浮选泡沫图像处理技术研究现状与进展

目前在浮游选矿过程中，浮选仍然主要依靠有经验的师傅或者工程师进行操作，他们通过观察浮选矿浆表面泡沫状态，来调整浮选机矿浆液位和改变药剂制度等，使得浮选过程处于一个较好的状态.但在大多数情况下，这一工作比较困难，主要表现[1]：①操作人员很难时时刻刻地监视和报告浮选泡沫的变化情况；②某些变化难以用人眼来观测；③恶劣的工作环境有损人的健康；④只能进行定性的粗糙观测，不可能进行定量的精细观测；⑤观测结果因人而异，不稳定，导致优化生产控制的随意性和变化性.因此，这一传统的方法必须加以改进.近些年来，电子和计算机技术的高速发展，使得图像处理技术获得了空前广泛的应用，并进一步引入到了泡沫浮选过程的控制中，取得了较好的实验效果[2-4].

自20世纪80年代开始，我国已有一些研究机构进行了这方面研究，但是研究结果只局限于实验室的研究试验，很少被用于实际生产.

2001年9月北京矿冶研究总院在金川有色金属公司选矿厂安装了浮选泡沫图像处理工作站.该系统运用图像处理技术对摄像头和视频捕获卡采集到的浮选泡沫图像进行分析，计算出泡沫颜色、气泡个数和大小、泡沫的稳定度和移动速度等泡沫物理参数，根据它们评估浮选过程，并建立数学模型来预测浮选泡沫层精矿品位.这是国内图像处理技术在浮选过程控制中应用的首次尝试，取得了较好的效果.

在国外，由于计算机技术的领先，使得泡沫浮选过程中的自动控制出现的比较早，水平也比较高.如澳大利亚昆士兰大学矿物研究中心(JKMRC)和Utah公司合作的在线分析仪；美国过程工艺技术股份有限公司(PTI)的在线煤浆测灰仪等[5].目前已进行了这方面研究工作的国家还有英国、瑞典、芬兰、智利及意大利等[6-7].20世纪90年代智利学者已将图像处理技术应用到了浮选过程的专家监控系统.该系统对泡沫图像和选矿专业人员提供的信息进行分析，按一定规则建立了浮选过程工作状态的知识库，确定了浮选泡沫表征的工作状态后, 用模糊理论和If-Then规则建立专家系统.浮选过程监控系统实时测量泡沫颜色、尺寸、形状、密度、速度和稳定性等参数，一旦发现异常情况，专家系统将给出建议，例如调整药剂用量、调整浮选槽给水、调整液位等[8].

到目前为止，北京矿冶研究总院开发的FP-01浮选泡沫图像处理系统是国内较为成功的一套浮选泡沫图像处理设备.其硬件配置如图 1所示（以一个通道为例），包括工业控制计算机、视频图像捕获卡、高解析度彩色CCD摄像机和照明系统等；软件包括以下几个部分：

（1）浮选泡沫图像的实时采集、显示和储存.

（2）浮选泡沫图像处理：计算出泡沫的颜色、形状、大小及运动速度等物理参数，并进行显示和储存.

（3）工艺情况在线分析，对生产中异常情况给出报警提示.

（4）与上位计算机实现通讯.

FP-01浮选泡沫图像处理系统实现了对浮选泡沫的观察，不受空间、时间和主观性的局限；在浮选过程出现异常情况下(例如捕收剂或/和起泡剂断流)能及时给出报警；浮选泡沫的物理参数能上传到上位机(DCS控制系统)，为整个浮选过程的高级控制提供有用的数据.但该处理系统在浮选中的应用还仅仅局限于在实验室的初步应用，泡沫图像处理所得到的数据与品位及其他一些工艺指标的相关性有待大量数据的获取和分析来确定，才能对浮选过程自动控制有更大的贡献.

数字图象处理技术是集光学、电子技术、计算机科学、应用数学等学科为一体的一门综合性边缘学科.它通过计算机对图像进行去噪、增强、复原、分割、特征提取等处理.在泡沫浮选过程中，利用图像处理技术通过对泡沫的颜色、运动特性、密度(单位面积内的泡沫数量)、大小、纹理特征以及稳定性等参数进行分析处理，并建立这些参数与浮选指标之间的关系，将浮选过程中的异常泡沫情况及时准确地反映出来，实现了对浮选泡沫层状态的实时自动监测和识别，减少了异常生产情况的发生，提高了生产指标和效率.除此，图像处理系统成本较低，一般不会产生严重的问题，维修起来也相当简单.这些对浮选技术的提高以及现场操作的自动化控制都有着积极的意义.

