范曉慧，趙忠花，陳許玲，甘敏，王祎

(中南大學(xué) 資源加工與生物工程學(xué)院，湖南 長沙，410083)

1 燒結(jié)礦顯微圖像特征

燒結(jié)礦的礦物組成和微觀結(jié)構(gòu)雖然隨著燒結(jié)原料及工藝參數(shù)的不同有所差異，但其主要礦物包括含鐵礦物、脈石礦物和粘結(jié)相等，其微觀結(jié)構(gòu)主要為粒狀結(jié)構(gòu)、斑狀結(jié)構(gòu)、骸晶結(jié)構(gòu)、斑點(diǎn)狀共晶結(jié)構(gòu)、熔融結(jié)構(gòu)和交織結(jié)構(gòu)等。

對比不同堿度條件下的燒結(jié)礦礦相顯微結(jié)構(gòu)圖(見圖1)，其圖像特征主要表現(xiàn)為：

圖1 不同堿度下的燒結(jié)礦礦相顯微圖像Fig.1 Micrographs of sinter mineralogy for different basicities

(1)燒結(jié)礦由多種礦物組成。包括磁鐵礦(Fe3O4)、赤 鐵 礦 (Fe2O3)、 鐵 酸 鈣 (CaO·Fe2O3, 2CaO·Fe2O3,CaO·2Fe2O3)、硅酸鹽(鐵橄欖石、鈣鐵橄欖石等)等，其礦物組成復(fù)雜多樣。因此，燒結(jié)礦顯微圖像屬于多元圖像，其分割及識別難度隨礦物組成種類增加而大幅度提高。

(2)燒結(jié)礦中磁鐵礦與鐵酸鈣、硅酸鹽與孔洞等之間的分界限模糊、不清楚，分類界限相互交迭，造成其中的礦物組成類別屬性特征不明顯。不同礦物成分之間相互包裹，圖像中各礦物組成邊緣處1個像素可能包含2種礦物組成的信息(見圖1中B，C和D)，使圖像本身存在模糊性和不精確性。

(3)礦物組成形狀特征復(fù)雜，不同礦物組成具有不同的形狀特征。赤鐵礦主要存在形式為骸晶狀及殘留原始赤鐵礦(見圖1中 A)，磁鐵礦常與周圍黏結(jié)相礦物形成均勻粒狀結(jié)構(gòu)，局部斑狀結(jié)構(gòu)或被周圍黏結(jié)相礦物所包圍或與鐵酸鈣以熔蝕，互熔形態(tài)存在，鐵酸鈣常呈熔蝕狀、針狀、板狀形態(tài)，多相共存現(xiàn)象普遍(見圖1中C)。

綜上所述，燒結(jié)礦礦物組成復(fù)雜多樣，礦物之間相互包裹，礦物組織形狀之間彼此影響，顏色信息不豐富，在很大程度上加大了燒結(jié)礦礦物組成的識別難度。同時，獲取的燒結(jié)礦礦相顯微圖像的質(zhì)量受外界影響較大，不同的光線條件或個人操作不同，就會有較大色差，使識別難度進(jìn)一步加大。圖像識別是根據(jù)一定的圖像特征進(jìn)行的，若想實(shí)現(xiàn)對燒結(jié)礦顯微圖像的較好識別與分割，必須選用適合于燒結(jié)礦礦相顯微圖像特征的識別方法。

第二，就努力的方向來看，以問題意識為核心來進(jìn)行共識性對話的理想結(jié)果，應(yīng)該是“中國傳統(tǒng)哲學(xué)在吸收了西方哲學(xué)和馬克思主義哲學(xué)的精髓之后的自我揚(yáng)棄與重建，也應(yīng)該是西方哲學(xué)和馬克思主義哲學(xué)的中國化”⑧。中西馬哲學(xué)的共識性對話本質(zhì)就是以普遍性根本性的重大問題為中心而進(jìn)行的反思和批判，從而實(shí)現(xiàn)當(dāng)代中國哲學(xué)的現(xiàn)代化和世界化。具體而言，就是客觀地對各自存在的問題進(jìn)行理性審視，在對話的外力沖擊和反觀下展開自我批判，進(jìn)而分別從各自的角度進(jìn)行交互式的辯證性的理性批判，通過反復(fù)推倒重來式的駁難來發(fā)現(xiàn)矛盾，最后消除分歧達(dá)成共識。

