黄金科学技术,2023,31(1):153-162doi:10.11872/j.issn.1005-2518.2023.01.148
采选技术与矿山管理
2.江西省矿冶机电工程研究中心，江西赣州341000
2.JiangxiMiningandMetallurgyEngineeringResearchCenter,Ganzhou341000,Jiangxi,China
收稿日期:2022-10-17修回日期:2022-11-28
Received:2022-10-17Revised:2022-11-28
作者简介Aboutauthors
关键词：复合矿山;矿石图像;形态学处理;模糊C均值聚类;分水岭算法;边缘分割
Keywords：compoundmines;oreimage;morphologicaltreatment;fastandrobustfuzzyc-meansclusteringalgorithm;watershedalgorithm;edgesegmentation
本文引用格式
汤文聪,罗小燕.基于FCM-WA联合算法的多种类矿石图像分割[J].黄金科学技术,2023,31(1):153-162doi:10.11872/j.issn.1005-2518.2023.01.148
TANGWencong,LUOXiaoyan.ImageSegmentationofMultiKindsofOresBasedonFCM-WAJointAlgorithm[J].GoldScienceandTechnology,2023,31(1):153-162doi:10.11872/j.issn.1005-2518.2023.01.148
基于此，针对现有的矿石图像分割算法在处理多种类矿石图像时存在的适应度低、分割效果不理想及粘连边缘难以分割的问题，提出一种基于FCM-WA联合算法的多种类矿石图像分割方法。首先，对矿石图像进行形态学优化操作，利用双边滤波、直方图均衡化和形态学重构等操作，去除噪声干扰，弱化矿石图像的纹理特征，然后利用FCM算法对矿石图像进行分割，得到矿石目标分割图像，最后利用WA算法对矿石粘连的边缘进行优化，得到最终的矿石分割图像。通过试验表明，本文所提方法稳健性强，分割效果好，提高了矿石图像分割的准确率。
图1多种类矿石图像
Fig.1Multiplekindsoforeimages
图2形态学优化处理流程
Fig.2Morphologicaloptimizationprocess
图3图像采集系统
Fig.3Imageacquisitionsystem
式中：hist（k）为灰度级为k的像素个数；H为图像高度；W为图像宽度。
对于预处理后的图像，噪声大大减少，对比度增强，边缘更清晰，但由于矿石本身纹理复杂，且单块矿石上可能存在多种颜色信息，如果直接进行分割，会产生过分割现象。因此，需要对图像进行形态学重构，进一步减少矿石图像的纹理特征及颜色杂糅问题，以便后续矿石图像的分割。
形态学重建是通过结构元素和掩膜，获得原始图像上具有某些特性的连通区域并形成新图像的过程，其中结构元素用来确定连接性，而掩膜则用于约束变换过程。基于开运算（闭运算）的重建，就是将开运算（闭运算）后的图像作为掩膜进行形态学重构。采用形态学开闭重建所得的矿石图像，与原始图像的大小相同，但其边缘特征清晰，噪声和纹理特征减少，有利于后续分割。形态学重构的步骤如下：
（1）创建结构元素se；
式中：se为结构元素；g为掩膜；hk+1为重构结果；当k=1时，h1为原始图像。
图4形态学优化结果
Fig.4Morphologicaloptimizationresults
为了更好地使用迭代的方法求解J的最小值，采用拉格朗日乘子法，将目标函数转化为
将式（7）代入式（8）中，可得：
（1）确定背景区域：通过膨胀操作，获得最大连通域作为背景区域。
（2）确定前景区域：通过距离变换，在二值化图像中把目标缩小，得到原图的一部分，表示为前景。本文采用欧氏距离，点（i，j）与点（m，n）之间的欧氏距离定义为
（3）确定未知区域：利用背景区域减去前景区域来获取未知区域。
（4）进行分水岭分割：利用前景和背景标记，通过未知区域，进行基于分水岭的矿石图像边缘分割。
本文将分水岭算法引入矿石图像分割中，提出FCM-WA联合算法，用来对粘连的矿石边缘进行分割，以得到完整的矿石边界图像，保证矿石粒度信息的准确性。
图5基于FCM-WA联合算法的多阈值分割流程
Fig.5MultithresholdsegmentationflowbasedonFCM-WAjointalgorithm
