烧结矿矿相显微图像识别及系统开发

范晓慧，赵忠花，陈许玲，甘敏，王祎

(中南大学 资源加工与生物工程学院，湖南 长沙，410083)

1 烧结矿显微图像特征

烧结矿的矿物组成和微观结构虽然随着烧结原料及工艺参数的不同有所差异，但其主要矿物包括含铁矿物、脉石矿物和粘结相等，其微观结构主要为粒状结构、斑状结构、骸晶结构、斑点状共晶结构、熔融结构和交织结构等。

对比不同碱度条件下的烧结矿矿相显微结构图(见图1)，其图像特征主要表现为：

图1 不同碱度下的烧结矿矿相显微图像Fig.1 Micrographs of sinter mineralogy for different basicities

(1)烧结矿由多种矿物组成。包括磁铁矿(Fe3O4)、赤 铁 矿 (Fe2O3)、 铁 酸 钙 (CaO·Fe2O3, 2CaO·Fe2O3,CaO·2Fe2O3)、硅酸盐(铁橄榄石、钙铁橄榄石等)等，其矿物组成复杂多样。因此，烧结矿显微图像属于多元图像，其分割及识别难度随矿物组成种类增加而大幅度提高。

(2)烧结矿中磁铁矿与铁酸钙、硅酸盐与孔洞等之间的分界限模糊、不清楚，分类界限相互交迭，造成其中的矿物组成类别属性特征不明显。不同矿物成分之间相互包裹，图像中各矿物组成边缘处1个像素可能包含2种矿物组成的信息(见图1中B，C和D)，使图像本身存在模糊性和不精确性。

(3)矿物组成形状特征复杂，不同矿物组成具有不同的形状特征。赤铁矿主要存在形式为骸晶状及残留原始赤铁矿(见图1中 A)，磁铁矿常与周围黏结相矿物形成均匀粒状结构，局部斑状结构或被周围黏结相矿物所包围或与铁酸钙以熔蚀，互熔形态存在，铁酸钙常呈熔蚀状、针状、板状形态，多相共存现象普遍(见图1中C)。

综上所述，烧结矿矿物组成复杂多样，矿物之间相互包裹，矿物组织形状之间彼此影响，颜色信息不丰富，在很大程度上加大了烧结矿矿物组成的识别难度。同时，获取的烧结矿矿相显微图像的质量受外界影响较大，不同的光线条件或个人操作不同，就会有较大色差，使识别难度进一步加大。图像识别是根据一定的图像特征进行的，若想实现对烧结矿显微图像的较好识别与分割，必须选用适合于烧结矿矿相显微图像特征的识别方法。

第二，就努力的方向来看，以问题意识为核心来进行共识性对话的理想结果，应该是“中国传统哲学在吸收了西方哲学和马克思主义哲学的精髓之后的自我扬弃与重建，也应该是西方哲学和马克思主义哲学的中国化”⑧。中西马哲学的共识性对话本质就是以普遍性根本性的重大问题为中心而进行的反思和批判，从而实现当代中国哲学的现代化和世界化。具体而言，就是客观地对各自存在的问题进行理性审视，在对话的外力冲击和反观下展开自我批判，进而分别从各自的角度进行交互式的辩证性的理性批判，通过反复推倒重来式的驳难来发现矛盾，最后消除分歧达成共识。

2 烧结矿图像识别算法及识别结果

根据烧结矿矿相显微图像的特征，确定选择识别算法的原则如下：

(1)对烧结矿矿相显微图像组织成分多、信息复杂繁多的图像特征有较好的适应性。

(2)较好地解决烧结矿矿相显微图像矿物组成成分之间界限不明显、相互包裹等属于图像模糊性及不精确性特征的问题。

(3)针对烧结矿矿相显微图像外在形状特征有较好的适应性。

依据上述原则，选用分水岭算法(Watershed)、模糊C-均值算法(FCM)及区域生长算法(Region growing)对烧结矿矿相显微图像(图1(a))进行识别对比，其结果见图2。

图2 不同分割算法识别的烧结矿矿相显微图像Fig.2 Micrographs of sinter mineralogy recognized by different algorithms

2.1 分水岭算法

分水岭算法原理主要是从背景中提取近乎一致的目标对象，对微弱的边缘也具有良好的响应[9]。该算法与图像的梯度有很大关系，撇开图像本身，一般以梯度图像作为参考图像进行分割。

经分水岭算法分割后(见图2(a))，烧结矿矿相显微图像中矿物分为一大类，孔洞分为一大类，而且孔洞严重欠生长，而矿物严重过生长，无法准确识别出烧结矿矿物组成基本类型，只能识别出原图中较大、较明显的孔洞。

