基于像素特征提取的球團(tuán)礦性質(zhì)研究

李天龍，李 娟(通訊作者)，王保榮，胡正凱

（1華北理工大學(xué)以升創(chuàng)新教育基地，工程計(jì)算實(shí)驗(yàn)室 河北 唐山 063210)

（2華北理工大學(xué)化學(xué)工程學(xué)院，工程計(jì)算實(shí)驗(yàn)室，數(shù)學(xué)建模實(shí)驗(yàn)室 河北 唐山 063210）

（3華北理工大學(xué)電氣工程學(xué)院，工程計(jì)算實(shí)驗(yàn)室，數(shù)學(xué)建模實(shí)驗(yàn)室 河北 唐山 063210）

1 引言

球團(tuán)礦具有含鐵品位高、粒度均勻、還原性能好、機(jī)械強(qiáng)度高、微氣孔多等特性，是高爐煉鐵的重要原料之一。有相關(guān)學(xué)者基于球團(tuán)礦冶金性能決定其微觀結(jié)構(gòu)，微觀結(jié)構(gòu)反映其冶金性能的角度出發(fā)，對(duì)礦物礦相進(jìn)行分析，用以反映球團(tuán)礦的質(zhì)量。球團(tuán)礦不同的微觀結(jié)構(gòu)，對(duì)應(yīng)著不同堿度，堿度與結(jié)構(gòu)之間存在的關(guān)聯(lián)有待研究。基于此，本文通過對(duì)不同堿度下的球團(tuán)礦在顏色特征、紋理特征、分形特征三個(gè)方面進(jìn)行提取分析，以期更好預(yù)測(cè)球團(tuán)礦冶金性能。

2 基于像素的聚類與方差分析

2.1 K-means聚類分析理論

K-means算法將一組N樣本X劃分成K不相交的簇C，每個(gè)都用該簇中的樣本的均值μj描述。這個(gè)均值通常被稱為簇的“質(zhì)心”，雖然它們是處在同一個(gè)空間，但是一般不是從X中挑選出的點(diǎn)，K-means算法旨在選擇最小化慣性的標(biāo)準(zhǔn)的質(zhì)心。

2.2 單元素圖像的顏色特征提取

選取K-means聚類算法對(duì)顏色進(jìn)行聚類，像素在3D空間中表示，K-means被用來找到2個(gè)顏色的簇，選取Ga元素的圖像進(jìn)行顏色聚類，發(fā)現(xiàn)該算法的聚類效果與上述的像素值0，1規(guī)劃的結(jié)果完全符合，該算法同時(shí)節(jié)省了很多時(shí)間。圖1、2是原圖與聚類圖比較。

一階顏色矩：采用一階原點(diǎn)矩，反映了圖像的整體明暗程度：

二階顏色矩：采用二階中心矩的平方根，反映了圖像顏色的分布范圍：

三階顏色矩：采用三階中心矩的立方根，反映了圖像顏色分布的對(duì)稱性：

圖1 Ga元素的圖

圖2 K-means聚類

2.3 對(duì)單元素的位置和堿度方差分析

通過對(duì)單元素的像素提取和所占比例的統(tǒng)計(jì)，計(jì)算元素在不同位置和不同堿度下的方差，發(fā)現(xiàn)Mg，C，Si，F(xiàn)e在不同堿度下變化相似，Ga，O在不同堿度下變化相似，Mg，C，Ga，O在不同位置下的變化相似，Si，F(xiàn)e，Al在不同位置下變化相似。

3 基于RGB的提取和SVM的分類

3.1 SVM分類分析理論

在兩類中，給定訓(xùn)練向量和一個(gè)向量，SVC能解決如下主要問題subject to:

它的對(duì)偶是

其中是所有的向量，是上界，是一個(gè)n由個(gè)半正定矩陣， 而，其中是內(nèi)核。所以訓(xùn)練向量是通過函數(shù)°φ，間接反映到一個(gè)更高維度的（無窮的）空間。

3.2 RGB值的提取和計(jì)算

3.3 基于SVM分別對(duì)元素，堿度，位置分類

選取80%作為訓(xùn)練集，20%作為測(cè)試集，用訓(xùn)練集樣本對(duì)模型進(jìn)行訓(xùn)練，用測(cè)試集樣本對(duì)模型性能進(jìn)行評(píng)價(jià)。圖3、4、5所示各自得分類圖。利用accuracy_score函數(shù)計(jì)算準(zhǔn)確度得分。如果是第i個(gè)樣本的預(yù)測(cè)值，yi是相應(yīng)的真實(shí)值，則nsamples上正確預(yù)測(cè)的分?jǐn)?shù)被定義為

如表1所示為得分精度：

表1 得分精度表

圖3 元素分類

圖5 堿度分類

4 結(jié)語

本文在分析球團(tuán)礦性質(zhì)時(shí)，得到Mg，C，Si，F(xiàn)e在不同堿度下變化相似，Ga，O在不同堿度下變化相似，Mg，C，Ga，O在不同位置下的變化相似，Si，F(xiàn)e，Al在不同位置下變化相似，再通過提取RGB值的三個(gè)通道利用SVM算法進(jìn)行分類元素，不同位置，不同堿度，結(jié)果顯示分類精度較高，通過提取顏色特征代替實(shí)驗(yàn)檢測(cè)球團(tuán)礦冶金性能，減少檢測(cè)性能消耗成本，節(jié)約時(shí)間成本等，有效提供了改善鋼鐵企業(yè)煉鐵效果的理論依據(jù)。