多目标矿业复杂图像特征提取与分类

论文摘要

矿石的特征提取与分类能够实时反映采选现场矿石性质的变化,及时调整各流程上的负荷分配,实现整个生产流程的高效稳定运行。矿石的类型决定了其应用的领域及实用价值,而分类的效果由提取的特征数据影响,因此矿石的特征提取与分类具有非常重要的意义。基于计算机的智能分类系统比传统的人工筛分具有更高的效率,且能够提供更准确的分类结果。由于传送带矿石图像目标堆积,目标和背景不易区分。同时采集环境恶劣,使得采集图像昏暗模糊,使得对图像中各目标的准确分类非常困难。本文着重研究传送带矿石图像的特征提取与目标分类问题,矿石目标的特征提取是矿石准确分类的基础。因此,本文研究了多目标矿业复杂图像的颜色、纹理和形态特征提取方法。首先对采集到的高噪声且模糊的矿石图像进行预处理,在分水岭分割区域的基础上应用八链码技术提取区域的形状特征;并基于RGB和HSV颜色空间提取目标区域的颜色特征；同时基于统计方法的共生矩阵提取区域的纹理特征。为了综合考察提取出的形状、颜色和纹理特征,提出基于目标区域的融合特征提取技术,该方法能够综合考虑目标矿石的整体形态特征与内部细节特征,通过支持向量机对提取的目标矿石特征向量进行分类实验,分类结果不仅反映矿石目标的性质,同时验证特征提取方法是否有效。本文研究了对图像像素的颜色和纹理综合特征进行kmeans聚类,对图像分割后目标区域内综合颜色、纹理和形态特征进行支持向量机分类,及对目标区域内的颜色、纹理和形态特征经过PCA降维后进行支持向量机分类实验。结果表明形态特征有利于矿石目标的正确分类,目标识别率得到明显提高；提取出的颜色、纹理和形态特征进行PCA降维后也有利于矿石目标的正确分类。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 图像特征提取及分类在矿业领域的研究意义
• 1.2 矿业领域图像特征提取研究
• 1.2.1 颜色特征提取研究
• 1.2.2 纹理特征提取研究
• 1.2.3 形状特征提取研究
• 1.3 矿石图像的分类研究
• 1.4 研究内容
• 第二章 矿石形状特征提取
• 2.1 矿石图像预处理
• 2.2 基于分水岭方法的矿石目标提取
• 2.2.1 分水岭分割算法
• 2.2.2 矿石图像分割实验
• 2.3 目标区域形状特征提取
• 2.3.1 目标区域边界提取
• 2.3.2 区域形状特征值提取
• 2.3.3 矿石形状特征提取实验
• 2.4 本章小结
• 第三章 矿石颜色纹理特征提取
• 3.1 矿石图像增强
• 3.1.1 灰度变换增强
• 3.1.2 双边滤波参数讨论
• 3.2 矿石纹理特征提取
• 3.2.1 灰度共生矩阵特点
• 3.2.2 矿石目标纹理特征选取
• 3.2.3 纹理特征聚类效果
• 3.3 矿石颜色特征提取
• 3.3.1 颜色模型选择
• 3.3.2 矿石颜色特征提取
• 3.3.3 颜色特征聚类实验
• 3.4 本章小结
• 第四章 矿石图像目标分类
• 4.1 图像像素颜色和纹理特征融合
• 4.1.1 图像像素颜色纹理特征融合
• 4.1.2 融合特征集降维
• 4.1.3 特征集聚类结果及分析
• 4.2 矿石目标内像素特征融合
• 4.2.1 目标区域内颜色和纹理特征融合
• 4.2.2 目标区域内纹理颜色和形态特征融合
• 4.2.3 聚类结果及分析
• 4.3 分类训练样本提取
• 4.3.1 矿石目标样本的选取
• 4.3.2 样本特征的提取
• 4.4 SVM在矿石目标分类中的应用
• 4.4.1 SVM核函数选择
• 4.4.2 SVM分类结果分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 研究成果及发表的学术论文
• 作者和导师简介
• 硕士研究生学位论文答辩委员会决议书