王浩然 楊煉鑫 張劍書

摘要：二氧化硅的融化行為可以在很大程度上代表鐵尾礦的融化行為。通過CCD攝像機(jī)可以以非接觸式的方法采集到二氧化硅融化過程的時(shí)序圖像，利用圖像分割、邊緣檢測等一系列圖像分析算法從圖像中提取原始圖像數(shù)據(jù)的輪廓特征，并在此基礎(chǔ)上通過DBSCAN密度聚類算法提取二氧化硅的輪廓，以發(fā)現(xiàn)圖像數(shù)據(jù)中二氧化硅的質(zhì)心的位置數(shù)據(jù)?；诙趸璧膶?shí)時(shí)質(zhì)心位置數(shù)據(jù)可以進(jìn)一步發(fā)現(xiàn)二氧化硅的融化速率，為提高鐵尾礦的利用率提供理論依據(jù)。

關(guān)鍵詞：圖像分割; 邊緣檢測; DBSCAN算法; 二氧化硅融化過程;二氧化硅質(zhì)心位置

中圖分類號：TP18? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）23-0001-03

Abstract：The melting behavior of silicon dioxide can largely represent the melting behavior of iron tailings. The time sequence image of silicon dioxide melting process can be collected by CCD camera in a non-contact way. A series of image analysis algorithms such as image segmentation and edge detection can be used to extract the contour features of the original image data. In order to find the centroid position of silicon dioxide， it is necessary to extract the contour of silicon dioxide by DBSCAN density clustering algorithm. Based on the real-time centroid position data of silicon dioxide， the melting rate of silicon dioxide can be further found， which provides a theoretical basis for improving the utilization rate of iron tailings.

Key words：image segmentation; edge detection; DBSCAN algorithm; the melting process of silicon dioxide; the centroid position of silicon dioxide

1 引 言

高爐渣是高爐煉鐵過程中產(chǎn)生的固體廢料，鐵尾礦是選礦過程中產(chǎn)生的殘?jiān)?，這些廢棄物如不能很好地處理會造成大量的資源浪費(fèi)和環(huán)境污染[1]。目前，利用高爐渣和鐵尾礦來制造礦渣棉可以將這些材料變廢為寶[2]，其實(shí)現(xiàn)關(guān)鍵在于如何監(jiān)測高溫熔池中鐵尾礦的融化行為。考慮到高溫熔池中的溫度高達(dá)1500℃，這對于監(jiān)測設(shè)備來說是非常大的考驗(yàn)，而采用CCD攝像機(jī)可以在非接觸的方式下采集融化過程的圖像數(shù)據(jù)，基于此分析其融化過程是一個(gè)新的研究思路。

二氧化硅是鐵尾礦的主要成分[3]，同時(shí)也是其最難融化的成分，因此二氧化硅的融化行為可以間接地表示鐵尾礦的融化行為?；诙趸璧娜诨袨闃?gòu)建鐵尾礦融化模型可以為渣棉制備過程中尾礦添加和熱補(bǔ)償提供了指導(dǎo)，從而間接改善了高爐渣直接成纖維技術(shù)。本文基于DBSCAN聚類算法提出了一種鐵尾礦融化過程中二氧化硅的質(zhì)心定位算法，可以從CCD圖像數(shù)據(jù)中提取出二氧化硅的質(zhì)心，為鐵尾礦融化模型的構(gòu)建奠定基礎(chǔ)。

2 基于DBSCAN的二氧化硅融化過程中質(zhì)心定位

我們研究的原始數(shù)據(jù)來源于通過CCD設(shè)備以1秒/幀的采樣頻率采集到的高溫熔池中二氧化硅的熔融過程，共有114張圖片。我們將首先通過裁剪和灰度化操作對原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，然后選擇合適的算子提取圖像的邊緣特征，并通過二值化和密度聚類的方法對邊緣特征進(jìn)行降噪處理，在此基礎(chǔ)上做進(jìn)一步地聚類提取二氧化硅的輪廓信息，最后通過質(zhì)心計(jì)算公式獲取二氧化硅的質(zhì)心坐標(biāo)。

2.1數(shù)據(jù)預(yù)處理

CCD攝像機(jī)采集到的原始圖像數(shù)據(jù)如圖1（a）所示，其中左側(cè)黑色的部分為坩堝容器外的背景，右側(cè)高亮的圓形盆狀物是容器坩堝。由于在數(shù)據(jù)采集的過程中CCD攝像機(jī)和坩堝的位置都是固定的，因此可以對每張圖片進(jìn)行裁剪的操作，從而除去左側(cè)無用的部分從中提取出僅包含坩堝和二氧化硅的圖像，如圖1（b）所示，裁剪后的圖片中中間偏左的不規(guī)則塊狀物即為二氧化硅。