将数字图像处理技术应用到浮选过程中泡沫状态的监测，最初是以金属矿物的浮选过程作为研究对象的[9].因为在金属矿物的浮选过程中，目的矿物与脉石矿物之间的颜色差别较明显.但现在随着图像处理技术的进一步提高，其应用已逐步扩展到了整个泡沫浮选工艺过程中.

浮选泡沫表面视觉特征参数一般分为静态参数（如泡沫的大小、形状、颜色、纹理特征等）和动态特征（如泡沫运动速度、稳定性等）.何桂春等[10]人通过对泡沫图像的这些静态和动态特征的分析，发现它们与浮选工艺参数密切相关，如泡沫颜色特征反映所携带的矿物的种类和品位；泡沫的大小和形状反映泡沫矿化程度；而浮选泡沫的速度特征与浮选产量、浮选的精矿品位等密切相关.

由于拍摄环境的影响，图像的颜色、噪声等往往对图像处理产生不利影响.例如颜色能够反映泡沫携带精矿品位，色差将会影响获取信息的准确性；噪声会影响图像质量，造成图像分割困难等.因此，有必要对图像进行颜色转换、去除噪声等预处理.

何桂春和黄开启对大量黄铜矿浮选的泡沫图像进行了研究，指出黄铜矿的浮选泡沫颜色差别不大，因此在程序读取完图像各像素点的RGB值后，求出各像素点3个值的平均值，将原始图像转化为灰度图像.为防止图像边缘发生畸变，他们选取图像的中间区域(256×256 pixel)进行分析，实现了对原始图像的颜色处理.

周开军，王一军等人[11]指出传统除噪方法容易使重要的边缘信息模糊甚至丢失；形态学开闭滤波器只关注目标大小，忽视形态信息，使得图像形状出现扭曲变形.为确保图像特征边界和目标形状的完整性，作者依据灰度分布和形状特征，采用面积重构开闭算法对图像进行除噪处理.实验结果表明，此方法提取的距离图像准确，能很好反映泡沫区域形状.

浮选泡沫的颜色能够反映泡沫携带精矿的信息，因此自从数字图像处理技术引入到泡沫浮选领域，很多研究人员开始寻找各种方法来对浮选泡沫的颜色进行处理以获取其颜色信息.

林小竹和谷莹莹等人[12]指出泡沫的颜色可以反映泡沫携带矿物的种类和浓缩的信息，这个信息就可以由灰度直方图表示出来.灰度值小于20是由于气泡间的阴影造成的；灰度值大于225的是由光在气泡顶上的反射造成的.Hargrave[13]的实验表明，除了直射的太阳光外，其它变化的光照对煤泥泡沫灰度没有显著的影响，因此可以从直方图上估计出泡沫中的矿物量和灰分.

曾荣和沃国经对每帧756×576像素点24位真彩色图像进行了颜色参数的测量，计算出每帧图像中间256×256像素点区域每一颜色分量的平均灰度值，将其作为基本的颜色信息，并同时给出每个颜色分量的直方图.并且考虑到现实生活中，观察者对颜色的色调、亮度、饱和度（HIS）更敏感、更直观，他们选择用了RGB和HIS两种颜色数学模型表征泡沫层的颜色信息.

针对浮选现场环境比较恶劣，现场光线对泡沫真实颜色会产生干扰，Hargrave等人[14]、阳春华和周开军等人[15]对提取图像相对红色分量进行了研究，即分别计算出红色分量的均值和灰度图像的均值，然后计算图像的相对红色分量信息.并根据式 (1)在RGB颜色空间提取出了相对红色分量.为了避免全反射点和阴影的影响，有人提出将最暗和最亮的亮度值去除掉(即像素值为0和255的点)[16].

对于以上几种颜色提取方法，从直方图上估计出泡沫中的矿物量和灰分更简单直观，至于光照对图片的拍摄有较大影响的问题，可以通过优化装置，使整个拍摄避免阳光或灯光照射来解决.

