Исследование и разработка оптико-электронной системы для экспресс-анализа твёрдых полезных ископаемых оптическим методом тема диссертации и автореферата по ВАК РФ 05.11.07, кандидат наук Алехин Артем Андреевич

• Алехин Артем Андреевич
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Алехин Артем Андреевич

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И СРЕДСТВ ЦВЕТОВОГО АНАЛИЗА ОБЪЕКТОВ

1.1 Методы и средства анализа цвета

1.1.1 Визуальный метод. Визуальный колориметр

1.1.2. Спектральный метод

1.1.2.1. Спектрофотометрия с применением интегрирующей сферы

1.1.2.2. Спектрофотометрия с применением волоконных элементов

1.1.3 Фотоэлектрический метод

1.1.3.1 Фотоэлектрическая колориметрия

1.1.3.2. Телевизионная фотоэлектрическая колориметрия

1.2 Постановка цели и задач исследований

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ЦВЕТОВОГО АНАЛИЗА МИНЕРАЛЬНЫХ ОБРАЗЦОВ МЕТОДАМИ ТЕХНИЧЕСКОГО ЗРЕНИЯ

2.1 Определение минерала

2.2 Описание внешних отличительных признаков минеральных образцов

2.2.1 Цвет

2.2.2 Блеск

2.2.3 Опалесценция (игра цвета)

2.2.4 Отражающие и преломляющие свойства

2.2.5 Внешний облик

2.2.6 Анализ рассмотренных внешних отличительных признаков минеральных образцов применительно к решению задач ОСМС

2.3 Моделирование свойств минеральных образцов для системы технического зрения

2.3.1 Различие понятия «цвет» для человека и СТЗ

2.3.2 Моделирование цвета минерального образца

2.3.3 Свойства блика

2.3.4 Моделирование поверхности минерального образца

2.3.5 Моделирование процесса искажения и восстановления изображения

2.4 Выделение селективного признака. Методика оценки степени обогатимости минерального сырья

2.5 Выводы по главе

ГЛАВА 3. Принципы организации и функционирования ОЭС ОСМС

3.1 Принципы построения ОЭС ОСМС

3.2 Принципы расчета конструкции ОЭС ОСМС

3.3 Основные принципы обработки изображений минеральных образцов

3.3.1 Коррекция по фону

3.3.2 Шумовая фильтрация импульсного шума

3.3.3 Выделение объекта на фоне

3.3.4 Сегментация зон цветности на изображении

3.4 Выводы по главе

ГЛАВА 4 ЭКСПЕРИМЕНТАЛЬНЫЕИССЛЕДОВАНИЯ

4.1 Описание разработанного макета ОЭС ОСМС

4.2 Результаты моделирования для рудной пробы кварцитов

4.3 Результаты расчета степени обогатимости для рудной пробы кварцитов

4.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

КМОП - комплементарный металл-оксидный полупроводник. МКО - международная комиссия по освещению. ОС - оптическая система.

ОСМС - оценка степени обогатимости минерального сырья оптическим методом.

ОЭС ОСМС - оптико-электронная система для оценки степени обогатимости минерального сырья оптическим методом. ПЗС - прибор с зарядовой связью. ПО - программное обеспечение.

СКН - стандартный колориметрический наблюдатель.

СТЗ - система технического зрения.

ТФК - телевизионный фотоэлектрический колориметр.

Введение диссертации (часть автореферата) на тему «Исследование и разработка оптико-электронной системы для экспресс-анализа твёрдых полезных ископаемых оптическим методом»

ВВЕДЕНИЕ

Современные технологии технического (иначе - компьютерного или машинного) зрения представляют значительный интерес для использования в различных научно-технических сферах деятельности человека: машиностроении и приборостроении, сфере безопасности, медицине, сфере пищевых технологий, при контроле качества готовой продукции и т.д. При управлении производственными процессами системы технического зрения, как правило, интегрируются в производственный цикл и, таким образом, обеспечивают возможность контроля производства в режиме реального времени. Также существуют системы, работающие не в реальном времени. В таком случае анализ информации осуществляется уже после ее получения, т.е. после видео- или фотосъемки. Примером такого подхода к обработке видеоматериала может служить высокоскоростная съемка. Все чаще она используется при определении траекторий быстродвижущихся объектов, измерении их отклонений, детектировании пролета объектов, и т.д., а также в научных экспериментах и производственных операциях, где результат может быть получен после обработки изображений специальным программным обеспечением (далее - ПО).

Одной из обширных сфер применения технологий машинного зрения является сортировка: минерального сырья при предварительном обогащении твердых полезных ископаемых [1-8], промежуточного сырья при производстве алюминия [9], фруктов и овощей в пищевой промышленности [10-15], при утилизации промышленных и бытовых отходов [16-25]. В России указанный метод называют «фотометрическим», «цветовым» или «оптическим», за рубежом - «color sorting» или «optical sorting». Наибольшую сложность для оптического метода представляет сортировка минеральных объектов, являющихся комплексными образованиями, сложными по структуре и цвету поверхности.

Применяя оптический метод в горнодобывающей промышленности еще на стадии добычи «на борту карьера», возможно сократить объёмы горнорудной массы, поступающей на последующее измельчение, выделить крупнокусковые

хвосты, а также разделить горную массу на сорта, которые целесообразно перерабатывать по различным технологическим схемам [26-28]. В последние годы метод находит все большее применение и в отечественной горной промышленности, в области обогащения твердых негорючих полезных ископаемых, в частности, алмазосодержащих и золотосодержащих руд [29-30].

На рынке обогатительного оборудования, реализующего указанный метод, в настоящее время наиболее широко представлены оптические сортировщики немецких фирм ALIUD GmbH (сепараторы «Gemstar»), Mogensen GmbH/Allgaier-Group (сепараторы «MikroSort»), Tomra Sorting Solutions (сепараторы «UltraSort») и др., отличающиеся друг от друга параметрами схемы построения (шириной потока материала, крупностью обрабатываемого материала, скоростью подачи), моделями описания цвета для оптико-электронных систем регистрации (RGB, HSL, Yuv, и т.д.), а также алгоритмами принятия решений. По заявлениям производителей, в данном оборудовании используются современные видеотехнологии и помехоустойчивые алгоритмы контроля цветовых характеристик ЗD-объектов, являющиеся адаптивными по отношению к особенностям обрабатываемого материала.

Однако результаты анализа, полученные на подобном оборудовании, с точки зрения решения задач, связанных с цветом и анализом цветовой картины, нельзя считать объективными. Это объясняется тем, что в подобном оборудовании осуществляется не анализ цвета минералов как присущей им качественной характеристики, а анализ некоторых цветовых координат их изображений в выбранной модели описания цвета (RGB, YUV, HSL и другие). Известно [31], что в сепараторах «Optosort» в качестве базовой модели описания цвета используется система RGB, не являющаяся, в силу своей неравномерности, объективной с точки зрения анализа цвета [32]. То же самое можно сказать и о сепараторах «Commodas», использующих систему Yuv [33], которая также отличается неравномерностью представления цвета.

Используемый подход в ряде случаев позволяет подобрать приемлемое аппаратное решение: при разделении по критериям «темный/светлый»,

нескольким основным цветам или по однородности одного из цветов. Но метод часто оказывается несостоятельным при анализе «сложного» для анализа, слабоконтрастного материала. Ключевая причина этого очевидна - малый цветовой контраст, но применительно к оптическому методу обогащения этот аспект, фактически, не исследован.

Помимо этого, до сих пор не существует критериев, на основании которых возможно осуществлять хотя бы предварительный выбор в пользу того или иного производителя оптического обогатительного оборудования без проведения испытаний. Т.е., на настоящий момент невозможно оценить возможность и эффективность предварительного обогащения или предконцентрации того или иного типа руды без прямого опробования на конкретной модели оптического сепаратора.

