燒結礦礦相顯微圖像識別及系統(tǒng)開發(fā)

范曉慧，趙忠花，陳許玲，甘敏，王祎

(中南大學 資源加工與生物工程學院，湖南 長沙，410083)

1 燒結礦顯微圖像特征

燒結礦的礦物組成和微觀結構雖然隨著燒結原料及工藝參數(shù)的不同有所差異，但其主要礦物包括含鐵礦物、脈石礦物和粘結相等，其微觀結構主要為粒狀結構、斑狀結構、骸晶結構、斑點狀共晶結構、熔融結構和交織結構等。

對比不同堿度條件下的燒結礦礦相顯微結構圖(見圖1)，其圖像特征主要表現(xiàn)為：

圖1 不同堿度下的燒結礦礦相顯微圖像Fig.1 Micrographs of sinter mineralogy for different basicities

(1)燒結礦由多種礦物組成。包括磁鐵礦(Fe3O4)、赤 鐵 礦 (Fe2O3)、 鐵 酸 鈣 (CaO·Fe2O3, 2CaO·Fe2O3,CaO·2Fe2O3)、硅酸鹽(鐵橄欖石、鈣鐵橄欖石等)等，其礦物組成復雜多樣。因此，燒結礦顯微圖像屬于多元圖像，其分割及識別難度隨礦物組成種類增加而大幅度提高。

(2)燒結礦中磁鐵礦與鐵酸鈣、硅酸鹽與孔洞等之間的分界限模糊、不清楚，分類界限相互交迭，造成其中的礦物組成類別屬性特征不明顯。不同礦物成分之間相互包裹，圖像中各礦物組成邊緣處1個像素可能包含2種礦物組成的信息(見圖1中B，C和D)，使圖像本身存在模糊性和不精確性。

(3)礦物組成形狀特征復雜，不同礦物組成具有不同的形狀特征。赤鐵礦主要存在形式為骸晶狀及殘留原始赤鐵礦(見圖1中 A)，磁鐵礦常與周圍黏結相礦物形成均勻粒狀結構，局部斑狀結構或被周圍黏結相礦物所包圍或與鐵酸鈣以熔蝕，互熔形態(tài)存在，鐵酸鈣常呈熔蝕狀、針狀、板狀形態(tài)，多相共存現(xiàn)象普遍(見圖1中C)。

綜上所述，燒結礦礦物組成復雜多樣，礦物之間相互包裹，礦物組織形狀之間彼此影響，顏色信息不豐富，在很大程度上加大了燒結礦礦物組成的識別難度。同時，獲取的燒結礦礦相顯微圖像的質量受外界影響較大，不同的光線條件或個人操作不同，就會有較大色差，使識別難度進一步加大。圖像識別是根據(jù)一定的圖像特征進行的，若想實現(xiàn)對燒結礦顯微圖像的較好識別與分割，必須選用適合于燒結礦礦相顯微圖像特征的識別方法。

第二，就努力的方向來看，以問題意識為核心來進行共識性對話的理想結果，應該是“中國傳統(tǒng)哲學在吸收了西方哲學和馬克思主義哲學的精髓之后的自我揚棄與重建，也應該是西方哲學和馬克思主義哲學的中國化”⑧。中西馬哲學的共識性對話本質就是以普遍性根本性的重大問題為中心而進行的反思和批判，從而實現(xiàn)當代中國哲學的現(xiàn)代化和世界化。具體而言，就是客觀地對各自存在的問題進行理性審視，在對話的外力沖擊和反觀下展開自我批判，進而分別從各自的角度進行交互式的辯證性的理性批判，通過反復推倒重來式的駁難來發(fā)現(xiàn)矛盾，最后消除分歧達成共識。

