礦巖顆粒圖像分割方法研究綜述

楊丹丹

(福州大學(xué) 物理與信息工程學(xué)院, 福建 福州 350000)

礦巖顆粒圖像分割方法研究綜述

楊丹丹

(福州大學(xué) 物理與信息工程學(xué)院, 福建 福州 350000)

工業(yè)礦場(chǎng)中，各種礦巖顆粒的存在形式是復(fù)雜多變的，如何更好地分割各種巖塊，直接影響著生產(chǎn)成本和設(shè)備需求。傳統(tǒng)礦巖顆粒的分割以肉眼觀察和描述為主，存在主觀性差、實(shí)時(shí)性差、定量困難等問題，故將數(shù)字圖像處理技術(shù)引入巖石分割研究中。針對(duì)礦巖顆粒圖像分割，通過介紹傳統(tǒng)和新型的圖像分割方法，對(duì)國(guó)內(nèi)已有的礦巖分割算法進(jìn)行了概括總結(jié)，并對(duì)今后的礦巖顆粒圖像分割方法進(jìn)行了展望。

礦巖顆粒；圖像分割；閾值分割；分水嶺；聚類

在開采礦石過程中，破碎后的礦石顆粒的尺寸分布是對(duì)各級(jí)破碎機(jī)進(jìn)行最優(yōu)控制的重要參數(shù)。礦巖顆粒有多種存在形式，但基本存在形式為以下4種：(1)重力作用下垂直下落運(yùn)動(dòng)的巖石骨料；(2)破碎機(jī)傳送帶上傳送的巖石骨料；(3)混合堆中的巖石骨料；(4)實(shí)驗(yàn)室中的巖石骨料樣本。傳統(tǒng)的手工測(cè)量或機(jī)器篩選無(wú)法實(shí)時(shí)給出礦石顆粒的尺寸分析結(jié)果，如大小、數(shù)量、分布情況等。隨著計(jì)算機(jī)技術(shù)的發(fā)展，許多圖像處理技術(shù)被運(yùn)用于礦巖顆粒圖像的分割，由此產(chǎn)生的機(jī)器視覺系統(tǒng)[1]提供了一種非接觸式、實(shí)時(shí)的礦巖顆粒測(cè)量方法。

巖石顆粒分割的圖像處理技術(shù)，國(guó)內(nèi)外學(xué)者頗有研究。筆者查閱大量相關(guān)資料，對(duì)巖石顆粒分割方法的研究進(jìn)行了綜述，簡(jiǎn)要地介紹了巖石顆粒傳統(tǒng)和新型的圖像分割方法，對(duì)國(guó)內(nèi)已有的礦巖分割算法進(jìn)行了概括與總結(jié)，對(duì)礦巖顆粒圖像分割方法的未來(lái)進(jìn)展進(jìn)行了展望。

1 傳統(tǒng)圖像分割方法在礦巖顆粒圖像中的應(yīng)用

1.1 基于邊緣的分割法

一幅圖像中，每個(gè)像素點(diǎn)的灰度是不同的，邊界處的灰度值變化較劇烈，利用這一特征來(lái)分割圖像，就是我們所說的邊緣檢測(cè)。邊緣檢測(cè)是目前圖像分析領(lǐng)域中的基礎(chǔ)技術(shù)，它利用圖像一階導(dǎo)數(shù)的極值或二階導(dǎo)數(shù)的過零點(diǎn)信息來(lái)提取邊緣。對(duì)于圖像中變化比較緩慢的區(qū)域，相鄰像素的灰度變化不大，梯度幅值較??；而在圖像的邊緣地帶，相鄰像素的灰度變化劇烈，梯度變化較大，因而應(yīng)用一階導(dǎo)數(shù)幅值的大小或二階導(dǎo)數(shù)的零點(diǎn)可以確定邊緣位置。幾種常用的邊緣檢測(cè)方法有：Roberts、Sobel[2]、Prewitt、Laplacian算法、LOG算法(Gausion-Laplacian)和Canny算法。由于邊緣檢測(cè)對(duì)噪聲敏感，而巖塊圖像表面總會(huì)存在很多噪聲，因此該方法檢測(cè)到的邊緣有時(shí)是非閉合的。

