基于加權(quán)多矩融合特征的礦物影像智能識別算法研究

汪金花 劉 巍 李孟倩 戴佳樂 韓秀麗

(1.華北理工大學(xué)礦業(yè)工程學(xué)院,河北 唐山 063210;2.河北省礦業(yè)工程開發(fā)與安全技術(shù)重點(diǎn)實(shí)驗室,河北 唐山 063210)

影像自動識別與檢測分析是智能與綠色礦山技術(shù)融合發(fā)展關(guān)鍵技術(shù)之一。 在圖像識別和計算機(jī)視覺領(lǐng)域,基于特征影像識別技術(shù)具有非接觸性、直接性優(yōu)點(diǎn),廣泛應(yīng)用于信息安全、人臉識別、指紋識別、檔案管理、可視通信等領(lǐng)域[1-2]。 在過去的幾十年里,學(xué)者們提出了許多經(jīng)典的影像識別方法,主要包括卷積神經(jīng)網(wǎng)絡(luò)方法(Convolutional Neural Network,CNN)、支持向量機(jī)(Support Vector Machine,SVM)、主成分分析法(Principal Component Analysis,PCA)等。 卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)架構(gòu)對圖像處理快速高效,使其成為近幾年智能識別主流方法之一[3-4]。唐小佩等[5]在飛機(jī)類型影像識別過程中,利用Canny算子獲取飛機(jī)邊緣輪廓,通過卷積神經(jīng)網(wǎng)絡(luò)結(jié)合SVM 分類器,簡化了飛機(jī)目標(biāo)識別算法,具有良好的魯棒性。 徐巖等[6]將紋理特征和幾何特征進(jìn)行融合,提出一種新的Chu-GLCM 識別特征,通過支持向量機(jī)分類器提取人臉圖像進(jìn)行試驗,發(fā)現(xiàn)該方法能夠提高人臉識別率4 個百分點(diǎn)。 同時,選用了目標(biāo)顏色、紋理及形態(tài)的組合特征能夠有效提高目標(biāo)識別的精準(zhǔn)度。 王左帥等[7]對車輛圖像的方向梯度直方圖(HOG)特征、不變矩特征和灰度共生矩陣特征進(jìn)行了降維和線性融合法變換,多類特征融合識別試驗結(jié)果驗證了算法的有效性,基于融合后形成的新特征的車輛識別準(zhǔn)確率達(dá)到了97.22%。 王玉晶[8]選取了圖像的紋理特征與顏色特征進(jìn)行特征組合,同時采用混沌粒子群優(yōu)化算法對特征進(jìn)行了優(yōu)選,試驗結(jié)果組合特征提高了分類準(zhǔn)確率,減少了分類時間。 一些研究對特征參與識別權(quán)值進(jìn)行了優(yōu)化,通過特征加權(quán)處理,提高了算法識別效率和精度。 黨宏社等[9]在ReliefF 算法基礎(chǔ)上提出了一種基于特征和距離加權(quán)的KNN 分類算法,通過對自然圖像分類,證明了該方法相比于標(biāo)準(zhǔn)KNN 算法具有更高的準(zhǔn)確率。 關(guān)于礦物巖石遙感影像或者鏡下影像鑒定識別,一些研究應(yīng)用了智能自動識別算法[10-11]。 徐述騰等[12]應(yīng)用Tensor Flow 深度學(xué)習(xí)算法,對吉林夾皮溝金礦和河北石湖金礦的黃鐵礦、黃銅礦、方鉛礦、閃鋅礦等硫化物礦物進(jìn)行了卷積神經(jīng)網(wǎng)絡(luò)模型識別,自動提取了目標(biāo)礦相顯微鏡下的礦物深層特征信息。 郭艷軍等[13]針對石英、角閃石、黑云母、石榴石和橄欖石的偏光顯微圖像,采用卷積神經(jīng)網(wǎng)絡(luò)殘差約束算法進(jìn)行了自動識別試驗,識別精度達(dá)到了89%。

目前,鏡下影像識別以顏色特征識別為主,結(jié)合部分形態(tài)指標(biāo)進(jìn)行檢測,總體識別精度較低[14-15]。本研究以鏡下礦物影像智能識別為例,融合影像目標(biāo)的顏色矩、紋理矩和形狀RSTC 矩3 類特征指標(biāo),以指標(biāo)熵權(quán)和變異系數(shù)權(quán)為智能識別貢獻(xiàn)率權(quán)值,構(gòu)建一種多矩融合機(jī)器學(xué)習(xí)智能識別模型。 利用磁鐵礦、云母、方解石、黃銅、鐵酸鈣等影像進(jìn)行識別試驗,分析算法的有效性。

