一种全尾砂动态絮凝沉降图像特征点提取的DBSCAN聚类分析方法与流程

一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法
技术领域
1.本发明涉及一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法，属于矿山充填技术领域。


背景技术：

2.随着浅层矿产资源的不断消耗，深部开采日益成为矿产开发的重要趋势，膏体充填采矿方法是深部资源安全、绿色及高效开发的可靠方案。在膏体充填工艺流程中浓密是其首要工艺流程，浓密结果的好坏将直接影响其底流浓度等参数。
3.传统的全尾砂脱水浓密主要依靠尾砂的自重进行自然沉降，这种浓密方式尾砂沉降速度慢、溢流水浑浊且底流浓度低，达不到矿山充填的需求。为了确保较好的浓密效果，在沉降柱实验中往往采取在低浓度的尾砂料浆中添加高分子絮凝剂，使尾砂颗粒形成大尺寸絮团，加快浓密过程，但在静态沉降实验中通过添加高分子絮凝剂的方法忽略了水力条件对浓密效果的影响。为此，常会在沉降柱添加絮凝剂后用搅拌棒搅动，使得絮凝剂与尾砂颗粒混合。
4.通过搅拌棒的搅拌由于剪切作用力的存在将颗粒之间的弱相互作用破坏，将絮团中所包裹的包裹水释放出来，在重力
‑
化学
‑
剪切联合作用下，会使较大的尾砂絮团充分分散，形成均质、性能稳定、较小的尾砂絮团。然而，现有技术中却没有对全尾砂沉降过程细观图像进行定量分析的方法。


技术实现要素：

5.本发明针对现有技术中无法对全尾砂沉降过程细观图像进行定量分析的问题，提出了一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法，即采取基于灰度harris特征点的dbscan聚类分析法，借助于matlab软件实现了对细观图像“cluster”数的计算，以cluster作为絮团体动态沉降分散程度数学表征指标，实现对全尾砂沉降过程细观图像的定量分析。
6.一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法，具体步骤如下：
7.(1)采集尾砂动态絮凝沉降过程的图像数据；
8.(2)对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像；
9.(3)采用harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据；
10.(4)采用dbscan算法对特征点数据进行聚类分析，计算出絮凝沉降图像中的cluster数目；
11.(5)根据絮凝沉降图像中的cluster数目分析絮团体的分散情况。
12.所述步骤(2)灰度处理的具体方法为采用平均值法的灰度处理使rgb三通道图像转变为单通道图像，即rgb三通道图像由x
×
y个像素点构成，采用平均值法的灰度方法进行处理：
13.gray(x,y)＝(r(x,y) g(x,y) b(x,y))/3
14.式中：gray为所得到的灰度图像；r、g、b为图像上的红、黄、蓝三个通道的颜色；x、y代表图上像素点所在位置。
15.所述步骤(3)最大特征点提取的方法，具体步骤如下：
16.1)harris检测通过计算窗口沿任何方向移动后的灰度变化情况，分别利用x方向的模板和y方向上的模板在图像上移动，通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像；
17.2)计算每个像素点对应的x和y方向梯度的乘积，得到新的图像，i
x
、i
y
和i
xy
分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像中的每个像素点对应的属性值，得到矩阵w’：
[0018][0019]
式中：i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积；
[0020]
3)对图像进行高斯滤波和平滑处理，得到矩阵w：
[0021][0022]
式中：w
u,v
为均值为零的离散二维高斯函数，δ为高斯标准差，i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，i为原始图像的平均灰度；u为x方向的位移量，v为y方向的位移量；
[0023]
4)计算灰度图像中每个像素点对应的响应函数crf：
[0024][0025]
式中：k为经验参数，通常取k＝0.04～0.06，式中可取k＝0.05；i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积；det(w)和trace2(w)为w行列式和行列式w迹的操作符；
[0026]
5)利用数学解析式确定响应函数crf所对应的极大值点即为图像中的特征点：
[0027]
crf＞threshold
[0028]
式中：threshold为原始图像的全局平均阈值。
[0029]
