本發(fā)明涉及圖像處理，具體涉及一種基于圖像識別的礦石圖像邊緣分割方法及系統(tǒng)。

背景技術：

1、在礦產資源開發(fā)與利用過程中，對礦石的形態(tài)、大小、邊緣等特征的準確獲取是進行礦石分選、品位分析等工作的重要基礎，礦石圖像邊緣分割作為獲取這些特征的關鍵步驟，其精度直接影響后續(xù)工作的效果；傳統(tǒng)的礦石圖像邊緣分割方法主要包括基于閾值的分割方法、基于邊緣檢測算子的分割方法；基于閾值的分割方法通過設定閾值將圖像分為前景和背景，但礦石圖像往往存在光照不均、灰度分布復雜的情況，單一閾值難以準確分割出礦石邊緣?；谶吘墮z測算子的方法雖然能檢測出圖像中的邊緣信息，但對噪聲敏感，在礦石表面紋理復雜、存在粘連等情況下，容易產生虛假邊緣或漏檢邊緣，導致分割效果不佳。

技術實現思路

1、本發(fā)明的目的是為了解決上述問題，設計了一種基于圖像識別的礦石圖像邊緣分割方法及系統(tǒng)。

2、本發(fā)明第一方面提供一種基于圖像識別的礦石圖像邊緣分割方法，該方法包括以下步驟：

3、采集礦石圖像，對礦石圖像進行去噪處理和邊緣增強處理，得到處理后的圖像；

4、構建邊緣分割模型，其中所述邊緣分割模型包括特征提取模塊、多尺度特征融合模塊和注意力模塊；

5、將處理后的圖像輸入邊緣分割模型，先通過特征提取模塊提取礦石圖像的特征，再輸入多尺度特征融合模塊進行特征融合，得到融合后的特征圖，最后通過注意力模塊處理，輸出初步的邊緣分割結果；

6、采用高斯濾波消除初步的邊緣分割結果中的鋸齒狀噪聲，并計算礦石粒度分布，得到最終的礦石圖像邊緣分割結果。

7、可選的，在本發(fā)明第一方面的第一種實現方式中，所述采集礦石圖像，對礦石圖像進行去噪處理和邊緣增強處理，得到處理后的圖像，包括：

8、設定搜索窗口大小為7×7、相似塊大小為3×3，在礦石圖像中，以每個像素為中心提取3×3的相似塊；

9、對于每個相似塊，在7×7的搜索窗口內尋找與其具有相似灰度分布的其他塊，并計算相似度，根據相似度為每個相似塊分配相應的權重；

10、通過計算所有相似塊的加權平均，得到去噪后的圖像塊，將所有圖像塊組合形成去噪圖像；

11、采用基于形態(tài)學梯度的增強算法對去噪圖像進行處理，得到處理后的圖像。

12、可選的，在本發(fā)明第一方面的第二種實現方式中，所述采用基于形態(tài)學梯度的增強算法對去噪圖像進行處理，得到處理后的圖像，包括：

13、選取3×3的矩形結構元素，利用結構元素對去噪圖像進行腐蝕操作，得到腐蝕圖像；

14、利用結構元素對去噪圖像進行膨脹操作，得到膨脹圖像；

15、計算膨脹圖像與腐蝕圖像之間的差值，得到形態(tài)學梯度圖像，將形態(tài)學梯度圖像與去噪圖像進行加權融合，得到處理后的圖像，其中形態(tài)學梯度圖像的權重系數為0.7，去噪圖像的權重系數為0.3。

16、可選的，在本發(fā)明第一方面的第三種實現方式中，所述特征提取模塊以resnet-50網絡為基礎架構，resnet-50網絡包括卷積層和池化層，在每個殘差塊中融入空洞卷積，空洞率分別設置為2、4、8，以捕捉圖像上下文信息。

17、所述多尺度特征融合模塊將特征提取模塊輸出的不同尺度的特征圖進行融合；

18、所述注意力模塊采用通道注意力與空間注意力相結合的架構。

19、可選的，在本發(fā)明第一方面的第四種實現方式中，所述將處理后的圖像輸入邊緣分割模型，先通過特征提取模塊提取礦石圖像的特征，再輸入多尺度特征融合模塊進行特征融合，得到融合后的特征圖，最后通過注意力模塊處理，輸出初步的邊緣分割結果，包括：

20、將尺寸為512×512×3的圖像輸入邊緣分割模型，經過特征提取模塊的卷積、池化及殘差塊的處理后，輸出4個不同尺度的特征圖，分別為256×256×256、128×128×512、64×64×1024和32×32×2048；

21、針對特征提取模塊輸出的4個不同尺度的特征圖進行尺寸和通道的調整，再對4個特征圖進行加權融合，得到尺寸為256×256×128的融合特征圖；

22、通道注意力對融合特征圖分別進行全局平均池化和全局最大池化操作，得到兩個1×1×128的特征向量，將兩個特征向量輸入兩層全連接網絡，經過激活函數處理后將結果相加，再通過sigmoid函數計算得到通道注意力權重；

