煤泥浮选泡沫图像大小对其识别的影响

摘 要：通过对煤泥浮选泡沫图像的任意大小、200×200象素图像和256×256象素图像的纹理特征分析，得出表征图像的纹理特征，并用此纹理特征作为图像识别的学习样本，在自组织神经网络的竞争学习下进行分类，得出了不同大小图像的识别结果，200×200象素图像的识别正确率达74%，256×256象素图像的识别正确率达到77%。

关键词：浮选泡沫；图像大小；纹理特征；自组织神经网络

一、前言

我国是煤炭生产和利用大国，煤炭是我国的主要能源，也是重要的工业原料。同国外煤炭资源相比，中国煤炭资源具有煤种多，高灰、高硫煤比重大，煤炭洗选难等特点。随着工业生产的不断发展，对煤炭资源利用率的要求越来越高。而目前国内的煤矿开采多是大型机械化，在煤的开采、装载、运输、洗选过程中煤粒会不断变小，存在大多数细粒煤，这也增加了煤泥浮选的工艺和难度。

煤泥浮选过程是在气、固、液的三相矿浆体中进行的，并且是一个复杂的物理化学过程，浮选机理主要是根据煤和矸石表面物理化学性质的差异进行的，其中煤的表面显疏水性，而矸石表面显亲水性[1]。煤泥浮选是根据煤泥中精煤和矸石表面润湿性的差异，通过气泡的上浮作用，将精煤从煤泥中分离的过程。为了能更好的实现煤泥浮选自动控制对煤泥浮选泡沫的分类判断就尤为重要，它也是实现煤泥的浮选自动控制不可缺少的部分，为此，本文在刘文礼研究的煤泥浮选泡沫图像的基础上对任意大小、固定大小的图像进行对比研究分析，进一步分析煤泥浮选泡沫图像的识别情况。

二、浮选泡沫图像的准备：

本文以刘文礼等[2]在实验室浮选柱浮选过程中拍摄的50组（每组有两次平行实验），共100幅浮选泡沫图像作为研究对象。煤泥浮选泡沫图像的合理选取对浮选泡沫图像的研究有重要意义。本文中分别采用了三种不同大小的图像，即：任意大小的图像、200×200象素图像和256×256象素图像，其中任意大小的图像是刘文礼在进行煤泥浮选泡沫识别研究课题时所切割出来的，为了与固定大小图像进行对比，借鉴了他的图像，作为第一类图像（如图1所示）。在其中心部分进行切割，在具有代表性的部分中切割出大小为200×200象素图像和256×256象素图像，用Photoshop[3]图像处理软件进行选取图像，选取出的图像分别如图2和图3所示。把所得三种不同大小图像分别归类，为以后研究提供方便。

三、浮选泡沫图像的纹理特征分析

本次研究应用了刘文礼编制的图像纹理特征统计分析软件，对200×200象素图像和256×256象素图像进行特征提取，即：提取出邻域灰度相关矩阵的特征参数{能量、能量比E（90）/E（0）、熵、惯性距}和空间灰度相关矩阵的特征参数{细度、粗度、不均匀性、二阶距、熵}，下面列出了一组200×200象素图像的空间灰度相关矩阵特征参数值（见表3.1）和同一组200×200象素图像领域灰度相关矩阵特征参数值（见表3.2）[4]。而任意大小的图像的纹理特征参数以刘文礼研究的为准。

通过分析提取的纹理特征得出以下结论：

1.分析200×200象素图像的所有SGLDM和特征，得出能表征200×200象素图像的纹理特征有{能量、熵（空间）、惯性距、细度、粗度、不均匀性、熵（领域）}，其中SGLDM中的能量比也与浮选时间的相关性较好，在图像识别过程中也可作为参考。

2.分析256×256象素图像的所有SGLDM和NGLDM特征，得出能表征256×256象素图像的纹理特征有{能量、能量比、熵（空间）、惯性距、细度、粗度、不均匀性、熵（领域）}，其中的能量比，还有待于在图像识别中看其是否对图像识别正确率的影响来进一步验证它是否能表征此浮选泡沫图像的特征。

3.图像的大小对浮选泡沫图像纹理特征的影响，具体表现在：能量特征的浮选初期变化；熵（空间）特征在浮选初期和后期的变化，在固定大小图像中，熵（空间）在浮选后期的变化趋势较任意大小图像的明显；惯性距特征在任意大小图像中的变化趋势没有固定大小明显；固定大小图像中的细度特征在浮选后期变化趋势明显；在固定大小图像中粗度与浮选时间的相关性比任意大小图像的要差；熵（领域）特征在固定大小图像中随浮选时间延长的变化趋势比在任意大小图像中变化趋势明显稳定。图像的大小对煤泥浮选泡沫的纹理特征有影响，总体分析得知，任意大小图像中各个特征之间的可比性较固定大小图像中的稍有不足，亦是同样大小的图像的纹理特征的可比性要比任意大小图像的纹理特征的可比性要强。

