基于像素特征提取的球团矿性质研究

李天龙，李 娟(通讯作者)，王保荣，胡正凯

（1华北理工大学以升创新教育基地，工程计算实验室 河北 唐山 063210)

（2华北理工大学化学工程学院，工程计算实验室，数学建模实验室 河北 唐山 063210）

（3华北理工大学电气工程学院，工程计算实验室，数学建模实验室 河北 唐山 063210）

1 引言

球团矿具有含铁品位高、粒度均匀、还原性能好、机械强度高、微气孔多等特性，是高炉炼铁的重要原料之一。有相关学者基于球团矿冶金性能决定其微观结构，微观结构反映其冶金性能的角度出发，对矿物矿相进行分析，用以反映球团矿的质量。球团矿不同的微观结构，对应着不同碱度，碱度与结构之间存在的关联有待研究。基于此，本文通过对不同碱度下的球团矿在颜色特征、纹理特征、分形特征三个方面进行提取分析，以期更好预测球团矿冶金性能。

2 基于像素的聚类与方差分析

2.1 K-means聚类分析理论

K-means算法将一组N样本X划分成K不相交的簇C，每个都用该簇中的样本的均值μj描述。这个均值通常被称为簇的“质心”，虽然它们是处在同一个空间，但是一般不是从X中挑选出的点，K-means算法旨在选择最小化惯性的标准的质心。

2.2 单元素图像的颜色特征提取

选取K-means聚类算法对颜色进行聚类，像素在3D空间中表示，K-means被用来找到2个颜色的簇，选取Ga元素的图像进行颜色聚类，发现该算法的聚类效果与上述的像素值0，1规划的结果完全符合，该算法同时节省了很多时间。图1、2是原图与聚类图比较。

一阶颜色矩：采用一阶原点矩，反映了图像的整体明暗程度：

二阶颜色矩：采用二阶中心矩的平方根，反映了图像颜色的分布范围：

三阶颜色矩：采用三阶中心矩的立方根，反映了图像颜色分布的对称性：

图1 Ga元素的图

图2 K-means聚类

2.3 对单元素的位置和碱度方差分析

通过对单元素的像素提取和所占比例的统计，计算元素在不同位置和不同碱度下的方差，发现Mg，C，Si，Fe在不同碱度下变化相似，Ga，O在不同碱度下变化相似，Mg，C，Ga，O在不同位置下的变化相似，Si，Fe，Al在不同位置下变化相似。

3 基于RGB的提取和SVM的分类

3.1 SVM分类分析理论

在两类中，给定训练向量和一个向量，SVC能解决如下主要问题subject to:

它的对偶是

其中是所有的向量，是上界，是一个n由个半正定矩阵， 而，其中是内核。所以训练向量是通过函数°φ，间接反映到一个更高维度的（无穷的）空间。

3.2 RGB值的提取和计算

3.3 基于SVM分别对元素，碱度，位置分类

选取80%作为训练集，20%作为测试集，用训练集样本对模型进行训练，用测试集样本对模型性能进行评价。图3、4、5所示各自得分类图。利用accuracy_score函数计算准确度得分。如果是第i个样本的预测值，yi是相应的真实值，则nsamples上正确预测的分数被定义为

如表1所示为得分精度：

表1 得分精度表

图3 元素分类

图5 碱度分类

4 结语

本文在分析球团矿性质时，得到Mg，C，Si，Fe在不同碱度下变化相似，Ga，O在不同碱度下变化相似，Mg，C，Ga，O在不同位置下的变化相似，Si，Fe，Al在不同位置下变化相似，再通过提取RGB值的三个通道利用SVM算法进行分类元素，不同位置，不同碱度，结果显示分类精度较高，通过提取颜色特征代替实验检测球团矿冶金性能，减少检测性能消耗成本，节约时间成本等，有效提供了改善钢铁企业炼铁效果的理论依据。