В силу сказанного, метод оптической сепарации на сегодняшний день не является «прозрачным», понятным для потенциального пользователя/заказчика. Его эффективность занижена, а границы применимости в области обогащения твердых полезных ископаемых сильно сужаются. А поскольку оптические сепараторы минерального сырья отечественного производства на рынке обогатительного оборудования отсутствуют, российский потребитель полностью зависим от зарубежных производителей и вынужден мириться с диктуемыми ими «правилами игры» и доверять их оценкам.

Настоящая работа направлена на устранение указанного методологического пробела и посвящена исследованию и разработке оптико-электронной системы для экспресс-анализа твёрдых полезных ископаемых оптическим методом (далее - ОЭС ОСМС), а также методики оценки степени обогатимости минерального сырья на основании результатов обработки цветных изображений минеральных образцов.

Для достижения поставленной цели работы требуется решить следующие основные задачи:

- выполнить анализ и составить классификацию известных методов и устройств цветового анализа объектов;

- сформулировать и описать внешние отличительные признаки реальных минеральных образцов;

- разработать теоретические основы моделирования свойств (признаков) минеральных образцов для системы технического зрения;

- разработать принципы моделирования цветовых параметров поверхности минеральных образцов, с учетом характеристик освещения зоны анализа, а также шумовых характеристик фотоприемного тракта;

- разработать методику ОСМС;

- разработать и реализовать макет ОЭС ОСМС;

- провести экспериментальные исследования и апробацию методики оценки степени обогатимости на разработанном макете ОЭС ОСМС.

Разработанные решения позволят:

- реализовать возможность предварительной оценки эффективности оптической сепарации для обогащения твердых полезных ископаемых определенного вида, которая позволит без прямого опробования выбирать среди оптических сепараторов, представленных на рынке, наиболее подходящий для обогащения руды конкретного месторождения;

- обеспечить (методически и аппаратно) процесс поиска селективных признаков минеральных объектов разных типов, а также порогов разделения для выбора оптимальных режимов работы оптических сепараторов и, как следствие, сокращение периодов технологического простоя обогатительного оборудования, связанного с необходимостью их перенастройки при смене материала, подаваемого на сортировку.

При проведении данной работы использовались следующие методы исследований:

- методы описания оптических свойств минералов;

- элементы классической теории цвета и его анализа (в том числе, модели представления и методы преобразования цвета);

- компьютерные методы моделирования цветовых оттенков и поверхности исследуемых образцов;

- элементы теории оптимальной фильтрации полезных сигналов от помех в линейных оптико-электронных системах;

- методы технического зрения и цифровой обработки изображений;

- методы теории оптических измерений (в том числе требований к созданию схем и методик оптических измерений согласно поставленным задачам).

В первой главе работы представлены обзор и классификация известных методов и устройств анализа цветовых характеристик объектов с описанием достоинств и недостатков каждого из них, предложена краткая классификация. В заключении главы приведены выводы по проведенному обзору и анализу средств идентификации цвета, сформулированы задачи исследования.

Вторая глава посвящена исследованию и разработке теоретических основ моделирования признаков минеральных объектов (с учетом характеристик освещения зоны анализа) для системы технического зрения (далее - СТЗ). Среди прочего приводится описание результатов моделирования искажения и восстановления изображений для учета шумовых характеристик фотоприемного тракта в СТЗ. Показано, что импульсный шум в изображениях минеральных образцов обуславливает существенную потерю цветовой информации, что негативно сказывается на результатах идентификации областей заданной цветности. Исследована эффективность применения метода медианной фильтрации применительно к зашумленным изображениям минеральных образцов. Также подробно рассмотрены особенности используемых в различных оптических сепараторах моделей описания цвета. В заключении главы приведено описание предлагаемой методики ОСМС.

В третьей главе описаны основные принципы построения ОЭС ОСМС, а также комплекс процедур обработки изображений для решения задачи оценки степени обогатимости. Одни из используемых процедур (коррекция по фону, шумовая фильтрация) являются универсальными, и их целесообразно применять ко всем исходным изображениям при предварительной обработке. Использование других процедур обработки изображений сильно зависит от свойств и класса

крупности исходного анализируемого сырья и требует индивидуального подхода (пороговое выделение объекта на фоне, сегментация зон цветности на изображении объекта).

В четвертой главе представлены результаты экспериментальных исследований макета ОЭС ОСМС и апробации методики ОСМС с использованием рудной пробы кварцитов месторождения «Эльмусская площадь», которые подтвердили адекватность полученных моделей распределения цветовых параметров поверхности минеральных объектов, с учетом характеристик освещения зоны анализа и шумовых характеристик фотоприемного тракта для СТЗ.

В заключении работы приведена ее общая характеристика и основные выводы по результатам.

На защиту выносятся следующие основные положения диссертационной работы:

1. Принципы моделирования цветовых параметров поверхности минерального образца, учитывающие ее цвет и отражающие свойства, особенности освещения зоны анализа, а также шумовые характеристики фотоприемного тракта, позволяющие для любой СТЗ спрогнозировать цветовые оттенки минеральных образцов по спектрофотометрическим данным.

2. Методика оценки степени обогатимости минерального сырья оптическим методом, основанная на результатах обработки цветных изображений минеральных образцов представительной рудной пробы и позволяющая оценить применимость оптического метода для обогащения конкретного вида твердых полезных ископаемых, а также определить наиболее эффективную цветовую модель и пороги разделения.

3. Принципы построения оптико-электронной системы для оценки степени обогатимости минерального сырья, обеспечивающие возможность подстройки под особенности (класс крупности, цветовая контрастность, степень прозрачности) конкретного вида твердых полезных ископаемых.

Научная новизна диссертационной работы заключается в том, что:

1. Разработаны принципы моделирования цветной псевдоплоской поверхности минерального образца со сложным гранулометрическим составом на основе спектрофотометрических данных о его реальной поверхности.

2. Предложена методика оценки степени обогатимости минеральных образцов оптическим методом.

3. Разработаны принципы построения аналитической оптико-электронной системы для оценки степени обогатимости минеральных объектов оптическим методом.

Практическая значимость результатов работы состоит в том, что:

1. Предложены методики моделирования цветового оттенка минерального образца и его поверхности с учетом влияния на них шумовых характеристик фотоприемного тракта.

2. Разработан и реализован рабочий алгоритм предварительной обработки изображений минеральных образцов, получаемых системой технического зрения.

3. Разработан и реализован рабочий алгоритм оценки степени обогатимости рудной пробы оптическим методом.

4. Разработан макет ОЭС ОСМС для исследования и оценки степени обогатимости минерального сырья оптическим методом.

5. Получены результаты экспериментальных исследований предложенных макета и методики, обеспечивающих возможности анализа рудных проб оптическим методом.

Достоверность результатов проведенных исследований подтверждается хорошим совпадением результатов моделирования и расчетов со значениями, полученными в результате экспериментального исследования рудной пробы с помощью разработанной ОЭС ОСМС.

По теме диссертационной работы опубликованы 23 научные работы, в том числе 8 статей в изданиях из перечня ВАК (из них 3 статьи в изданиях, включенных в системы цитирования Scopus и Web of Science), 2 патента РФ на изобретение и 1 свидетельство о государственной регистрации программы для ЭВМ.

Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 72 наименований. Общий объем работы составляет 135 страниц, включая 8 таблиц, 65 рисунков и 31 формулу.

Работа выполнена на кафедре «Оптико-электронных приборов и систем» Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики (Университет ИТМО).

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И СРЕДСТВ ЦВЕТОВОГО АНАЛИЗА ОБЪЕКТОВ

Применительно к системам, которые имеют дело с цветовым анализом объектов, уместным будет оговорить подробную трактовку понятия «цвет». Что это? В повседневной жизни человека и его речи слово «цвет» характеризует, как правило, некоторое ощущение. В колориметрии цвет является строго определенной величиной.

В международном светотехническом словаре эти два определения разграничиваются следующим образом [34-35]:

1. Цвет (воспринимаемый) или цветовое ощущение - это аспект зрительного восприятия, позволяющего наблюдателю различать цветовые стимулы, отличающиеся по спектральному составу излучения, т.е. отличать один объект от другого, если различие между ними обусловлено только различием спектрального состава исходящего от них света.