1 多矩融合識別模型

1.1 影像多矩特征

圖像特征提取是目標(biāo)影像識別最為重要的環(huán)節(jié),直接決定識別結(jié)果的準(zhǔn)確性和精度。 識別特征提取應(yīng)滿足區(qū)分度、不變性和魯棒性要求。 所謂特征區(qū)分度是不同類型目標(biāo)特征應(yīng)有顯著差異;特征不變性指相同類型目標(biāo)的特征指標(biāo)差異無顯著變化;特征魯棒性是同一個目標(biāo)經(jīng)過旋轉(zhuǎn)、縮放、扭曲變換后,依然能夠識別出特征。 鏡下不同類型礦物影像色彩不同,同一類型礦物影像色彩相似,有明顯區(qū)分度。 對于同一種礦物由于結(jié)構(gòu)不同,表現(xiàn)出不同的紋理和形態(tài),識別有一定難度。 因此為了提高鏡下礦物識別準(zhǔn)確度,可以從顏色、紋理和形態(tài)3 個層次構(gòu)建礦物目標(biāo)影像識別特征模型。

1.1.1 顏色Color 矩

影像表達(dá)形式有RGB(紅色、綠色、藍(lán)色)、HSV(色調(diào)H、飽和度S、亮度V)多種色彩模型。 其中,HSV顏色模型更接近人類視覺感知特點(diǎn),并且支持大量的圖像分析算法。 為了便于影像智能識別,本研究構(gòu)建了基于HSV顏色模型的Color 矩。

由于圖像剪切出單個目標(biāo)通常是不規(guī)則圖形,設(shè)單個目標(biāo)的最大長度為M、最大寬度為N,則對于包含目標(biāo)的M×N矩形圖像的像素值可以表示為

式中,A為目標(biāo)圖像的空間點(diǎn)域;f(x,y)為圖像空間點(diǎn)(x,y)的像素值。

圖像如果用HSV模型進(jìn)行表達(dá),其Color 矩分別是H、S和V的3 個通道像素均值、中誤差[16],即

式中,M、N為圖像剪切出單個目標(biāo)的最大長度和最大寬度;f(x,y)為目標(biāo)上點(diǎn)(x,y)的像素值;An為目標(biāo)圖像的空間點(diǎn)域A對應(yīng)的非0 像素值個數(shù)和。

1.1.2 紋理GLCM 矩

紋理特征反映了圖像均勻程度和紋理粗糙程度。灰度共生矩陣是常用的一種圖像紋理提取方法,是指以灰度級i這個點(diǎn)離開了特定的位置d= (Δx,Δy)進(jìn)而到達(dá)灰度為j的概率。 通過圖像灰度共生矩陣可以計算圖像能量、對比度、相關(guān)性及熵的4 個統(tǒng)計特征[17],結(jié)果見表1。

表1 圖像紋理的GLCM 矩Table 1 GLCM moment of image texture

1.1.3 形態(tài)RSTC 不變矩

不同類型目標(biāo)一般形狀不同,有時形態(tài)不同卻代表了同一種物質(zhì)。 形狀特征因子是影像目標(biāo)識別的關(guān)鍵因素,可以通過不變矩來表示。 不變矩是指圖像在經(jīng)過旋轉(zhuǎn)、平移、縮放等變換后仍保持不變的一種特征量,對于離散的二維圖像f(x,y),其中(p+q)階原點(diǎn)矩mpq、中心距μpq的計算公式[18]為

通過大量試驗研究,為了保證目標(biāo)發(fā)生平移和旋轉(zhuǎn)后也具有不變性,學(xué)者們構(gòu)建了7 個Hu 不變矩,隨后優(yōu)化的RSTC 不變矩,可以滿足目標(biāo)影像發(fā)生旋轉(zhuǎn)、縮放等變化后的不變性,見表2。 實(shí)際應(yīng)用時一般采用取對數(shù)方式對數(shù)據(jù)進(jìn)行壓縮,RSTC 不變矩。

表2 Hu 不變矩與RSTC 不變矩Table 2 Hu invariant moment and RSTC invariant moment

1.2 多矩特征融合權(quán)值

為了提高目標(biāo)影像的自動識別精度,將顏色、紋理和形態(tài)3 類特征進(jìn)行融合,構(gòu)建智能識別過程的多矩特征融合矩陣。 為了提高模型識別準(zhǔn)確率,防止出現(xiàn)神經(jīng)網(wǎng)絡(luò)智能識別過程的泛化現(xiàn)象,設(shè)置輸入特征指標(biāo)的初始權(quán)。