另外， CCD攝像機(jī)采集到的原始數(shù)據(jù)既有彩色圖像也有灰度圖像，為了保證數(shù)據(jù)的一致性，同時(shí)考慮到顏色特征對于質(zhì)心的定位影響不大，因此首先通過加權(quán)平均法對彩色圖像進(jìn)行灰度化處理，處理前后的二氧化硅融化圖像如圖2所示。

2.2邊緣檢測

為了從灰度圖像中提取二氧化硅的質(zhì)心，需要首先從圖像中提取出二氧化硅的輪廓[4]，對于圖2中的灰度圖像分別使用了Canny[5]、Scharr[6]和Kirsch[7]三種常用的邊緣檢測算子進(jìn)行處理，處理的結(jié)果如圖3所示。

從圖3可以看出用Canny算子處理后，輪廓特征丟失比較嚴(yán)重，二氧化硅的輪廓不是很清晰;而在用Kirsch算子處理的結(jié)果中，對比原圖像，二氧化硅輪廓偏離正確位置。因此，相比較而言Scharr算子可以較好地提取出圖像中二氧化硅的輪廓信息。

2.3特征去噪

從圖3中可以發(fā)現(xiàn)經(jīng)過邊緣檢測處理后得到的邊緣特征圖像中仍然存在大量的噪聲，我們無法直接基于此獲取到二氧化硅的邊緣像素坐標(biāo)，因此還需要對邊緣特征圖像進(jìn)行去噪處理。

2.3.1二值化處理

一般，屬于圖像輪廓特征的像素點(diǎn)的顏色會比較深，而噪聲則大多是顏色比較淺，因此可以通過設(shè)定閾值θ對灰度圖像進(jìn)行二值化處理，以消除大部分的噪聲。為了選取合適的閾值θ進(jìn)行二值化處理，設(shè)定閾值初始值為70，間隔為10，進(jìn)行二值化處理，處理后的效果圖如圖4所示。

從圖4可以發(fā)現(xiàn)，閾值較低時(shí)，雖然圖像中的輪廓特征明顯，但噪聲抑制的較差，不能達(dá)到特征去噪的效果，而當(dāng)閾值設(shè)置較高時(shí)，噪聲得到明顯抑制的同時(shí)輪廓特征也同時(shí)被抑制。當(dāng)閾值設(shè)定為90時(shí)，輪廓特征完整，且噪聲得到的一定的抑制，處理效果比較好。此時(shí)，將二值化處理后圖像中像素為0的點(diǎn)的像素坐標(biāo)記錄下來，構(gòu)成數(shù)據(jù)集Dn以待后續(xù)分析。

2.3.2密度聚類

通過二值化處理后的圖像中還存在部分噪聲，這些噪聲對于二氧化硅輪廓的提取仍會造成一定的干擾。同時(shí)，考慮到屬于圖像輪廓特征的像素點(diǎn)，在距離上一般呈現(xiàn)連續(xù)的特征，而噪聲則大多是在距離上離散的像素點(diǎn)，因此我們將采用基于密度的聚類方法（DBSCAN算法）對邊緣特征圖像做進(jìn)一步地去噪處理。

DBSCAN是一種密度聚類算法，通過使用一組關(guān)于“鄰域”的參數(shù)（ε，MinPts）來描述樣本分布的緊密程度。與劃分和層次聚類方法不同，它聚類的時(shí)候不需要預(yù)先指定簇的個(gè)數(shù)，最終的簇的個(gè)數(shù)也不定。DBSCAN算法需要先設(shè)定在ε鄰域內(nèi)的半徑Eps和點(diǎn)的數(shù)量MinPts，之后可將數(shù)據(jù)點(diǎn)分為三類，分別是核心點(diǎn)、邊界點(diǎn)和噪聲點(diǎn)，核心點(diǎn)是指在半徑Eps內(nèi)含有的點(diǎn)數(shù)量超過MinPts數(shù)目的那些點(diǎn)，邊界點(diǎn)是指在半徑Eps內(nèi)點(diǎn)的數(shù)量小于MinPts，但落在核心點(diǎn)鄰域內(nèi)的點(diǎn)，噪聲點(diǎn)是指不在任何鄰域內(nèi)的點(diǎn)。然后刪除噪音點(diǎn)。接下來為距離在Eps之內(nèi)的所有核心點(diǎn)之間賦予一條邊，每組連通的核心點(diǎn)組成一個(gè)簇，最后將每個(gè)邊界點(diǎn)分類到與之關(guān)聯(lián)的核心點(diǎn)的簇中。