2 燒結礦圖像識別算法及識別結果

根據(jù)燒結礦礦相顯微圖像的特征，確定選擇識別算法的原則如下：

(1)對燒結礦礦相顯微圖像組織成分多、信息復雜繁多的圖像特征有較好的適應性。

(2)較好地解決燒結礦礦相顯微圖像礦物組成成分之間界限不明顯、相互包裹等屬于圖像模糊性及不精確性特征的問題。

(3)針對燒結礦礦相顯微圖像外在形狀特征有較好的適應性。

依據(jù)上述原則，選用分水嶺算法(Watershed)、模糊C-均值算法(FCM)及區(qū)域生長算法(Region growing)對燒結礦礦相顯微圖像(圖1(a))進行識別對比，其結果見圖2。

圖2 不同分割算法識別的燒結礦礦相顯微圖像Fig.2 Micrographs of sinter mineralogy recognized by different algorithms

2.1 分水嶺算法

分水嶺算法原理主要是從背景中提取近乎一致的目標對象，對微弱的邊緣也具有良好的響應[9]。該算法與圖像的梯度有很大關系，撇開圖像本身，一般以梯度圖像作為參考圖像進行分割。

經(jīng)分水嶺算法分割后(見圖2(a))，燒結礦礦相顯微圖像中礦物分為一大類，孔洞分為一大類，而且孔洞嚴重欠生長，而礦物嚴重過生長，無法準確識別出燒結礦礦物組成基本類型，只能識別出原圖中較大、較明顯的孔洞。

2.2 模糊的C-均值算法

模糊的 C-均值算法特別適用于對未進行處理的多元圖像進行分割，處理圖片能力較強[10?13]。它以最小類內(nèi)平方誤差和為聚類準則，計算每個樣本屬于各模糊子集的隸屬度，獲取局部最小值，從而得到最優(yōu)聚類，算法具有很好的收斂性。

將模糊C-均值算法分割的圖2(b)與圖1(a)進行對比可見：圖2(b)中的赤鐵礦、磁鐵礦、孔洞所覆蓋的區(qū)域與圖1(a)中所覆蓋的區(qū)域基本一致，但是，磁鐵礦與鐵酸鈣交界處略微出現(xiàn)過生長及欠生長現(xiàn)象，鐵酸鈣與硅酸鹽被分割成同一區(qū)域。當然，可采取其他識別方法再對鐵酸鈣和硅酸鹽進行分割，結果見圖2(c)。整個識別過程相對復雜。

2.3 區(qū)域生長算法

區(qū)域生長算法的基本思想是根據(jù)一定的相似性準則[14?15]，將圖像中滿足相似性準則的像素或子區(qū)域合成更大的區(qū)域。相似性準則可以是灰度、強度、紋理顏色或其他特性，該方法考慮到區(qū)域內(nèi)部和區(qū)域之間的同異性，盡量保持區(qū)域中像素的臨近性和一致性的統(tǒng)一。針對燒結礦礦相顯微圖像特征，采用灰度作為相似性準則進行燒結礦礦物組成基本類別識別。設置鄰近像素與灰度均值Ai之差作為門限T，凡是灰度小于該門限的鄰點，均認為是區(qū)域的附屬點而并入。

將區(qū)域生長算法識別處理后的圖像(圖2(d)和圖1(a))進行對比可知：圖2(d)中的赤鐵礦、磁鐵礦、鐵酸鈣、硅酸鹽及孔洞所覆蓋的區(qū)域與圖1(a)中原來礦物組成及孔洞所覆蓋的區(qū)域基本一致，只有少量局部磁鐵礦與鐵酸鈣出現(xiàn)略微過分割或欠分割現(xiàn)象。其主要原因是磁鐵礦與鐵酸鈣以互熔態(tài)存在，邊緣界限相互交迭，局部顏色信息不豐富。

對比以上結果可知，區(qū)域生長算法比較適用于燒結礦礦相顯微圖像的識別，識別結果較好。其具體操作步驟如下：

(1)根據(jù)燒結礦礦相顯微圖像的灰度特性，選取某一顏色相近的區(qū)域的3點(a1，a2，a3)，計算出其灰度均值A1。

(2)選取顏色相近的同一區(qū)域的第4點(a4)，計算a1，a2，a3和a44點的灰度均值A2，設|A1?a4|=T，若|A1?ai|≤T或|a4?ai|≤T，則作為區(qū)域附屬點并入。

