摘  要： 针对浮选视频图像获取过程中出现的图像质量问题，提出一种浮现泡沫视频图像自适应筛选方法。首先通过分析浮选图像纹理特征选取评价参数，然后采用改进BP神经网络建立图像质量评判模型，对不同质量图像进行评判筛选。实验证明，该方法筛选速度快且识别正确率和效率高，筛选后的图像分割效果好。

　　关键词： 浮选图像；BP神经网络；图像质量

0 引言

　　现代选矿工业中，泡沫浮选的主要目的就是提高矿物中精矿的品位[1]。浮选工艺复杂，是一个含有固、液、气三相变化的物理化学过程[2]，并且泡沫表面运动状态不稳定，获取的图像特征也各不相同。传统生产方式主要是人工控制，并且有主观依赖性大、劳动强度大、资源利用率低等局限[3]。随着机器视觉和数字图像处理技术应用到浮选中，通过机器实时对浮选表面进行监控，提取特征参数。这些特征参数主要包括泡沫大小、形状、纹理特征、流速[4]等。

　　针对浮选图像质量的评价，只有无参考质量评价方法。有些学者通过利用共生矩阵内的纹理特征参数[5]对图像进行质量评价。本文通过提取浮选泡沫图像纹理特征参数并利用BP神经网络，建立浮选图像质量评价模型[6]，然后采用经典改进分水岭分割算法[7]来验证所筛选图像处理效果。实验证明：本文所用浮选图像质量评价方法可以筛选出不同质量浮选图像，筛选出来的合格图像分割效果明显，而且自动识别准确率得到了提高。

1 灰度共生矩阵理论及特征参数提取分析

　　1.1 灰度共生矩阵参数提取

　　灰度共生矩阵表达了图像灰度分布在空间位置上反复出现情况，其定义为θ方向上相隔距离d的一对像素分别具有灰度值i和j出现概率，记为P（i，j；d，θ）。设f（x，y）是对应图像空间位置坐标（x，y）的灰度值，L为图像灰度等级，Lr、Lc代表图像行和列的维数。f（x，y）=i和f（x+Dx，y+Dy）=j为像素对，取值为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）

　　本文选取灰度共生矩阵中4个纹理特征，以及图像灰度和高亮区域所占比例作为浮选图像质量评价指标。各特征参数表达式如下所示：

　　（1）图像能量asm为：

　　其中，Sw为高亮区域的像素总数，S为总像素数。

　　1．2 各项特征参数数据特性分析

　　本文在研究分析时分别选取曝光过度图像、曝光不足图像、模糊图像以及正常图像各30幅，并提取各特征参数。图1是图像纹理特征分布状态。

　　图1中（a）到（f）分别为对应能量、熵值、惯性矩、相关度、灰度均值和高亮区域比率评价指标的分布图。从图1中纹理特征分布图中可以明显看出，不同质量浮选泡沫图像之间特征参数分布差别明显，但是有些特征参数的分布区分度较低。

2 BP神经网络算法

　　2.1 神经网络结构

　　BP神经网络原理通过误差反向传播算法对网络进行不断训练，减少目标与实际输出误差，按照输出层到中间层再到输出层的顺序逐渐修正连接权值。通过不断修正误差，提高输入正确率[8]。BP神经网络结构图如图2所示。

　　把4种不同质量图像并分别设为1~4共4个等级并编码，分别为1000、0100、0010、0001。对应有4个输出神经元。隐含层神经元经过试验得出神经元个数为34时学习效率最小。

　　BP网络的学习过程为：

　　（1）初始化权值wi，j和vi，j，阈值j和t在（-1，1）之间随意取值。

　　（2）选取任意一组输入（a1k，a2k，a3k，…，ank）和目标样本（y1k，y2k，…，yqk）输入网络。

　　（3）计算网络目标向量（y1k，y2k，…，yqk）与实际输出ct的一般化误差dt。

　　（4）通过vij，dt和中间层输出bj计算中间每个单元一般性误差ejk。

　　（5）利用dt，bj修正权值vij和阈值t。最后通过ejk和输入（a1k，a2k，a3k，…，ank）修正输入层和隐含层的权值wi，j和阈值j。

　　2.2 BP神经网络算法改进

　　BP神经网络经常会陷入局部极小值和收敛，本文采用附加动量法和自适应学习速率法对BP神经网络进行改进。附加动量法对权值wi，j在反向传播基础上对前一次权值进行加权产生新权值，计算公式如式（8）所示。

　　其中，?浊为学习效率，?琢为动量因子，n为训练次数。附加动量法可以使权值误差更加接近误差曲线最底部，使之可以跳出局部极小值。其收敛机制如式（9）所示。

　　其中，E（n）表示第n步误差。

3 实验仿真结果与分析

　　本文中采用双层网络结构，隐含层传递函数tansig（n），输出层传递函数logsig（n）。最小均方误差和学习效率为0.01和0.1，动量系数为0.95。将图1中样本数据作为样本学习训练，另取80组数据作为校验样本。校验样本如表1所示，仿真结果如表2所示，分析实验结果和人工判别成功率如表3所示。

　　由表1和表2看出，本文方法所判别结果与实际图像结果一致。在试验中，对150幅图像处理时间不到  0.01 s，完全可以满足现场需求，且判别正确率比人工识别精确。对筛选后不同质量的图像进行了经典改进分水岭算法分割，分割效果对比如图3所示。

　　从图3可以看出，不同质量浮选泡沫图像的分割效果，经过分水岭算法的分割后，（a）图像泡沫基本被分割出来，（b）、（c）和（d）图像分割效果非常差。经过筛选，在对高质量图像进行分割或是特征参数提取时，结果更准确，处理效果更好。

4 结论

　　数字图像处理技术应用于工业浮选是为了辅助生产，提高矿物回收率，降低劳动强度。本文选取浮选图像纹理特征作为图像质量评价指标，通过分析各因子随时间序列分布状态，并利用改进的BP神经网络生成浮选视频图像自适应筛选模型。该模型可以快速准确地对浮选图像进行质量评价，筛选出不同质量浮选泡沫图像，提高图像识别效率和精度。在今后研究中，把该图像质量评价结果应用于浮选图像智能采集，实现图像采集系统自动控制，当曝光过度时，可以采用减少曝光时间、减少进光量或降低图像亮度，反之，增大曝光时间。对于模糊图像直接从图像序列中删除掉，由此提高浮选实时监控系统实用性和图像采集效率。

　　参考文献

　　[1] 何桂春，黄开启.浮选指标与浮选泡沫数字图像关系的研究[J].金属矿山，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] 刘文礼，路迈西，王勇，等.煤泥浮选泡沫纹理特征的提取及泡沫状态识别[J].化工学报，2003，54（6）：832-372.

　　[4] 阳春华，周开军，牟学民，等.基于计算机视觉的浮选泡沫颜色及尺寸测量方法[J].仪器仪表学报，2009，30（4）：717-721.

　　[5] 杨彪，江朝晖，陈铎，等.基于客观参数的图像质量评估[J].计算机仿真，2009，26（5）：232-235.

　　[6] 范媛媛，桑英军，沈湘衡.基于BP神经网络的图像质量评价参数优化[J].应用光学，2011，6（32）：1150-1156.

　　[7] 丁伟杰，范影乐，庞全.一种改进的基于分水岭算法的粘连分割研究[J].计算机工程应用，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.