基于小波理论的铜矿浮选泡沫图像特征提取研究

梁利利，高 楠

(咸阳师范学院,陕西 咸阳 712000)

随着我国工业的迅速发展，矿物成为当前需求量最大的资源。在此背景之下，我国矿物资源总量正在日渐减少，矿产资源的品质正在逐步下降。由此看出，在当前矿产资源极度匮乏的社会环境之下，对低品位矿产资源的提取技术研究工作刻不容缓。就目前情况来看，大部分铜矿厂普遍采用浮选法进行矿产资源提取工作。浮选法是一种利用矿物颗粒表面的物理化学特征来进行矿石提取的方法，该方法在应用于铜矿厂的生产过程中，浮选泡沫将直接决定这最终选矿效果的好坏[1]。然而，当前大部分铜矿厂在进行浮选过程中，主要采用人工的形式对泡沫外观特征进行观察，并以此作为依据对生产操作进行相应的调节。但由于人工操作效率较低，使铜矿浮选过程无法保持优秀的运行状态，从而导致最终矿物提取效果不容乐观，这无疑是对矿物资源的浪费。今年来，随着我国智能技术的发展，越来越多的学者开始对智能选矿过程技术展开研究，并在结合浮选现场泡沫特征进行工况智能识别方面取得有效进展。将智能控制机器视觉等相关技术与矿物浮选过程进行结合，将实现实时获取浮选泡沫图像特征的目的，并将此特征参数作为依据对浮选工况进行识别，便于相关人员及时掌握选矿过程的生产参数，使选矿生产过程长期处于较好的生产状态。由此可见，对泡沫图像特征提取方法的研究有助于提高矿产资源利用率。

1 铜浮选工艺过程

铜浮选工艺过程主要通过在一定的条件下，利用浮选药剂在矿梁中产生具有一定矿粒的泡沫，再利用对该泡沫进行回收来提高原有矿物品质，使低品位矿物能够达到还原冶炼的相关要求。

铜矿浮选过程主要分为四步：第一，通过球磨机的应用将金属矿石磨碎，并将磨碎的金属矿石与水进行充分混合，从而形成矿衆；第二，在矿装中加入相关的浮选药剂，并对其进行不断的搅拌，以此提高矿物的可浮性；第三，将经过搅拌之后的矿装送至浮选槽中，并采用鼓风机在浮选槽底部注入空气；第四，随着携带矿粒的气泡流入到泡沫槽中，从而形成泡沫产品[2]。具体选矿工艺流程如图1所示。

图1 选矿工艺

矿物表面的润湿性是决定矿物是否具备浮选资格的关键所在。通常情况下，大部分矿物的可浮性都相对较差，必须加以浮选药剂提高矿物的可浮性，使该矿物具备浮选资格。当前，工业现场普遍采用起泡剂以及调整剂作为主要的浮选添加药剂。其中起泡剂主要作用于增强泡沫的矿物粒子，对泡沫的形成以及矿化起到有效的促进作用；调整剂则起到改变矿物表面疏水性的作用，能够使泡沫吸附更多浮游的矿粒。

在进行泡沫浮选的过程中，可将泡沫的表观状态作为依据，对该泡沫的浮选工况进行判断。浮选泡沫表面的各项特征皆能反映出不同的工艺状况，如浮选泡沫的尺寸、纹理、颜色以及稳定性等。本文则针对图1中铜浮选槽中泡沫图像多堆积和流速快的特点，从铜矿泡沫图像的纹理入手，探讨对其纹理特征进行提取。

2 小波变换算法的提出

在浮选泡沫的各项表面特征中，尺寸及纹理是最为常用的两种泡沫图像特征，直接关系着浮选生产的工况。借助分水岭分割方法将获取到精准的泡沫尺寸分别，但该方法唯一的缺陷就是过于复杂[3]。对此，在该基础上，人们提出引入小波变换的方法对该问题进行处理。

实践表明，小波变换是建立在傅里叶变换基础上的一种信号处理方法，表现出较好的性能优势。小波分析可以通过伸缩、平移等预算，进而实现信号的多尺度变换。正是因为小波变换的这个功能，使得小波变换解决了传统傅里叶变换中窗口不固定，同时缺乏离散正交的问题。

(1)

其中，j表示尺度，j=0,1，…。

fj+1(x,y)=fj(x,y)+dj(x,y)

(2)

且有：

=0

(3)

(4)

(5)

在公式(4)和(5)中，φ、Ψ分别表示为尺度函数和小波函数，k、m分别表示对应矩阵的行和列。由此，通过上述的公式，可以得到分解后的小波序列cj+1={cj,dj+1,dj+2,dj+3}。

上述分解过程用滤波器组来表示，可表示为如图2所示。

图2 小波分解的滤波器组示意图

对图2示意图来讲，其工程解释为：首先通过高通和低通滤波器对信号的行进行抽样分解，然后在上述分解的基础上，对列进行抽样，进而得到分解后的小波序列，进而得到一个多尺度的图像信号。