2 燒結(jié)礦圖像識別算法及識別結(jié)果

根據(jù)燒結(jié)礦礦相顯微圖像的特征，確定選擇識別算法的原則如下：

(1)對燒結(jié)礦礦相顯微圖像組織成分多、信息復(fù)雜繁多的圖像特征有較好的適應(yīng)性。

(2)較好地解決燒結(jié)礦礦相顯微圖像礦物組成成分之間界限不明顯、相互包裹等屬于圖像模糊性及不精確性特征的問題。

(3)針對燒結(jié)礦礦相顯微圖像外在形狀特征有較好的適應(yīng)性。

依據(jù)上述原則，選用分水嶺算法(Watershed)、模糊C-均值算法(FCM)及區(qū)域生長算法(Region growing)對燒結(jié)礦礦相顯微圖像(圖1(a))進(jìn)行識別對比，其結(jié)果見圖2。

圖2 不同分割算法識別的燒結(jié)礦礦相顯微圖像Fig.2 Micrographs of sinter mineralogy recognized by different algorithms

2.1 分水嶺算法

分水嶺算法原理主要是從背景中提取近乎一致的目標(biāo)對象，對微弱的邊緣也具有良好的響應(yīng)[9]。該算法與圖像的梯度有很大關(guān)系，撇開圖像本身，一般以梯度圖像作為參考圖像進(jìn)行分割。

經(jīng)分水嶺算法分割后(見圖2(a))，燒結(jié)礦礦相顯微圖像中礦物分為一大類，孔洞分為一大類，而且孔洞嚴(yán)重欠生長，而礦物嚴(yán)重過生長，無法準(zhǔn)確識別出燒結(jié)礦礦物組成基本類型，只能識別出原圖中較大、較明顯的孔洞。

2.2 模糊的C-均值算法

模糊的 C-均值算法特別適用于對未進(jìn)行處理的多元圖像進(jìn)行分割，處理圖片能力較強(qiáng)[10?13]。它以最小類內(nèi)平方誤差和為聚類準(zhǔn)則，計算每個樣本屬于各模糊子集的隸屬度，獲取局部最小值，從而得到最優(yōu)聚類，算法具有很好的收斂性。

將模糊C-均值算法分割的圖2(b)與圖1(a)進(jìn)行對比可見：圖2(b)中的赤鐵礦、磁鐵礦、孔洞所覆蓋的區(qū)域與圖1(a)中所覆蓋的區(qū)域基本一致，但是，磁鐵礦與鐵酸鈣交界處略微出現(xiàn)過生長及欠生長現(xiàn)象，鐵酸鈣與硅酸鹽被分割成同一區(qū)域。當(dāng)然，可采取其他識別方法再對鐵酸鈣和硅酸鹽進(jìn)行分割，結(jié)果見圖2(c)。整個識別過程相對復(fù)雜。

2.3 區(qū)域生長算法

區(qū)域生長算法的基本思想是根據(jù)一定的相似性準(zhǔn)則[14?15]，將圖像中滿足相似性準(zhǔn)則的像素或子區(qū)域合成更大的區(qū)域。相似性準(zhǔn)則可以是灰度、強(qiáng)度、紋理顏色或其他特性，該方法考慮到區(qū)域內(nèi)部和區(qū)域之間的同異性，盡量保持區(qū)域中像素的臨近性和一致性的統(tǒng)一。針對燒結(jié)礦礦相顯微圖像特征，采用灰度作為相似性準(zhǔn)則進(jìn)行燒結(jié)礦礦物組成基本類別識別。設(shè)置鄰近像素與灰度均值A(chǔ)i之差作為門限T，凡是灰度小于該門限的鄰點(diǎn)，均認(rèn)為是區(qū)域的附屬點(diǎn)而并入。

將區(qū)域生長算法識別處理后的圖像(圖2(d)和圖1(a))進(jìn)行對比可知：圖2(d)中的赤鐵礦、磁鐵礦、鐵酸鈣、硅酸鹽及孔洞所覆蓋的區(qū)域與圖1(a)中原來礦物組成及孔洞所覆蓋的區(qū)域基本一致，只有少量局部磁鐵礦與鐵酸鈣出現(xiàn)略微過分割或欠分割現(xiàn)象。其主要原因是磁鐵礦與鐵酸鈣以互熔態(tài)存在，邊緣界限相互交迭，局部顏色信息不豐富。

