本发明公开了一种色选机的物料增强特征识别剔选方法。本发明方法使用色选机获取物料图像，去掉图像中的背景，并从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征；将物料的内圆的各个区域转换为加权无向图节点和边，构建物料局部区域灰度特征加权无向图，获得每个物料的图特征分量以及特征向量；利用特征向量计算出物料的整体HSI分量和图特征分量的分布区间；色选机工作时采集到待选物料的图像数据经处理后与确定的物料整体HSI分量和局部图特征分量分布区间相比较，把超出对应分量的该分布区间的待选物料标记为不合格物料，启动喷气阀实现物料分离。本发明将单个物料的整体和局部特征相结合，更好地描述了物料属性，提高色选精度。
1.一种色选机的物料增强特征识别剔选方法，其特征在于，包括以下步骤：步骤一：使用色选机获取N个物料在实时运动的图像作为物料图像，并去掉图像中的背景；
步骤二：从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征，整体灰度特征即为物料的整体HSI分量，局部灰度特征即为物料内圆的各个区域的R、G、B通道的灰度平均值；
步骤三：将物料Ai的内圆Di的各个区域转换为加权无向图Pi(V,E)节点和边，构建物料局部区域灰度特征加权无向图，获得每个物料Ai的图特征分量以及特征向量Ki；
所述物料Ai的内圆Di的获得方法为：以物料Ai的几何中心为内圆Di的圆心，内圆Di的面积Ti和物料Ai的面积Si满足Ti:Si＝1:5，获得的内圆Di的各个区域转换为加权无向图Pi(V,E)节点和边；
步骤四：利用步骤三获得的特征向量Ki计算出物料的整体HSI分量和图特征分量的分布区间；
步骤五：色选机工作时采集到待选物料的图像数据经处理后与步骤四确定的物料整体HSI分量和局部图特征分量分布区间相比较，把超出对应分量的该分布区间的待选物料标记为不合格物料，启动喷气阀实现物料分离。
2.根据权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述步骤二具体步骤如下：
S2.1、将去掉背景的每一个第i个物料Ai作为一个样本例，i＝1,2,...,N，i表示物料的序号，置于一个m×m个像素的空白图片中，得到样本例图片；
S2.2、根据样本例图片中物料Ai的外轮廓点ei,1,ei,2,…,ei,n的坐标计算几何中心Fi：其中，ei,1,ei,2,…,ei,n分别表示物料Ai对应的第1个到第n个外轮廓点；
S2.3、计算物料Ai外轮廓内的所有像素点pi,1,pi,2,…,pi,s的RGB灰度平均值得到物料的整体灰度特征：
其中，pi,j(R)是物料Ai外轮廓内的第j个像素点pi,j所对应的RGB颜色空间中R通道的灰度值，Ri表示物料在RGB颜色空间中R通道的灰度特征；
物料在RGB颜色空间中G通道的灰度特征Gi和B通道的灰度特征Bi按照和R通道的灰度特征Ri相同方式进行处理获得；
S2.4、将物料Ai的R、G、B通道的灰度特征作为整体RGB信息并转化为HSI信息，再分别计算HSI信息的H、S、I分量作为整体HSI分量；
S2.5、建立一个内圆Di，内圆Di的圆心Mi与物料Ai的几何中心Fi重合，且内圆Di的面积Ti和物料Ai的面积Si满足Ti:Si＝1:5；
S2.5.1、先将内圆Di沿半径四等分进行划分分成同心的一个内圆Qi,1和三个圆环Qi,2、Qi,3、Qi,4，同时再将内圆Di沿圆周八等分对内圆Qi,1和三个圆环Qi,2、Qi,3、Qi,4进一步划分为八个区域，共计划分为32个区域；
S2.5.2、分别计算内圆Di的32个区域的R、G、B通道的灰度平均值，得到96个灰度平均值，作为局部灰度特征。
3.根据权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述步骤三具体步骤如下：
S3.1、首先将物料Ai内圆Di的面积归一化；分别求出每个区域的几何中心作为该区域在加权无向图中的节点vi,1,vi,2,…,vi,32，vi,1表示物料Ai对应的第1个区域在加权无向图中的节点，所有节点组成了加权无向图Pi(V,E)的点集Vi；
S3.2、将32个区域两两组合匹配，分别计算所匹配的两个区域间的色差系数δu,v，将色差系数δu,v小于色差系数阈值Φ的两个区域关联，由两个区域的关联关系作为边Eu,v，由所有边Eu,v组成了加权无向图Pi(V,E)的边集Ei；