1.2.1 構(gòu)建多矩特征融合矩陣

目標(biāo)影像通常有顏色、紋理和形態(tài)3 類特征,那么對應(yīng)的影像識別特征集C是圖像顏色CC、紋理CG和形態(tài)CR的特征集合,共計16 個因子。 其CC包括顏色空間H、S、V通道的均值、標(biāo)準(zhǔn)差的6 個指標(biāo),紋理CG由灰度共生矩陣求解的能量、對比度、相關(guān)性和信息熵4 個指標(biāo)構(gòu)成,形狀CR包括RSTC 不變矩特征6 個指標(biāo)。 相關(guān)公式為

假設(shè)由n個目標(biāo)樣本的影像特征構(gòu)成多矩特征融合矩陣A,那么其行秩即為特征指標(biāo)個數(shù)。

為了消除不同指標(biāo)的量綱影響,考慮特征對模型識別的貢獻(xiàn)率,可以采用效益型指標(biāo)進(jìn)行歸范化處理,得到規(guī)范后的矩陣R:

式中,效益型指標(biāo)rij為

式中,min {aij}為第j個指標(biāo)的最小值;rij為規(guī)范后的數(shù)值,0≤rij≤1。

1.2.2 確定指標(biāo)因子熵權(quán)Pa

熵是對不確定信息的度量。 某一個指標(biāo)的差異程度越大,其對應(yīng)的信息熵就越小,表明該指標(biāo)所提供的信息量越大,在綜合評價中發(fā)揮的作用越大,權(quán)重也越大。 本研究應(yīng)用熵權(quán)法計算每類特征中的指標(biāo)權(quán)值時的主要依據(jù)是各個指標(biāo)的差異程度[19]。

首先,根據(jù)式(9)多矩特征融合規(guī)范后的矩陣R,計算每個樣本值占第i項指標(biāo)樣本之和的比重,公式為

然后計算第i個指標(biāo)樣本信息的熵值:

式中,k=-(lnn)-1;n為樣本數(shù)。

于是,第i個指標(biāo)的熵權(quán)重Pai可進(jìn)行如下計算:

式中,m為特征識別指標(biāo)個數(shù)。

1.2.3 計算變異權(quán)值Pb

在目標(biāo)影像識別過程中,顏色、紋理和形態(tài)特征類型對識別結(jié)果的貢獻(xiàn)率不同,每個類型中不同因子對識別結(jié)果影響程度也不同,如區(qū)分云母和方解石2 種物質(zhì),顏色因子貢獻(xiàn)率的影響比較突出;而一類物質(zhì)鐵酸鈣顏色大致相同,當(dāng)區(qū)分鐵酸鈣的針狀、柱狀和他形鐵酸鈣時,其紋理和形態(tài)特征因子對建模貢獻(xiàn)率的影響會比較突出。 因此需要確定每類特征權(quán)值,以便突出目標(biāo)異類特征[20]。

圖像顏色CC、紋理CG和形態(tài)CR有3 類特征,每一類每個特征的變異系數(shù)可定義為

式中,ti為類特征變異系數(shù);di為類特征指標(biāo)中誤差;xi為類特征指標(biāo)均值。

那么,類特征權(quán)值Pbi為

1.2.4 計算多矩特征融合的初始權(quán)陣

多矩融合特征權(quán)值包含顏色CC、紋理CG和形態(tài)CR,共計16 個指標(biāo)的權(quán)值。 為了削弱異常值的影響,使得權(quán)重分配更加客觀合理。 同時又防止某類特征不突出,減少智能識別計算量,因此最后多矩特征融合的初始權(quán)Pi通過每個指標(biāo)的熵權(quán)和變異系數(shù)權(quán)值的組合確定公式為

當(dāng)某一類特征權(quán)值小于閾值d時,認(rèn)為該類特征指標(biāo)對目標(biāo)識別的貢獻(xiàn)率不突出。 為減小特征識別過程中的計算量,可以對其初始權(quán)強(qiáng)制歸零,不參與目標(biāo)智能識別運(yùn)算。 當(dāng)某一類特征權(quán)值大于等于閾值d時,該類特征指標(biāo)的初始權(quán)為指標(biāo)因子熵權(quán)Pai。