何桂春、黄开启等人对原始图像的灰度直方图进行了研究，采用了统计方法来提取图像灰度直方图的统计纹理特征参数，如均值、方差、偏差、峰度、能量、熵等.为了进一步了解黄铜矿浮选泡沫图像直方图形态的变化规律，他们分别计算了50幅浮选泡沫图像的灰度直方图统计纹理特征参数.由计算结果得知，浮选指标与浮选泡沫图像灰度直方图统计纹理参数间的关系为强烈的非线性关系.他们还采用径向基(RBF)神经网络建立了二者间的关系模型来模拟浮选指标与泡沫特征参数间的关系.结果表明：这些纹理特征参数能较好地代表泡沫图像纹理的变化情况，是描述浮选泡沫特征的有效参数.

刘文礼、路迈西等人[17-18]研究了用线邻域提取算法-空间灰度相关矩阵法(SGDM)来获取泡沫图像的纹理特征.利用该灰度相关矩阵计算能量、熵及惯性距等特征参数，从而描述浮选泡沫的视觉特征.研究结果表明能量随着浮选时间的延长逐渐增大，熵值及惯性矩随着浮选时间的延长逐渐降低，这与理论分析完全吻合.可见，基于图像空间灰度矩阵的3个特性参数-能量、熵和惯性距较好地代表了图像纹理的变化情况，可以用来作为描述泡沫图像特征的有效参数.

由于空间灰度相关矩阵法计算量大，对计算机要求较高；且矩阵会随着图像的旋转而发生变化.为寻求新算法以提取更多泡沫的特征参数，刘文礼、路迈西等人[19]将线邻域的概念推广到了面邻域，提出了面邻域提取算法-邻域灰度相关矩阵法；引入了基于该矩阵的细度参数、粗度参数、二阶距参数、熵参数及不均匀性等特征参数来描述泡沫的结构.结果发现细度参数、粗度参数能较好地反映出浮选泡沫图像的纹理特征.但熵参数、二阶距参数和不均匀性参数与图像泡沫纹理特性的相关性不强.

王建昆[20]对邻域灰度相关矩阵法也进行了研究，指出邻域灰度相关矩阵不以每个像点的绝对灰度值作为刻画图像的数字特征，它仅考虑了像素点和其邻域像素的灰度值的关系，从而克服了由于灰度线性变化，比如光照强度不同等所带来的误差，使得在不同的光照强度下摄取的同一物体的图像具有在s轴上分布相同的邻域灰度相关矩阵.

对于提取图像纹理特征，邻域灰度相关矩阵法越来越受到人们的重视，并对其进行了更深层次的研究.到目前为止，该方法已经过多方面的改进，克服了光照、计算量大等缺点，是提取纹理特征最可取的方法之一.

泡沫尺寸在浮选矿浆中的分布情况非常重要，因为泡沫的大小会影响颗粒与泡沫的碰撞概率和吸附概率，同时也是充气率、pH值的波动情况、浮选药剂的添加量以及表层泡沫所吸附矿物的量和性质等参数的视觉指示[21].

黄玉华、李庆利等人[22]分析了应用常规边缘检测算法进行煤泥浮选泡沫图像处理所存在的问题，提出了在煤泥浮选状态机器视觉监控中应用基于灰色关联度计算进行图像边缘检测的观点.通过计算像素点与理想非边缘的灰色关联度，可以很好地检测泡沫边缘，而且该算法的效率也比较高，泡沫表面上的纹理或煤粉颗粒也可以检测出来.灰色系统理论的引入，为浮选状态的在线监控提供了一种新的技术手段.

曾荣[23]介绍了泡沫边缘探索法和Flooding分水岭法，针对泡沫边缘探索法的一个气泡多个中心点问题，提出了采用多边形区域判定的方法；针对分水岭方法对噪声敏感这一问题提出了一种简单的改进方法：执行Flooding分水岭算法前计算每个盆地的面积并清除由点噪声引起的小盆地的Inflowing Point标记.实验结果表明：气泡边缘探索法适用大、中气泡的分割，对于小气泡边缘曲线交叉明显、不清晰.分水岭Flooding方法适应面广，稳定性好，不受气泡大小和照明亮度的影响，泡沫图像的分割效果良好.