2. Цвет (в колориметрии) - трехмерная векторная величина, характеризующая группу излучений, визуально неразличимых в колориметрических условиях наблюдения, т.е. в таких условиях визуального сравнения, при которых любые излучения одинакового спектрального состава неразличимы глазом.

Однако для многих современных оптико-электронных систем, которые широко применяются во всем мире для различных задач и приложений, связанных с анализом цветовых характеристик, данные определения не совсем подходят. К примеру, СТЗ и датчики цвета, широко используемые для контроля производственных процессов, в строгом смысле не являются колориметрическими приборами. Тем не менее, анализ цветовых характеристик, (зачастую в реальном времени) является важнейшим принципом функционирования подобных систем. С помощью данных систем производится не прямое абсолютное измерение цвета, а выражение его через некоторые величины. Тем самым определяют цвет во всем множестве цветов в рамках

некоторой системы их выражения (или математического описания). Поэтому в аппаратных средствах используются цветовые модели описания цвета, которые не являются объективными с точки зрения колориметрии, поскольку определяются координаты цвета скалярной величины, а не трехмерной векторной величины.

Таким образом, можно выделить и другую интерпретацию понятия «цвет», не относящуюся ни к области абсолютных колориметрических измерений, ни к области субъективных зрительных цветовых ощущений, а трактующую «цвет» как некоторый скаляр с конкретными значениями координат основных цветов. Этот подход используется в фотоэлектрической колориметрии, где при аддитивном смешении цветов координаты цвета в некотором цветовом пространстве пропорциональны количеству основных цветов.

Таким образом, при определенном подборе аппаратных решений в сочетании с применением определенных цифровых моделей описания цвета (включая их однозначное математическое описание), задачи цветового анализа, классификации, сепарации по цветовому признаку успешно решаются во всем мире.

Поскольку оптический метод сепарации подразумевает использование технологий машинного зрения для сортировки минерального сырья по цветовому признаку [36-37], то методика ОСМС должна быть адекватна оптическому методу анализа. Для того чтобы определить ключевые принципы для разработки методики и принципов построения ОЭС ОСМС, которые позволят максимально эффективно использовать возможности анализа цвета для решения задачи ОСМС, рассмотрим подробнее существующие методы анализа цвета и их классификацию, а также типовые примеры современных средств анализа цвета.

1.1 Методы и средства анализа цвета

Существующие методы и соответствующие им средства анализа цвета можно разделить на три группы: визуальные, спектральные и фотоэлектрические.

Первые выделены по характеру промежуточного уравнивания цветов. Вторые -по признаку измеряемой величины (относительная или абсолютная спектральная плотность потока излучения), в этом случае по спектрофотометрическим данным производятся окончательные расчеты координат цвета. Третьи - по признаку объективности определения координат цвета.

Данная классификация известна достаточно давно [38], она хорошо отображает принадлежность различных средств анализа цвета к одной из трех рассмотренных интерпретаций понятия «цвет». Однако с учетом специфики настоящей работы предлагается рассматривать данную классификацию с точки зрения типа фоторегистрирующей системы. Помимо этого автором рассмотрены новейшие средства анализа цвета с указанием их достоинств и недостатков применительно к решению задач данной работы. Ниже представлена уточненная автором классификация методов анализа цвета, а также соответствующие типовые средства анализа:

1 Визуальный метод. Визуальный колориметр.

2 Спектральный метод:

2.1 Спектрофотометрия с применением интегрирующей сферы;

2.2 Спектрофотометрия с применением волоконных элементов.

3 Фотоэлектрический метод:

3.1 Фотоэлектрическая колориметрия;

3.2 Телевизионная фотоэлектрическая колориметрия.

Рассмотрим каждый из этих типов подробнее.

1.1.1. Визуальный метод. Визуальный колориметр

К техническому средству, реализующему данный метод определения цвета, относится визуальный колориметр. При его использовании глаз выступает как прибор, который с определенной точностью участвует в сравнении определяемого и эталонного излучения. С момента изобретением Д.К. Максвеллом первого

колориметра прошло достаточно много времени, но способ определения цвета при непосредственном участии глаза сохранился, хотя его применение и встречается всё реже.

Принцип действия визуального колориметра (Рисунок 1.1) заключается в том, что устанавливается максимально возможное (с точки зрения визуального анализа) равенство одного цвета с другим, а именно - неизвестного цвета с цветом, координаты которого известны. Это позволяет судить об искомом цвете как об известном.

цс

Рисунок 1.1 - Простейшая схема визуального колориметра: ЛN - лампа; П - призма; ЦС - цветное стекло; Г - позиция глаза наблюдателя;

ЗN - зеркало; ФN - светофильтр

В левом поле сравнения свет от лампы Л, проходящий через цветное стекло ЦС, падает на призму П. Это излучение требуется идентифицировать. Правая грань призмы П освещается тремя источниками света Л1. Л2, Л3. Если их излучение будет соответствовать трем монохроматическим источниками света с длинами волн Х1=700 нм, Х2=546нм, Х3=435 нм, то анализ будет значительно упрощен. Чтобы удовлетворить такому условию, можно использовать интерференционные фильтры [39]. Зеркала З1, З2 частично пропускают и частично отражают падающий на них свет. Зеркала З3, З4 полностью отражают падающий

свет. Оператор располагает голову так, что глаз находится в позиции Г и через круглое отверстие в экране видит грани призмы (в колориметрах вместо отверстия в экране иногда используется оптическая система с окуляром).

Далее оператор с помощью предусмотренных механизмов может перемещать источники Л1; Л2, Л3 ближе/дальше относительно положения призмы, а их текущее положение, как правило, отмечается с помощью специальной шкалы. Каждое положение источника соответствует освещенности Б1; Е2 или Е3. Перемещение источников происходит до тех пор, пока воспринимаемые оператором оттенки цвета в левой и правой гранях призмы не уравняются. Но, однако, может случиться, что равенство не установится из-за разницы в яркостях левого и правого поля. В таком случае необходимо изменить положение источника Л относительно призмы П, тем самым изменяя освещенность Е, а следовательно - и яркость левого поля без изменения спектрального состава анализируемого излучения. Полученные освещенности Е1; Е2, Е3 могут быть пересчитаны в цветовые составляющие поля. Обычно в колориметрах шкала, вдоль которой перемещаются источники, проградуирована уже в пересчете на цветовые координаты основных цветовых стимулов (красный, зеленый, синий).

Приведенная схема является простейшей типовой схемой визуального колориметра. Рассмотренный принцип действия является общим для всех визуальных колориметров: глазу оператора предъявляются рядом два поля, первое - поле определяемого цвета, второе - опорное поле сравнения. Кроме того, в большинстве визуальных колориметров присутствует возможность перенести излучение из правой части (относительно призмы) в левую, тем самым «подмешивая» в идентифицируемое излучение другое излучение. Это производится в тех случаях, когда описанным путем оказывается невозможным уравнять обе грани призмы, поскольку смесь даже чистых по спектру монохроматических излучений дает, как правило, менее чистый цвет, чем исходные излучения.

Также необходимо отметить, что визуальные колориметры бывают аддитивными и субтрактивными. Основное отличие этих двух типов состоит в

том, что в аддитивном колориметре поле сравнения формируется тремя (бывает и больше) световыми пучками, смешение которых может дать определяемое излучение. При этом спектральный состав каждого из таких световых пучков должен соответствовать одному из основных цветов данного колориметра (в каждом колориметре должны быть выбраны его основные цвета). В субтрактивных же колориметрах подбор цвета реализуется с помощью пропускания потока белого света через три светофильтра.

Основным недостатком визуальной колориметрии является то, что индивидуальные свойства цветового зрения каждого оператора (наблюдателя), производящего подобный колориметрический анализ, отличаются от свойств цветового зрения «стандартного колориметрического наблюдателя»1 (далее -СКН). Это дает типичную для конкретного оператора погрешность. Решать такую проблему принято отбором операторов из числа людей, цветовое зрение которых наиболее соответствует стандарту СКН.

