[發明專利]一種基于概率語義分析模型的鋅浮選加藥狀態評價的方法

有效

• 申請號: 201910586983.4
• 申請日: 2019-07-02
• 公開（公告）號: CN110288592B
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 唐朝暉;劉亦玲;高小亮;范影;唐勵雍;李濤
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/45;G06K9/62;G06F40/30;G06F40/242
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吝秀梅

1.一種基于概率語義分析模型的鋅浮選加藥狀態評價的方法，其特征在于：

步驟A、使用加速魯棒特征算法對不同加藥狀態下的鋅浮選泡沫圖像提取動態特征；

步驟B、使用精確歐式局部敏感哈希聚類算法對獲取的泡沫圖像動態特征聚類，提取相關描述視覺單詞，構建完成原始視覺詞典；具體過程為：

步驟B1、用加速魯棒特征算法提取圖像動態特征構成動態特征集R＝{r₁，r₂，…，r_i，…，r_N-1，r_N}；其中，r_i是圖像的一個動態特征，N為特征集R中特征個數；

步驟B2、從E²LSH聚類算法中的函數集G中隨機選取一個位置敏感函數g求取圖像動態特征集R中動態特征r_i對應的k維向量g(r_i)；

步驟B3、計算r_i的主哈希值h₁(g(r_i))和次哈希值h₂(g(r_i))，將R中主、次哈希值都相同的動態特征放入同一個桶b_k中，b_k即是視覺短語；

步驟B4、求取所有圖像動態特征的桶b_k構成原始視覺詞典T_g＝{b₁，b₂，…，b_k，…，b_Z}；

步驟C、將所獲取的動態特征和鋅浮選泡沫圖像底層紋理特征使用皮爾遜相關系數相關度度量對原始視覺詞典優化，得到優化后的語義視覺詞典；具體過程為：

步驟C1、對原始視覺詞典T_g＝{b₁，b₂，…，b_k，…，b_Z}中的任意一個視覺短語b_k，根據公式計算該視覺短語與原始視覺詞典中其它視覺短語之間的相關系數|ρ_n|，得到相關系數矩陣h_k＝[|ρ₁|，…，|ρ_n|，…，|ρ_Z-1|]；

步驟C2、設定閾值ratio₁，對降序排序后的相關系數矩陣h_k，搜索視覺短語，若|ρ_n|＜ratio₁，則將該視覺短語加入新建的視覺短語集合B_g＝{b₁，b₂，…，b_k，…，b_M}中；

步驟C3、若|ρ_n|≥ratio₁，再將此視覺短語對應的動態特征與鋅浮選泡沫圖像底層紋理特征進行相關度的度量，利用灰度共生矩陣求出鋅浮選泡沫圖像底層特征，分別為角二階矩、熵、對比度、逆差距、相關性，記為底層特征集S＝{s₁，s₂，s₃，s₄，s₅}，計算r_i與底層特征集S之間的皮爾遜相關系數|ρ′_n|＝[|ρ′₁|，|ρ′₂|，|ρ′₃|，|ρ′₄|，|ρ′₅|]；

步驟C4、設定閾值ratio₂，若|ρ′_n|＞ratio₂，則將該視覺短語加入視覺短語集合B_g中，從而得到最終優化后語義視覺詞典；具體過程為：

步驟D、建立潛在語義分析模型，用Z＝[z₁，z₂，…，z_l，…，z_L]表示潛在語義主題集合，L為經驗確定的主題個數，是一個常數；得到潛在語義主題在泡沫圖像上的分布概率p(Z/d_j)，再訓練分類器模型；

步驟D1、假設D＝[d₁，d₂，...，d_i，...，d_N]為訓練圖像集，N為圖像總數，假設優化后的視覺詞典為W＝[w₁，w₂，…，w_j，…，w_K]，K為優化后的視覺短語總個數，所有訓練圖像就用“單詞-圖像”的共生矩陣Q，其中Q＝n(w_j，d_i)∈K×N，表示視覺詞典w_j在泡沫圖像d_i中出現的頻次；

步驟D2、使用公式求出“泡沫圖像-視覺單詞”的條件概率分布，其中p(d_j)表示第j幅圖像出現的概率，p(w_i/z_l)為潛在語義主題z_l在視覺單詞w_i上的分布概率，p(z_l/d_j)為潛在語義主題z_l在圖像d_j上的分布概率；

步驟D3、根據極大似然準則對參數p(w_i/z_l)和p(z_l/d_j)求解，利用EM算法求解模型；

步驟D4、最后訓練SVM分類器評價；

步驟E、在測試階段，用加速魯棒特征算法提取測試圖像動態特征，然后基于語義視覺詞典直接建立潛在語義分析模型，得到潛在語義主題在圖像上的分布概率，最后通過已經訓練好的分類器對鋅浮選圖像進行加藥狀態評價。