摘要：浮选是根据矿物颗粒表面物理化学性质的不同,从矿石中分离有用矿物的技术方法。目前,大多数铜浮选生产现场主要依靠“人眼观察,人手触摸”的方式来判断浮选槽表面泡沫状态,从而进行相应的浮选操作。这种方式极大地限制了浮选过程的优化运行,降低了金属资源的回收率。因此,研究泡沫图像的特征状态,进一步识别铜浮选工况,对于实现铜浮选工业过程的优化控制,具有非常重要的意义。针对铜浮选粗选槽泡沫多堆积、易坍塌、流速快等特点,选择泡沫尺寸、纹理等表观特征来描述泡沫图像信息。研究将小波多尺度分析应用于泡沫图像特征提取,并利用支持向量机实现泡沫图像分类识别。论文研究工作主要体现在以下几个方面：首先,在泡沫图像的特征提取中,针对分割算法的复杂性,采用二值化方法提取泡沫尺寸特征。通过比较迭代法、最大类间方差法和最小误差阂值法的二值化效果,表明最小误差阈值法能得到更准确的泡沫尺寸特征。其次,利用小波变换提取的传统统计特征,具有多尺度特性,但没有形态学意义,无法直接反映泡沫图像的表观特点。而对泡沫灰度图像进行二值化,能得到泡沫尺寸特征,但不具备多尺度特性。针对以上问题,提出一种小波多尺度二值化的泡沫图像特征提取方法。实验结果表明,所提取的等效尺寸特征具有良好的可分性,可以很好地用于铜浮选泡沫图像分类识别。最后,针对灰度共生矩阵提取的泡沫图像特征只能反映单一尺度上的纹理空域信息,而小波多尺度分析无法描述图像的纹理结构信息,采用多尺度共生矩阵方法提取泡沫图像特征。实验结果表明,所提取的多尺度共生矩阵特征具有较好的稳定性和可分性,根据该特征进行铜浮选工况离线分类和在线识别,取得了令人满意的效果。图30幅,表6个,参考文献65篇。