1.2 閾值分割法

閾值分割[3]是一種基于區(qū)域的圖像分割技術(shù)，簡(jiǎn)單地用一個(gè)或幾個(gè)閾值將圖像的直方圖分為幾類，灰度值屬于同一灰度類間的像素屬于同一類。根據(jù)處理像素的方式分類，閾值法可分為基于局部和基于全局兩大類。全局閾值法是指利用全局信息對(duì)整幅圖像求出最優(yōu)分割閾值，可以是單閾值或多閾值；局部閾值是把原圖像分為幾個(gè)小的子圖像，再在每個(gè)子圖像上使用全局閾值法，也可認(rèn)為局部閾值是局部化的全局閾值。目前廣泛使用的單閾值分割方法為以下兩種：

1.2.1 最大方差閾值分割(OTSU)

OTSU是一種使用最大類間方差最大的自動(dòng)確定閾值的方法，又叫大津法。它是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分，背景和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大。因此，使用類間方差最大分割就是尋找使方差最大的最優(yōu)閾值。

1.2.2 自適應(yīng)閾值分割

在實(shí)際情況中，由于照明不均勻、突發(fā)噪聲、或背景灰度變化較大時(shí)，整幅圖像分割將沒有合適的單一閾值，如果仍采用單一閾值，可能會(huì)發(fā)生錯(cuò)誤劃分，因此，人們提出了自適應(yīng)閾值分割。自適應(yīng)閾值分割的思想是針對(duì)圖像中的每個(gè)像素，其對(duì)應(yīng)的閾值可能不相同，利用不同的的閾值對(duì)圖像進(jìn)行分割處理。

閾值分割是灰度圖像分割中的一個(gè)較常用的方法。對(duì)于目標(biāo)與背景反差較大的圖像，閾值分割是一種簡(jiǎn)單、有效的分割方法，但對(duì)噪聲很敏感。巖石圖像中，由于采集環(huán)境的惡劣性和巖石表面自身存在的許多噪聲點(diǎn)，導(dǎo)致閾值分割后的目標(biāo)會(huì)有很多噪聲點(diǎn)及欠分割。

1.3 基于數(shù)學(xué)形態(tài)學(xué)的分割方法

數(shù)學(xué)形態(tài)學(xué)[4]的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀，以達(dá)到對(duì)圖像分析和識(shí)別的目的?；具\(yùn)算有膨脹、腐蝕、開運(yùn)算和閉運(yùn)算等。

1.3.1 顆粒分析法[5]

假定用半徑逐漸增大的圓形結(jié)構(gòu)去腐蝕，對(duì)于相繼兩次腐蝕，后一次腐蝕將消失的前一次腐蝕結(jié)果中的連通分量為極限腐蝕集。我們認(rèn)為極限腐蝕集中的每個(gè)不連通分量各代表一個(gè)顆粒的中心，據(jù)此進(jìn)行加厚并保持其不連通性，則可得這些顆粒間的分割線。

1.3.2 分水嶺法

分水嶺法[6]是建立在數(shù)學(xué)形態(tài)學(xué)理論基礎(chǔ)上的一種基于區(qū)域的圖像分割算法。它的基本思想是將梯度幅值圖像看作一幅地形圖，梯度對(duì)應(yīng)于海拔高度，圖像中不同梯度值的區(qū)域?qū)?yīng)于山峰和山谷間的盆地；在每個(gè)局部極小值點(diǎn)的位置上打一個(gè)洞，將地形圖逐漸浸入一個(gè)湖中，全局最小值點(diǎn)的盆地先進(jìn)水；水位逐漸上升漫過盆地，當(dāng)相鄰兩個(gè)盆地的水即將合并時(shí)，在兩個(gè)盆地之間建壩攔截，就將圖像劃分為許多山谷盆地，分水嶺就是分割這些盆地的堤壩。分水嶺法中，分水嶺代表邊緣，分割的主要目標(biāo)就是找到分水線。