所述步骤(4)采用dbscan算法对特征点数据进行聚类分析，计算出絮凝沉降图像中的cluster数目的具体方法为
[0030]
1)特征点数据集中点p的eps近邻指特征点p邻域半径eps范围内点的集合，表示为eps(p)：
[0031]
eps(p)＝{q∈d|dist(p,q)≤eps}
[0032]
式中：d为特征点数据集，dist(p,q)为点p与q之间的距离；
[0033]
2)给定参数eps和minpts，对于所选取絮团对象的p点则有：
[0034]
|eps(q)|≥minpts
[0035]
式中p为核心点；在核心点的eps邻域内的对象为边界点；
[0036]
3)采用dbscan算法对特征点数据进行聚类分析，根据以上公式计算出絮凝沉降图像中的cluster数目。
[0037]
本发明的有益效果是：
[0038]
(1)本发明通过对尾砂动态絮凝沉降过程细观结构进行聚类研究需对细观图像进行灰度处理，采用harris特征提取进行细观图像特征点提取，极大的保存全尾砂沉降过程中的重要特征信息；然后，采用dbscan算法将具有相似特征的特征点聚类到一个分类中，为了对尾砂沉降过程絮体分散情况的细观图像进行数学描述，提出以cluster作为其数学表征指标，从而满足尾砂沉降细观结构研究的图像处理需求探究动态沉降环境下对尾砂浓密的影响；
[0039]
(2)本发明根据尾砂动态絮凝沉降过程所拍摄得到的图像信息，对其进行基于灰度harris特征点的dbscan聚类分析法，实现絮体动态沉降分散程度定量表征。
附图说明
[0040]
图1为本发明流程图；
[0041]
图2为尾砂动态絮凝沉降拍摄的图像a；
[0042]
图3为图像a的灰度图像；
[0043]
图4为图像a的x方向梯度、y方向梯度及xy乘积的梯度图像；
[0044]
图5为图像a的特征点分布图；
[0045]
图6为图像a的聚类分析情况图；
[0046]
图7为尾砂动态絮凝沉降拍摄的图像b；
[0047]
图8为图像b的灰度图像；
[0048]
图9为图像b的x方向梯度、y方向梯度及xy乘积的梯度图像；
[0049]
图10为图像b的特征点分布图；
[0050]
图11为图像b的聚类分析情况图。
具体实施方式
[0051]
下面结合具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
[0052]
实施例1：一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法(见图1)，其特征在于，具体步骤如下：
[0053]
(1)高速照相机对尾砂动态絮凝沉降过程进行拍照，获取沉降过程的细观图像数据；
[0054]
(2)对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像；
[0055]
其中灰度处理的具体方法为采用平均值法的灰度处理使rgb三通道图像转变为单通道图像，即rgb三通道图像由x
×
y个像素点构成，采用平均值法的灰度方法进行处理：
[0056]
gray(x,y)＝(r(x,y) g(x,y) b(x,y))/3
[0057]
式中：gray为所得到的灰度图像；r、g、b为图像上的红、黄、蓝三个通道的颜色；x、y代表图上像素点所在位置；
[0058]
(3)采用harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据，具体步骤如下：
[0059]
1)harris检测通过计算窗口沿任何方向移动后的灰度变化情况，分别利用x方向的模板和y方向上的模板在图像上移动，通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像；
[0060]
2)计算每个像素点对应的x和y方向梯度的乘积，得到新的图像，i
x
、i
y
和i
xy
分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像中的每个像素点对应的属性值，得到矩阵w’：
[0061][0062]
式中：i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积；
[0063]
3)对图像进行高斯滤波和平滑处理，得到矩阵w：
[0064][0065]
式中：w
u,v
为均值为零的离散二维高斯函数，δ为高斯标准差，i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，i为原始图像的平均灰度；u为x方向的位移量，v为y方向的位移量；
[0066]
4)计算灰度图像中每个像素点对应的响应函数crf：
[0067][0068]
式中：k为经验参数，通常取k＝0.04～0.06，式中可取k＝0.05；i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，det(w)和trace2(w)为w行列式和行列式w迹的操作符；