S3.3、根据加权无向图Pi(V,E)内各节点间的距离du,v和色差系数δu,v，计算边Eu,v的权重ωu,v：
S3.4、计算加权无向图Pi(V,E)的图特征分量：提取加权特征路径长度 全局效率和加权全局聚类系数 作为物料的图特征分量；
S3.5、将物料Ai的内圆Di的图特征分量 整体HSI分量Ai(H)、Ai(S)、Ai(I)和类别标签Yi按顺序组合，得到描述物料Ai属性特点的特征向量其中类别标签Yi取0或1，分别表示物料Ai合格或不合格。
4.根据权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述步骤四具体步骤如下：
对于所有物料Ai的特征向量Ki，对特征向量Ki其中的除类别标签Yi之外的所有分量按照以下处理获得分量分布区间的上下限，以作为第一分量的加权特征路径长度 为例，进行说明：
S4.1、将所有物料Ai的加权特征路径长度 根据数值从小到大依次排列，计算排列下ω ω ω
的四分位数T1(L )、上四分位数T3(L )和四分位差IQR(L )；
S4.2、根据四分位数T1(L )、上四分位数T3(L )和四分位差IQR(L )计算获得最大观测值 和最小观测值
S4.3、对于各个物料Ai的加权特征路径长度 按照以下方式进行判断处理获得加权特征路径长度 分量对应的上下限：
若至少有一个物料Ai的加权特征路径长度 满足 表示最小观测值，则取加权特征路径长度分量对应的下限 否则取加权特征路径长度ω
分量对应的下限min(L )为所有物料Ai的加权特征路径长度 中的最小值；
若至少有一个物料Ai的加权特征路径长度 满足 表示最大观测值，则取加权特征路径长度分量对应的上限 否则取加权特征路径长ω
度分量对应的上限max(L )为所有物料Ai的加权特征路径长度 中的最大值；
S4.4、根据上述两个步骤相同处理方式分别计算出特征向量Ki的除了类别标签Yi以外的其余分量 …，Ai(I)的上下限，得到特征向量每个分量的分布区间。
5.如权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述步骤一中，获取到的物料图像使用运动糢糊图像复原、中值滤波去噪和阈值法去除物料图像中的背景。
6.如权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述的步骤二中，物料Ai的面积Si由外轮廓点ei,1，ei,2，...，ei,n所包围的区域像素点总数获得，内圆Di的面积计算方式与物料Ai的面积Si计算方式相同。
7.如权利要求3所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述的两个区域间的色差系数δu,v计算如下：其中，ru表示区域u的R通道的灰度特征，Δr表示区域u的R通道的灰度特征和区域v的R通道的灰度特征之间的差，Δg表示区域u的G通道的灰度特征和区域v的G通道的灰度特征之间的差，Δb表示区域u的B通道的灰度特征和区域v的B通道的灰度特征之间的差。
8.如权利要求3所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述S3.4中的加权特征路径长度 是加权无向图中所有可能的节点对最短路径长度的平均值，节点对是由任意两个节点构成，路径长度为节点对中两个节点间的一条路径上各条边的权重之和，最短路径长度是节点对中两个节点间所有可能路径的路径长度的最小值；全局效率 是加权无向图中所有可能的节点对最短路径长度倒数的平均值。
9.如权利要求3所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述S3.4中的加权全局聚类系数 采用以下公式计算获得；
其中， 为物料Ai的包含有节点u的所有三角形的三边权重的几何平均值之和， 为物料Ai的节点u所在的所有边的权重和，f表示物料Ai的节点数。
一种色选机的物料增强特征识别剔选方法
技术领域
[0001] 本发明涉及到色选机的技术领域的一种物料图像处理筛选方法，特别是一种色选机的物料增强特征识别剔选方法。
背景技术