對比以上結(jié)果可知，區(qū)域生長算法比較適用于燒結(jié)礦礦相顯微圖像的識別，識別結(jié)果較好。其具體操作步驟如下：

(1)根據(jù)燒結(jié)礦礦相顯微圖像的灰度特性，選取某一顏色相近的區(qū)域的3點(diǎn)(a1，a2，a3)，計算出其灰度均值A(chǔ)1。

(2)選取顏色相近的同一區(qū)域的第4點(diǎn)(a4)，計算a1，a2，a3和a44點(diǎn)的灰度均值A(chǔ)2，設(shè)|A1?a4|=T，若|A1?ai|≤T或|a4?ai|≤T，則作為區(qū)域附屬點(diǎn)并入。

(3)重復(fù)上述操作，直到滿足相似性準(zhǔn)則的點(diǎn)不存在為止，則生長過程終止。

3 燒結(jié)礦礦相顯微圖像識別系統(tǒng)的開發(fā)

應(yīng)用VC++2003.net開發(fā)了燒結(jié)礦礦相顯微圖像識別系統(tǒng)。系統(tǒng)識別流程如圖3所示。

圖3 燒結(jié)礦礦相顯微圖像識別系統(tǒng)流程圖Fig.3 Flowchart of micrograph recognizing system of sinter mineralogy

該系統(tǒng)主要作用是實(shí)現(xiàn)燒結(jié)礦礦相顯微圖像的識別，然后采用統(tǒng)計分析的方法計算燒結(jié)礦各礦物組成。系統(tǒng)主要組成部分包括圖像讀取、圖像濾波、區(qū)域生長法識別燒結(jié)礦礦相顯微圖像、專家指導(dǎo)子系統(tǒng)、結(jié)果評判、圖像修改等。

(1)圖像讀取實(shí)現(xiàn)JPEG及BMP等常見燒結(jié)礦礦相顯微圖像的讀取，若用戶對讀取的圖像滿意，則可直接應(yīng)用區(qū)域生長法識別燒結(jié)礦礦相顯微圖像；若不滿意，則需進(jìn)行圖像濾波。

(2)圖像濾波針對已讀取的圖像進(jìn)行優(yōu)化，除去圖像周圍因光線不均、磨片質(zhì)量差等問題產(chǎn)生的模糊區(qū)域，降低外界不利因素對顯微圖像識別結(jié)果產(chǎn)生的影響。

(3)區(qū)域生長法識別燒結(jié)礦礦相顯微圖像實(shí)現(xiàn)燒結(jié)礦中基本礦物組成類別的分割識別。在采用區(qū)域生長法識別燒結(jié)礦礦相顯微圖像的過程中提供由專家經(jīng)驗得到的啟發(fā)性知識，為圖像識別過程提供明確思路及有針對性的識別方案。

(4)若用戶對識別結(jié)果滿意，則采用統(tǒng)計分析的方法計算識別出燒結(jié)礦礦物組成；若識別結(jié)果不滿意，則可對識別結(jié)果出現(xiàn)的過分割及欠分割等現(xiàn)象進(jìn)行修改，直到操作者滿意為止，然后，再次進(jìn)行圖像識別。

系統(tǒng)識別結(jié)果及與專家統(tǒng)計結(jié)果對比見表1。從表1可見：系統(tǒng)識別的礦物組成結(jié)果與專家分析結(jié)果具有很強(qiáng)的一致性，針對同一顯微圖像2種方法識別不同礦物的相對誤差均小于5%。系統(tǒng)識別結(jié)果準(zhǔn)確，識別速度較快，滿足實(shí)際操作過程中的要求。

表1 系統(tǒng)識別結(jié)果與專家光學(xué)顯微鏡測定結(jié)果(質(zhì)量分?jǐn)?shù))Table1 Recognition results of system and results tested under optical microscope %

4 結(jié)論

(1)燒結(jié)礦由磁鐵礦、赤鐵礦、鐵酸鈣、硅酸鹽等多種礦物組成，每種礦物具有不同的特征，各種礦物之間相互重疊包裹，礦物組成形狀特征復(fù)雜，屬于多元圖像。其圖像的不精確性和模糊性高，顏色信息不豐富，識別難度大。

(2)區(qū)域生長算法、模糊 C-均值算法及分水嶺算法的燒結(jié)礦礦物組成識別對比結(jié)果表明：區(qū)域生長算法識別結(jié)果與原圖中的礦物組成具有很強(qiáng)的一致性，且識別過程操作簡單，計算速度較快，用于燒結(jié)礦顯微圖像識別。

(3)燒結(jié)礦礦相顯微圖像識別系統(tǒng)實(shí)現(xiàn)了對燒結(jié)礦礦物的快速識別和礦物組成含量的準(zhǔn)確計算。與專家鑒定結(jié)果對比，識別礦物組成含量的相對誤差均小于5%。

[1]任允芙.鋼鐵冶金巖相礦相學(xué)[M].北京: 冶金工業(yè)出版社,1982: 179?191.REN Yun-fu.Petrofacies and mineralography of ferrous metallurgy[M].Beijing: Metallurgical Industry Press, 1982:179?191.