1.3 多矩融合識別技術(shù)流程

鏡下影像是多種類型圖斑的混合,智能識別之前需要進(jìn)行圖斑的自動分離。 將鏡下影像進(jìn)行自動分割、合并尺度后,利用對象的色彩、紋理及結(jié)構(gòu)形態(tài)因子,進(jìn)行面向?qū)ο蟮姆诸悺?同一類鏡下圖斑自動分成一個圖層,對圖層內(nèi)的圖斑進(jìn)行邊緣檢測和分割處理,得到大量的單獨(dú)圖斑,作為下一步智能識別的數(shù)據(jù)集。

本研究采用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行圖斑智能識別試驗,網(wǎng)絡(luò)包含輸入層、隱含層和輸出層。 文中參考前文1.2 節(jié),對輸入層進(jìn)行了優(yōu)化。 輸入層為多矩特征融合矩陣A,包括6 個顏色特征因子,4 個紋理特征因子,6 個形狀特征因子。 試驗根據(jù)每種特征因子貢獻(xiàn)率確定輸入初權(quán)值,以便加快收斂。 對應(yīng)輸入權(quán)可以采用指標(biāo)熵權(quán)、變異系數(shù)權(quán)和綜合定權(quán)。 隱含層激勵函數(shù)選取默認(rèn)的Sigmoid 變換函數(shù),輸出層是圖斑識別類型。

本研究模式識別網(wǎng)絡(luò)采用量化連接梯度函數(shù)(trainscg 算法)進(jìn)行訓(xùn)練。 神經(jīng)網(wǎng)絡(luò)從特征輸入的訓(xùn)練集開始學(xué)習(xí),通過監(jiān)督分類訓(xùn)練輸出期望值,訓(xùn)練過程采用誤差反向傳播方法,不斷迭代優(yōu)值賦予初始權(quán)值,直至誤差最小。 具體流程如圖1 所示。

圖1 基于加權(quán)多矩融合的礦物影像識別流程Fig.1 Mineral image recognition model based on weighted multi-moment fusion

2 試驗數(shù)據(jù)

本研究試驗選取了兩大類樣本。 第一類樣本選取了金屬礦石中經(jīng)常出現(xiàn)的磁鐵礦、云母、方解石、黃銅4 種礦物進(jìn)行試驗,主要是為了測試圖斑的色彩、紋理和形態(tài)特征對目標(biāo)識別算法的貢獻(xiàn)率,測試多矩融合特征識別算法的有效性。 樣本中的4 種礦物具有一定的代表性,色彩各異,區(qū)分度明顯,紋理和形態(tài)方面也有較大差異性。 但實(shí)際的鏡下影像較為復(fù)雜,圖斑形態(tài)各異,為了驗證智能識別算法對實(shí)際情況的適用性,選取了燒結(jié)礦鏡下影像作為第二類樣本。 除了有不同顏色、紋理的圖斑外,還有針狀、柱狀以及他形不同形態(tài)的鐵酸鈣,這類燒結(jié)礦具有典型性。

第一類樣本有400 幅圖像(圖2),第二類樣本有200 幅圖像(圖3)。 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本按照70 ∶15 ∶15 的比例劃分,70%的訓(xùn)練集,15%的驗證集,15%的測試集。 同時為了測試算法的魯棒性,對部分樣本圖像進(jìn)行了旋轉(zhuǎn)、縮放等預(yù)處理,并統(tǒng)一尺寸為100×100。

圖2 礦物圖像的第一類樣本Fig.2 Mineral images of type Ⅰ samples

圖3 礦物圖像的第二類樣本Fig.3 Mineral images of type Ⅱ samples

3 試驗結(jié)果分析

3.1 多矩特征指標(biāo)權(quán)值

計算數(shù)據(jù)集圖斑的顏色、紋理和形態(tài)特征指標(biāo)時,由于同一幅圖像上不同特征值之間的數(shù)值差異較大,為了避免數(shù)值干擾識別效果,將特征值歸一化至0～1 區(qū)間內(nèi)。 第一類樣本不同類型礦物的Color 矩、GLCM 矩和RSTC 不變矩特征指標(biāo)的部分計算結(jié)果見表3。 由表3 可知:不同類型礦物6 個Color 矩的指標(biāo)數(shù)值差異明顯,如方解石S4色度均值為0.69,方差為0. 51,而黃銅S7分別為0. 14,0. 13,區(qū)分度高;同一類型礦物GLCM 矩也有一定的差異,如磁鐵礦2 個樣本的對比度CON指標(biāo)分別為0.16 和0.29,黃銅2 個樣本相關(guān)性COR指標(biāo)分別為0.25 和0.36,均為很好的目標(biāo)識別特征。 不同類型圖斑RSTC 不變矩結(jié)果也有一定的區(qū)分度,方解石y7不變矩為0.21 和0.32,黑云母分別為0. 39 和0. 36。 說明顏色、紋理和形態(tài)3 類指標(biāo)的識別區(qū)分度不同,從而對智能算法貢獻(xiàn)程度也應(yīng)不同。