[0002] 色选机是一种结合了机械、软件开发、图像采集和处理等领域的产品。因为其具有分类精度高、剔选速度快和分选算法适应性强等特点，色选机被广泛应用于谷物、茶叶、矿
石等物料的分选处理。为了提高谷物、茶叶等产品的质量，传统的方法是通过人工肉眼鉴别
待选物料的好坏，不仅耗费较大的人力，而且分类精度较差、效率低。色选机使用传送机构
将大量待选物料送至图像采集和剔选装置，通过图像采集装置如CCD获取物料的实时传送
信息，经图像处理和剔选规则分类后把不合格物料位置输出到剔选装置如喷气阀，开启气
阀实现物料分离。
[0003] RGB颜色空间通常用于显示器系统，它利用物理学中的三原色叠加原理产生各种颜色。在RGB颜色空间中，R、G、B各颜色分量彼此独立。HSI颜色空间中，H表示Hue(色度)，S表
示Saturation(饱和度)，I表示Intensity(强度)。色度用来区分某一种颜色，如白、黄、青、
绿、品红、红、黑等；饱和度指的是颜色的纯度，颜色越鲜艳，饱和度越高，反之饱和度越低；
亮度指的是颜色的明暗程度，亮度越高，颜色越亮。RGB颜色空间的缺点在于不符合人眼的
视觉特性，HSI颜色空间不适合显示器系统，但是更符合人眼的视觉特性，因此在色选时可
以转换为HSI颜色空间。
[0004] 当前色选机技术仍然为提高色选精度、减少带出比而不断改进，待选物料的图像处理和剔选算法在色选过程中发挥重要作用。现有的色选算法如人工提取待选物料整体特
征作出划分，以及与神经网络相结合进行分类等，前者受限于提取特征的好坏而后者耗时
和成本开销较大，均不能很好地满足物料分选质量提高的需求。
发明内容
[0005] 为了解决背景技术所述问题，本发明提出了一种色选机的物料增强特征识别剔选方法。
[0006] 本发明的技术方案如下：
[0007] 步骤一：使用色选机获取N个物料在实时运动的图像作为物料图像，使用运动糢糊图像复原、中值滤波去噪和阈值法去除物料图像中的背景；
[0008] 步骤二：从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征，整体灰度特征即为物料的整体HSI分量，局部灰度特征即为物料内圆的各个区域的R、G、B通道的
灰度平均值；
[0009] 所述步骤二具体步骤如下：
[0010] S2.1、将去掉背景的每一个第i个物料Ai作为一个样本例，i＝1，2，...，N，i表示物料的序号，置于一个m×m个像素的空白图片中，得到样本例图片；
[0011] S2.2、根据样本例图片中物料Ai的外轮廓点ei，1，ei，2，...，ei，n的坐标计算几何中心Fi：
[0012]
[0013] 其中，ei，1，ei，2，...，ei，n分别表示物料Ai对应的第1个到第n个外轮廓点；
[0014] S2.3、计算物料Ai外轮廓内的所有像素点pi，1，pi，2，...，pi，s的RGB灰度平均值得到物料的整体灰度特征：
[0015]
[0016] 其中，pi，j(R)是物料Ai外轮廓内的第j个像素点pi，j所对应的RGB颜色空间中R通道的灰度值，Ri表示物料在RGB颜色空间中R通道的灰度特征；
[0017] 物料在RGB颜色空间中G通道的灰度特征Gi和B通道的灰度特征Bi按照和R通道的灰度特征Ri相同方式进行处理获得；
[0018] S2.4、将物料Ai的R、G、B通道的灰度特征作为整体RGB信息并转化为HSI信息，再分别计算HSI信息的H、S、I分量作为整体HSI分量；
[0019] S2.5、建立一个内圆Di，内圆Di的圆心Mi与物料Ai的几何中心Fi重合，且内圆Di的面积Ti和物料Ai的面积Si满足Ti：Si＝1∶5；
[0020] 其中，物料Ai的面积Si由外轮廓点ei，1，ei，2，...，ei，n所包围的区域像素点总数获得，内圆Di的面积计算方式与物料Ai的面积Si计算方式相同；
[0021] S2.5.1、先将内圆Di沿半径四等分进行划分分成同心的一个内圆Qi，1和三个圆环Qi，2、Qi，3、Qi，4，同时再将内圆Di沿圆周八等分对内圆Qi，1和三个圆环Qi，2、Qi，3、Qi，4进一步划
分为八个区域，共计划分为32个区域；
[0022] S2.5.2、分别计算内圆Di的32个区域的R、G、B通道的灰度平均值，得到96个灰度平均值，作为局部灰度特征。