步骤1：设定初始化参数，指定聚类类别数目c（2≤c≤255）。
步骤2：由式（9）计算初始隶属度矩阵。
步骤4：判断目标函数是否达到较好的收敛效果，若达到，则停止计算，并输出聚类中心C和隶属矩阵U。
步骤5：将步骤4输出的聚类中心作为最佳阈值并对图像进行分割。
步骤6：将分割后的图像二值化，并利用距离变换、腐蚀和膨胀操作生成图像的掩膜。
步骤7：利用基于距离变换的WA算法对矿石的粘连边缘进行分割。
步骤8：将FCM-WA算法分割得出的图像，进行去除小空洞操作，以保证矿石的完整性。
图6各分割流程效果
Fig.6Effectofeachsegmentationprocess
图7FCM-WA算法收敛效果
Fig.7ConvergenceeffectofFCM-WAalgorithm
本试验所采用的计算机配置为Intel（R）Core（TM）i7-10700，CPU为2.90GHz，运行内存为16G，Windows10操作系统，采用python3编写程序并进行试验。
图8不同算法分割效果
Fig.8Segmentationeffectofdifferentalgorithms
为了客观评价FCM-WA算法的分割精度，本文采用像素分割准确率（TPR）和矿石粒度识别准确率（TOR）作为评价标准，其定义分别为
式中：num（ETP）为矿石图像上所有像素点；num（Ep）为被算法正确分割的像素点；num（ETO）为矿石图像中所有矿石的个数；num（EO）为算法正确分割出的符合粒度范围的矿石个数。
表1不同算法分割指标对比
Table1Comparisonofsegmentationindicatorsofdifferentalgorithms
像素数
/个
TPR
/%
TOR
表24种方法的性能指标对比
Table2Comparisonofperformanceindicatorsoffourmethods（%）
（1）针对复合矿山生产的矿石种类多样、颜色和纹理混杂及边缘难以分割等问题，利用形态学处理对矿石图像的几何特征进行优化，提高了图像对比度，削弱了噪声和矿石纹理特征对分割效果的影响。
（2）利用FCM算法稳健性强和聚类效果好的优点，对多种类矿石图像进行分割，将多种类矿石的像素与背景分割出来，提高矿石像素分割准确率，再利用WA算法对边缘粘连部分的矿石进行分割，得到闭合的矿石边缘图像，保证矿石粒度检测的准确性。
（3）将FCM-WA联合算法运用于复合矿山矿石图像的分割中，并将其分割结果与OTSU算法、GA算法和FCM算法的分割结果进行比较，试验结果表明所提算法既能够准确分割出矿石图像，又能保证矿石边缘的完整闭合性，像素分割准确率和矿石粒度识别准确率均达92%以上，且对硬件要求低。该方法能够运用于复合矿山多种矿石粒度检测的实际生产中，适用于矿山的实际生产环境。
（4）后续尝试将该方法应用于实际矿山生产中，与破碎机进行联合开发调试，达到自动化粒度检测与破碎机参数调节，开发成新型智能化矿山设备。
ChenZhikun，JiangJunjun，JiangXinwei，etal，2020.Arobusthyperspectralremotesensingimagefeatureextractionmethodbasedonimprovedbilateralfiltering
DengWenjing，ZhouWu，CaiXiaoshu，2019.MultidimensionalfeatureKFCMclusteringsegmentationalgorithmforcolorimageofcoreparticles
HuangH，MengF，ZhouS，etal，2019.BrainimagesegmentationbasedonFCMclusteringalgorithmandroughset
HuangML，LiuYL，YangYM，2022.Edgedetectionoforeandrockonthesurfaceofexplosionpilebasedonimprovedcannyoperator
LiGuoyao，WangTeng，2020.Researchonconcretecrackdetectionbasedonmorphologicaltreatmentandfeatureanalysis
LiHX，WangXL，YangCH，etal，2021.OreimagesegmentationmethodbasedonGAN-UNet
LiH，PanC，ChenZ，etal，2020.OreimagesegmentationmethodbasedonU-Netandwatershed