四、图像的识别分析

1、煤泥浮选泡沫图像识别的类别：

在浮选过程中，不同的过程对应有不同的浮选泡沫，通常，煤泥浮选过程的泡沫图像有4类，图4为典型的代表图[2]。

A类泡沫：气泡形状不规则，大多数为细长扁平形的，气泡与气泡间的以连生体存在，矿化程度高，气泡负荷过多。

B类泡沫：气泡表面负荷相对减少，气泡增大，但泡沫大小不均，夹带部分大气泡。

C类泡沫：表现为气泡大小适中，气泡上有坚实的矿物负荷。

D类泡沫：气泡一负荷量大大减少，气泡多为虚泡，不稳定，容易破裂或兼并。

2、煤泥浮选泡沫图像的识别

自组织神经网络（SOM网络）是一种在无监督下进行训练学习的网络，其SOM网的工作原理，即胜者为王（Winner-Take-All）学习规则[5，6]是训练网络的关键，它是由输入层和竞争层两层构成，能够对输入样本空间的所有特征及其内部关系进行学习，并对新的输入样本进行判断，通过竞争学习规则对网络进行训练，把具有相似输入矢量的模式经SOM网络判断后归属于特定的某一输出神经元。通过分析SOM网络的结构、学习规则、学习算法和在算法中的学习样本和权系数的归一化问题[4]。用Matlab语言[7]实现了煤泥浮选泡沫图像的识别算法，建立了煤泥浮选泡沫图像的识别模型。用所建识别模型对100幅实验室200×200象素和256×256象素浮选泡沫图像分别进行了识别，识别结果（识别结果的标准以专家肉眼识别为标准）如下：

1）对100幅实验室200×200象素浮选泡沫图像选取了SGLDM的{能量、熵、惯性距}和NGLDM的{细度、粗度、不均匀性、熵}作为识别模型中的学习样本，把图像分为4类，分类结果如下：

参考文献

[1] 蔡璋.浮游选煤与选矿[M].北京：煤炭工业出版社，1991

[2] 刘文礼.煤泥浮选泡沫的数字图像处理[D].中国矿业大学（北京校区），2000.

[3] 王亚芬，季海峰 Photoshop7标准教程[M].海洋出版社，2002.7

[4] 杜高仕.煤泥浮选泡沫图像识别算法的研究与实现[D].中国矿业大学（北京校区），2006.

[5] 王文成.神经网络及其在汽车工程中的应用[M].北京理工大学出版社1998.7

[6] 胡守仁，余少波，戴葵.神经网络导论[M].国防科技大学出版社.1997.8

[7] 飞思科技产品研发中心 MATLAB6.5辅助神经网络分析与设计[M].电子工业出版社 2003，1

2）在不同特征学习样本下识别100幅实验室256×256象素浮选泡沫图像，以SGLDM的{能量、熵、惯性距}和NGLDM的{细度、粗度、不均匀性、熵}这7个纹理特征作为学习样本空间时，通过识别模型学习训练，把图像分为4类，

SOM网络对256×256象素的100幅浮选泡沫图像（7个特征）的分类结果

类别 专家识别图像总数 SOM网络分类结果

得到的正确识别率分别A类为80%，B类为68.6%，C类为66.7%，D类为90.5%，总正确识别率为75%；以SGLDM的{能量、能量比、熵、惯性距}和NGLDM的{细度、粗度、不均匀性、熵}8个纹理特征作为学习样本空间进行分类识别时，得到如下结果：

SOM网络对256×256象素的100幅浮选泡沫图像（8个特征）的分类结果类别 专家识别图像总数 SOM网络分类结果

其正确识别率分别为：A类为85%，B类为71.4%，C类为66.7%，D类为90.5%，总正确识别率为77%，其中A、B两类及总正确识别率能都得到提高，分别提高了5%、2.9和2%。

五、结语

本文通过对任意大小图像和固定大小图像纹理特征的对比分析发现，在固定大小图像中能表征图像特征纹理特征增加，施于SOM网络时，可以提高煤泥浮选泡沫图像的识别率。对煤泥浮选泡沫图像的进一步研究方向有：通过其它算法找出能表征煤泥浮选泡沫图像纹理统计特征的参数，通过图像预处理方法提高图像纹理特征与浮选时间的相关性；通过滤波、边缘增强等图像预处理方法对浮选泡沫图像进行处理，以提高煤泥浮选泡沫图像的识别率，并在识别图像时能缩短训练时间，提高学习效率，最终实现实时的工业控制。（作者单位：长治职业技术学院）