣泡的邊界較吻合,分割精度高。但是,相比其他方法,本文算法運行效率較低,雖然單次谷底檢測只需0.032 5 s的運行時間,但是Contourlet算法涉及矩陣運算、和聲搜索算法涉及迭代算法,這兩部分所需的運算時間分別為2.644 2 s和6.582 1 s。針對這一問題,可通過在Contourlet域進行多尺度谷底檢測和優(yōu)化搜索范圍來提高算法的運行效率,這將是本文的下一步研究工作。 (a)原圖像 (b)谷底檢測 (c)改進后谷底檢測 (d)噪聲谷點去除 (a)Original image (b) Valley detection (c) Improved Valley detection (d) Valley noises removed (e)邊界跟蹤及區(qū)域合并 (f)本文最終檢測結(jié)果 (g)Sobel檢測結(jié)果 (h)Krisch檢測結(jié)果 (e)Boundary tracing and (f)Result by proposed (g) Result by Sobel (h) Result by Krisch region merging algorithm (i)Canny (j)大津閾值分割 (k)迭代法閾值分割 (l)改進分水嶺分割 (i)Canny (j) OSTU (k) Iteration method (l) Improved watershed圖9 分割結(jié)果及比較Fig.9 Comparison of segmentation results by different methods (s) 為比較不同算法對不同大小不同類型的氣泡圖像的分割性能,圖10給出了較大、中等、較小氣泡圖像,分別運用文獻[5-6]改進的分水嶺泡沫圖像分割算法、文獻[8-9]傳統(tǒng)的谷底檢測分割算法,以及本文方法進行分割。圖10(b)為3種類型氣泡使用文獻[5-6]算法的分割效果,可以看出雖然大致范圍能分割出來,但是小氣泡區(qū)域標識難以提取,而且存在大量的欠分割,大氣泡由于受噪聲亮點的影響而存在過分割情況。圖10(c)為3種類型氣泡使用文獻[8-9]算法的分割結(jié)果,采用人工經(jīng)驗設(shè)置v=0.8,d=3,T=5,可以看出,中等大小氣泡分割效果較好,大氣泡和小氣泡存在很多噪聲谷底,而且邊界不連續(xù)。說明這組參數(shù)僅適合中等氣泡的分割,對于大氣泡和小氣泡必須做調(diào)整。圖10(d)為本文算法分割后與原圖進行融合后的效果,可以看出,由于新算法能根據(jù)氣泡類型自適應(yīng)調(diào)整分割參數(shù),3種類型氣泡都有較好的分割精度,減少了噪聲谷底。 (a)不同大小的氣泡圖像 (b) 文獻[5-6]算法 (c) 文獻[8-9]算法 (d) 本文算法 (a)Bubble images with different sizes (b)Results by paper [5-6] (c)Results by paper [8-9] (d)Results by proposed algorithm圖10 不同類型氣泡分割結(jié)果比較Fig.10 Segmentation results of different methods in diffenent types bubbles 為了定量分析分割算法的性能,通常采用差異法對圖像分割或邊緣檢測結(jié)果進行評估,本文采用Molina等提出的方法作為圖像邊緣檢測評估方法[20]。這里采用專業(yè)人員人工標注的氣泡邊緣作為真實的氣泡邊緣圖像,定義Ng為真實的氣泡數(shù)量,Nd為檢測的氣泡數(shù)量,Nt為檢測正確的氣泡數(shù)量。氣泡檢測效率(DER)及準確率(ACR)分別定義為: (11) (12) 選取90幅有代表性的泡沫圖像作為測試對象,較大、中等、小氣泡圖像各30幅,分別運用文獻[5-6]算法、文獻[8-9]算法及本文算法進行泡沫圖像分割,并計算DER與ACR平均值,以此衡量各算法性能,結(jié)果如表2所示。 表2 分割結(jié)果客觀評價 由以上統(tǒng)計可知,對于大氣泡、小氣泡圖像,采用文獻[5-6]算法進行分割,存在過分割和欠分割,檢測效率和準確率較低。使用文獻[8-9]算法進行分割的結(jié)果,因設(shè)置的v=0.8,d=3,T=5,只適合中等氣泡圖像,對其他兩種氣泡圖像的分割準確率低,不能應(yīng)對實時變化的工況。對于中等大小的氣泡圖像,文獻[5-6]、[8-9]算法的結(jié)果均低于本文算法。由此可知,本文算法對不同大小的氣泡圖像均具有良好的檢測效率與準確性,滿足浮選工況動態(tài)變化需求。 礦物浮選圖像噪聲大、邊界弱,傳統(tǒng)谷底分割算法由于參數(shù)固定,對于不同工況的氣泡圖像,無法達到最佳分割效果。針對這一問題,本文提出一種結(jié)合Contourlet多尺度邊緣增強及自適應(yīng)谷底邊界檢測的氣泡分割方法。對氣泡圖像進行Contourlet多尺度邊緣增強以抑制噪聲谷底,采用改進的和聲搜索算法,自適應(yīng)獲取不同大小氣泡圖像的谷底邊界檢測算法的最優(yōu)參數(shù),本文方法避免了過分割和欠分割提取的邊緣連續(xù)性好。實驗結(jié)果表明,該方法能夠有效地檢測出不同大小不同類型的氣泡邊緣,平均檢測效率(DER)和準確率(ACR)分別為91.2%和90.6%,較傳統(tǒng)分割方法有較大提高。提高該算法的運行效率,使其更具工業(yè)現(xiàn)場實用性,是下一步研究工作的重點。 [1]BERGH L G ,YIANATOS J B .The long way toward multivariate predictive control of flotation processes [J].JournalofProcessControl,2011,21(2s):226-234. [2]SAMEER H M ,MARTIN C H ,DEE J B .The use of machine vision to predict flotation performance [J].MineralsEngineering,2012,10(36-38):31-36. [3]SAMEER H M ,DEE J B , MARTIN C H .The use of the froth surface lamellae burst rate as a flotation froth stability measurement [J].MineralsEngineering,2012,36(10):152-159. [4]XU C H ,GUI W H ,YANG C H ,etal..Flotation process fault detection using output PDF of bubble size distribution [J].MineralsEngineering,2012,26:5-12. [5]CHEN X F ,GUI W H ,YANG C H ,etal.. Adaptive image processing for bubbles in flotation process [J].Measurement&Control,2011,44(4):121-125. [6]周開軍,桂衛(wèi)華,陽春華,等.