LinYF，DiaoY，DuYZ，etal，2021.Automaticcellcountingforphase-contrastmicroscopicimagesbasedonacombinationofOtsuandwatershedsegmentationmethod
LinYF，FangCF，GaoLZ，2022.Adhesiveabrasivedetectionfordiamondimagesbasedonimprovedwatershedalgorithm
LiuXB，ZhangY，JingH，etal，2020.OreimagesegmentationmethodusingU-NetandRes_Unetconvolutionalnetworks
KanhuiLü，ZhangDaxing，2021.InfraredimageenhancementalgorithmbasedonadaptivehistogramequalizationcoupledwithLaplacetransform
QinGF，LiQT，etal，2019.PavementimagesegmentationbasedonfastFCMclusteringwithspatialinformationininternetofthings
RajuP，RaoVM，RaoBP，2019.OptimalGLCMcombinedFCMsegmentationalgorithmfordetectionofkidneycystsandtumor
RuanQiuqi，RuanYuzhi，2020.DigitalImageProcessing（FourthEdition）（US）Gonzalez［M］.Beijing：ElectronicIndustryPress.
VermaH，VermaD，TiwariPK，2021.ApopulationbasedhybridFCM-PSOalgorithmforclusteringanalysisandsegmentationofbrainimage
WangW，LiQ，XiaoC，etal，2021.Animprovedboundary-awareU-Netfororeimagesemanticsegmentation
WangWei，LiQing，ZhangDezheng，etal，2023.Asurveyoforeimageprocessingbasedondeeplearning
XiaoD，LiuX，LeBT，etal，2020.AnoreimagesegmentationmethodbasedonRDU-Netmodel
ZhanY，ZhangG，2019.AnimprovedOTSUalgorithmusinghi-stogramaccumulationmomentfororesegmentation
ZhangG，LiM，ZhanY，etal，2017.Oreimagethresholdingsegmentationusingdoublewindowswithfifisherdiscrimination
ZhangJianli，FengXiaoyu，ZhangJianqiang，2022.Applicationofliftingwaveletandwatershedalgorithminoreparticlesizeddetection
ZhangJianli，SunShenshen，QinShuqi，2019.Oreimagesegmentationbasedonoptimalthresholdsegmentationofgeneticalgorithm
ZhouJ，YangM，2022.Boneregionsegmentationinmedicalimagesbasedonimprovedwatershedalgorithm
蔡改贫，刘占，汪龙，等，2020.基于形态学优化处理的标记符分水岭矿石图像分割
陈志坤，江俊君，姜鑫维，等，2020.一种基于改进双边滤波的鲁棒高光谱遥感图像特征提取方法
邓文晶，周骛，蔡小舒，2019.岩心颗粒彩色图像的多维特征KFCM聚类分割算法
李国耀，王腾，2020.基于形态学处理与特征分析的混凝土裂缝检测研究
吕侃徽，张大兴，2021.基于自适应直方图均衡化耦合拉普拉斯变换的红外图像增强算法
王伟，李擎，张德权，等，2023.基于深度学习的矿石图像处理研究综述
张建立，冯小丽，张建强，2022.提升小波和分水岭算法在矿石粒度检测中的应用
张建立，孙深深，秦书棋，2019.基于遗传算法最佳阈值分割的矿石图像分割