23、空間注意力對融合特征圖在通道維度上分別進行平均池化和最大池化，得到兩個256×256×1的特征圖，將這兩個特征圖拼接后，通過3×3卷積操作和sigmoid函數計算得到空間注意力權重，聚焦礦石邊緣所在的空間區(qū)域；

24、將通道注意力權重、空間注意力權重與融合特征圖相乘，得到初步的邊緣分割結果。

25、可選的，在本發(fā)明第一方面的第五種實現方式中，所述針對特征提取模塊輸出的4個不同尺度的特征圖進行尺寸和通道的調整，包括：

26、對于尺寸為256×256×256的特征圖，通過1×1卷積操作將其通道數調整為128；

27、對于尺寸為128×128×512的特征圖，經1×1卷積將通道數調整為128后上采樣至256×256；

28、對于尺寸為64×64×1024的特征圖，經1×1卷積將通道數調整為128后上采樣至256×256；

29、對于尺寸為32×32×2048的特征圖，經1×1卷積將通道數調整為128后上采樣至256×256。

30、可選的，在本發(fā)明第一方面的第六種實現方式中，所述采用高斯濾波消除初步的邊緣分割結果中的鋸齒狀噪聲，并計算礦石粒度分布，得到最終的礦石圖像邊緣分割結果，包括：

31、設置高斯濾波器的尺寸為5×5，標準差取值為1.0，根據高斯函數計算得到高斯核；

32、將高斯核在初步的邊緣分割結果圖像上進行滑動卷積操作，對于圖像中的每個像素點，計算其周圍5×5范圍內像素值與對應高斯核元素的乘積之和，得到消除鋸齒狀噪聲后的邊緣圖像；

33、對消除鋸齒狀噪聲后的邊緣圖像進行礦石輪廓提取，將每個輪廓標記為一個獨立的礦石區(qū)域；

34、對于每個標記的礦石區(qū)域，統(tǒng)計所包含的像素數量，根據圖像的分辨率，將像素數量轉換為實際的面積大小；

35、計算每個礦石區(qū)域輪廓的最長直徑，作為礦石的等效粒徑，以得到每個礦石的粒度數據；

36、整合礦石的粒度數據，形成礦石粒度分布，結合消除鋸齒狀噪聲后的邊緣圖像，得到最終的礦石圖像邊緣分割結果。

37、本發(fā)明第二方面提供了一種基于圖像識別的礦石圖像邊緣分割系統(tǒng)，該系統(tǒng)包括：

38、圖像采集模塊，用于采集礦石圖像，對礦石圖像進行去噪處理和邊緣增強處理，得到處理后的圖像；

39、構建模塊，用于構建邊緣分割模型，其中所述邊緣分割模型包括特征提取模塊、多尺度特征融合模塊和注意力模塊；

40、輸入模塊，用于將處理后的圖像輸入邊緣分割模型，先通過特征提取模塊提取礦石圖像的特征，再輸入多尺度特征融合模塊進行特征融合，得到融合后的特征圖，最后通過注意力模塊處理，輸出初步的邊緣分割結果；

41、消除模塊，用于采用高斯濾波消除初步的邊緣分割結果中的鋸齒狀噪聲，并計算礦石粒度分布，得到最終的礦石圖像邊緣分割結果。

42、本發(fā)明的第三方面提供了一種基于圖像識別的礦石圖像邊緣分割設備，所述基于圖像識別的礦石圖像邊緣分割設備包括存儲器和至少一個處理器，所述存儲器中存儲有指令；所述至少一個處理器調用所述存儲器中的所述指令，以使得所述基于圖像識別的礦石圖像邊緣分割設備執(zhí)行如上任一項所述的基于圖像識別的礦石圖像邊緣分割方法的各個步驟。

43、本發(fā)明的第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有指令，所述指令被處理器執(zhí)行時實現如上任一項所述基于圖像識別的礦石圖像邊緣分割方法的各個步驟。

44、本發(fā)明提供的技術方案中，采集礦石圖像，對礦石圖像進行去噪處理和邊緣增強處理，得到處理后的圖像；構建邊緣分割模型，將處理后的圖像輸入邊緣分割模型，先通過特征提取模塊提取礦石圖像的特征，再輸入多尺度特征融合模塊進行特征融合，得到融合后的特征圖，最后通過注意力模塊處理，輸出初步的邊緣分割結果；采用高斯濾波消除初步的邊緣分割結果中的鋸齒狀噪聲，并計算礦石粒度分布，得到最終的礦石圖像邊緣分割結果；本發(fā)明在圖像預處理階段有效去除噪聲的同時增強了礦石邊緣特征，通過邊緣分割模型捕捉不同大小、形態(tài)礦石的邊緣信息，提高了對復雜礦石圖像場景的適應性，通過空間注意力和通道注意力相結合的方式，聚焦礦石邊緣關鍵區(qū)域和有用特征通道，提升了邊緣分割的精度，邊緣細化進一步優(yōu)化了分割結果，使分割結果更加準確、完整。