分水嶺算法對(duì)微弱邊緣具有良好的響應(yīng)，圖像中的噪聲、物體表面細(xì)微的灰度變化，都會(huì)產(chǎn)生過分割現(xiàn)象，因此利用傳統(tǒng)分水嶺處理礦巖顆粒圖像時(shí)，會(huì)出現(xiàn)許多欠分割和過分割現(xiàn)象，也無(wú)法處理巖塊間的粘連問題。

可知，傳統(tǒng)單一的圖像分割方法對(duì)礦巖顆粒這類特殊目標(biāo)群體的分割效果不佳，邊緣模糊、斷裂，噪聲干擾，形狀復(fù)雜是這類圖像分割中的主要問題，因此我們需要尋求更完善、更適宜的圖像處理方法來(lái)處理礦巖顆粒圖像。

2 結(jié)合特定理論的礦巖顆粒圖像分割方法

傳統(tǒng)的分割算法能大致將目標(biāo)的輪廓提取出來(lái)，但在礦巖顆粒圖像中，各種巖石顆粒會(huì)出現(xiàn)復(fù)雜情況，如迭加、重疊等，致使單一、簡(jiǎn)單的分割算法無(wú)法達(dá)到精確的分割效果。如邊緣檢測(cè)法檢測(cè)到的邊緣經(jīng)常是非閉合的，無(wú)法檢測(cè)出重疊部分的邊界，部分目標(biāo)之間會(huì)有粘連情況；傳統(tǒng)分水嶺法由于偽極小值的存在，會(huì)出現(xiàn)判斷錯(cuò)誤的分割線，易造成過分割；當(dāng)目標(biāo)與背景灰度不明顯時(shí)，閾值分割會(huì)出現(xiàn)目標(biāo)背景誤判、缺失的問題，丟失圖像的大量原始信息，易造成欠分割。隨著各學(xué)科新理論和新方法的提出，許多交叉領(lǐng)域的理論、方法和工具相結(jié)合的分割技術(shù)也隨著誕生，研究者們提出許多結(jié)合多理論的新方法，如基于特征空間聚類的算法、基于小波變換的分割技術(shù)[7]等，并將它們應(yīng)用于礦巖顆粒的分割，取得了一定的效果。。

2.1 基于分水嶺的改進(jìn)分割算法

傳統(tǒng)的分水嶺方法容易受到噪聲的影響，并且由于偽極小值點(diǎn)的存在，過分割現(xiàn)象嚴(yán)重。因此，如何克服傳統(tǒng)分水嶺算法的過分割現(xiàn)象一直是研究的重點(diǎn)。目前的兩種克服手段是標(biāo)記法和圖像變換法。標(biāo)記法能夠記錄每個(gè)待分割的目標(biāo)區(qū)域，提高分割的精確度，如高麗等[8]提出的基于標(biāo)記的分水嶺圖像分割算法；圖像變換法是將經(jīng)過一定變換后的圖像作為分水嶺算法的輸入圖像，如二值圖像的距離圖。

為降低分水嶺算法產(chǎn)生的過度分割，可以對(duì)梯度函數(shù)進(jìn)行修改，一個(gè)簡(jiǎn)單的方法是對(duì)梯度圖像進(jìn)行閾值處理，以消除灰度的微小變化產(chǎn)生的過度分割。董柯、蔣大林[9]提出了一種基于改進(jìn)分水嶺變換的礦石圖像分割算法，結(jié)合局部自適應(yīng)閾值法和基于區(qū)域合并的分水嶺變換對(duì)傳送帶上的破碎巖石進(jìn)行分割，解決了現(xiàn)有算法的光照適應(yīng)性差的問題，可以很好地應(yīng)用于復(fù)雜的采礦現(xiàn)場(chǎng)；劉娜等[10]提出了基于形態(tài)重構(gòu)的分水嶺巖石圖像分割方法，在梯度圖像上進(jìn)行形態(tài)學(xué)重建，并結(jié)合分水嶺算法進(jìn)行分割，該方法能夠避免傳統(tǒng)分水嶺變換存在的過分割現(xiàn)象；霍青松等[11]提出一種結(jié)合Freeman鏈碼和分水嶺算法的圖像分割方法，采用Freeman鏈碼進(jìn)行預(yù)處理，再結(jié)合分水嶺算法可有效抑制過分割現(xiàn)象；王桂芹等[12]提出基于FCM和標(biāo)記分水嶺的粘連圖像分割，該方法對(duì)粘連巖石顆粒圖像有較好的實(shí)驗(yàn)效果。