[0069]
5)利用数学解析式确定响应函数crf所对应的极大值点即为图像中的特征点：
[0070]
crf＞threshold
[0071]
式中：threshold为原始图像的全局平均阈值；
[0072]
(4)采用dbscan算法对特征点数据进行聚类分析，计算出絮凝沉降图像中的cluster数目：
[0073]
1)特征点数据集中点p的eps近邻指特征点p邻域半径eps范围内点的集合，表示为eps(p)：
[0074]
eps(p)＝{q∈d|dist(p,q)≤eps}
[0075]
式中：d为特征点数据集，dist(p,q)为点p与q之间的距离；
[0076]
2)给定参数eps和minpts，对于所选取絮团对象的p点则有：
[0077]
|eps(q)|≥minpts
[0078]
式中p为核心点；在核心点的eps邻域内的对象为边界点；
[0079]
3)采用dbscan算法对特征点数据进行聚类分析，根据以上公式计算出絮凝沉降图像中的cluster数目；
[0080]
(5)根据絮凝沉降图像中的cluster数目分析絮团体的分散情况，cluster数目越大，说明絮团体分散效果越差。
[0081]
实施例2：一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法(见图1)，其特征在于，具体步骤如下：
[0082]
(1)高速照相机对尾砂动态絮凝沉降过程进行拍照，获取沉降过程的细观图像数据(见图2的尾砂动态絮凝沉降拍摄的图像a)；
[0083]
(2)基于matlab软件对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像(见图3中图像a的灰度图像)；
[0084]
其中灰度处理的具体方法为采用平均值法的灰度处理使rgb三通道图像转变为单通道图像，即rgb三通道图像由x
×
y个像素点构成，采用平均值法的灰度方法进行处理：
[0085]
gray(x,y)＝(r(x,y) g(x,y) b(x,y))/3
[0086]
式中：gray为所得到的灰度图像；r、g、b为图像上的红、黄、蓝三个通道的颜色；x、y代表图上像素点所在位置；
[0087]
(3)采用harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据(见图5中图像a的特征点分布图)，具体步骤如下：
[0088]
1)harris检测通过计算窗口沿任何方向移动后的灰度变化情况，分别利用x方向的模板和y方向上的模板在图像上移动，通过计算每个位置所对应的中心像素梯度值得到原始图像在x和y方向上的梯度图像；
[0089]
2)计算每个像素点对应的x和y方向梯度的乘积，得到新的图像，i
x
、i
y
和i
xy
分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像(见图4)中的每个像素点对应的属性值，得到矩阵w’：
[0090][0091]
式中：i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积；
[0092]
3)对图像进行高斯滤波和平滑处理，得到矩阵w：
[0093][0094]
式中：w
u,v
为均值为零的离散二维高斯函数，δ为高斯标准差，i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，i为原始图像的平均灰度；u为x方向的位移量，v为y方向的位移
量；
[0095]
4)计算灰度图像中每个像素点对应的响应函数crf：
[0096][0097]
式中：k为经验参数，通常取k＝0.04～0.06，式中取k＝0.05；i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，det(w)和trace2(w)为w行列式和w行列式迹的操作符；
[0098]
5)利用数学解析式确定响应函数crf所对应的极大值点即为图像中的特征点：
[0099]
crf＞threshold
[0100]
式中：threshold为原始图像的全局平均阈值；
[0101]
(4)采用dbscan算法对特征点数据进行聚类分析(见图6)，计算出絮凝沉降图像中的cluster数目：
[0102]
1)特征点数据集中点p的eps近邻指特征点p邻域半径eps范围内点的集合，表示为eps(p)：
[0103]
eps(p)＝{q∈d|dist(p,q)≤eps}
[0104]
式中：d为特征点数据集，dist(p,q)为点p与q之间的距离；
[0105]
2)给定参数eps和minpts，对于所选取絮团对象的p点则有：
[0106]
|eps(q)|≥minpts
[0107]
式中p为核心点；在核心点的eps邻域内的对象为边界点；
[0108]
