[發(fā)明專利]一種爆堆礦巖顆粒圖像分割方法

有效

• 申請?zhí)枺?/td>: 201910097758.4
• 申請日: 2019-01-31
• 公開（公告）號: CN109859187B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 柳小波;張育維;趙勝
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12
• 代理公司: 北京易捷勝知識產(chǎn)權(quán)代理有限公司 11613
• 代理人: 韓國勝

1.一種爆堆礦巖顆粒圖像分割方法，其特征在于，包括以下步驟：

S1、針對待分割的爆堆礦巖顆粒圖像進行預(yù)處理，并輸入至預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型，獲取第一概率圖，并根據(jù)所述第一概率圖生成第一輪廓圖；

S2、獲取第一輪廓圖中每一閉合輪廓的周長和面積，利用每一閉合輪廓的周長和面積修正第一概率圖獲取第一修正概率圖；

S3、將所述第一修正概率圖輸入至預(yù)先訓(xùn)練的第二卷積神經(jīng)網(wǎng)絡(luò)模型，獲取第二概率圖，并根據(jù)所述第二概率圖生成第二輪廓圖，將第二輪廓圖作為第n輪廓圖，其中，n是大于等于2的正整數(shù)；

S4、利用第n輪廓圖修正第一概率圖，獲取第n修正概率圖，并將第n修正概率圖輸入至預(yù)先訓(xùn)練的第二卷積神經(jīng)網(wǎng)絡(luò)，獲取第n+1概率圖，根據(jù)第n+1概率圖生成第n+1輪廓圖，判斷第n+1輪廓圖中所有輪廓總面積sum與第一概率圖的分辨率比值是否大于等于1；

若否，則借助所述第二卷積神經(jīng)網(wǎng)絡(luò)獲取第n+1概率圖，直至第n+1輪廓圖中所有輪廓總面積sum與第一概率圖的分辨率比值大于等于1；

所述S4迭代過程中，利用第n輪廓圖修正第一概率圖，獲取第n修正概率圖包括：

B1、針對第n輪廓圖利用公式一計算每一閉合輪廓的參數(shù)值k；

公式一：

其中，L為每一閉合輪廓的周長，A為每一閉合輪廓的面積；

B2、利用預(yù)設(shè)篩選條件獲取每一輪廓圖中滿足條件的全部輪廓；

所述預(yù)設(shè)篩選條件為：閉合輪廓的參數(shù)k小于預(yù)設(shè)值h，且閉合輪廓的面積大于預(yù)設(shè)值的全部輪廓；

B3、利用公式二計算每一輪廓圖的參數(shù)值S_n；

公式二：

B4、在每次迭代過程中，若第n+1輪廓圖中參數(shù)值S_n+1小于第n輪廓圖中參數(shù)值S_n，則將預(yù)設(shè)值h增加1并返回步驟B2，否則遍歷第n+1輪廓圖中像素值為0的坐標點，將第一概率圖中與該坐標點對應(yīng)的坐標點像素值賦值為0，以獲取修正后的第n+1概率圖；

S5、若是，則將第n輪廓圖和第n+1輪廓圖進行像素相加作為分割圖。

2.如權(quán)利要求1所述的方法，其特征在于，在步驟S1前還包括：

A1、構(gòu)建第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)；

A2、針對采集的多張礦巖顆粒圖像進行預(yù)處理，制作第一訓(xùn)練樣本集和人工分割圖，將第一訓(xùn)練樣本集和人工分割圖分別作為第一卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出，獲取預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型；

A3、將所述采集的多張礦巖顆粒圖像輸入至預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型，獲取多張輸出的概率圖；

A4、利用所述多張輸出的概率圖制作第二訓(xùn)練樣本集，將第二訓(xùn)練樣本集和所述人工分割圖分別作為第二卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出，獲取預(yù)先訓(xùn)練的第二卷積神經(jīng)網(wǎng)絡(luò)模型。

3.如權(quán)利要求2所述的方法，其特征在于，在步驟S1中和A1中所述預(yù)處理包括：灰度化和雙邊濾波。

4.如權(quán)利要求3所述的方法，其特征在于，根據(jù)所述第一概率圖生成第一輪廓圖包括：針對第一修正概率圖進行灰度化和二值化處理，并通過對每一閉合輪廓的周長和面積篩選生成第一輪廓圖。

5.如權(quán)利要求4所述的方法，其特征在于，根據(jù)第n概率圖生成第n輪廓圖之間還包括：針對第n概率圖進行二值化處理。

6.如權(quán)利要求1-5任一所述的方法，其特征在于，所述預(yù)先訓(xùn)練第一卷積神經(jīng)網(wǎng)絡(luò)模型和預(yù)先訓(xùn)練第二卷積神經(jīng)網(wǎng)絡(luò)模型均利用U-Net卷積網(wǎng)絡(luò)構(gòu)建。

7.如權(quán)利要求6所述的方法，其特征在于，所述第一卷積神經(jīng)網(wǎng)絡(luò)的輸入尺寸為48×48，所述第二卷積神經(jīng)網(wǎng)絡(luò)的輸入尺寸為480×480。

8.如權(quán)利要求7所述的方法，其特征在于，利用OpenCV獲取每一閉合輪廓的周長和面積。