2.2 基于閾值的改進(jìn)分割算法

閾值分割法是最簡(jiǎn)單的一種二值化方法，可以很好地將背景與目標(biāo)區(qū)分開來(lái)。目前使用的單閾值分割即可滿足大部分圖像的分割要求，但對(duì)于礦巖圖像，閾值處理后的巖石表面會(huì)存在許多黑白點(diǎn)，這些黑白點(diǎn)是由于噪聲和巖石表面的紋理造成的，另外許多小巖石由于灰度與背景區(qū)別不大，會(huì)被誤判為背景區(qū)域。針對(duì)一般的閾值分割存在的問題，李靜、王衛(wèi)星[13]提出一種遞歸BCV閾值算法，該算法產(chǎn)生的自適應(yīng)閾值沒有使臨近的分割區(qū)域產(chǎn)生裂縫，也不需要進(jìn)行插值操作；璩世杰等[14]采用雙閾值亮點(diǎn)膨脹循環(huán)處理進(jìn)行塊度測(cè)量；陽(yáng)波、段吉安[15]提出在閾值圖像上使用細(xì)化算法的分割方法，成功分離了粘連的巖石塊。

2.3基于聚類分析的改進(jìn)分割算法

對(duì)于與巖石、巖體有關(guān)的工程問題，往往需要對(duì)巖石或巖體的強(qiáng)度、變形、完整性、穩(wěn)定性等作出評(píng)價(jià)。隨著科學(xué)技術(shù)的發(fā)展，迫切需要對(duì)這些模糊概念進(jìn)行定量化和數(shù)字化描述。聚類分析[16]是將數(shù)據(jù)集合中的對(duì)象按照一定標(biāo)準(zhǔn)劃分成若干個(gè)類的過程，使得同一類的對(duì)象具有較高的相似度，而不同類的對(duì)象之間相似度較低，或者說不同類之間的對(duì)象差異較大。聚類分析按照不同的分類標(biāo)準(zhǔn)可以進(jìn)行不同的分類，按照隸屬度的取值范圍可以分為兩類：硬聚類算法和模糊聚類算法。傳統(tǒng)硬聚類算法隸屬度只有兩個(gè)值：0或1；模糊聚類算法隸屬度的值為[0,1]之間，其中K-均值、模糊C-均值(FCM)等是最常用的分類算法。雖然聚類分析不需要訓(xùn)練集，但需要事先確定分類個(gè)數(shù)，且初始參數(shù)對(duì)分類結(jié)果影響較大，需要借助其他算法對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理；另一方面，由于聚類分割沒有考慮空間信息，因此對(duì)噪聲敏感。葉青、周云才[17]提出一種粗糙熵和K均值聚類相結(jié)合的巖心圖像分割方法，利用K均值聚類算法對(duì)圖像進(jìn)行區(qū)域分割，再利用粗糙熵對(duì)各分割結(jié)果進(jìn)行目標(biāo)提取，達(dá)到多閾值分割的目的。

2.4 邊緣與區(qū)域相結(jié)合的分割[18]

