一种煤泥浮选泡沫图像去噪中结构元素优化的方法

摘要

本发明涉及煤泥浮选泡沫图像处理，具体是一种煤泥浮选泡沫图像去噪中结构元素优化的方法。一种煤泥浮选泡沫图像去噪中结构元素优化的方法，对从选煤厂浮选现场获取的煤泥浮选泡沫图像，采用形态学开闭滤波器对煤泥浮选泡沫图像进行去噪处理，对煤泥浮选泡沫图像去噪时用的结构元素进行优化，优化后的结构元素用于图像重构形态学开闭滤波去噪处理。本发明使选取过程简便、省时，使选取的结果更加科学、合理、准确，克服了结构元素选取中的盲目性，改善了重构形态学开闭滤波的去噪效果。

主权项

一种煤泥浮选泡沫图像去噪中结构元素优化的方法，对从选煤厂浮选现场获取的煤泥浮选泡沫图像，采用形态学开闭滤波器对煤泥浮选泡沫图像进行去噪处理，其特征在于：对煤泥浮选泡沫图像去噪时用的结构元素进行优化，优化后的结构元素用于图像重构形态学开闭滤波去噪处理，对煤泥浮选泡沫图像去噪时用的结构元素进行优化按照如下的步骤进行步骤一、选取在生产中拍摄到的煤泥浮选泡沫图像，其像素尺寸为256×256，使用半径r分别为2、3、4、5的圆形结构元素对其信息容量进行逐一测试，找到最大信息容量与次大信息容量所对应的结构元素，然后在二者之间，再选取一个d×d的全“1”矩阵作为新结构元素，d介于最大信息容量与次大信息容量所对应的圆形结构元素维数之间，在优化迭代时将该d×d矩阵按行展开成1行，由此构成初始抗体群，初始抗体群染色体为d×d位0/1编码，即编码字段数为L＝d×d，d为自然数；步骤二、对于初始抗体群的每个抗体，计算其适应度值，即$f_i=C_{\mathrm{inf\; o}}={\log }_2[1+\underset{\omega }{\Sigma }\mathrm{Norm}(G_1,G_2)]---\left(1\right)$其中f_i表示抗体群中的第i个抗体的适应度值，i为自然数，C_info表示改进的信息容量，Norm(G₁,G₂)表示基于峰值归一化二维直方图，G₁表示图像中经过第i个抗体滤波后图像某个像素的灰度，G₂表示其右邻像素的灰度，ω为信息容量的累加约束区域，可表示为:$\omega =\left\{\begin{array}{c}|G_1-\frac{1}{2}(G_{\max }+G_{\min })|\le T_1\\ |G_1-G_2|\le T_2\end{array}\right.---\left(2\right)$T₁，T₂被称为为非负约束阈值，G_max和G_min分别表示对数归一化所用到的二维直方图中的灰度的最大值与最小值，在结构元素的优化中取G_min＝0，G_max＝255，T₁＝128，T₂＝2；步骤三、采用精英保留策略，选择适应值最大的m个抗体作为记忆抗体被放入精英库中作为精英群体加以保留，不参加选择、交叉和变异操作，直接被当作优秀个体加入到产生的新一代群体中，其中m＝(15％～20％)N，m取整数，N为种群规模；步骤四、采取基于异或运算的海明距的快速计算方法对抗体群的抗体浓度进行计算，在抗体浓度的基础上计算复制率e_k；复制率:$e_k=\frac{f_k}{{\left(C_k\right)}^{\beta }}---\left(3\right)$f_k为抗体k的适应度，C_k为抗体k的浓度，β是反映抗体的浓度和适应度在期望繁殖率中所占据比重的重要参数，这里取β＝2，抗体k的浓度C_k采用基于异或运算的海明距的快速算法进行计算，即$C_k=\frac{1}{N}\underset{w=1}{\overset{N}{\Sigma }}{a}_{\mathrm{kw}},a_{\mathrm{kw}}=\left\{\begin{array}{c}1,D\le t\\ 0,D>t\end{array}\right.---\left(4\right)$C_k为抗体k的浓度，N为种群规模，a_kw为两抗体k和w之间的亲和力，D为两个抗体的海明距，t为海明距阈值，t＝0.3*L，L为字符串的长度即编码字段数，k和w为自然数；步骤五、对于选择概率p_sk进行计算，根据步骤四可以求出选择概率p_sk，基于p_sk的值对抗体群体进行选择，并进行交叉操作$p_{\mathrm{sk}}=\frac{e_k}{\underset{i=1}{\overset{N}{\Sigma }}{e}_i}---\left(5\right)$其中，e_k为抗体k的复制率，N为种群规模，i为小于等于N的自然数，e_i任意一个抗体i的复制率；步骤六、采用加入可调因子θ，得到新抗体群；加入可调因子的自适应的变异概率的计算公式为:$P_m=\left\{\begin{array}{c}\frac{k_3\left[(f_{\max }-f)\right]}{f_{\max }-f_{\mathrm{avg}}}+\theta ,f>f_{\mathrm{avg}}\\ k_4,f\le f_{\mathrm{favg}}\end{array}\right.---\left(6\right)$$\theta =-\frac{k}{G_{\max }-1}G+k+\frac{k}{G_{\max }-1}---\left(7\right)$公式中f_max表示适应度的最大值；f_avg表示算术平均适应度值；f为个体适应度值；k₃、k₄指介于0和1之间的调整系数，取k₃＝k₄＝0.1，θ为可调因子，G为进化代数；G_max为最大进化代数；k为第一代时可调因子θ的值，这里k＝0.005；步骤七、对抗体群进行更新，调用精英群体中高适应度值个体取代抗体群中低适应值的个体，生成下一代抗体群；步骤八、根据终止条件对进行判断，若满足的话结束优化，输出优化后的结构元素，若不满足则跳转到步骤二重复执行，终止条件为下列之一：a、定义阈值ε＝0.0001，对于每一个抗体群，计算该抗体群的平均适应度，此抗体群的算术平均适应度值与上一代抗体群的算术平均适应度值之差小于ε，b、连续15代抗体群的最高适应度值保持不变，c、达到最大进化代数。