Таким образом, использование аппарата человеческого зрения не позволяет эффективно решать задачу цветового анализа минерального сырья, так как зрение человека всегда субъективно.

1.1.2. Спектральный метод

Приборы данной группы методов измеряют отраженный световой поток от поверхности объекта (для непрозрачных), а также прошедший через объект (для прозрачных и являются наиболее точными [40]. После нахождения характеристик отражения (пропускания) параметры цвета рассчитывают по функциям сложения цветов СКН при известных характеристиках используемого источника освещения.

1. Данный термин утвержден МКО в 1931 г. Стандартный колориметрический наблюдатель МКО (CIE standard colorimetric observer) - приемник излучения, колориметрические характеристики которого соответствуют

функциям сложения в трехцветной колориметрической системе, например x(A), y(A), z(Л) в принятой системе МКО XYZ 1931 г.

1.1.2.1. Спектрофотометрия с применением интегрирующей сферы

Спектрофотометр позволяет определить коэффициент отражения посредством нахождения отношения отраженного от измеряемого образца светового потока к исходному падающему потоку во многих точках видимого спектра:

Значение этого коэффициента выражают в процентах по отношению к совершенному отражающему рассеивателю, коэффициент отражения которого равен 100%. В спектрофотометре отраженный или пропущенный исследуемым образцом свет разлагается на спектральные составляющие. Это позволяет проводить измерения во многих точках по всему видимому спектру. Именно промежуточное разложение света определяет преимущество спектрофотометра по сравнению с простым колориметром.

Список литературы диссертационного исследования кандидат наук Алехин Артем Андреевич, 2015 год

источников освещения

Рисунок 2.7 - Схема процесса цветового анализа минерального

образца с помощью СТЗ

Т.о., цвет в локальной системе RGB определяется спектральной характеристикой источника излучения Pi(X); спектральными характеристиками отражения (пропускания) объекта исследования р(Х) и эталона белого SWH(k); чувствительностью цветовых каналов камеры (R(k), G(k), B(k)) и характеристиками оптической системы (коэффициент пропускания объектива VTR, а также спектральная характеристика ИК-фильтра SIR(X)).

Для нахождения координат цвета в системе RGB для непрозрачного объекта, воспользуемся выражениями [38]:

<х>

R = VTRkR J Px(X)RSP (Л) R(X)Sm (Х)йЛ

о

<х>

G = VTRkG J Pл(Л)Rsp (Л)0(Л^т (Л)^Л, (2.7)

о

<х>

B = VtrK J Рл(Л^Р (Л) B(X)Sm (Л)йЛ

о

где kR ,G,в - множители по каждому каналу цветности.

Если кривые чувствительности заданы относительными значениями по оси ординат, то рассчитанные таким образом координаты цвета будут иметь относительный характер. Для расчета координат цветностей этого вполне

достаточно. Т.о., коэффициенты к , к , к в выражении (2.7) можно опустить. Но

RGB

когда необходимо определение координат цвета в абсолютных величинах, необходимо измерять его яркость. Для расчета абсолютного значения яркости цвета используется соотношение, которое устанавливает, что 1 Ватт монохроматического потока излучения с длинной волны Х=555 нм равняется 683 лм светового потока [38].

Относительную яркость можно оценить, когда коэффициенты к , к , к в

R G B

выражении (2.7) будут равны:

255

ко —

R х

J РЛ(Я) R (X)Sm (A)dA

о

255

ко — X-=-. (2.8)

J Рл(Я)0 (Я) Sr (A)dA

о

255

кг> —

В х>

| РХ(Я) В (Я)Бт (А)йА

о

В данном случае координата цвета для случая отражающего объекта численно равна коэффициенту отражения, выраженному в процентах:

<х>

I Ря(Я) Я5р (Я)О(Я) (Я^Я У — 255 ■ ^-. (2.9)

] Ря(Я)0(Я) Бт (Я^Я

о

Однако в случае численного определения координат выражения (2.8) не используются, поскольку все оперируемые функции не являются простыми и не удобны для интегрирования, а сами чувствительности RGB-каналов камеры

задаются таблично для определенных значений длин волн. Поэтому интегрирование выражений (2.8) заменяется суммированием:

n

R - VTRkR J Рл(Л) Rsp (A) R(A)Sm (Л)АЛ

i-i

n _

G - VTRkG JPa(A)Rsp(A)G(A)Sm(A)AA. (2.10)

i-i

n _

в - VmkB J Pa(A) Rsp (A) B(A)Sm (A)AA

i-i

При этом коэффициенты k , k , k из (2.8) будут равны:

RGB

_ 255

kT) -

R n _

J Pa(A ) R (Ai ) Sr (A)AA

i-i

kG —n-—-. (2.11)

J Pa(A )G(A )Sr (A)AA

i -i

255

кт> —

B n _

£ PM) B (A) Sir (Л)АА

i—i

Данная математическая модель позволяет рассчитать координаты цвета объекта анализа для случая типовой СТЗ по спектральным характеристикам отражения минерального образца и фона, характеристикам освещения подсветки рабочей зоны, спектральным характеристикам чувствительности матрицы, а также оптической системы камеры. Однако она не учитывает пространственное распределение освещенности по полю изображения объектива.

Математический аппарат рассмотренной системы положен в основу разработанного автором ПО в среде LabVIEW, которое позволяет автоматически рассчитать цветовые координаты минерального объекта анализа и визуализировать полученные результаты.

Ниже представлены 40 цветовых оттенков (Рисунок 2.8, 2.9, а, б, соответственно), рассчитанные с помощью выражений (2.9) и (2.10) по полученным в результате измерений спектрофотометрическим данным для

образцов белой офисной бумаги и образца микроклина в определенных точках их поверхности (Рисунок 2.8, 2.9, а, б, соответственно).

(а)

(б)

Рисунок 2.8 - Полученные в ходе моделирования цветовые оттенки (а) и образец белой бумаги, по которому измерены спектры отражения (б)

(а)

(б)

Рисунок 2.9 - Полученные в ходе моделирования цветовые оттенки (а) и образец микроклина, по которому измерены спектры отражения (б)

Измерение спектров отражения выполнено с помощью оптоволоконного спектрометра Ocean Optics USB4000. Волоконный зонд имеет диаметр волокна 200 мкм, поэтому на Рисунках 2.8 и 2.9 имеет место пространственное

несовпадение полученного оттенка и точки на изображении, где соответствующий спектр был измерен. Это обусловлено невозможностью точной установки зонда в некоторой точке объекта. Кроме того, образец микроклина имеет неоднородную структуру поверхности, поэтому точки измерения конкретного спектра (Рисунок 2.8, б, 2.9, б, соответственно) - условны.

Как видно из Рисунка 2.9, результаты моделирования цветового оттенка имеет корреляцию с реальными цветовыми оттенками на поверхности образца микроклина. Таким образом, предложенную методику для определения цвета минерального объекта с помощью спектрофотометрических данных можно считать объективной, позволяющей определить цветовой оттенок в конкретной точке образца для определенной камеры при использовании фона выбранного цвета, учитывая особенности освещения зоны анализа.

2.3.3 Свойства блика

В силу сложности своей структуры поверхность минералов в определенных областях имеет высокий коэффициент отражения (блик, в основном, является следствием направленного и направленно-рассеянного типов отражения). При этом вместо изображения минерального образца в соответствующей области возникает белое пятно. Причиной этого является превышение максимальных значений для любых двух или всех трех RGB-каналов. Смешение RGB-координат с максимальными значениями, равными 255 для 8-битного изображения (или 65 535 для 16-битного), в системе RGB дает белый цвет. В случае засветки одного из RGB-каналов (т.е., например, R-255; G-200; B-100 и т.п.) возможны проявления красного, зеленого или синего оттенков вблизи участка изображения с бликом.