[2]傅菊英, 姜濤, 朱德慶.燒結(jié)球團(tuán)學(xué)[M].長沙: 中南大學(xué)出版社, 1996: 152?158.FU Ju-ying, JIANG Tao, ZHU De-qing.Sintering and pelletizing[M].Changsha: Central South University Press, 1996:152?158.

[3]游勁敏, 李咸偉, 沈紅標(biāo), 等.礦物顯微圖像中網(wǎng)孔狀及針板狀成分識別方法研究[J].中國圖象圖形學(xué)報, 2006, 11(11):1690?1694.YOU Jin-min, LI Xian-wei, SHEN Hong-biao, et al.An approach of mesh and striation texture recognition for ore microscope image classification[J].Journal of Image and Graphics, 2006, 11(11): 1690?1694.

[4]馬學(xué)剛, 張維, 高曉琴, 等.燒結(jié)礦礦物組成及結(jié)構(gòu)的測定與分析[J].山東冶金, 2003, 25(3): 32?34.MA Xue-gang, ZHANG Wei, GAO Xiao-qin, et al.Determination and analysis on the mineralogy and microstructure of sinter[J].Shandong Metallurgy, 2003, 25(3):32?34.

[5]LIU Ke-wen, ZHOU Qu-ding.Investigation on the feature extraction from sectional image of sinter machine end and its classification[J].Journal of University Science and Technology Beijing: English Edition, 1994(Z1): 001.

[6]孫鐵強(qiáng), 尹怡欣, 董潔, 等.基于機(jī)器視覺和神經(jīng)網(wǎng)絡(luò)的燒結(jié)質(zhì)量預(yù)測[J].計算機(jī)工程, 2008, 34(11): 240?242.SUN Tie-qiang, YIN Yi-xin, DONG Jie, et al.Sintering quality prediction based on machine vision and ANN[J].Computer Engineering, 2008, 34(11): 240?242.

[7]周芳, 岑豫皖, 杜培明.在線判斷燒結(jié)礦燒結(jié)終點(diǎn)的模糊識別算法[J].自動化與儀表, 2005, 20(4): 7?10.ZHOU Fang, CEN Yu-wan, DU Pei-ming.Fuzzy discriminating method for deducing the BTP of sinter on-line[J].Automation and Instrumentation, 2005, 20(4): 7?10.

[8]劉征建, 左海濱, 張瀚斗, 等.燒結(jié)機(jī)尾特征斷面圖像采集算法的研究及應(yīng)用[J].鋼鐵, 2008, 43(3): 21?24.LIU Zheng-jian, ZUO Hai-bin, ZHAN Han-dou, et al.Research and application of collection algorithm for characteristic section image of sintering machin plant-tail[J].Iron and Steel, 2008,43(3): 21?24.

[9]王國權(quán), 周小紅, 蔚立磊.基于分水嶺算法的圖像分割方法研究[J].計算機(jī)仿真, 2009, 26(5): 255?258.WANG Guo-quan, ZHOU Xiao-hong, YU Li-lei.Image segmentation based on watershed algorithm[J].Computer Simulation, 2009, 26(5): 255?258.

[10]Bezdek J C.Pattern recogintion with fuzzy objective function algorithms[M].New York: Plenum Press, 1981: 20?50.

[11]Pal N R, Bezdek J C.On cluster validity for the fuzzy c-means model[J].IEEE Transactions on Fuzzy Systems, 1995, 3(3):370?379.

[12]Cannon R L, Dave J, Bezdek J C.Efficient implementation of the fuzzy c-means clustering algorithm[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(2): 248?256.

[13]Kim D W, Lee K H, Lee D.A novel initialization scheme for the fuzzy c-means algorithm for color clustering[J].Pattern Recognition Letters, 2004, 25(2): 227?237.

[14]Tinku A, Ajoy K R.Image processing principles and applications[M].New York: Wiley-Interscience, 2005: 109?112.

[15]朗銳.數(shù)字圖像處理學(xué) Visual C++ 實(shí)現(xiàn)[M].北京: 北京希望電子出版社, 2003: 286?291.LANG Rui.The implement for image processing of visual C++[M].Beijing: Beijing Hope Electronic Press, 2003:286?291.