邊緣檢測(cè)能夠獲得灰度或彩色值的局部變化強(qiáng)度，區(qū)域分割能夠檢測(cè)特征的相似性與均勻性。邊緣與區(qū)域的結(jié)合，可以通過邊緣點(diǎn)的限制，避免區(qū)域的過分割；同時(shí)，通過區(qū)域分割補(bǔ)充漏檢的邊緣，保證了邊緣的閉合性。結(jié)合的方法可以是先進(jìn)行邊緣檢測(cè)和連接，再比較相鄰區(qū)域的特征，若相近則合并；也可以是對(duì)原始圖像分別進(jìn)行邊緣檢測(cè)和區(qū)域生長(zhǎng)，獲得邊緣圖和區(qū)域片段圖后，再按一定準(zhǔn)則融合，得到最終分割結(jié)果。Zhou等[19]提出了集成邊緣檢測(cè)和區(qū)域增長(zhǎng)算法的巖石薄片圖像分割方法，提升了巖石圖像分割效果。

2.5 支持向量機(jī)

巖石圖像一般具有目標(biāo)灰度分布不均勻、邊界模糊等特點(diǎn)，基于區(qū)域或邊緣的分割方法，很難達(dá)到好的分割效果。支持向量機(jī)(SVM)實(shí)質(zhì)就是尋找一個(gè)最優(yōu)分類超平面，并把此分類面作為分類的依據(jù)。此外它引入了核函數(shù)的概念，避免了從低維向量空間到高維向量空間轉(zhuǎn)化時(shí)的維數(shù)災(zāi)問題，具有速度快、分類效果好等優(yōu)點(diǎn)。張杰等[20]提出一種基于支持向量機(jī)的巖石薄片圖像分割方法，其對(duì)多類巖石的分割效果優(yōu)于多閾值分割方法；李素蓉等[21]提出基于支持向量機(jī)的巖爆模式識(shí)別及預(yù)測(cè)，將支持向量機(jī)應(yīng)用于巖爆預(yù)測(cè)，并取得了較好的效果；楊佳佳等[22]提出基于改進(jìn)的SVM技術(shù)和高光譜遙感的標(biāo)準(zhǔn)礦物定量計(jì)算，提高了反演的準(zhǔn)確率，可以系統(tǒng)地對(duì)巖漿巖進(jìn)行科學(xué)評(píng)價(jià)。

2.6 多尺度分割

圖像分割是計(jì)算機(jī)視覺研究中的核心問題和難題之一，一直以來(lái)受到廣大研究人員的關(guān)注。近年來(lái)發(fā)展起來(lái)的多尺度分割算法，既能很好地反映圖像領(lǐng)域間的空間關(guān)系，又提供了靈活的表現(xiàn)形式，因此對(duì)特征的進(jìn)一步提煉十分有益。葉潤(rùn)青等[23]提出基于多尺度分割的巖石圖像礦物特征提取及分析方法，克服了傳統(tǒng)目視鑒定中存在的主觀性強(qiáng)、定量困難等問題，有助于巖石圖像的地學(xué)理解和定量分析。

2.7 基于小波變換的分割技術(shù)

礦巖顆粒圖像的灰度分布復(fù)雜，巖石形狀不規(guī)則，遮擋現(xiàn)象嚴(yán)重，如閾值等簡(jiǎn)單的分割方法，無(wú)法得到精確的巖石邊界。小波變換具有檢測(cè)局域突變的能力，是現(xiàn)在用來(lái)檢測(cè)圖像邊界的良好工具。欒麗華、郭連軍[24]提出基于二維小波變換的爆堆礦巖邊緣檢測(cè)，將小波的獨(dú)特性質(zhì)應(yīng)用于礦巖圖像的識(shí)別中，結(jié)合多尺度信息去除噪聲和保留邊緣，得到了良好的效果；欒麗華、郭連軍[25]提出礦巖破碎粒度的智能識(shí)別與測(cè)量，將小波邊緣檢測(cè)技術(shù)應(yīng)用于爆堆圖像分割處理中，結(jié)合膨脹技術(shù)和短鏈刪除技術(shù)，對(duì)礦巖圖像進(jìn)行分割。

