基于DBSCAN的二氧化硅融化过程中质心定位方法

王浩然 杨炼鑫 张剑书

摘要：二氧化硅的融化行为可以在很大程度上代表铁尾矿的融化行为。通过CCD摄像机可以以非接触式的方法采集到二氧化硅融化过程的时序图像，利用图像分割、边缘检测等一系列图像分析算法从图像中提取原始图像数据的轮廓特征，并在此基础上通过DBSCAN密度聚类算法提取二氧化硅的轮廓，以发现图像数据中二氧化硅的质心的位置数据。基于二氧化硅的实时质心位置数据可以进一步发现二氧化硅的融化速率，为提高铁尾矿的利用率提供理论依据。

关键词：图像分割; 边缘检测; DBSCAN算法; 二氧化硅融化过程;二氧化硅质心位置

中图分类号：TP18        文献标识码：A

文章编号：1009-3044（2020）23-0001-03

Abstract：The melting behavior of silicon dioxide can largely represent the melting behavior of iron tailings. The time sequence image of silicon dioxide melting process can be collected by CCD camera in a non-contact way. A series of image analysis algorithms such as image segmentation and edge detection can be used to extract the contour features of the original image data. In order to find the centroid position of silicon dioxide， it is necessary to extract the contour of silicon dioxide by DBSCAN density clustering algorithm. Based on the real-time centroid position data of silicon dioxide， the melting rate of silicon dioxide can be further found， which provides a theoretical basis for improving the utilization rate of iron tailings.

Key words：image segmentation; edge detection; DBSCAN algorithm; the melting process of silicon dioxide; the centroid position of silicon dioxide

1 引 言

高炉渣是高炉炼铁过程中产生的固体废料，铁尾矿是选矿过程中产生的残渣，这些废弃物如不能很好地处理会造成大量的资源浪费和环境污染[1]。目前，利用高炉渣和铁尾矿来制造矿渣棉可以将这些材料变废为宝[2]，其实现关键在于如何监测高温熔池中铁尾矿的融化行为。考虑到高温熔池中的温度高达1500℃，这对于监测设备来说是非常大的考验，而采用CCD摄像机可以在非接触的方式下采集融化过程的图像数据，基于此分析其融化过程是一个新的研究思路。

二氧化硅是铁尾矿的主要成分[3]，同时也是其最难融化的成分，因此二氧化硅的融化行为可以间接地表示铁尾矿的融化行为。基于二氧化硅的融化行为构建铁尾矿融化模型可以为渣棉制备过程中尾矿添加和热补偿提供了指导，从而间接改善了高炉渣直接成纤维技术。本文基于DBSCAN聚类算法提出了一种铁尾矿融化过程中二氧化硅的質心定位算法，可以从CCD图像数据中提取出二氧化硅的质心，为铁尾矿融化模型的构建奠定基础。

2 基于DBSCAN的二氧化硅融化过程中质心定位

我们研究的原始数据来源于通过CCD设备以1秒/帧的采样频率采集到的高温熔池中二氧化硅的熔融过程，共有114张图片。我们将首先通过裁剪和灰度化操作对原始图像数据进行预处理，然后选择合适的算子提取图像的边缘特征，并通过二值化和密度聚类的方法对边缘特征进行降噪处理，在此基础上做进一步地聚类提取二氧化硅的轮廓信息，最后通过质心计算公式获取二氧化硅的质心坐标。

2.1数据预处理

CCD摄像机采集到的原始图像数据如图1（a）所示，其中左侧黑色的部分为坩埚容器外的背景，右侧高亮的圆形盆状物是容器坩埚。由于在数据采集的过程中CCD摄像机和坩埚的位置都是固定的，因此可以对每张图片进行裁剪的操作，从而除去左侧无用的部分从中提取出仅包含坩埚和二氧化硅的图像，如图1（b）所示，裁剪后的图片中中间偏左的不规则块状物即为二氧化硅。

另外， CCD摄像机采集到的原始数据既有彩色图像也有灰度图像，为了保证数据的一致性，同时考虑到颜色特征对于质心的定位影响不大，因此首先通过加权平均法对彩色图像进行灰度化处理，处理前后的二氧化硅融化图像如图2所示。

2.2边缘检测

为了从灰度图像中提取二氧化硅的质心，需要首先从图像中提取出二氧化硅的轮廓[4]，对于图2中的灰度图像分别使用了Canny[5]、Scharr[6]和Kirsch[7]三种常用的边缘检测算子进行处理，处理的结果如图3所示。

从图3可以看出用Canny算子处理后，轮廓特征丢失比较严重，二氧化硅的轮廓不是很清晰;而在用Kirsch算子处理的结果中，对比原图像，二氧化硅轮廓偏离正确位置。因此，相比较而言Scharr算子可以较好地提取出图像中二氧化硅的轮廓信息。

2.3特征去噪

从图3中可以发现经过边缘检测处理后得到的边缘特征图像中仍然存在大量的噪声，我们无法直接基于此获取到二氧化硅的边缘像素坐标，因此还需要对边缘特征图像进行去噪处理。

2.3.1二值化处理

一般，属于图像轮廓特征的像素点的颜色会比较深，而噪声则大多是颜色比较浅，因此可以通过设定阈值θ对灰度图像进行二值化处理，以消除大部分的噪声。为了选取合适的阈值θ进行二值化处理，设定阈值初始值为70，间隔为10，进行二值化处理，处理后的效果图如图4所示。