3)采用dbscan算法对特征点数据进行聚类分析，根据以上公式计算出絮凝沉降图像中的cluster数目；
[0109]
(5)根据絮凝沉降图像中的cluster数目分析絮团体的分散情况，cluster数目越大，说明絮团体分散效果越差。
[0110]
实施例3：一种全尾砂动态絮凝沉降图像特征点提取的dbscan聚类分析方法(见图1)，其特征在于，具体步骤如下：
[0111]
(1)高速照相机对尾砂动态絮凝沉降过程进行拍照，获取沉降过程的细观图像数据(见图7尾砂动态絮凝沉降拍摄的图像b)；
[0112]
(2)基于matlab软件对图像数据进行灰度处理使图像数据由三通道转变为单通道得到差异化灰度图像(见图8中图像b的灰度图像)；
[0113]
其中灰度处理的具体方法为采用平均值法的灰度处理使rgb三通道图像转变为单通道图像，即rgb三通道图像由x
×
y个像素点构成，采用平均值法的灰度方法进行处理：
[0114]
gray(x,y)＝(r(x,y) g(x,y) b(x,y))/3
[0115]
式中：gray为所得到的灰度图像；r、g、b为图像上的红、黄、蓝三个通道的颜色；x、y代表图上像素点所在位置；
[0116]
(3)采用harris检测算法对差异化灰度图像进行最大特征点提取得到特征点数据(见图10中图像b的特征点分布图)，具体步骤如下：
[0117]
1)harris检测通过计算窗口沿任何方向移动后的灰度变化情况，分别利用x方向的模板和y方向上的模板在图像上移动，通过计算每个位置所对应的中心像素梯度值得到
原始图像在x和y方向上的梯度图像；
[0118]
2)计算每个像素点对应的x和y方向梯度的乘积，得到新的图像，i
x
、i
y
和i
xy
分别代表x方向梯度、y方向梯度和xy方向梯度的三幅图像(见图9)中的每个像素点对应的属性值，得到矩阵w’：
[0119][0120]
式中：i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积；
[0121]
3)对图像进行高斯滤波和平滑处理，得到矩阵w：
[0122][0123]
式中：w
u,v
为均值为零的离散二维高斯函数，δ为高斯标准差，i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，i为原始图像的平均灰度；u为x方向的位移量，v为y方向的位移量；
[0124]
4)计算灰度图像中每个像素点对应的响应函数crf：
[0125][0126]
式中：k为经验参数，通常取k＝0.04～0.06，式中取k＝0.05；i
x
为灰度图像像素点在水平方向上的梯度，i
y
为灰度图像像素点在垂直方向上的梯度，i
x
i
y
为灰度图像像素点对应的x和y方向梯度的乘积，det(w)和trace2(w)为w行列式和w行列式迹的操作符；
[0127]
5)利用数学解析式确定响应函数crf所对应的极大值点即为图像中的特征点：
[0128]
crf＞threshold
[0129]
式中：threshold为原始图像的全局平均阈值；
[0130]
(4)采用dbscan算法对特征点数据进行聚类分析(见图11)，计算出絮凝沉降图像中的cluster数目：
[0131]
1)特征点数据集中点p的eps近邻指特征点p邻域半径eps范围内点的集合，表示为eps(p)：
[0132]
eps(p)＝{q∈d|dist(p,q)≤eps}
[0133]
式中：d为特征点数据集，dist(p,q)为点p与q之间的距离；
[0134]
2)给定参数eps和minpts，对于所选取絮团对象的p点则有：
[0135]
|eps(q)|≥minpts
[0136]
式中p为核心点；在核心点的eps邻域内的对象为边界点；
[0137]
3)采用dbscan算法对特征点数据(图10的图(b)提取的特征点)进行聚类分析，根据以上公式计算出絮凝沉降图像中的cluster数目；
[0138]
(5)根据絮凝沉降图像中的cluster数目分析絮团体的分散情况，cluster数目越大，说明絮团体分散效果越差；
[0139]
通过对比图像a与图像b在相同情况下，聚类分布后的cluster数目见表1
[0140]
表1图像a与图像b聚类分布后的cluster数目
[0141][0142]
从表1可知，相同情况下图像a的cluster数均小于或等于图像b的；在noise点数方面两者相近，无明显差别即对分散均匀度无影响；
[0143]
根据尾砂絮凝沉降过程中拍摄的图像a和图像b，得到两图像cluster数和noise数(不被算法所囊括的特征点)，图像a原始图像中看到絮体其分散均匀，大块絮体较少；图像b原始图像中大块絮体较多，小而散的絮体较少，故在分散效果较好的尾砂絮凝沉降图像中，其cluster值越小，可根据cluster值，实现对全尾砂动态絮凝沉降过程中分散情况的好坏进行判定。
[0144]
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。