Описанное явление особенно часто наблюдается при съемке минеральных образцов со сложной топологией поверхности и слоистых структур (таких как, мусковитовый кварцит, мусковит и т.п.). На Рисунке 2.10 в качестве примера приведены изображения бликующих образцов мусковитовых кварцитов

(месторождение Восточная Хизовара), полученных с помощью цветной камеры и светодиодной подсветки. Наиболее характерные бликующие участки отмечены замкнутыми овальными контурами.

Рисунок 2.10 - Изображение образца мусковита класса крупности -20+10 мм с явно выраженными бликами малого размера

Разумеется, данный эффект влияет на процесс анализа цвета, поскольку под одними углами наблюдения возможно анализировать цвет, а под другими этот же участок поверхности дает блик на изображении, который не несет в себе данных о цвете.

Однако, в ряде случаев данный эффект может быть использован в качестве информационного (отличительного) критерия, поскольку не все породы и образцы могут бликовать [52]. Кроме того, возможно дифференцировать разные включающие породы по количеству и характеру бликов (точечный, протяженный). Для использования данного признака в ОЭС ОСМС необходима база данных с минералогическим описанием пород, склонных к высокому дискретному направленному и направленно-смешанному отражению, вызывающему блик в конечном изображении.

2.3.4 Моделирование поверхности минерального образца

Новизна данной части исследования заключается в составлении цветовой палитры из полученных в результате расчета единичных оттенков и представлении её как псевдоплоской поверхности минерала со сложным гранулометрическим составом. Именно так «видит» минеральный образец реальный оптический сепаратор. Таким образом, моделирование поверхности является важной частью моделирования свойств минеральных образцов для СТЗ.

Рассмотрим случай анализа поверхности сложного по минералогическому составу образца, при этом будем считать его поверхность плоской. Для этого сначала измеряются спектры отражения в нескольких точках поверхности образца, затем для этих точек рассчитываются полученные цветовые оттенки, и из них составляется плоская цветовая поверхность. Чем больше количество точек измерено, тем выше точность данной модели.

Примем шаг разбиения поверхности минерального образца равным 1x1 мм и будем считать, что каждый шаг (ячейка) содержит только один оттенок цвета. Количество ячеек по горизонтали и вертикали соответствует индексам у и I (Рисунок 2.11, а). Соответствующее изображение образца размером т х I показано на Рисунке 2.11, б.

(а)

(б)

т

♦о

□□□□о 1 оооо

ООО

□о

"О

Рисунок 2.11 - К пояснению разбиения объекта анализа и получаемого изображения:а - изображение в плоскости предметов; б - изображение в плоскости изображений (после съемки)

После формирования RGB-изображения встроенное ПО любой цветной камеры анализирует три массива G, B) полученной цветовой информации, сопоставляя значения соседних ячеек, и по сложному алгоритму рассчитывает итоговый цвет для каждого пикселя - этот процесс называется цветовой интерполяцией. Интерполяция является важнейшим этапом получения цветного изображения, поскольку точность этого процесса оказывает серьезное влияние на итоговое качество изображения.

В данном случае будем считать, что проводится идеальная цветовая интерполяция, т.е. такая, которая не вносит искажений в получаемое изображение. Тогда цветовые координаты будут определяться выражениями:

да

Я = Уткк | Ря (Л)Яр (Л)Я(Л)Бт (Л)йЛ

о '

да

о=гтк01 Рл (Л)Яр . (Л)О(Л)Бт (Л)аЛ, (2.12)

о '

да

В = Уткв | Рл (Л)Яр . (Л)В(Л)Б1я (Л)йЛ

о '

где Я8Р, (Л) - множитель, отвечающий за отражательную способность в

конкретной 1,у-точке объекта. Он, как и в выражении (2.6), описывает отношение спектра отражения образца в конкретной точке к спектру отражения эталона белого (фона), но в данном случае по некоторой поверхности образца в плоскости предметов.

Поскольку мы извлекаем данные из цветных цифровых изображений, то коэффициент Ящ (Л) будет иметь вид:

Я8Р (Л) = \т \ Я8Р(Л, т, I) с1т с11, (2.13)

где Я8Р (Л, mi, ^) - спектральная характеристика отражения анализируемого

объекта в точке с координатами [т, I].

В этом случае распределение каждой цветовой RGB-координаты по плоской поверхности будет определяться следующими уравнениями:

Я = УТЯкЯ 111 РЛ(Л)Я8Р(Л, т, )Я(Л)Бт(Л) ал (т с11

0 Ш1 <х

в = ГТЯкв 111 Рл (Л)ЯР (Л, , ¡] )в(Л)Бт (Л) с(Л (ш (I

0 т^

(2.14)

В = ГТЯкВ 111 РЛ(Л)Я8Р(Л, т1, ¡^)В(Л)81Я(Л) (Л с(ш (I

0 Ш1 ¡j

Воспользовавшись данными выражениями, построим моделируемое изображение плоской поверхности образца белой бумаги (Рисунок 2.12).

Рисунок 2.12 - Модель плоской поверхности образца белой бумаги

Цветовые оттенки соседних ячеек в ряде случаев несколько отличаются друг от друга вследствие отличия спектров отражения в различных точках образца. Однако из рисунка видно, что моделируемая поверхность бумаги не является сложной с точки зрения количества цветовых оттенков, и степень ее белизны достаточно высока.

На Рисунке 2.13 представлен результат моделирования плоской поверхности рассмотренного выше образца микроклина.

Рисунок 2.13 - Модель плоской поверхности образца микроклина

По рисунку видно, что цветовые оттенки соседних ячеек в большинстве случаев также отличаются друг от друга. Однако в случае с микроклином количество различных оттенков составляет 40 шт., в то время как у моделируемой поверхности белой бумаги, вследствие ее высокой однородности - 4 оттенка. Полученная цветовая картина по сложности характерна для реальных минеральных объектов со сложным гранулометрическим составом и низкой цветовой однородностью поверхности.

Как видно из результатов, моделируемые цветовые оттенки имеют корреляцию с реальными цветами минерального образца. Таким образом, предложенный математический аппарат позволяет по спектрофотометрическим данным моделировать цветовые оттенки, получаемые любой СТЗ, а также строить двумерные плоские поверхности анализируемых минеральных образцов и

анализировать их цветовую палитру с целью поиска селективных признаков.

2.3.5 Моделирование процесса искажения и восстановления изображения

Реальные процессы идентификации объектов с помощью СТЗ, особенно в высокопроизводительных системах реального времени, в обязательном порядке подразумевают воздействие шума на точность обнаружения и анализа в электронном тракте аппаратно-программных комплексов. Поэтому учет шумовых составляющих и анализ возможностей их устранения - необходимая часть процесса моделирования отличительных признаков минеральных объектов для СТЗ.

В данном случае подразумевается восстановление полученных изображений, фильтрация и прочие процедуры, которые позволяют улучшить изображение в заранее определенном смысле. В некотором роде, это является реконструкцией данных, искаженных ранее факторами (или явлениями), о которых имеется определенная теоретическая информация. Таким образом, различные методы восстановления, как правило, основываются на моделировании вышеуказанных искажающих процессов и подразумевают использование обратных процессов для конечной реконструкции исходных изображений [53].

Процесс ухудшения изображения (Рисунок 2.14) смоделирован в виде искажающей функции, которая совместно с шумом влияет на исходное изображение и (х, у). При этом появляется искаженное изображение g(х,у).

g (х, у) = ни (х, у)] + ч( х,, у). (2.15)

Задача восстановления изображения заключается в нахождении некоторого

приближенного к исходному изображения и(х, у). Как правило, в основе

восстанавливающих процедур лежит обработка с помощью различных фильтров или их комбинаций.