3 礦巖顆粒圖像分割方法的可能發(fā)展

多種新型、特定的理論用于礦巖顆粒分割處理中，改善了傳統(tǒng)圖像處理方法的分割效果，但依然沒有一種方法可以滿足巖石分割的所有要求，設(shè)計(jì)一套可以適用于任意形態(tài)的巖石圖像的系統(tǒng)將是今后研究的目標(biāo)。我們可以從其他領(lǐng)域出發(fā)，試著將一些新的方法和理論應(yīng)用于巖石分割中，探索這些方法的可行性。

3.1 圖論

基于圖論[26]的圖像分割是一種自上而下的全局分割方法，它結(jié)合了圖論方法易于處理數(shù)據(jù)局域特征和目標(biāo)函數(shù)易于處理全局信息的優(yōu)點(diǎn)，在局部特征和全局特征之間找到了一種平衡，使得算法具有較強(qiáng)的魯棒性。目前常用的圖論分割方法有：智能剪、歸一化切分、圖切割、隨機(jī)游走、等周算法等。

一般的礦巖圖像有著大小不一、重疊、紋理復(fù)雜等現(xiàn)象，單純基于灰度來(lái)對(duì)礦巖顆粒圖像進(jìn)行處理，會(huì)出現(xiàn)分割不均、欠分割等問題?；趫D論的圖像分割算法著眼于全局，更注重局部數(shù)據(jù)的處理，比一般方法更容易獲得較佳的效果。圖論的相關(guān)理論已用于醫(yī)學(xué)細(xì)胞[27]及其他一些特殊領(lǐng)域，并取得了一定的進(jìn)展。將圖論相關(guān)理論應(yīng)用于礦巖顆粒分割領(lǐng)域，或與其他經(jīng)典分割算法進(jìn)行融合，將是礦巖分割研究的一個(gè)新方向。

3.2 模糊聚類

當(dāng)聚類分析[16]涉及到模糊界限時(shí)，就需運(yùn)用模糊數(shù)學(xué)的方法解決，模糊聚類方法[28]由然而生。由于圖像在成像過程中會(huì)受到很多因素的干擾，使得圖像中的目標(biāo)和背景之間存在一定的模糊性，這就需要用模糊理論來(lái)加以解釋。模糊理論對(duì)于圖像的這種不確定性有很好的描述能力，故可以將模糊理論引入圖像處理中，F(xiàn)CM(模糊C-均值)是目前較為常用的模糊聚類方法。礦巖顆粒圖像由于采集環(huán)境的惡劣性，圖片中的巖石邊緣會(huì)存在很多的模糊邊界，可以考慮將模糊聚類方法應(yīng)用于礦巖顆粒分割中。

3.3 水平集

水平集方法是由Osher和Sethian[29]提出的，它將二維(三維)的閉合曲線(曲面)演化問題轉(zhuǎn)化為三維(四維)空間中水平集函數(shù)曲面演化的隱含方式來(lái)求解，避免了對(duì)拓?fù)浣Y(jié)構(gòu)變化的處理，計(jì)算穩(wěn)定，故廣泛用于圖像處理中。

在Chan和Vese[30]提出的基于簡(jiǎn)化Mumford-Shah模型的水平集圖像分割方法的基礎(chǔ)上，李俊等[31]提出的改進(jìn)水平集方法具有快速收斂、耗時(shí)短、全局優(yōu)化的優(yōu)點(diǎn)，非常適合于生物醫(yī)學(xué)領(lǐng)域中的圖像分割問題。工業(yè)礦巖領(lǐng)域中的巖石分割相當(dāng)于形狀復(fù)雜的細(xì)胞分割，因此我們可以嘗試將水平集的相關(guān)理論成果應(yīng)用于礦巖顆粒的分割處理中。

4 結(jié)論

礦巖圖像是計(jì)算機(jī)圖像分析技術(shù)所面臨的一種特殊對(duì)象，巖塊邊界能否正確判讀和識(shí)別是采用計(jì)算機(jī)圖像分析法實(shí)現(xiàn)礦巖塊度快速準(zhǔn)確測(cè)量的關(guān)鍵，而巖塊分割則是識(shí)別巖塊邊界的首要工作。