[0023] 步骤三：将物料Ai的内圆Di的各个区域转换为加权无向图Pi(V，E)节点和边，构建物料局部区域灰度特征加权无向图，获得每个物料Ai的图特征分量以及特征向量Ki；
[0024] 所述步骤三具体步骤如下：
[0025] S3.1、首先将物料Ai内圆Di的面积归一化；分别求出每个区域的几何中心作为该区域在加权无向图中的节点vi，1,vi，2,...,vi，32，vi，1表示物料Ai对应的第1个区域在加权无向
图中的节点，所有节点组成了加权无向图Pi(V，E)的点集Vi；
[0026] S3.2、将32个区域两两组合匹配，分别计算所匹配的两个区域间的色差系数δu，v，将色差系数δu，v小于色差系数阈值Φ的两个区域关联，由两个区域的关联关系作为边Eu，v，
由所有边Eu，v组成了加权无向图Pi(V，E)的边集Ei；
[0027] 所述的两个区域间的色差系数δu，v计算如下：
[0028]
[0029] 其中，ru表示区域u的R通道的灰度特征，Δr表示区域u的R通道的灰度特征和区域v的R通道的灰度特征之间的差，Δg表示区域u的G通道的灰度特征和区域v的G通道的灰度
特征之间的差，Δb表示区域u的B通道的灰度特征和区域v的B通道的灰度特征之间的差；
[0030] S3.3、根据加权无向图Pi(V，E)内各节点间的距离du，v和色差系数δu，v，计算边Eu，v的权重ωu，v：
[0031]
[0032] S3.4、计算加权无向图Pi(V，E)的图特征分量：
[0033] 提取加权特征路径长度 全局效率 和加权全局聚类系数 作为物料的图特征分量；
[0034] 加权特征路径长度 是加权无向图中所有可能的节点对最短路径长度的平均值，节点对是由任意两个节点构成，路径长度为节点对中两个节点间的一条路径上各条边的权
重之和，最短路径长度是节点对中两个节点间所有可能路径的路径长度的最小值；
[0035] 全局效率 是加权无向图中所有可能的节点对最短路径长度倒数的平均值。
[0036] 所述S3.4中的加权全局聚类系数 采用以下公式计算获得；
[0037]
[0038] 其中， 为物料Ai的包含有节点u的所有三角形的三边权重的几何平均值之和，为物料Ai的节点u所在的所有边的权重和，f表示物料Ai的节点数。
[0039] S3.5、将物料Ai的内圆Di的图特征分量 整体HSI分量Ai(H)、Ai(S)、Ai(S)和类别标签Yi按顺序组合，得到描述物料Ai属性特点的特征向量
其中类别标签Yi取0或1，分别表示物料
Ai合格或不合格。
[0040] 步骤四：利用步骤三获得的特征向量Ki计算出物料的整体HSI分量和图特征分量的分布区间；
[0041] 所述步骤四具体步骤如下：
[0042] 对于所有物料Ai的特征向量Ki，对特征向量Ki其中的除类别标签Yi之外的所有分量按照以下处理获得分量分布区间的上下限，以作为第一分量的加权特征路径长度 为
例，进行说明：
[0043] S4.1、将所有物料Ai的加权特征路径长度 根据数值从小到大依次排列，计算排ω ω ω
列下的四分位数T1(L )、上四分位数T3(L )和四分位差IQR(L )；
[0044] S4.2、根据四分位数T1(Lω)、上四分位数T3(Lω)和四分位差IQR(Lω)计算获得最大观测值 和最小观测值
[0045]
[0046]
[0047] 其中，γ表示分布校正系数；
[0048] S4.3、对于各个物料Ai的加权特征路径长度 按照以下方式进行判断处理获得加权特征路径长度 分量对应的上下限：
[0049] 若至少有一个物料Ai的加权特征路径长度 满足 表示最小观测值，则取加权特征路径长度分量对应的下限 否则取加权特征路径长
ω
度分量对应的下限min(L )为所有物料Ai的加权特征路径长度 中的最小值；
[0050] 若至少有一个物料Ai的加权特征路径长度 满足 表示最大观测值，则取加权特征路径长度分量对应的上限 否则取加权特征路径
ω
长度分量对应的上限max(L )为所有物料Ai的加权特征路径长度 中的最大值；
[0051] S4.4、根据上述两个步骤相同处理方式分别计算出特征向量Ki的除了类别标签Yi以外的其余分量 ...，Ai(I)的上下限，得到特征向量每个分量的分布区间。
[0052] 步骤五：色选机工作时采集到待选物料的图像数据经处理后与步骤四确定的物料整体HSI分量和局部图特征分量分布区间相比较，把超出对应分量的该分布区间的待选物