从图4可以发现，阈值较低时，虽然图像中的轮廓特征明显，但噪声抑制的较差，不能达到特征去噪的效果，而当阈值设置较高时，噪声得到明显抑制的同时轮廓特征也同时被抑制。当阈值设定为90时，轮廓特征完整，且噪声得到的一定的抑制，处理效果比较好。此时，将二值化处理后图像中像素为0的点的像素坐标记录下来，构成数据集Dn以待后续分析。

2.3.2密度聚类

通过二值化处理后的图像中还存在部分噪声，这些噪声对于二氧化硅轮廓的提取仍会造成一定的干扰。同时，考虑到属于图像轮廓特征的像素点，在距离上一般呈现连续的特征，而噪声则大多是在距离上离散的像素点，因此我们将采用基于密度的聚类方法（DBSCAN算法）对边缘特征图像做进一步地去噪处理。

DBSCAN是一种密度聚类算法，通过使用一组关于“邻域”的参数（ε，MinPts）来描述样本分布的紧密程度。与划分和层次聚类方法不同，它聚类的时候不需要预先指定簇的個数，最终的簇的个数也不定。DBSCAN算法需要先设定在ε邻域内的半径Eps和点的数量MinPts，之后可将数据点分为三类，分别是核心点、边界点和噪声点，核心点是指在半径Eps内含有的点数量超过MinPts数目的那些点，边界点是指在半径Eps内点的数量小于MinPts，但落在核心点邻域内的点，噪声点是指不在任何邻域内的点。然后删除噪音点。接下来为距离在Eps之内的所有核心点之间赋予一条边，每组连通的核心点组成一个簇，最后将每个边界点分类到与之关联的核心点的簇中。

我们设定DBSCAN的扫描半径（eps）为10，最小包含点数（minPts）为6，以2.3.1节中得到的轮廓特征点的集合Dn为例，将15960点共分为150类，并将每个类中数据点数量小于300的类删除，得到第二次特征去噪的结果即为新的轮廓特征点的集合Dn，如图5所示。

2.4轮廓提取

考虑到2.3节中得到的去噪后的轮廓特征集合Dn中不仅包含二氧化硅的轮廓还包含坩埚容器的轮廓信息，因此我们还需要对其进行二次聚类，依旧采用DBSCAN算法，调整其聚类参数，将扫描半径（eps）设置为25，最小包含点数（minPts）设置为10，得到的二次DBSCAN聚类的前9类聚类点的集合结果如图6所示。

从图6可以看出，通过二次DBSCAN聚类可以将特征图像中属于二氧化硅的轮廓的像素点和属于坩埚容器的像素点区分开，聚类结果中的第4类中包含的像素点集合DSiO?即为图像中二氧化硅的轮廓。

2.5质心搜索

针对2.4节中提取出的二氧化硅轮廓特征点的集合DSiO?，通过以下公式计算二氧化硅的形心：

其中（xi，yi）为二氧化硅轮廓特征点的集合DSiO?中的像素点，N为二氧化硅轮廓特征点的集合DSiO?中的像素点的个数。

对于2.4节中得到的特征点的集合，计算得到的二氧化硅形心如图7（a）所示，其中黑色的像素点即为计算得到的二氧化硅的形心。采用上述方法，求出用CCD摄像机采集到的二氧化硅的熔融过程的图像序列中每一张图像中二氧化硅的形心，利用曲线拟合这些形心点坐标，即可获得形心运动轨迹，结果如图7（b）所示，其中红色的折线为二氧化硅熔融过程中的形心运动轨迹。

3 结论

针对用CCD摄像机获取到的高温熔融过程中的二氧化硅的图像数据，本文提出了一种基于DBSCAN聚类的轮廓特征提取方法，可以有效地从图像中提取二氧化硅的轮廓，并在此基础上检测到二氧化硅在熔融过程中质心的位置变化过程。基于此，可以进一步地提取二氧化硅的形状、周长、面积等数据来构建二氧化硅的边缘轮廓特征指数，并以此评估二氧化硅的融化速率，为铁尾矿的融化过程提供参考依据，提高材料的利用率。

参考文献：

[1] 刘爱平，曹苗佳，张雄涛.铁尾矿规模化利用研究现状及其利用途径[J].中国金属通报，2019（11）：279-280.

[2] 邢宏伟，刘振超，梁伟，等.铁尾矿在高炉熔渣调质过程中热力学行为的研究[J].钢铁钒钛，2017，38（5）：90-95，100.

[3] 于洪浩.鞍山高硅铁尾矿的增值化利用研究[D].沈阳：东北大学，2010.

[4] 张晗，钱育蓉，王跃飞，等.基于图像边缘增强与弱化的边缘检测[J].计算机工程与设计，2019，40（11）：3106-3110.

[5] Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，PAMI-8（6）：679-698.

[6] Scharr H，Weickert J.An anisotropic diffusion algorithm with optimized rotation invariance[M]//Informatik aktuell. Berlin， Heidelberg： Springer Berlin Heidelberg， 2000： 460-467.

[7] Kirsch R A.Computer determination of the constituent structure of biological images[J].Computers and Biomedical Research， 1971，4（3）：315-328.

[8] Ester M，Kriegel H P，Sander J，et al.A density-based algorithm for discovering clusters in large spatial databases with noise[EB/OL].1996.

[9] 王光，林国宇.改进的自适应参数DBSCAN聚类算法[J/OL].计算机工程与应用：1-8[2020-02-07].

[10] Gan J H，Tao Y F.DBSCAN revisited：mis-claim，un-fixability，and approximation[C]//Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data - SIGMOD '15. May 27-June 4， 2015. Melbourne， Victoria， Australia. New York： ACM Press， 2015： 519-530.

【通联编辑：唐一东】