3 小波变换的改进

在对铜浮选提取过程中，如何对关键特征进行提取，进而识别浮选工况，是当前思考的重点。在铜浮选工艺过程中，为判断铜浮选生产的情况，提高铜筛选的效率，通常采用分割方法对泡沫颜色、稳定度等对图像特征进行提取。这种分割方法通常使得分割后的图像不具备尺度特征，进而给后续的分类造成影响。虽然采用小波变化可以得到多尺度特征图像，但是很难得到可用于符合人工视觉的图像。对此，在参考相关研究的基础上，借鉴彭涛等的研究成果[5-6]，提出小波变换二值化的图像纹理特征提取方法。

3.1 图像重构

在图像特征提取中，以纹理中能量、小波系数矩阵等作为主要提取对象。

(6)

(7)

其中，‖·‖F代表范数；E代表能量，M×N表示大小。

通过图2对图像信号的分解后，得到不同阶的图像纹理特征，进而得到一个灰度图像I(x,y)的多尺度表示。而随着分解的不断增加，子图会越来越多，并且越来越小。要保证各子图与原始子图一样的频率，需要对部分子图进行重构。彭涛等人通过研究后认为，在对子图重构中选择部分逼近子图进行重构，并给出重构子图的频率范围以及其对应的空间宽度，具体见图3所示。

图3 图像重构下频率与空间宽度之间的关系

3.2 小波二值化

在完成图像的重构后，对重构子图Sv进行小波二值化处理。假设Sv存在L个灰度级，灰度值为i的像素数表示为ni，那么子图总的像素用N表示，则各个灰度值的概率为[7]：

(8)

以 作为门限，将图分为两个区域，一个区域为1～t，计作A；另一个区域为t+1～L-1，计作B。由此，根据概率和灰度均值计算公式，可以得到其总的灰度均值和类间方差。而要对图像进行分割，在本文中引入最优分割阈值σ，认为使得类间方差最大，则为所求的最优分割阈值。

3.3 特征获取

通过上述的方法对图像进行重构，然后分别统计出二值化后的图像表示区域面积，并最终不同尺度下的二值化图像的总面积，计作A。由此将相邻二值图像的泡沫总面积相减，得到泡沫子图等效面积:

Ej=Aj+1-Aj

(9)

由此，上述的Ej则表示为通过二值化后获取的等效尺寸特征，并且其面积随着直径的变化而连续变化。

4 图像特征提取整体流程设计

根据上述的方法，我们将整个图像特征的提取流程设计为如图4所示。在该流程中，首先对图像进行灰度化处理，然后进行小波变换和二值化处理，最后得到二值化的图像，并根据聚类分析算法对上述的图像进行分类。

图4 图像特征提取与分类流程图设计

5 试验验证

为验证上述方法的可行性，本文结合图5所示的铜浮选泡沫图像采集原理对图像进行采集。

图5 铜浮选泡沫采集原理

摄像机选择工业CCD相机，安装位置离泡沫高度120 cm。同时在试验过程中，分别选取正常泡沫图像、水化泡沫图像和黏性泡沫图像进行对比。

通过上述的方案，可以得到如表1所示的分类识别率数据。

表1 分类识别结果

通过上述的结果看出，本文采用的等效尺寸特征进行提取的方法，并结合聚类分析的识别率要明显高于传统的识别方法，说明本方法的可行性与有效性。

6 结 语

对于铜浮选泡沫图像的提取，在当前矿产资源稀缺的情况下，如何提高对铜矿的识别率，进而提高对铜的利用率，是当前思考的一个重点。本文尝试采用小波变化的方式，提取等效尺寸特征，进而以该特征作为基础，利用聚类对图像进行分类，并通过试验结果表明，采用这种等效尺寸特征提取的方式，可提高铜浮选泡沫图像识别中的正确率，为铜矿的筛选提供了参考借鉴。

[1] 曹玉川. 某硫化铜矿浮选工艺对比试验研究[J]. 矿冶工程,2017,37(6):54-56.

[2] 王刚. 基于浮选工艺改进与图像处理的铜矿筛选研究[J]. 中国锰业,2017,35(6):90-93.

[3] 申森,李艾华,姚良,等. 基于小波包和Niblack法的枪号图像二值化算法[J]. 光子学报,2013,42(3):354-358.

[4] 陆璐,李玉龙. 基于离散小波变换多种纹理特征提取的草细胞图像分割比较[J]. 兰州交通大学学报,2012,31(1):98-101.

[5] 陈锦,罗晓曙. 基于小波变换与野草算法的细胞图像特征提取与识别[J]. 广西师范大学学报(自然科学版),2015,33(2):22-28.

[6] 彭涛,曹威,卢明,等. 基于小波多尺度二值化的铜浮选工况识别[J]. 仪器仪表学报,2014,35(3):586-592.

[7] 吐尔洪江·阿布都克力木,阿卜杜如苏力·奥斯曼,艾木拉姑丽·卡得尔. 基于二进小波变换及局部二值模式特征的图像检索[J]. 计算机系统应用,2014,23(8):198-202.