(3)重復上述操作，直到滿足相似性準則的點不存在為止，則生長過程終止。

3 燒結礦礦相顯微圖像識別系統(tǒng)的開發(fā)

應用VC++2003.net開發(fā)了燒結礦礦相顯微圖像識別系統(tǒng)。系統(tǒng)識別流程如圖3所示。

圖3 燒結礦礦相顯微圖像識別系統(tǒng)流程圖Fig.3 Flowchart of micrograph recognizing system of sinter mineralogy

該系統(tǒng)主要作用是實現(xiàn)燒結礦礦相顯微圖像的識別，然后采用統(tǒng)計分析的方法計算燒結礦各礦物組成。系統(tǒng)主要組成部分包括圖像讀取、圖像濾波、區(qū)域生長法識別燒結礦礦相顯微圖像、專家指導子系統(tǒng)、結果評判、圖像修改等。

(1)圖像讀取實現(xiàn)JPEG及BMP等常見燒結礦礦相顯微圖像的讀取，若用戶對讀取的圖像滿意，則可直接應用區(qū)域生長法識別燒結礦礦相顯微圖像；若不滿意，則需進行圖像濾波。

(2)圖像濾波針對已讀取的圖像進行優(yōu)化，除去圖像周圍因光線不均、磨片質量差等問題產(chǎn)生的模糊區(qū)域，降低外界不利因素對顯微圖像識別結果產(chǎn)生的影響。

(3)區(qū)域生長法識別燒結礦礦相顯微圖像實現(xiàn)燒結礦中基本礦物組成類別的分割識別。在采用區(qū)域生長法識別燒結礦礦相顯微圖像的過程中提供由專家經(jīng)驗得到的啟發(fā)性知識，為圖像識別過程提供明確思路及有針對性的識別方案。

(4)若用戶對識別結果滿意，則采用統(tǒng)計分析的方法計算識別出燒結礦礦物組成；若識別結果不滿意，則可對識別結果出現(xiàn)的過分割及欠分割等現(xiàn)象進行修改，直到操作者滿意為止，然后，再次進行圖像識別。

系統(tǒng)識別結果及與專家統(tǒng)計結果對比見表1。從表1可見：系統(tǒng)識別的礦物組成結果與專家分析結果具有很強的一致性，針對同一顯微圖像2種方法識別不同礦物的相對誤差均小于5%。系統(tǒng)識別結果準確，識別速度較快，滿足實際操作過程中的要求。

表1 系統(tǒng)識別結果與專家光學顯微鏡測定結果(質量分數(shù))Table1 Recognition results of system and results tested under optical microscope %

4 結論

(1)燒結礦由磁鐵礦、赤鐵礦、鐵酸鈣、硅酸鹽等多種礦物組成，每種礦物具有不同的特征，各種礦物之間相互重疊包裹，礦物組成形狀特征復雜，屬于多元圖像。其圖像的不精確性和模糊性高，顏色信息不豐富，識別難度大。

(2)區(qū)域生長算法、模糊 C-均值算法及分水嶺算法的燒結礦礦物組成識別對比結果表明：區(qū)域生長算法識別結果與原圖中的礦物組成具有很強的一致性，且識別過程操作簡單，計算速度較快，用于燒結礦顯微圖像識別。

(3)燒結礦礦相顯微圖像識別系統(tǒng)實現(xiàn)了對燒結礦礦物的快速識別和礦物組成含量的準確計算。與專家鑒定結果對比，識別礦物組成含量的相對誤差均小于5%。

[1]任允芙.鋼鐵冶金巖相礦相學[M].北京: 冶金工業(yè)出版社,1982: 179?191.REN Yun-fu.Petrofacies and mineralography of ferrous metallurgy[M].Beijing: Metallurgical Industry Press, 1982:179?191.