/{х, у)

Искажающий оператор

Искажение

Шум

пСх у)

g{x, у)

Восстанавливающий оператор (фильтр)

/{х, у)

Рисунок 2.14 - К пояснению моделирования процесса искажения и восстановления изображения

Будем полагать, что оператор Н - тождественный, и в таком случае имеют место только искажения, вызванные наличием шума. Процесс получения, предобработки и передачи изображения сам по себе привносит основной шум в его содержание. Качество многоэлементных приемников оптического излучения (сенсоров камер), температура, условия работы, а также внешние условия работы - основные факторы, влияющие на уровень шума в изображении.

Для построения модели шума будем считать, что шум не зависит от координат пикселя изображения и никак не связан с самим изображением (корреляция отсутствует). Условимся также, что далее речь идет о модели шума в пространственной области, т.е., когда его описание основано на статистических свойствах значений яркости. Данные значения могут быть рассмотрены как случайные величины, которые описываются функцией плотности распределения вероятностей.

Рассмотрим подробнее импульсный тип шума, известный как «соль и перец». Функция плотности распределения вероятностей биполярного импульсного шума задается следующим выражением [53]:

Р( 2)=>

Ра при z = а; Р при z = Ь; 0 в остальных случаях

(2.16)

-X

где z - значение яркости. При условии Ь > a пиксель с яркостью Ь выглядит, как светлая точка на изображении, а пиксель с яркостью а выглядит как темная точка. Данный тип шума является униполярным в случае, если одна из вероятностей ( Р или Рь) равна нулю. Если же р « р, то данный шум видится как крупинки

соли и перца, «рассыпанные» по изображению.

Рассмотрим (Рисунок 2.15, 2.16, соответственно) этап искажения на примере воздействия импульсного шума на цветные изображения моделей поверхности образцов белой бумаги (Рисунок 2.12) и микроклина (Рисунок 2.13).

Рисунок 2.15 - Результат воздействия на исходное изображение моделируемой поверхности бумаги импульсного шума «соль и перец»

Рисунок 2.16 - Результат воздействия на исходное изображение моделируемой поверхности микроклина импульсного шума «соль и перец»

Данная операция реализована с помощью функции imnoise пакета Image Processing Toolbox среды программирования MATLAB (версия R2008a). Воздействие произведено с аргументом плотности шума d = 0,2, т.е., количество пикселей с шумом составляет 0,2 от площади всего изображения. При размере изображения 1000*800 это значение составит 160000 пикселей.

Оценим, насколько в изображении поверхности бумаги утратится информация, позволяющая судить о белизне образца, а в изображении поверхности микроклина - о полезности минерального образца.

Сначала выделим белые оттенки на исходном смоделированном изображении поверхности белой бумаги (Рисунок 2.12) и определим пороги различения цветовых оттенков белого цвета в изображении, используя специально разработанное автором ПО в среде LabView. Они составили для R-канала: 253-255; для G: 253-255; для B: 253-255. Затем найдем количество пикселей в исходном изображении моделируемой поверхности бумаги, цветовые

координаты которых попадают в диапазоны пороговых значений, и выделим их на изображении белым цветом, остальные пиксели отметим черным цветом (Рисунок 2.17).

В данном случае это количество составляет 640 000 пкс. при суммарной площади изображения 800 000 пикселей.

Рисунок 2.17 - Пиксели исходного изображения модели поверхности бумаги, координаты которых попадают в пороговые значения RGB-координат для белых

оттенков цвета (отмечены белым)

С помощью разработанного автором ПО вычислим теперь количество искомых пикселей в изображении после воздействия импульсного шума (Рисунок 2.18).

В этом случае количество искомых пикселей составляет 466 708 пкс., что на 27% меньше по сравнению с исходным. Это говорит о существенной потере цветовой информации в изображении и необходимости использования шумовой фильтрации на стадии предварительной обработки изображения для ОЭС ОСМС.

Рисунок 2.18 - Пиксели зашумленного изображения модели поверхности бумаги, координаты которых попадают в пороговые значения RGB-координат для белых

оттенков цвета (отмечены белым)

Рассмотрим теперь аналогичный пример с изображением моделируемой поверхности микроклина, цветовая палитра которого сложнее образца белой бумаги. Предположим, что на исходном смоделированном изображении цветовой поверхности образца микроклина (Рисунок 2.13) множество коричневых оттенков в соответствии с минералогическим описанием указывает на наличие включений ценной породы, подлежащей извлечению. В таком случае необходимо определить пороги различения данных цветовых оттенков.

Определенные аналогичным образом значения координат цвета, соответствующие коричневым оттенкам составили: для R-канала: 83-116; для G: 68-107; для B: 49-88. Затем определим количество пикселей в исходном изображении моделируемой поверхности микроклина, цветовые координаты которых попадают в данные пороги различения, и выделим их на изображении белым цветом, остальные пиксели отметим черным цветом (Рисунок 2.19).

Рисунок 2.19 - Пиксели исходного изображения модели поверхности микроклина, координаты которых попадают в пороговые значения RGB-координат коричневых оттенков цвета (отмечены белым)

В данном случае это количество составляет 259 964 пкс. при суммарной площади изображения 800 000 пикселей.

Снова вычислим количество искомых пикселей в изображении после воздействия импульсного шума (Рисунок 2.20).

После воздействия шума количество искомых пикселей составило лишь 133 042, что на 48,8% меньше исходного количества. Т.е., в случае с более сложной цветовой моделируемой палитрой потеря цветовой информации оказалась более существенной (по сравнению с рассмотренным примером оценки белизны бумаги). Таким образом, импульсный шум в исходном изображении влияет на результаты цветового анализа и снижает точность классификации в СТЗ.

Рисунок 2.20 - Пиксели зашумленного изображения модели поверхности микроклина, координаты которых попадают в пороговые значения RGB-координат коричневых оттенков цвета (отмечены белым)

Поскольку импульсный шум не коррелирован со значениями каждого из пикселей изображения, необходимо исследовать возможность восстановления зашумленных изображений фильтром порядковых статистик, а именно медианным фильтром. Алгоритм медианной фильтрации подавляет некоррелированные и слабо коррелированные элементы изображения, оставляя без изменения границы объектов и монотонные зависимости значений соседних пикселей. Данные свойства медианного фильтра обуславливают практическую важность этого типа фильтрации для обработки изображений при воздействии на них импульсного шума.

Фильтрация осуществляется посредством замены значения каждого

элемента массива [Я. ] , находящегося в центре окна скользящей апертуры,

медианой исходных значений внутри апертуры. Медианный фильтр -низкочастотный фильтр, на выходе получается несколько сглаженное изображение с отсутствующими малоразмерными (точечными) деталями, которые занимают меньшую площадь по сравнению с размерами апертуры.

Медиана последовательности щ,т2,...,тп при нечетном значении размера апертуры Ь - средний член ряда, который образуется при упорядочивании последовательности по возрастанию/убыванию. Медианный фильтр со скользящим окном размеромЬ определяется следующим образом:

, = твй [,], (2.17)

где (г, е Ь и j е X (2 - множество натуральных чисел) [54].

Рассмотрим возможность использования медианной фильтрации в нашем случае - подвергнем фильтрации с различным размером апертуры зашумленные изображения моделируемых поверхностей белой бумаги и образца микроклина.

На Рисунке 2.21 показан результат медианной фильтрации с апертурой сканирующего окна различных размеров на зашумленное изображение моделируемой поверхности белой бумаги.

(г) (д)

Рисунок 2.21 - Исходное зашумленное изображение модели поверхности бумаги

(а) и результаты медианной фильтрации с размерами апертуры:

(б) 3x3 пкс.; (в) 5x5 пкс.; (г) 7x7 пкс.; (д) 9x9 пкс.;

Вариант фильтрации с размером маски 3x3 дает результат минимизации

шума в изображении. При апертуре 5*5 пкс шум в изображении наиболее минимизирован, однако произошло несущественное размытие границ цветовых оттенков. Тем не менее, этот вариант апертуры наиболее приемлем, поскольку незначительный смаз границ цветовых оттенков не существенно повлияет на определение пикселей заданной цветности. С увеличением апертуры происходит дальнейшее размытие оттенков, и на их границах проявляются цветовые артефакты (как следствие процесса фильтрации) В общем случае выбор между двумя подобными вариантами апертуры делается исходя из характера изображения.