谷莹莹，林小竹等人[24]主要针对煤泥浮选泡沫图像中煤泥气泡互相粘连、边界模糊的情况，根据分水岭变换模拟浸水原理，提出一种新的、有效的分割算法，同时应用数学形态学中的腐蚀和膨胀算法，解决了过分割和欠分割问题，使得粘连的煤泥气泡得到了有效的分割.并对分割后的图像进行了物理特征提取，如气泡的数目、颜色、大小分布等，这些特征参数是评价浮选过程好坏的重要信息，利用它们可监测和优化浮选过程.该分割算法成功的用于煤泥浮选泡沫的分割，并且提取出了煤泥泡沫图像所有静态的物理特征参数.

杨洪薇，肖志涛等人[25]针对分水岭算法对微弱边缘和噪声非常敏感、容易导致过分割现象的问题，提出综合运用分水岭算法和基于区域的模糊C均值聚类的图像分割方法.与单独使用分水岭方法相比，该方法不仅利用区域的灰度信息，而且考虑了区域间的空间信息.实验结果表明，本方法能有效地对图像进行分割，克服了分水岭算法的过分割问题.

周开军，王一军等人依据灰度分布和形状特征，采用面积重构开闭算法对图像进行除噪处理.基于形态重构方法思想，提出采用高低精度距离变换方法，同时，结合改进面积重构变换提取标志图像，进而利用分水岭算法对泡沫图像进行分割.通过测量分割区域和标定像素提取泡沫形态特征，并与浮选工艺参数做相关性分析.研究结果表明，该方法能够准确地分割粘连泡沫，且提取的泡沫形态特征能有效反映浮选工况.

阳春华，杨尽英等人[26]针对矿物浮选过程泡沫图像质量不理想、气泡大形状灰度不均的问题，提出一种基于聚类预分割和高低精度距离重构的泡沫图像分割方法.首先，利用k-聚类进行前景泡沫与背景矿浆彩色图像分割，依据灰度分布和形状分布特征对提取到的泡沫图像进行滤波；然后，基于形态重构提出结合高低精度距离变换对距离图像进行重构，同时利用面积重构h顶开重构变换为分水岭变换提取准确的特征标识；最后利用分水岭算法得到分水线，从而完成浮选泡沫的分割.由分割后的泡沫图像可统计分析出气泡个数与尺寸等物理特征参数，从而为浮选控制提供依据.仿真结果表明了方法的有效性.

牟春洁，张国英等人[27]针对浮选泡沫图像气泡粘连、边界模糊等难以分割的特点，结合区域生长和边检测技术，提出一种基于种子区域边界生长的图像分割方法.首先按照图像特征提取种子区域及其边缘，并制定区域边界生长条件，同时按照图像特征制定了泡沫目标的边界规则库，作为区域边界继续生长的判断条件，即是否到达泡沫边界.此方法不以整幅图像为分割单元，而是以每个气泡对象作为处理单元对浮选图像继续分割，图像中气泡分割的结果更加准确.从实验结果中也可以看到，能够较准确的对浮选泡沫进行有效分割，同时较准确地计算泡沫图像中气泡的总个数及每个气泡的面积.解决了边检测技术和分水岭算法对光源的自适应能力差的缺点，同时解决了分水岭算法中容易出现的过分割和欠分割的现象，此方法在工业应用中能够较好的发挥作用.

陈波，张友静等人[28]针对传统的分水岭算法通常对梯度图像进行无标记分割易造成过度分割的问题，提出了采用一种基于标记的分水岭算法，首先，利用Sobel边缘算子对原遥感图像进行梯度重建，获得梯度幅值图像，同时计算待分割区域的周长、面积和形态因子，并对其进行标记；然后，利用距离函数图标定种子法和等值线跟踪法获得初始分割图像；最后，利用改进的区域合并方法获得最终的分割结果.实验结果表明，基于标记的分水岭算法在分割效果和分割精度等方面都优于传统的分水岭算法；初始分割后的区域通过改进的区域合并算法也得到了较好地合并，降低了过度分割.

英国的Sadr-kazemi和Cilliers[29]研究了基于形态学的分水岭方法，表明相对于传统的边缘检测方法，分水岭方法是一种较完善的方法.分水岭方法的原理是模拟水的淹没过程，如图 2所示.图 2中，A, B, C代表3个极小值点，其中A, C被标记为起始点，D, E是两个极大值点，其中D为分水岭，E不是，因为E不是从两个标记点被淹没的.这种方法是基于区域的，与局部极点的像素值无关，因此，它不受照明情况的影响.