2.2 模糊的C-均值算法

模糊的 C-均值算法特别适用于对未进行处理的多元图像进行分割，处理图片能力较强[10−13]。它以最小类内平方误差和为聚类准则，计算每个样本属于各模糊子集的隶属度，获取局部最小值，从而得到最优聚类，算法具有很好的收敛性。

将模糊C-均值算法分割的图2(b)与图1(a)进行对比可见：图2(b)中的赤铁矿、磁铁矿、孔洞所覆盖的区域与图1(a)中所覆盖的区域基本一致，但是，磁铁矿与铁酸钙交界处略微出现过生长及欠生长现象，铁酸钙与硅酸盐被分割成同一区域。当然，可采取其他识别方法再对铁酸钙和硅酸盐进行分割，结果见图2(c)。整个识别过程相对复杂。

2.3 区域生长算法

区域生长算法的基本思想是根据一定的相似性准则[14−15]，将图像中满足相似性准则的像素或子区域合成更大的区域。相似性准则可以是灰度、强度、纹理颜色或其他特性，该方法考虑到区域内部和区域之间的同异性，尽量保持区域中像素的临近性和一致性的统一。针对烧结矿矿相显微图像特征，采用灰度作为相似性准则进行烧结矿矿物组成基本类别识别。设置邻近像素与灰度均值Ai之差作为门限T，凡是灰度小于该门限的邻点，均认为是区域的附属点而并入。

将区域生长算法识别处理后的图像(图2(d)和图1(a))进行对比可知：图2(d)中的赤铁矿、磁铁矿、铁酸钙、硅酸盐及孔洞所覆盖的区域与图1(a)中原来矿物组成及孔洞所覆盖的区域基本一致，只有少量局部磁铁矿与铁酸钙出现略微过分割或欠分割现象。其主要原因是磁铁矿与铁酸钙以互熔态存在，边缘界限相互交迭，局部颜色信息不丰富。

对比以上结果可知，区域生长算法比较适用于烧结矿矿相显微图像的识别，识别结果较好。其具体操作步骤如下：

(1)根据烧结矿矿相显微图像的灰度特性，选取某一颜色相近的区域的3点(a1，a2，a3)，计算出其灰度均值A1。

(2)选取颜色相近的同一区域的第4点(a4)，计算a1，a2，a3和a44点的灰度均值A2，设|A1−a4|=T，若|A1−ai|≤T或|a4−ai|≤T，则作为区域附属点并入。

(3)重复上述操作，直到满足相似性准则的点不存在为止，则生长过程终止。

3 烧结矿矿相显微图像识别系统的开发

应用VC++2003.net开发了烧结矿矿相显微图像识别系统。系统识别流程如图3所示。

图3 烧结矿矿相显微图像识别系统流程图Fig.3 Flowchart of micrograph recognizing system of sinter mineralogy

该系统主要作用是实现烧结矿矿相显微图像的识别，然后采用统计分析的方法计算烧结矿各矿物组成。系统主要组成部分包括图像读取、图像滤波、区域生长法识别烧结矿矿相显微图像、专家指导子系统、结果评判、图像修改等。

(1)图像读取实现JPEG及BMP等常见烧结矿矿相显微图像的读取，若用户对读取的图像满意，则可直接应用区域生长法识别烧结矿矿相显微图像；若不满意，则需进行图像滤波。

(2)图像滤波针对已读取的图像进行优化，除去图像周围因光线不均、磨片质量差等问题产生的模糊区域，降低外界不利因素对显微图像识别结果产生的影响。

(3)区域生长法识别烧结矿矿相显微图像实现烧结矿中基本矿物组成类别的分割识别。在采用区域生长法识别烧结矿矿相显微图像的过程中提供由专家经验得到的启发性知识，为图像识别过程提供明确思路及有针对性的识别方案。

(4)若用户对识别结果满意，则采用统计分析的方法计算识别出烧结矿矿物组成；若识别结果不满意，则可对识别结果出现的过分割及欠分割等现象进行修改，直到操作者满意为止，然后，再次进行图像识别。

系统识别结果及与专家统计结果对比见表1。从表1可见：系统识别的矿物组成结果与专家分析结果具有很强的一致性，针对同一显微图像2种方法识别不同矿物的相对误差均小于5%。系统识别结果准确，识别速度较快，满足实际操作过程中的要求。

表1 系统识别结果与专家光学显微镜测定结果(质量分数)Table1 Recognition results of system and results tested under optical microscope %

4 结论

(1)烧结矿由磁铁矿、赤铁矿、铁酸钙、硅酸盐等多种矿物组成，每种矿物具有不同的特征，各种矿物之间相互重叠包裹，矿物组成形状特征复杂，属于多元图像。其图像的不精确性和模糊性高，颜色信息不丰富，识别难度大。