本文就礦巖分割領(lǐng)域，概括總結(jié)了國(guó)內(nèi)礦巖顆粒分割的研究現(xiàn)狀，分別就傳統(tǒng)分割方法和新型分割方法提出了例證，發(fā)現(xiàn)單一、傳統(tǒng)的圖像分割方法已經(jīng)無(wú)法滿足礦巖顆粒分割所要求的精確度，結(jié)合新理論的分割方法在其抗干擾性、魯棒性、精度等方面都有所提高。但由于礦巖塊的特殊性，仍有待進(jìn)一步的研究與探索。重視多種分割方法的結(jié)合，針對(duì)特殊領(lǐng)域的特殊問題，利用相關(guān)專業(yè)知識(shí)輔助解決圖像分割問題，是今后包括礦巖顆粒圖像處理在內(nèi)的圖像研究的主要研究方向。

[1] Cassidy R, Morrow P J, McCloskey J. A machine vision system for quantifying velocity fields in complex rock models[J].Machine Vision and Applications, 2006,16(6):343-355.

[2] Ma G H, Wang C, Liu P, et al. Sequential similarity detection algorithm based on image edge feature[J].Journal of Shanghai Jiaotong University (Science), 2014,19(1):79-83.

[3] 韓思奇,王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù),2002,24(6):91-94.

[4] 張碩,彭冬亮.基于數(shù)學(xué)形態(tài)學(xué)的細(xì)胞圖像分割[J].杭州電子科技大學(xué)學(xué)報(bào),2008,28(6):52-55.

[5] 唐曉泉,首祥云,陳世悅,等.條件顆粒分割方法研究[J].中國(guó)圖象圖形學(xué)報(bào),2004,9(5):55-60.

[6] Makrogiannis S, Vanhamel I, Fotopoutos S, et al. Watershed-based multiscale segmentation method for color images using automated scale selection[J].Journal of Electronic Imaging, 2005,14(3):1-16.

[7] 李洪艷,曹建榮,談文婷,等.圖像分割技術(shù)綜述[J].山東建筑大學(xué)學(xué)報(bào),2010,25(01): 85-89.

[8] 高麗,楊樹元,李海強(qiáng).一種基于標(biāo)記的分水嶺圖像分割新算法[J].中國(guó)圖象圖形學(xué)報(bào),2007,12(6):1 025-1 032.

[9] 董柯,蔣大林.基于改進(jìn)分水嶺變換的礦石圖像分割算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(3):899-903.

[10] 劉娜,郭連軍,趙楠楠.基于形態(tài)重構(gòu)的分水嶺巖石圖像分割方法[J].遼寧科技大學(xué)學(xué)報(bào),2010,33(5):495-498.

[11] 霍青松,周鵬勃,周明全.分水嶺算法在礦物顯微圖像分割中的應(yīng)用[C].圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集,北京：[出版社不詳]，2008.

[12] 王桂芹,王正勇,羅代升.基于FCM和標(biāo)記分水嶺的粘連巖石顆粒圖像分割[J].四川大學(xué)學(xué)報(bào):自然科學(xué)版,2012，49(2):356-360.

[13] 李靜,王衛(wèi)星.降落巖石骨料圖像閾值分割算法[J].金屬礦山,2004(6):42-45.

[14] 璩世杰,張厚科,許文耀.礦巖塊度計(jì)算機(jī)圖像分析技術(shù)的研究與應(yīng)用[J].金屬礦山,1999(1):7-10.

[15] 陽(yáng)波,段吉安.基于細(xì)化的巖石圖像分離算法[J].計(jì)算機(jī)與數(shù)字工程,2008,36(7):1-11.

[16] Yang X W, Zhang G Q, Jie L, et al. A Kernel Fuzzy c-Means Clustering-Based Fuzzy Support Vector Machine Algorithm for Classification Problems With Outliers or Noises[J].Fuzzy Systems, IEEE Transactions on, 2011,19(1):105-115.

