基于图像识别对矿相特征的提取和分析

吕硕，冯毅博，张少磊，吴新举，王禹航

(郑州轻工业大学，河南 郑州 450000)

球团矿的矿物成分和碱度是主要的矿相特征，运用图像处理技术，对高速显微镜拍摄下的球团矿特征进行分析，进而探索球团矿的矿相特征和碱度，矿物元素的关系。再分别比较颗粒的总面积、灰度均值、灰度方差、熵、平均对比度和一致性这6个数字特征的相关性，在一定碱度条件下对不同部位的图像做出分析，得到此条件下的相关矩阵，采用主成分分析法，得到各个特征相关性的碎石图，通过对碎石图的分析，最终求得同一碱度下矿相的主特征信息。

1 碱度因子、矿相部位的相关性研究

（1）灰度直方图分析（如图1）。拿到一个图像，其中的颜色特征分布是最主要的特征，为了更好地分析出颜色分布之间的关系，我们对图像进行灰度处理后构建其灰度直方图，方便下一步的图像分析。运用的基本原理为，为像素个数，对做归一化处理，其中N为P中总的像素数：

（2）球团图像的灰度图。对于球团的矿相检测来说，只需要球团的灰度信息就可以达到分析的目的。将一幅彩色图像变换为灰度图，根据色度学原理和国际照明委员会（CIE）的RGB颜色表示系统，采用如下公式：

f(x,y)=(0.299×r+0.587×g+0.114×b)

球团矿变换前后的图像如图2所示。

图1 0.6碱度下灰度直方图

图2 0.6 碱度下灰度图和二值图比较

（3）信号去噪和滤波。加入脉冲噪声，中值滤波方法、邻域均值滤波和维纳滤波法进行处理。

图3 0.6碱度下添加椒盐噪声，中值滤波，均值滤波，维纳滤波后

由图3可见，中值滤波方法明显强于邻域均值滤波法和维纳滤波法。经过前面球团图像的预处理，球团图像的质量得到了一定改善，去除了大部分噪声点，为图像边缘检测准备了初始条件。

（4）算子进行边缘检测（如图4）。边缘表示信号的突然变化，包含图像中的大量信息。边缘检测是进一步图像处理的基础，如区域分割、模式识别等。各种算子的存在是导数分划原理的实例，是计算过程中直接使用的计算单元。

图4 0.6碱度下Prewitt,Roberts,Sobel算子边缘检测图片

（5）分水岭算法的图像分割（如图5）。在图像处理中，运用分水岭算法对图像进行分割，能够确定出图像中的相似区域和所包含的图形特征，以及相似部分的图像相近特征，方便下一步运用数据对图像特征值进行更深一步地分析。

图5 0.6碱度下分水岭1算法和分水岭2算法图片

2 矿相特征提取与分析

（1）图像纹理特征。对于M×N的图像f(x,y)，其中x = 0,1...M-1;y = 0,1...N-1，空间自相关函数定义为：

（2）数值特征。通过对灰度图像进行分析得到每个图像的灰度均值、灰度方差和面积，运用SPSS对数据进行分析。

3 不同碱度下矿相的评价与研究

（1）主成分分析。球团矿的性能指标较多，难以对球团矿进行质量评价。若直接以此建立球团矿综合评价模型，则大大增加模型的难度和复杂度，降低评价的实用性。因此需通过对球团矿性能指标进行处理，以合理评价球团矿的综合性能。

（2）数据分析与结论。

①指标数据标准化：消除变量的量纲影响，将原始数据标准化。

②指标之间的相关性判定：对各指标运行相关性分析找出指标之间关系（如表1）。

表1

③计算R的总方差（如表2）。

表2

④确定主成分的个数：只要特征值大于1的指标，都可以作为主成分来进行分析。

⑤确定主成分表达式：对成分得分系数进行处理计算，画出碎石图使分析更加直观，再构建主成分表达式（如图6）。

通过主成分分析法得到了球团矿3个综合指标参数，构建分析模型和相关系数多项式：

F1=0.204a+0.213b-0.204c+0.050d+0.203e+0.215f

图6 得到碎石图图13 成分得分系数矩阵

F2=-0.276a+0.037b-0.077c+0.938d-0.049e-0.018f

F=(76.34/93.58)F1+(17.24/93.58)F2

结合碎石图和主成分系数分析，得出球团矿碱度特征主要跟图像灰度均值、灰度标准差、一致性、灰度方差、熵、球团矿面积有关，其中灰度均值影响最明显，灰度方差、熵值影响程度比较低。