(2)区域生长算法、模糊 C-均值算法及分水岭算法的烧结矿矿物组成识别对比结果表明：区域生长算法识别结果与原图中的矿物组成具有很强的一致性，且识别过程操作简单，计算速度较快，用于烧结矿显微图像识别。

(3)烧结矿矿相显微图像识别系统实现了对烧结矿矿物的快速识别和矿物组成含量的准确计算。与专家鉴定结果对比，识别矿物组成含量的相对误差均小于5%。

[1]任允芙.钢铁冶金岩相矿相学[M].北京: 冶金工业出版社,1982: 179−191.REN Yun-fu.Petrofacies and mineralography of ferrous metallurgy[M].Beijing: Metallurgical Industry Press, 1982:179−191.

[2]傅菊英, 姜涛, 朱德庆.烧结球团学[M].长沙: 中南大学出版社, 1996: 152−158.FU Ju-ying, JIANG Tao, ZHU De-qing.Sintering and pelletizing[M].Changsha: Central South University Press, 1996:152−158.

[3]游劲敏, 李咸伟, 沈红标, 等.矿物显微图像中网孔状及针板状成分识别方法研究[J].中国图象图形学报, 2006, 11(11):1690−1694.YOU Jin-min, LI Xian-wei, SHEN Hong-biao, et al.An approach of mesh and striation texture recognition for ore microscope image classification[J].Journal of Image and Graphics, 2006, 11(11): 1690−1694.

[4]马学刚, 张维, 高晓琴, 等.烧结矿矿物组成及结构的测定与分析[J].山东冶金, 2003, 25(3): 32−34.MA Xue-gang, ZHANG Wei, GAO Xiao-qin, et al.Determination and analysis on the mineralogy and microstructure of sinter[J].Shandong Metallurgy, 2003, 25(3):32−34.

[5]LIU Ke-wen, ZHOU Qu-ding.Investigation on the feature extraction from sectional image of sinter machine end and its classification[J].Journal of University Science and Technology Beijing: English Edition, 1994(Z1): 001.

[6]孙铁强, 尹怡欣, 董洁, 等.基于机器视觉和神经网络的烧结质量预测[J].计算机工程, 2008, 34(11): 240−242.SUN Tie-qiang, YIN Yi-xin, DONG Jie, et al.Sintering quality prediction based on machine vision and ANN[J].Computer Engineering, 2008, 34(11): 240−242.

[7]周芳, 岑豫皖, 杜培明.在线判断烧结矿烧结终点的模糊识别算法[J].自动化与仪表, 2005, 20(4): 7−10.ZHOU Fang, CEN Yu-wan, DU Pei-ming.Fuzzy discriminating method for deducing the BTP of sinter on-line[J].Automation and Instrumentation, 2005, 20(4): 7−10.

[8]刘征建, 左海滨, 张瀚斗, 等.烧结机尾特征断面图像采集算法的研究及应用[J].钢铁, 2008, 43(3): 21−24.LIU Zheng-jian, ZUO Hai-bin, ZHAN Han-dou, et al.Research and application of collection algorithm for characteristic section image of sintering machin plant-tail[J].Iron and Steel, 2008,43(3): 21−24.

[9]王国权, 周小红, 蔚立磊.基于分水岭算法的图像分割方法研究[J].计算机仿真, 2009, 26(5): 255−258.WANG Guo-quan, ZHOU Xiao-hong, YU Li-lei.Image segmentation based on watershed algorithm[J].Computer Simulation, 2009, 26(5): 255−258.

[10]Bezdek J C.Pattern recogintion with fuzzy objective function algorithms[M].New York: Plenum Press, 1981: 20−50.

[11]Pal N R, Bezdek J C.On cluster validity for the fuzzy c-means model[J].IEEE Transactions on Fuzzy Systems, 1995, 3(3):370−379.

[12]Cannon R L, Dave J, Bezdek J C.Efficient implementation of the fuzzy c-means clustering algorithm[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(2): 248−256.

[13]Kim D W, Lee K H, Lee D.A novel initialization scheme for the fuzzy c-means algorithm for color clustering[J].Pattern Recognition Letters, 2004, 25(2): 227−237.

[14]Tinku A, Ajoy K R.Image processing principles and applications[M].New York: Wiley-Interscience, 2005: 109−112.

[15]朗锐.数字图像处理学 Visual C++ 实现[M].北京: 北京希望电子出版社, 2003: 286−291.LANG Rui.The implement for image processing of visual C++[M].Beijing: Beijing Hope Electronic Press, 2003:286−291.