На Рисунке 2.22 показан результат медианной фильтрации с апертурой сканирующего окна различных размеров на зашумленное изображение моделируемой поверхности микроклина.

(Г) (д)

Рисунок 2.22 - Исходное зашумленное изображение модели поверхности микроклина (а) и результаты медианной фильтрации с размерами апертуры: (б) 3*3 пкс.; (в) 5*5 пкс.; (г) 7*7 пкс.; (д) 9*9 пкс.;

Вариант фильтрации с размером маски 3*3 дает аналогичный результат

минимизации шума при одновременном сохранении границ цветовых оттенков. При апертуре 5*5 пкс. шум в изображении более минимизирован, однако, так же, как и в случае с моделируемым изображением белой бумаги, произошло несущественное размытие границ цветовых оттенков. Этот вариант апертуры и в этом случае наиболее приемлем, поскольку шум максимально устранен, а незначительный смаз границ цветовых оттенков не окажет существенного влияния на определение пикселей заданной цветности.

С дальнейшим увеличением апертуры медианного фильтра контуры становятся более размытыми, поэтому уместно подбирать размер маски, исходя, в первую очередь, из размера обрабатываемого исходного изображения и характера его содержимого. Если в изображении много мелких объектов, маску не стоит делать много больше размера минимального элемента в изображении объекта. Если же в изображении содержится незначительное количество мелких объектов, а также резких границ, то маска большего размера минимальной детали объекта даст более четкое изображение.

Анализ количества пикселей заданной цветности из указанных примеров по вышеуказанным порогам различения после применения процедуры фильтрации дает следующие результаты (Рисунок 2.23).

ШШшйФш , . "Л , ■ • . 4 , : Л" 'Х- ч •• V : 1ч1 •. Ж» .'л * *7 с-г 'т-Х- л * ¿л:. ■II. • 4г■ . IV -Г,- „•' 4 — ; 1 ■■ ••-Ь":..>---■. Л-лЛ"*,,-У..»с- ттмшш

(а) (б)

Рисунок 2.23 - Пиксели отфильтрованных изображений модели поверхности белой бумаги (а) и модели поверхности микроклина (б), координаты которых попадают в ранее определенные пороги различения

После успешной медианной фильтрации при анализе изображения поверхности белой бумаги количество искомых пикселей по ранее определенным порогам разделения увеличилось по сравнению с количеством в зашумленных изображениях (Таблица 2.1).

Таблица 2.1 - Количество искомых пикселей в исходном изображении смоделированной поверхности белой бумаги на стадиях искажения импульсным шумом и восстановления медианной фильтрацией

Тип изображения Количество Значение от

(исходное / зашумленное / пикселей заданной исходного

отфильтрованное) цветности, пкс. количества, %

Исходное 640 000 100%

Зашумленное 466 708 72,9%

Отфильтрованное 633 542 98,9%

Также увеличилось и количество искомых пикселей по ранее определенным порогам разделения для случая изображения поверхности микроклина (Таблица 2.2).

Таблица 2.2 - Количество искомых пикселей в исходном изображении смоделированной поверхности микроклина на стадиях искажения импульсным шумом и восстановления медианной фильтрацией

Тип изображения Количество Значение от

(исходное / зашумленное / пикселей заданной исходного

отфильтрованное) цветности, пкс количества, %

Исходное 259 964 100%

Зашумленное 133 042 51,2%

Отфильтрованное 237 834 91,5%

Как видно из количественных характеристик, медианная фильтрация оказывает положительное влияние на содержащуюся цветовую информацию. Однако замечено, что при восстановлении сложных изображений минеральных образцов или композиции малоразмерных объектов возможна избыточность количества соответствующих пикселей заданной цветности восстановленных

изображений относительно исходного количества. Данный эффект обусловлен природой процесса фильтрации, поскольку каждая окрестность изображения, попавшая в апертуру, неизбежно «смазывается» (изменяется в области апертуры по определенному решающему правилу).

Таким образом, на основании рассмотренных принципов моделирования процесса искажения изображений и анализа результатов восстановления, можно сделать вывод, что уменьшение шумовых составляющих и восстановление цветовой информации является необходимым при решении задач ОСМС.

При использовании процедур медианной фильтрации возможна минимизация шума и, при этом, сохранение контуров и границ малоразмерных объектов. Данные результаты необходимо учитывать при разработке ОЭС ОСМС (на стадии предварительной обработки изображений).

2.4 Выделение селективного признака. Методика оценки степени обогатимости минерального сырья

В общем случае обогатимость полезных ископаемых зависит от минерального состава, текстуры и структуры полезных ископаемых (характера срастания минералов, габитуса минеральных выделений). Данная характеристика - обязательна при оценке запасов полезных ископаемых месторождения, разработке технологических схем обогащения, проектировании обогатительной фабрики. Исследования обогатимости проводят на материале, полученном в результате опробования3 месторождения полезных ископаемых. Вещественный состав изучают минералого-петрографическим, гранулометрическим, фазовым и химическим анализами. По результатам фракционного анализа строят графическую зависимость обогатимости в координатах «выход продукта обогащения», «содержание и извлечение компонента» [55].

3 Опробование (в обогащении) - комплекс операций по отбору проб и подготовке их к анализу для контроля основных характеристик сырья (полезных ископаемых, продуктов их обогащения и вспомогательных материалов, используемых при обогащении).

В силу некорректности использования оригинального понятия «обогатимость» применительно к оптической сепарации и невозможности определения обогатимости для оптического метода сепарации (само определение «обогатимость» присуще обогащению полезных ископаемых с его различными методами обогащения в целом) автором предлагается понятие «оценка степени обогатимости минерального сырья оптическим методом». Помимо этого также предлагается методика для оценки данной характеристики.

Под оценкой степени обогатимости минерального сырья оптическим методом будем понимать технологическую оценку на основании результатов обработки цветных снимков представительной пробы руды, содержащей минеральные образцы с полезными компонентами и «пустые», позволяющую выработать решение о возможности (или невозможности) разделения минеральных образцов оптическим методом. При этом решение может быть принято для набора возможных условий проведения анализа, например для ряда источников освещения (белых светодиодов, люминесцентных ламп, галогенных ламп и т.п.) и систем цветовых координат (RGB, HSL, YUV и т.п.), используемых для оцифровки изображения [56].

Для эффективности процесса оптической сепарации необходимо выполнение двух условий. Первое - корреляция между цветовой характеристикой анализируемого минерального объекта с содержанием в нем полезного компонента (или минерала-маркера, количественно связанного с содержанием полезного компонента). Второе - оптическая контрастность исходной руды (другими словами, отличие полезного компонента от пустой породы по цвету).

Проблема заключается в том, что в случае слабоконтрастного минерального сырья оптический метод сепарации часто оказывается малоэффективным. При этом, как правило, специалист-минералог может визуально обнаружить полезный компонент (либо косвенный признак наличия такового), рассматривая минеральный образец.

Зачастую, на итоговую эффективность процесса обогащения существенно влияет выбор конкретной модели описания цвета [57-60]. Поэтому рассмотрим

особенности цветовых пространств, которые используются для ОСМС. Все из них используются в существующих сортировочных комплексах. Например, известно, что в сепараторах «Optosort» для описания цвета минеральных объектов используется цветовая модель RGB [61], являющееся в некотором смысле «родным» для всей видеоаппаратуры, а в сепараторах «Commodas» - YUV [62]. А по данным [63] известно, что в сепараторах «Elektromagnetbau» используется модель HSV/HSL.

На Рисунке 2.24 показан RGB-куб цветовой системы RGB.

G

ч..