料标记为不合格物料，启动喷气阀实现物料分离。
[0053] 本发明的有益效果为：
[0054] 本发明的物料特征提取方法能够综合分析物料的整体和局部特征，更好地描述物料属性，使得色选机能辨别出物料间的细微差异，色选结果更好。
[0055] 本发明所述物料的特征灰度分量选取方法不唯一，可根据实际色选情况选择更为合适的特征灰度分量，扩展了本色选方法的应用范围。
附图说明
[0056] 图1为本发明的增强特征识别的实施流程图；
[0057] 图2为物料局部特征划分示意图。
具体实施方式
[0058] 下面将结合实施例对本发明作详细、清晰的描述。
[0059] 如图1所示，本发明实施例及其实施过程包括如下：
[0060] 步骤一：使用色选机获取116个待选矿石Ai(i＝1，2，...，116)在实时运动的图像，并对图像实施运动糢糊图像复原、中值滤波去噪和阈值法去除背景。
[0061] 步骤二：逐一提取单个待选矿石Ai的整体灰度特征和局部灰度特征，整体灰度特征即为矿石的整体HSI分量，局部灰度特征即为矿石内圆的各个区域的R、G、B通道的灰度平
均值。具体步骤如下：
[0062] a.将去掉背景的单个矿石A1作为一个样本例，置于一个256×256个像素的空白图片中，得到样本例图片；
[0063] b.根据矿石A1的外轮廓点e1，1，e1，2，...，e1，829的坐标计算其几何中心F1：
[0064]
[0065] c.计算矿石A1轮廓内的所有像素点p1，1，p1，2，...，p1，39321的RGB灰度平均值得到单个矿石的整体特征：
[0066]
[0067]
[0068]
[0069] 其中p1,j(R)是矿石A1外轮廓内的第j个像素点p1，j所对应的RGB颜色空间中R通道的灰度值，R1表示矿石在RGB颜色空间中R通道的灰度特征；
[0070] 矿石在RGB颜色空间中G通道的灰度特征G1和B通道的灰度特征B1按照和R通道的灰度特征R1相同方式进行处理获得；
[0071] d.转换矿石A1的整体RGB信息为HSI信息，分别计算H、S、I分量：
[0072] 将矿石A1的R、G、B通道的灰度特征作为整体RGB信息，根据以下公式转化为HSI信息，分别计算HSI信息的H、S、I分量作为整体HSI分量；
[0073]
[0074] H＝H+2π，ifH＜0
[0075]
[0076]
[0077] Max＝maX(R，G，B)
[0078] Mln＝min(R，G，B)
[0079] 其中，R、G、B通道的灰度特征在应用以上公式前均归一化至[0，1]区间。
[0080] 现以矿石A1整体HSI分量为例进行详细计算：
[0081]
[0082]
[0083]
[0084] e.以内圆D1提取矿石A1的局部图像，内圆D1的中心M1与矿石A1几何中心F1重合，且内圆D1的面积T1和矿石A1的面积S1满足T1：S1＝1∶5，矿石A1的面积S1由外轮廓点e1，1，
e1，2，...，e1，829所包围的区域像素点总数获得，则S1＝39321，内圆D1面积的计算类似且T1＝
7864；
[0085] f.先将内圆D1沿半径四等分进行划分分成同心的一个内圆Q1，1和三个圆环Q1，2、Q1，3、Q1，4，同时再将内圆Di沿圆周八等分对内圆Q1，1和三个圆环Q1，2、Q1，3、Q1，4进一步划分为
八个区域，共计划分为32个区域；
[0086] g.分别计算内圆D1的32个区域的R、G、B通道的灰度平均值，得到96个灰度平均值，作为局部灰度特征。
[0087] 步骤三：将矿石A1的内圆D1的各个区域转换为加权无向图P1(V，E)节点和边；一个矿石Ai具有一个加权无向图Pi(V，E)，V表示节点集合，E表示边集合，构建矿石局部区域灰度
特征加权无向图，获得每个矿石Ai的图特征分量以及特征向量Ki，具体步骤如下：
[0088] h.首先将矿石A1内圆D1的面积归一化，32个区域的编号从中心向外依次排序；分别求出每个区域的几何中心作为该区域在加权无向图中的节点v1，1,v1，2,...,v1，32，v1，1表示
矿石A1对应的第1个区域在加权无向图中的节点，所有节点组成了加权无向图P1(V，E)的点
集V1；
[0089] i.将32个区域两两组合匹配，分别计算所匹配的两个区域间的色差系数δu，v，将色差系数δu，v小于色差系数阈值Φ的两个区域关联，由两个区域的关联关系作为边Eu，v，由所