目前，人们采用最多的图像分割技术有边缘检测方法和分水岭方法.当泡沫较大时，使用边缘检测方法进行分割效果较好；反之，使用分水岭方法效果更好.简单的分水岭方法有着易重复分割的缺点，但随着研究的不断深入，各种改进的分水岭方法层出不穷，使得过度分割现象大大减少.

泡沫图像的动态特征一般包括泡沫的速度特征、稳定性等，它们与浮选性能密切相关.通过控制调节泡沫的速度特征和稳定性可提高精矿品位及有用矿物的回收率.

唐朝晖，刘金平等人[30]以浮选泡沫图像序列为对象，研究浮选泡沫图像序列速度特征提取方法，分析泡沫速度特征与浮选性能间的关系.提出了一种抗尺度快速变化和具有旋转不变性的模板匹配算法，利用宏块跟踪技术对浮选泡沫图像序列的泡沫速度特征进行估计，得出像素级的泡沫运动速度参量.然后，采用二维拉格朗日曲面插值方法提取亚像素位移，得出精确的亚像素级位移参量.结果表明：在浮选过程中，减少浮选泡沫运动速度的紊乱程度能减小己粘附在泡沫上的矿物粒子的脱附率，进而提高浮选精矿品位，降低尾矿中有用矿物含量.

Kaartinen和Hatonen等[16]人通过对锌的浮选泡沫的研究，指出泡沫速度特征与浮选产率有关，是一个非常重要的变量.同时介绍了从一图像对中计算泡沫速度的方法，采样间隔选为20 ms，用离散傅立叶变换的算法计算这组图像的二维相关矩阵，其中相关矩阵的最大值决定了采样时间内泡沫移动的像素数量.这种算法有效的减少了运算量.

曾荣和沃国经用相隔一定时间的二帧图像中同一气泡的中心位置的位移除以二帧图像的间隔时间得到泡沫运动速度；将相邻二帧泡沫图像的对应像素灰度的差异小于规定的阈值（取图像阈值的10 % ~15 %）的像素数与总像素数之比定义为泡沫稳定度.并指出该比值越大，稳定性越好；泡沫稳定度与矿物种类、起泡剂用量和充气量等因素相关.

目前，所作的这些工作仅仅是图像处理技术在泡沫浮选过程的初步应用.特别是在国内，将其大规模应用于工业现场还存在一定的难度.浮选泡沫图像处理技术的进一步发展是实现工厂自动化的前提和基础，是提高浮选工艺指标、减轻浮选人力消耗的技术途径.

从现有的研究来看，浮选泡沫图像处理技术的研究有两个明显的趋势：各种新的泡沫图像特征参数不断引入；新方法、新概念的出现及多种方法的有效综合利用.随着实际应用的需要，对图像的处理技术进行深入的研究有着重要的意义.

在今后的研究中，可以从以下几方面对浮选泡沫图像处理技术进行优化：

（1）必须根据泡沫图像的不同状态对其进行不同的预处理，以适应之后的泡沫图像的特征参数的提取.

（2）由于不同矿物的浮选泡沫特性不同，对于泡沫图像各方面的处理应根据矿物的不同选用不同的算法.如泡沫的大小形状，通常用图像分割的方法来求得，但是有的算法适用于分割小泡沫，有的算法适用于分割大泡沫.

（3）目前与浮选工艺指标相关的泡沫图像特征参数已研究了很多，有些可以很好的反映浮选过程的一些指标，但是往往不全面.对此，有待引进能更好的反映浮选指标的参数，对浮选过程实现更全面、更精确的控制.

（1）图像处理技术在浮选泡沫图像处理中的应用得到了广泛的研究，证明了泡沫图像的很多参数与浮选指标密切相关.

（2）在国外，建立浮选泡沫图像处理系统，实现选厂自动化已初步实现，并取得了较好的效果；在国内，则只局限于实验室的研究试验，很少将其应用于实际生产.

（3）目前通过泡沫图像参数预测浮选指标的准确性欠佳，有待我们引进更为全面的图像参数，更准确的控制浮选过程.

（4）将浮选泡沫图像处理技术应用于浮选选厂，对浮选技术的提高以及现场操作的自动化控制都有着积极的意义.