[2]傅菊英, 姜濤, 朱德慶.燒結球團學[M].長沙: 中南大學出版社, 1996: 152?158.FU Ju-ying, JIANG Tao, ZHU De-qing.Sintering and pelletizing[M].Changsha: Central South University Press, 1996:152?158.

[3]游勁敏, 李咸偉, 沈紅標, 等.礦物顯微圖像中網(wǎng)孔狀及針板狀成分識別方法研究[J].中國圖象圖形學報, 2006, 11(11):1690?1694.YOU Jin-min, LI Xian-wei, SHEN Hong-biao, et al.An approach of mesh and striation texture recognition for ore microscope image classification[J].Journal of Image and Graphics, 2006, 11(11): 1690?1694.

[4]馬學剛, 張維, 高曉琴, 等.燒結礦礦物組成及結構的測定與分析[J].山東冶金, 2003, 25(3): 32?34.MA Xue-gang, ZHANG Wei, GAO Xiao-qin, et al.Determination and analysis on the mineralogy and microstructure of sinter[J].Shandong Metallurgy, 2003, 25(3):32?34.

[5]LIU Ke-wen, ZHOU Qu-ding.Investigation on the feature extraction from sectional image of sinter machine end and its classification[J].Journal of University Science and Technology Beijing: English Edition, 1994(Z1): 001.

[6]孫鐵強, 尹怡欣, 董潔, 等.基于機器視覺和神經(jīng)網(wǎng)絡的燒結質量預測[J].計算機工程, 2008, 34(11): 240?242.SUN Tie-qiang, YIN Yi-xin, DONG Jie, et al.Sintering quality prediction based on machine vision and ANN[J].Computer Engineering, 2008, 34(11): 240?242.

[7]周芳, 岑豫皖, 杜培明.在線判斷燒結礦燒結終點的模糊識別算法[J].自動化與儀表, 2005, 20(4): 7?10.ZHOU Fang, CEN Yu-wan, DU Pei-ming.Fuzzy discriminating method for deducing the BTP of sinter on-line[J].Automation and Instrumentation, 2005, 20(4): 7?10.

[8]劉征建, 左海濱, 張瀚斗, 等.燒結機尾特征斷面圖像采集算法的研究及應用[J].鋼鐵, 2008, 43(3): 21?24.LIU Zheng-jian, ZUO Hai-bin, ZHAN Han-dou, et al.Research and application of collection algorithm for characteristic section image of sintering machin plant-tail[J].Iron and Steel, 2008,43(3): 21?24.

[9]王國權, 周小紅, 蔚立磊.基于分水嶺算法的圖像分割方法研究[J].計算機仿真, 2009, 26(5): 255?258.WANG Guo-quan, ZHOU Xiao-hong, YU Li-lei.Image segmentation based on watershed algorithm[J].Computer Simulation, 2009, 26(5): 255?258.

[10]Bezdek J C.Pattern recogintion with fuzzy objective function algorithms[M].New York: Plenum Press, 1981: 20?50.

[11]Pal N R, Bezdek J C.On cluster validity for the fuzzy c-means model[J].IEEE Transactions on Fuzzy Systems, 1995, 3(3):370?379.

[12]Cannon R L, Dave J, Bezdek J C.Efficient implementation of the fuzzy c-means clustering algorithm[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(2): 248?256.

[13]Kim D W, Lee K H, Lee D.A novel initialization scheme for the fuzzy c-means algorithm for color clustering[J].Pattern Recognition Letters, 2004, 25(2): 227?237.

[14]Tinku A, Ajoy K R.Image processing principles and applications[M].New York: Wiley-Interscience, 2005: 109?112.

[15]朗銳.數(shù)字圖像處理學 Visual C++ 實現(xiàn)[M].北京: 北京希望電子出版社, 2003: 286?291.LANG Rui.The implement for image processing of visual C++[M].Beijing: Beijing Hope Electronic Press, 2003:286?291.