有边Eu，v组成了加权无向图P1(V，E)的边集E1；
[0090] 矿石A1内圆D1区域1和区域2的色差系数：
[0091]
[0092] 则δ1，2＜Φ＝300，故将区域1和2相连，其他匹配区域的连接判定计算类似；
[0093] j.根据加权无向图P1(V，E)内各节点间的距离du，v和色差系数δu，v，计算边Eu，v的权重ωu，v：
[0094]
[0095] k.计算加权无向图P1(V，E)的图特征分量：
[0096] 提取加权特征路径长度 全局效率 和加权全局聚类系数 作为矿石的图特征分量，也作为形态特征；
[0097] 加权特征路径长度 是加权无向图中所有可能的节点对最短路径长度的平均值，节点对是由任意两个节点构成，路径长度为节点对中两个节点间的一条路径上各条边
的权重之和，最短路径长度是节点对中两个节点间所有可能路径的路径长度的最小值；
[0098]
[0099] 为节点u和v之间的最短路径长度，且 其中u，p，q，...，z，v为节点u和v之间的最短路径上的节点。
[0100] 全局效率 是加权无向图中所有可能的节点对最短路径长度倒数的平均值；
[0101]
[0102]
[0103] 加权全局聚类系数 定义为局部聚类系数的平均值；
[0104]
[0105] 其中， 为矿石1的包含有节点u的所有三角形的三边权重的几何平均值之和，且为矿石1的节点u所在的所有边的权重和，且
[0106] ωu，v表示包含有节点u的三角形边Eu，v的权重，ωu，z表示包含有节点u的三角形边Ev，z的权重，ωu，z表示包含有节点u的三角形边Eu，z的权重；
[0107] l.将矿石A1的内圆D1的图特征分量 整体HSI分量A1(H)、A1(S)、A1(I)和类别标签Y1按顺序组合，得到描述矿石A1属性特点的特征向量
[0108] 其中类别标签Y1取0，此时矿石A1合格；
[0109] 步骤四：利用步骤三获得的特征向量Ki(i＝1，2，...，116)计算出所有矿石的整体HSI分量和图特征分量的分布区间，具体步骤如下：
[0110] 对于所有矿石Ai(i＝1，2，...，116)的特征向量Ki，对特征向量Ki其中的除类别标签Yi之外的所有分量按照以下处理获得分量分布区间的上下限，以作为第一分量的加权特
征路径长度 为例，进行说明：
[0111] m.将所有矿石Ai的加权特征路径长度 根据其数值从小到大依次排列，计算其排ω ω ω
列下四分位数T1(L )、上四分位数T3(L )和四分位差IQR(L )：
[0112] IQR(Lω)＝T3(Lω)‑T1(Lω)
[0113] n.根据四分位数T1(Lω)、上四分位数T3(Lω)和四分位差IQR(Lω)计算获得最大观测值 和最小观测值
[0114]
[0115]
[0116] o.对于各个矿石Ai的加权特征路径长度 按照以下方式进行判断处理获得加权特征路径长度 分量对应的上下限：
[0117] 若至少有一个矿石Ai的加权特征路径长度 满足 表示最小观测值，则取加权特征路径长度分量对应的下限 否则取加权特征路径长
ω
度分量对应的下限min(L )为所有矿石Ai的加权特征路径长度 中的最小值；
[0118] 若至少有一个矿石Ai的加权特征路径长度 满足 表示最大观测值，则取加权特征路径长度分量对应的上限 否则取加权特征路径
ω
长度分量对应的上限max(L )为所有矿石Ai的加权特征路径长度 中的最大值；
[0119] p.根据上述n、o步骤相同处理方式分别计算出特征向量Ki的除了类别标签Yi以外的其余分量 ...，Ai(I)的上下限，得到特征向量每个分量的分布区间。
[0120] 步骤五：色选机工作时采集到待选矿石的图像数据经处理后与步骤四确定的矿石整体HSI分量和局部图特征分量分布区间相比较，把超出对应分量的该分布区间的待选矿
石标记为不合格矿石，启动喷气阀实现矿石分离。
[0121] 由此，本发明方法能够综合分析获得物料的整体和局部特征，准确获得物料属性，使得色选机能辨别出物料间的细微差异，色选结果好，扩展了本色选方法的应用范围。
[0122] 以上描述的本发明实施方式仅为较佳实施例，并不为限定本发明的保护范围。对于在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应包括在本发明的
权利要求保护范围内。