表3 第一類樣本不同類型礦物識別特征指標(biāo)(部分)Table 3 Identification characteristics of different types of minerals in type I samples (part)

根據(jù)磁鐵礦、云母、方解石、黃銅4 類樣本16 個特征因子的差異程度計算出熵值、變異系數(shù)值,并結(jié)合式(13)～式(15)計算出多矩特征融合權(quán)值,結(jié)果見表4。 由表4 可知:綜合權(quán)值中Color 矩類特征權(quán)值貢獻(xiàn)率較高,特征明顯。 紋理中相關(guān)系數(shù)有一定的突出權(quán)值,形態(tài)因子貢獻(xiàn)率不明顯。

表4 第一類樣本訓(xùn)練的初始權(quán)值Table 4 Initial weight of the training of type I samples

3.2 目標(biāo)礦物影像識別

開展第一類樣本目標(biāo)圖像的智能識別試驗時,在單位權(quán)、熵權(quán)、變異系數(shù)權(quán)及綜合權(quán)4 種初始權(quán)的情況下,采用Color 矩、Color 矩&GLCM 矩、Color 矩&GLCM 矩& RSTC 矩作為特征輸入進(jìn)行智能識別。選用識別正確率和識別時間作為識別效果的評價指標(biāo)[21]。 表5 只列出了部分結(jié)果,從表中可以看出,單獨(dú)利用Color 矩一類指標(biāo)進(jìn)行識別時,平均精度約95%。 使用兩類組合特征指標(biāo)進(jìn)行識別時,平均精度約97%。 使用多矩融合特征進(jìn)行識別時,識別正確率達(dá)到了98%左右,算法識別效果顯著[22],說明隨著輸入特征數(shù)量增加,訓(xùn)練結(jié)果精度有所提升。

表5 不同初始權(quán)的影像智能識別效果Table 5 Image intelligent recognition effect with different initial weights

由表5 可知:隨著初始權(quán)值參與訓(xùn)練,各類方案識別正確率略有升高。 當(dāng)以綜合權(quán)值為初始權(quán)進(jìn)行影像智能識別試驗時,識別時間相對減少,識別精度上升至99%。 可見,采用不同的特征指標(biāo)進(jìn)行智能識別時效果存在差異,主要取決于該類特征能否有效描述圖像的本質(zhì)特征。由于每一維特征對分類的重要程度或識別貢獻(xiàn)率是不相同的,在對特征進(jìn)行加權(quán)融合后,可以有效提高分類的準(zhǔn)確率。 另外,特征的維數(shù)也會影響分類結(jié)果,并且在輸入端通過降低某類低貢獻(xiàn)率特征權(quán)重的方式,可以有效避免分類特征相互干擾。 同時,給定輸入數(shù)據(jù)初始權(quán),有助于顯著提升智能識別過程中的收斂速度。

3.3 燒結(jié)礦鏡下影像識別

為了驗證多矩融合識別模型的有效性,開展了燒結(jié)礦鏡下圖像目標(biāo)的識別試驗。 燒結(jié)礦樣品按3 種方案進(jìn)行配料,均采用化學(xué)純CaO(C)和Fe2O3(F)按摩爾配比,制作C2F(41. 18 ∶58. 84)、CF(25. 93 ∶74.07)、CF2(14.89 ∶85.11)3 種混勻壓塊,使用可控溫箱式馬弗爐進(jìn)行微型燒結(jié),升溫至1 400 ℃恒溫0.5 h 后分別降溫至1 100 ℃并恒溫6 h,獲得3 組燒結(jié)礦樣品。 制作燒結(jié)礦切片并在電子顯微鏡下觀察獲取的試驗原始圖像如圖4 所示。