基于模糊三值模式的礦物浮選泡沫圖像邊緣檢測方法[J]. 電子學(xué)報, 2014, 42(4): 658-664. ZHOU K J,GUI W H,YANG CH H,etal..Mineral floatation froth image edge detection method based on fuzzy ternary pattern [J].ActaElectronicaSinica, 2014, 42(4): 658-664. (in Chinese) [7]WANG W, BERGHOLM F, YANG B. Froth delineation based on image classification[J].MineralsEngineering, 2003, 16(11):1183-1192. [8]王衛(wèi)星,李泳毅,陳良琴. 基于谷點邊界掃描及區(qū)域合并的浮選氣泡提取[J].中國礦業(yè)大學(xué)學(xué)報,2013,42(6):1061-1065. WANG W X,LI Y Y,CHEN L Q.Bubble delineation on valley edge detection and region merge[J].JournalofChinaUniversityofMining&Technology,2013,42(6):1061-1065.(in Chinese) [9]王衛(wèi)星,吳林春. 基于分數(shù)階積分谷底邊界檢測的路面裂縫提取[J].華南理工大學(xué)學(xué)報(自然科學(xué)版),2014,42(1),117-122. WANG W X,WU L CH.Extraction of pavement cracks based on valley edge detection of fractional integral [J].JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition),2014,42(1),117-122.(in Chinese) [10]任志英,高誠輝,申丁,等. 雙樹復(fù)小波穩(wěn)健濾波在工程表面粗糙度評定中的應(yīng)用[J].光學(xué) 精密工程,2014,22(7):1820-1827. REN ZH Y,GAO CH H,SHEN D,etal.. Application of DT—CWT robust filtering to evaluation of engineering surface roughnes[J].Opt.PrecisionEng., 2014,22(7):1820-1827. (in Chinese) [11]李俊山,張士杰,楊亞威,等. 基于邊緣分離的去振鈴復(fù)原[J].光學(xué) 精密工程,2014,22(3):797-805. LI J SH,ZHANG SH J,YANG Y W,etal.. Edge-detached image restoration with ringing reduction [J].Opt.PrecisionEng., 2014,22(3):797-805. (in Chinese) [12]徐冬,孫蕾,羅建書. 結(jié)合NAPCA和復(fù)小波變換的高光譜遙感圖像去噪[J].紅外與激光工程,2015,44(1):327-334. XU D, SUN L, LUO J SH. Denoising of hyperspectral remote sensing imagery using NAPCA and complex wavelet transform [J].InfraredandLaserEngineering,2015,44(1):327-334.(in Chinese) [13]吳一全,殷駿.結(jié)合Contourlet 與ACPSO 的紅外熱波圖像增強[J].系統(tǒng)工程與電子技術(shù),2015,37(2):443-448. WU Y Q,YIN J. Enhancement of infrared thermal wave images based on contourlet and adaptive chaotic variation particle swarm optimization[J].SystemsEngineeringandElectronics,2015,37(2):443-448. (in Chinese) [14]周妍,李慶武,霍冠英.基于非下采樣Contourlet變換系數(shù)直方圖匹配的自適應(yīng)圖像增強[J].光學(xué) 精密工程,2014,22(8):2214-2222. ZHOU Y,LI Q W,HUO G Y. Adaptive image enhancement based on NSCT coefficient histogram matching [J].Opt.PrecisionEng., 2014,22(8):2214-2222.(in Chinese) [15]張紅英,羅曉清,吳小俊. 基于CHMM的尖銳頻率局部化Contourlet域圖像去噪[J].紅外與激光工程,2014,43(7):2341-2348. ZHANG H Y, LUO X Q, WU X J. Contextual hidden Markov model based image denoising in sharp frequency localized Contourlet transform domain [J].InfraredandLaserEngineering,2014,43(7):2341-2348.(in Chinese) [16]ORAN M G, MAHDAVI M. Global best Harmony search[J].AppliedMathematicsandComputation, 2008, 198(2): 643-666. [17]DO M N,VETTERLI M.The contourlet transform: an efficient directional multiresolution image representation[J].IEEETransactionsonImageProcessing,2005,14(12):2091-2106. [18]趙九龍,馬瑜,李爽,等. 