[17] 葉青,周云才.一種粗糙熵和K均值聚類相結(jié)合的巖心圖像分割方法[J].長(zhǎng)江大學(xué)學(xué)報(bào):自然科學(xué)版,2008,5(1):68-71.

[18] 王愛民,沈蘭蓀.圖像分割研究綜述[J].測(cè)控技術(shù), 2000,19(5):1-6.

[19] Zhou Y, Starkey J, Mansinha L. Segmentation of petrographic images by integrating edge detection and region growing[J].Computers & Geosciences, 2004,30:817-831.

[20] 張杰,滕奇志,王正勇.基于支持向量機(jī)的巖石薄片圖像分割[J].成都信息工程學(xué)院學(xué)報(bào),2007,22(2):186-189.

[21] 李素蓉,唐禮忠,白冰.基于支持向量機(jī)的巖爆模式識(shí)別及預(yù)測(cè)[J].交通科學(xué)與工程,2010,26(3):46-51.

[22] 楊佳佳,姜琦剛,趙靜,等.基于改進(jìn)的SVM技術(shù)和高光譜遙感的標(biāo)準(zhǔn)礦物定量計(jì)算[J].吉林大學(xué)學(xué)報(bào):地球科學(xué)版,2012,42(3):864-871.

[23] 葉潤(rùn)青,牛瑞卿,張良培.基于多尺度分割的巖石圖像礦物特征提取及分析[J].吉林大學(xué)學(xué)報(bào):地球科學(xué)版,2011,41(4):1 253-1 261.

[24] 欒麗華,郭連軍.基于二維小波變換的爆堆礦巖邊緣檢測(cè)[J].工程爆破,2011,17(3):25-28.

[25] 欒麗華,郭連軍.礦巖破碎粒度的智能識(shí)別與測(cè)量[J].礦業(yè)研究與開發(fā),2007,27(4):59-63.

[26] Wang L F, Pan C H. Robust level set image segmentation via a local correntropy-based K-means clustering[J].Pattern Recognition, 2014,47(5):1 917-1 925.

[27] Wang W X, TIAN L P, WANG Y. Segmentation of cell images based on improved graph MST and skeleton distance mapping[J].Optics and Precision Engineering, 2013,21(9):2 464-2 472.

[28] Gao X B, Xie W X. Advances in theory and applications of fuzzy clustering[J].Chin Sci Bull, 2000,45(11):961-970.

[29] Osher S, Sethian J A. Fronts propagating with curvature dependent speed: Algorithms based on Hamilton-Jacobi formulations[J].Journal of Computational Physics,1988,79(1):12-49.

[30] Chan F T, Vese L. Active contours without edges[J].IEEE Trans Image Processing,2001,10(2):266-277.

[31] 李俊,楊新,施鵬飛.基于Mumford-Shah模型的快速水平集圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào),2002,25(11):1 175-1 183.

(責(zé)任編輯：張英健)

Research of Ore Particle Image Segmentation Methods

YANG Dandan

(School of Physics and Information Engineering, Fuzhou University, Fuzhou Fujian 350000, China)

In the mine field, existence form of various ore particles is complex and changeable. How to make a good segmentation of various rock directly affects the cost of production and equipment needs. Traditional ore particle segmentation is carried out with perusal and description, which is poor in subjectivity, instantaneity and difficult to quantify, so digital picture processing technique is proposed in study of rock segmentation. In order to find out which method is best suited for the segmentation of ore-bearing rock particles, in allusion to the segmentation of ore particles, a summary of domestic existed ore segmentation algorithms is made through introducing both traditional and new image segmentation methods respectively, an outlook of the later ore particle image segmentation methods is made.

ore-bearing particles; image segmentation; threshold segmentation; watershed; cluster

2014-05-19

國(guó)家自然科學(xué)基金資助項(xiàng)目(61170147)

楊丹丹(1991-)，女，福建福州人，碩士研究生，主要研究方向?yàn)閳D像處理。

TP391.4

A

1671-5322(2014)03-0036-05