圖4 燒結(jié)礦樣品鏡下原始圖像Fig.4 Original image of sinter sample under microscope

首先將鏡下圖像進(jìn)行面向?qū)ο蠓诸?圖5),得到玻璃相、磁鐵礦和針狀、柱狀、他形的鐵酸鈣目標(biāo)圖斑,見表6。 對鏡下圖像進(jìn)行面向?qū)ο蠓诸?經(jīng)過邊緣分割后,提取玻璃相、磁鐵礦和針狀、柱狀和他形的鐵酸鈣5 類樣本,每類樣本為40 個,共計200 個。

圖5 燒結(jié)礦鏡下圖像面向?qū)ο蠓诸惡笥跋馞ig.5 Image of sinter under microscope after object-oriented classification

表6 燒結(jié)礦鏡下圖斑樣本類型Table 6 Type of spot samples in sinter mirror

對燒結(jié)礦鏡下圖像的數(shù)據(jù)集圖斑進(jìn)行了顏色、紋理和形態(tài)指標(biāo)特征的熵值及變異系數(shù)計算,結(jié)果見表7。 由表7 可知:玻璃相、磁鐵礦、鐵酸鈣不同類型目標(biāo)的Color 矩、 GLCM 矩和RSTC 不變矩特征指標(biāo)的熵權(quán)差異不明顯,但是變異權(quán)值明顯不同。 針狀、柱狀和他形的不同形態(tài)鐵酸鈣的RSTC 不變矩識別特征明顯不同,權(quán)值相差較大。 對于綜合定權(quán),根據(jù)不同指標(biāo)變異權(quán)值大小,設(shè)定閾值d=0.02,即對于變異權(quán)小于等于0.02 的指標(biāo),其神經(jīng)網(wǎng)絡(luò)輸入端的初始權(quán)值為0。

表7 燒結(jié)礦鏡下圖斑樣本訓(xùn)練的初始權(quán)值Table 7 Initial weight of spot samples training in sinter mirror

對采集的圖像特征進(jìn)行智能識別訓(xùn)練,顏色矩、紋理矩和RSTC 不變矩及對應(yīng)權(quán)值作為神經(jīng)網(wǎng)絡(luò)輸入端進(jìn)行訓(xùn)練,結(jié)果見表8。 由表8 可知:如果單獨(dú)使用一類特征指標(biāo)識別圖班,平均精度很低。 利用兩類特征指標(biāo)識別圖班時,精度明顯提升,達(dá)到了90%左右。 當(dāng)利用RSTC 矩&GLCM 矩&Color 矩的多矩融合特征指標(biāo),在綜合權(quán)作為智能識別輸入初始權(quán)時,精度達(dá)到了97%,雖然訓(xùn)練時長有所增加,但增加幅度微小。

表8 燒結(jié)礦鏡下目標(biāo)圖斑識別結(jié)果Table 8 Target pattern recognition results of sinter under microscope

4 結(jié) 論

推進(jìn)礦山智能化建設(shè),需要信息化、數(shù)字化技術(shù)融合發(fā)展。 鏡下礦物影像自動識別是礦物智能化檢測的關(guān)鍵技術(shù)。 本研究針對鏡下礦物影像神經(jīng)網(wǎng)絡(luò)智能識別算法展開了研究,主要結(jié)論如下:

(1)集成了鏡下礦物影像的顏色Color 矩、紋理GLCM 矩及形態(tài)RSTC 不變矩的量化指標(biāo),根據(jù)3 類統(tǒng)計特征差異度確定因子的熵權(quán)值,并根據(jù)特征識別貢獻(xiàn)率確定因子的變異權(quán)值,構(gòu)建了基于多矩特征融合的權(quán)值算法模型。 模型通過優(yōu)化特征因子的初始權(quán)值,有效控制了網(wǎng)絡(luò)訓(xùn)練的泛化現(xiàn)象和每個因子的參與度,弱化了訓(xùn)練過程中不確定性特征指標(biāo)的干擾。

(2)采用鏡下磁鐵礦、云母、方解石、黃銅4 種礦物400 個樣本進(jìn)行試驗,模型自動識別的平均正確率達(dá)到了98%以上。 選取燒結(jié)礦鏡下圖像200 張數(shù)據(jù)集圖斑進(jìn)行了不同形態(tài)的目標(biāo)識別試驗,總體精度達(dá)到了97%。 結(jié)果表明:基于綜合定權(quán)的多矩特征融合圖像識別算法可靠性好,是一種簡單有效的鏡下目標(biāo)圖斑智能識別方法。

(3)所提模型改善了鏡下影像智能識別效果,為鏡下影像智能化分類提供了一種新方法,鏡下圖斑自動分割是后續(xù)研究重點(diǎn)。