三維醫(yī)學(xué)圖像的混合噪聲去除方法[J].液晶與顯示,2015,30(2):340-346. ZHAO J L, MA Y, LI SH,etal..Mixed noise removing method for three-dimensional medical images[J].ChineseJournalofLiquidCrystalsandDisplays, 2015,30(2):340-346.(in Chinese) [19]DAS S, MUKHOPADHYAY A, ROY A,etal.. Exploratory power of the harmony search algorithm: analysis and improvements for global numerical optimization[J].IEEETransactionsonSystems,Man,andCybernetics-PartB:Cybernetics, 2011, 41(1):89-106. [20]LOPEZ M C,DE B B,BUSTINCE H .Quantitative error measures for edge detection[J].PatternRecognition,2013,46(4):1125-1130. 廖一鵬(1982-),男,福建泉州人,博士研究生,講師,2005年、2008年于福州大學(xué)分別獲得學(xué)士、碩士學(xué)位,主要從事圖像處理與模式識別方面的研究。E-mail: fzu_lyp@163.com 王衛(wèi)星(1959-),男,湖南邵陽人,博士,教授,博士生導(dǎo)師,1982年和1985年分別在國內(nèi)獲得學(xué)士學(xué)位和工程碩士學(xué)位,1997年于瑞典皇家工學(xué)院獲得博士學(xué)位,主要從事圖像處理與模式識別、機器視覺應(yīng)用等方面的研究。E-mail: znn525d@qq.com (版權(quán)所有未經(jīng)許可不得轉(zhuǎn)載) Flotation froth image segmentation based on multiscale edge enhancement and adaptive valley detection LIAO Yi-peng*, WANG Wei-xing (College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China)*Correspondingauthor,E-mail:fzu_lyp@163.com To overcome the weak edges and large noise of flotation froth image, and to solve the weakness of traditional valley detection algorithm on different kinds of bubble segmentation sizes, a froth image segmentation method was proposed based on Contourlet transform multi-scale edge enhancement and adaptive valley detection. Firstly, the froth image was decomposed by using the Contourlet transfom to obtain multi-scale and multi-direction sub-band coefficients. Then, thresholds of the nonlinear enhancement function were determined according to the coefficients of each scale to enhance edges and suppress the noise. Furthermore, the optimal position adjustment strategy and parameter setting of HS were improved to find the optimal parameters of valley detection algorithm and to detect the different kinds edges of bubble image size. Finally, segmentation experiment was performed and obtained result was further improved by morphological processing. Experiments show that the proposed method effectively detects the edges of different type of bubbles adaptively, and the average detection efficiency (DER) is 91.2% and the average accuracy (ACR) is 90.6%, which is much better than that of traditional methods. This method has high precision, good adaptive ability, and does not need to adjust parameters manually. flotation froth image; image segmentation; Contourlet transform; multi-scale edge enhancement ; adaptive valley detection; harmony search algorithm 2016-05-13; 2016-06-22. 國家自然科學(xué)基金資助項目(No. 61170147,No. 61471124) 1004-924X(2016)10-2589-11 TP391.4 Adoi:10.3788/OPE.20162410.25894 實驗結(jié)果與分析
5 結(jié) 論