Yl

R

M

Рисунок 2.24 - Система RGB, где для наглядности обозначены цвета: R - красный, G - зеленый, B - синий, C - голубой, M - малиновый, Yl - желтый, W - белый

ЯОБ-координаты каждого элемента изображения получаются в результате смешения значений 3-х составляющих: красной Я, зелёной О и синей В. Данные значения для фоторегистрирующей части оптического сортировщика можно рассчитать по следующим формулам [38]:

Я = | Р(Л) тг (Л) ■ 5(Л) аЛ

О = 1 Р(Л) ■ тё (Л) ■ 5 (Л) а Л, (2.18)

В = | Р(Л) ■т (Л) ■ 5(Л) аЛ

где Р(Л) - поток излучения источника подсветки, отраженный от объекта; хг (Л),ть (Л), - спектральные коэффициенты пропускания красного, зелёного и синего фильтров, соответственно; ^(Л) - спектральное распределение чувствительности приемника оптического излучения, используемого в системе регистрации сепаратора.

Из приведённых формул становится понятно, что шумовые эффекты приемника, изменения в освещении объекта (теневые сцены при неравномерной подсветке), поворот камеры относительно анализируемого объекта анализа обязательно приведут к изменениям координат цвета в его изображении. Кроме того, очевидна взаимозависимость координат цвета через величину Р(Л). Все цветовые координаты этого цветового пространства являются взаимозависимыми, а данные о светлоте (яркости) и цветности изображения имеют неявное выражение.

На Рисунке 2.25 показана система координат УИУ.

У^

В

Ия

в

Рисунок 2.25 - Система УиУ:для наглядности обозначены направления изменения каналов У, и и V, а также области нахождения оттенков цветов: Я - красного, в - зеленого, В - синего, С - голубого, М - малинового и У1 - желтого

Данная модель имеет одну яркостную (У) и две цветоразностные компоненты (И и V). Обычно с учётом особенностей человеческого восприятия полагают, что яркость объекта определяется выражением:

I (Л) = kr ■ тг (Л) + kg ■ rg (Л) + kb ■ ть (Л),

(2.19)

где kr = 0,299; kg = 0,587; kb = 0,114.. Для белого цвета I(Л) = 1.

Преобразование координат из пространства RGB в пространство YUV имеет вид [64]:

U

V V У

0,299 0,587 0,114" -0,147 -0,289 0,436 0,615 -0,515 -0,100

G

B

(2.20)

V У

Если учесть выражения (2.18) и (2.19), получим: Y = 1 Р(Л) ■ S(Л) ■ I (Л) йЛ

U = 0,436 ■

V = 0,615 ■

J Р(Л) ■ S(Л) \ть (Л) -1(Л)] йЛ J Р(Л) ■ S(Л) ■fr (Л) -1(Л)] йЛ

(2.21)

1 - к

r

Таким образом, компоненты U и V цветового пространства YUV представляют собой отношения красно-зеленой и сине-зеленой долей излучения, отраженного от объекта, к величинам этих долей в белом свете.

В случае системы YUV меньшая часть получаемого потока отводится на информацию о цветовых компонентах (физиологически человеческое зрение более восприимчиво к уровню яркости, чем к цвету). Это в свою очередь маскирует ошибки в передаче данных или артефакты сжатия более эффективно, чем в случае с RGB преобразованием. В системе YUV разграничиваются данные о «яркости» и «цветности» изображения. При этом яркостная составляющая независима от двух взаимозависимых сигналов цветоразности.

На Рисунке 2.26 представлена цветовая система HSL.

Л

Рисунок 2.26 - Система НБЬ: для наглядности обозначены направления изменения каналов цветового тона Н, насыщенности Б и светлоты Ь

Данная цветовая модель кодирует цвет при помощи составляющих: цветовой тон H, насыщенность S и светлота L. Светлота L является мерой яркости отраженного от объекта света источника подсветки, а насыщенность S - чистоты отраженного от объекта света.

Преобразование из цветового пространства RGB в цветовое пространство HSL с учетом (2.17) выглядит следующим образом:

J Р (Л)- S (1) [rg (1) -т4 (Л)] dX

-, при MAX = J P(X) -т (Л)- S (Л) dX

H

MAX - MIN

J Р(Л)- S(Л) -T (Л) -т (Л)] dX

2 + ^-.

MAX - MIN

JР(Л)- S(Л) [т (Л) -т (Л)] dЛ 4 + ----

при MAX = J Р(Л) -т (Л)- S (Л) dЛ

MAX - MIN

-, при MAX = JР(Л) - т (Л) - S(Л) dЛ

L =

MAX + MIN

S =

2

MAX - MIN

, (2.22)

1 -(MAX + MIN)

л

<

л

л

где

с \

J Р(Л)- г (Л)- S (Л) dX

л

MAX = max J Р(Л)- zg (Л) - S(Л) dX

л

JР(Л)- ть(Л)- S(Л) dЛ

Чл

с \

JР(Л)- т(Л)- S(Л) dЛ

л

MIN = min JР(Л)- т(Л)- S(Л) dЛ

л

J Р(Л)- т (Л)- S (Л) dЛ

Чл

В модели HSL реализуется полное разделение данных о яркости, оттенке цвета и чистоте цвета анализируемого объекта. При этом цветовые составляющие пространства HSL являются взаимонезависимыми.

Как видно из рассмотрения данных цветовых моделей, не все они объективны с точки зрения анализа цвета, но все, так или иначе, используются в существующем оптическом обогатительном оборудовании. Поэтому в дальнейшем в работе следует уделить внимание также и сравнительному анализу результатов экспериментальных исследований, полученных при использовании различных цветовых моделей в ОЭС ОСМС.

Предлагаемая методика ОСМС, с учетом рассмотренных цветовых моделей описания цвета, включает следующие этапы (Рисунок 2.27).

Анализ полезности и ввод данных о пробе (Этап 1). Изначально оператором-специалистом определяется полезность и зоны различения каждого минерального объекта (по наличию зон определенной цветности на его поверхности) представительной рудной пробы, а полученные результаты записываются в базу данных блока обработки (номер образца, тип минерала, наименование месторождения).

Получение изображений (Этап 2). Минеральные объекты анализируемой руной пробы поочередно размещаются в зоне анализа. Далее производится их съемка, в результате которой получаются цветные изображения двух и более сторон каждого минерального объекта. После этого для каждого цветного изображения выделяется три двумерных массива целых чисел в цветовом пространстве RGB, каждый из которых содержит информацию о пространственном распределении в изображении одного из трех цветов -красного, зеленого или синего.

Этап 2

Многоэлементный приемник

^ /

щ у)

Pg (*, у) Yp. у)

Блок

преобразований

Аналого-цифровое преобразование

«( P)

B( x, у)

G( x, у)

R( x, у)

Этап 3

Преобразование в Уиу ®х( x, у)

Цветокоррекция

<М x, у)

Этап 4

" ^(7, у) Gc (^ у) Bc (^ у)

Преобразование в ИЬБ ®2( x, у)

У (^ у) и(x, у) 1 Л у( ^ у) , Н ( x, у) р(x, у)^

Цветокоррекция

^2( ^ у)

$ ( x, у)

Цветокоррекция

у)

Нс (x, у) рс (x, у) 1 *

У (x, у)

«с (x, у)

ус (x, у)

$с (^ у)

Расчет порогов различения ,С1)

Определение порога разделения Д., *

£ ' "

>тв

^RGB gg

RGB

Я?

Расчет оценки степени обогатимости сырья в ЯОБ

Этап 5

Расчет порогов различения ^2(2г, С, )

qRGB С1КОВ \ Як°в \ qУUУ фУиу \ ^Уиу | qfLS

< 1 < > 1 \ < \ < > 1 \ 1 < 1 < '

Определение порога разделения и 2 (Д, qj)

Е

нзв

Блок обработки данных

Уиу О

Уиу g

£

Уиу gg

£

Уиу

Я

Уиу

Расчет о енки степе ни обогатимос ти сырья в Уиу

Е

Уиу

Расчет порогов различения (2г, Сг )

Определение порога разделения Д, qi)

£

ИЬ8 gg

S■

Я

Расчет оценки степени обогатимости сырья в ИЬБ

Е