[发明专利]基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法

说明书

本发明涉及一种基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法，首先采集连续两帧浮选气泡图像，对两帧气泡图像进行NSST分解，在多尺度高频子带进行气泡边缘检测及融合，并提取后一帧图像各个分割气泡的中心点；其次采用改进的FREAK采样模型对两帧图像进行特征点描述及匹配，根据前一帧分割气泡周围匹配点分布密度提取候选破碎气泡；最后将后一帧图像各个分割气泡的中心点映射到前一帧分割图像中，统计候选破碎气泡包含的中心点数；将包含多个中心点或无中心点的候选破碎气泡判为破碎气泡。本发明改进的FREAK算法的匹配效果和实时性强，破碎气泡检测方法受光照和运动变化的影响小，能有效提取出各个破碎气泡。

技术领域

本发明涉及浮选气泡检测技术领域，特别是基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法。

背景技术

浮选气泡的稳定性影响了回收率、精矿品位等生产指标性能，精确地提取破碎气泡对于浮选生产指标预测模型的建立至关重要，但是气泡时刻发生着位移、形变、破裂等变化，而且采集的图像受光照影响，导致破碎气泡检测困难。目前，国内外主要采用帧差异和特征点匹配两种检测方法：帧差异法先对相邻图像帧进行位移校正再求差，将差值图像中的高亮区域判为相应的崩塌气泡，检测精度受气泡形变和光照的影响，形变气泡的亮点和高亮边缘易被误检；特征点匹配法是将SIFT匹配算法应用到破碎气泡检测中，通过两帧图像的匹配结果估算破碎率，但精度受限于判断阈值的选取，存在一定误差,且SIFT算法实时性不强。

2012年，Alahi等在CVPR大会上提出了快速视网膜关键点(FREAK)算法，采用类似人体视网膜的二进制描述子，该算法定位精度高、计算快的优点使其在实时性要求高的场合得到广泛应用，FREAK可解决SIFT在实时性方面的不足，但是特征点匹配法精度不高。

发明内容

有鉴于此，本发明的目的是提出一种基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法，匹配效果和实时性强，破碎气泡检测方法受光照和运动变化的影响小，能有效提取出各个破碎气泡。

本发明采用以下方案实现：一种基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法，具体包括以下步骤：

步骤S1：采集连续两帧浮选气泡图像，对两帧气泡图像进行NSST分解，在多尺度高频子带进行气泡边缘检测及融合，并提取后一帧图像各个分割气泡的中心点；

步骤S2：采用改进的FREAK采样模型对两帧图像进行特征点描述及匹配，根据前一帧分割气泡周围匹配点分布密度提取候选破碎气泡；

步骤S3：将后一帧图像各个分割气泡的中心点映射到前一帧分割图像中，统计候选破碎气泡包含的中心点数；将包含多个中心点或无中心点的候选破碎气泡判为破碎气泡。

进一步地，步骤S1具体包括以下步骤：

步骤S11：连续采集两帧浮选气泡图像I_t和I_t+1，对I_t和I_t+1进行NSST多尺度分解，分别得到1个低频图像和k个高频子带图像，通过下式在各尺度高频子带进行气泡边缘检测：

式中，表示k尺度上(i，j)点上的一个方向分量；采用上式对其中任何一个方向分量与其他方向分量的模值进行比较，选出模值最大的分量，并将其他分量置零；

步骤S12：计算模极大值方向上临近点系数的加权平均值，进行气泡边缘系数判断，分解的尺度越多边缘越细

步骤S13：进行多尺度边缘融合及形态学处理，分割出各个气泡区域，并提取I_t+1图像各个分割气泡的中心点。

进一步地，步骤S2具体包括以下步骤：