我們設(shè)定DBSCAN的掃描半徑（eps）為10，最小包含點(diǎn)數(shù)（minPts）為6，以2.3.1節(jié)中得到的輪廓特征點(diǎn)的集合Dn為例，將15960點(diǎn)共分為150類，并將每個(gè)類中數(shù)據(jù)點(diǎn)數(shù)量小于300的類刪除，得到第二次特征去噪的結(jié)果即為新的輪廓特征點(diǎn)的集合Dn，如圖5所示。

2.4輪廓提取

考慮到2.3節(jié)中得到的去噪后的輪廓特征集合Dn中不僅包含二氧化硅的輪廓還包含坩堝容器的輪廓信息，因此我們還需要對其進(jìn)行二次聚類，依舊采用DBSCAN算法，調(diào)整其聚類參數(shù)，將掃描半徑（eps）設(shè)置為25，最小包含點(diǎn)數(shù)（minPts）設(shè)置為10，得到的二次DBSCAN聚類的前9類聚類點(diǎn)的集合結(jié)果如圖6所示。

從圖6可以看出，通過二次DBSCAN聚類可以將特征圖像中屬于二氧化硅的輪廓的像素點(diǎn)和屬于坩堝容器的像素點(diǎn)區(qū)分開，聚類結(jié)果中的第4類中包含的像素點(diǎn)集合DSiO?即為圖像中二氧化硅的輪廓。

2.5質(zhì)心搜索

針對2.4節(jié)中提取出的二氧化硅輪廓特征點(diǎn)的集合DSiO?，通過以下公式計(jì)算二氧化硅的形心：

其中（xi，yi）為二氧化硅輪廓特征點(diǎn)的集合DSiO?中的像素點(diǎn)，N為二氧化硅輪廓特征點(diǎn)的集合DSiO?中的像素點(diǎn)的個(gè)數(shù)。

對于2.4節(jié)中得到的特征點(diǎn)的集合，計(jì)算得到的二氧化硅形心如圖7（a）所示，其中黑色的像素點(diǎn)即為計(jì)算得到的二氧化硅的形心。采用上述方法，求出用CCD攝像機(jī)采集到的二氧化硅的熔融過程的圖像序列中每一張圖像中二氧化硅的形心，利用曲線擬合這些形心點(diǎn)坐標(biāo)，即可獲得形心運(yùn)動(dòng)軌跡，結(jié)果如圖7（b）所示，其中紅色的折線為二氧化硅熔融過程中的形心運(yùn)動(dòng)軌跡。

3 結(jié)論

針對用CCD攝像機(jī)獲取到的高溫熔融過程中的二氧化硅的圖像數(shù)據(jù)，本文提出了一種基于DBSCAN聚類的輪廓特征提取方法，可以有效地從圖像中提取二氧化硅的輪廓，并在此基礎(chǔ)上檢測到二氧化硅在熔融過程中質(zhì)心的位置變化過程?；诖?，可以進(jìn)一步地提取二氧化硅的形狀、周長、面積等數(shù)據(jù)來構(gòu)建二氧化硅的邊緣輪廓特征指數(shù)，并以此評估二氧化硅的融化速率，為鐵尾礦的融化過程提供參考依據(jù)，提高材料的利用率。

參考文獻(xiàn)：

[1] 劉愛平，曹苗佳，張雄濤.鐵尾礦規(guī)?；醚芯楷F(xiàn)狀及其利用途徑[J].中國金屬通報(bào)，2019（11）：279-280.

[2] 邢宏偉，劉振超，梁偉，等.鐵尾礦在高爐熔渣調(diào)質(zhì)過程中熱力學(xué)行為的研究[J].鋼鐵釩鈦，2017，38（5）：90-95，100.

[3] 于洪浩.鞍山高硅鐵尾礦的增值化利用研究[D].沈陽：東北大學(xué)，2010.

[4] 張晗，錢育蓉，王躍飛，等.基于圖像邊緣增強(qiáng)與弱化的邊緣檢測[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（11）：3106-3110.

[5] Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，PAMI-8（6）：679-698.

[6] Scharr H，Weickert J.An anisotropic diffusion algorithm with optimized rotation invariance[M]//Informatik aktuell. Berlin， Heidelberg： Springer Berlin Heidelberg， 2000： 460-467.

[7] Kirsch R A.Computer determination of the constituent structure of biological images[J].Computers and Biomedical Research， 1971，4（3）：315-328.

[8] Ester M，Kriegel H P，Sander J，et al.A density-based algorithm for discovering clusters in large spatial databases with noise[EB/OL].1996.

[9] 王光，林國宇.改進(jìn)的自適應(yīng)參數(shù)DBSCAN聚類算法[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-8[2020-02-07].

[10] Gan J H，Tao Y F.DBSCAN revisited：mis-claim，un-fixability，and approximation[C]//Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data - SIGMOD '15. May 27-June 4， 2015. Melbourne， Victoria， Australia. New York： ACM Press， 2015： 519-530.

【通聯(lián)編輯：唐一東】