泡沫浮选是以表面化学为基础,根据矿物粒子表面疏水性的不同来选别有用矿物,是最重要的矿物分选方法。尽管泡沫浮选已有百年应用历史,但由于实际工业浮选流程长、过程影响因素多、内部机理不明确,矿物浮选过程自动监控仍然难以有效实施,造成矿物资源回收率低且指标波动频繁。鉴于工业过程视觉监控具有检测速度快、结果客观和不干扰浮选生产的优点,近年来,基于机器视觉的矿物浮选过程优化控制是进一步提高选矿自动化水平和矿产资源回收率的发展趋势。在基于机器视觉的矿物浮选过程监控中,研究合适的泡沫图像处理和分析方法以获取与生产工况密切相关的泡沫表面视觉特征参量是进行后续浮选过程建模与自动控制的基础。然而,由于浮选泡沫表面表现出来的随机堆积性、无背景性、形状不规则性等特点,常用的图像处理、分析方法难以有效实现泡沫表面视觉特征的准确测量与分析。为了能对这些形状各异、大小不一的、随机堆积的矿化气泡进行特征量化描述,本文将概率论、统计学习、模式识别等方法应用到图像信号处理和分析中,根据特定变换域的泡沫图像随机场所表现出来的统计分布特性建立合理的图像统计分布模型,为后续图像的分析和理解提供有效的先验知识；然后,基于所建立的统计模型,有效解决泡沫图像表面颜色、气泡大小和表面随机纹理等视觉特征难以准确表征问题,并成功应用于矿物浮选过程的泡沫状态分类与生产工况智能识别中,实现浮选生产工况的机器鉴别与自动评价。论文主要研究工作及创新点如下：(1)针对浮选泡沫图像噪声大,泡沫表面视觉特征不能准确提取的难题,提出一种时空信息联合的图像序列多尺度几何变换去噪方法。该方法首先通过收集大量未受噪声干扰的泡沫图像样本进行图像统计分布建模,建立了泡沫图像多尺度几何变换域系数的统计分布模型；然后,以所建立的图像统计模型为先验知识,采用贝叶斯最小二乘估计方法获得基于帧内信息的泡沫图像去噪结果；最后,根据图像序列时空相关的信息,通过加权处理帧间图像去噪信号,实现了时空信息融合的图像序列最优无噪图像信号估计,解决了常规图像去噪方法中经常遇到的图像细节系数与图像噪声难以区分的难题。该方法在提高图像去噪效果的同时,极大限度地保持了图像边缘和表面纹理细节,为泡沫图像特征分析与理解提供了高质量的处理信号。(2)针对泡沫图像因色偏严重而难以实现泡沫表面真实颜色的准确测量问题,提出一种基于图像空间结构统计分布的最优泡沫图像颜色自动校正方法。基于已有的图像光照估计方法,首先深入分析了图像边缘响应统计分布特征与图像最优光照估计方法间的关系,建立了基于图像边缘响应统计分布的图像入射光照最优估计模型；然后,根据入射光照的估计结果将发生色偏的泡沫图像自动校正到标准参考光照下的颜色表示。在进行泡沫图像光照估计时,以Ciurea和Funt建立的包含11346帧图像的Gray-ball标准光照数据库为训练样本,通过统计学习获得基于图像边缘响应分布的图像最优光照估计方法选择的混合高斯(MoG)模型,实现了图像最优光照估计方法的自动选取。实验表明,该方法能自动根据泡沫图像边缘响应的统计分布特点实现图像最优光照估计,进而有效地对泡沫图像颜色进行颜色校正,为泡沫表面颜色特征的准确提取与浮选生产工况的客观鉴别奠定了基础。(3)针对矿物浮选过程加药操作缺乏有效评价方法的问题,根据气泡大小分布随药剂操作的改变而动态变化的特点,提出一种基于泡沫大小动态分布特征自适应学习的浮选过程药剂操作健康状态统计模式识别方法。首先根据泡沫图像局部区域像素的统计分布特点和矿化气泡的几何边缘特性,提出一种改进的泡沫图像分割方法,解决了因泡沫表面矿物粒子随机粘附造成矿化气泡上表面高亮点分散而引起泡沫图像的严重过分割问题；然后通过核密度估计获得浮选泡沫大小的累积分布函数(CDF)；再采用无监督的最远邻聚类(FNC)学习方法获得各典型药剂操作状态下气泡尺寸统计分布特征集；最后,根据测试时间段的浮选气泡大小分布的动态变化特点,采用贝叶斯推理获得对应的药剂操作健康状态识别结果,并自动根据浮选生产工况的波动情况对各典型药剂状态下的气泡统计分布特征集进行在线修正。所提出浮选药剂操作健康状态的统计识别方法,能实时跟踪泡沫大小分布的动态变化,进而根据气泡大小分布的变化情况实现浮选药剂操作健康状态的自动识别与客观评价,为实现浮选生产过程的加药量优化控制奠定基础。(4)为了能进一步根据浮选泡沫表面纹理的细微差别实现浮选生产工况的自动鉴别与评价,提出一种基于泡沫图像多尺度多方向纹理表征的浮选生产工况综合分类与识别方法。鉴于二维Gabor基函数具有与绝大多数哺乳动物的视觉皮层简单细胞的感知域模型相似的性质,将Gabor小波变换应用到泡沫图像的多尺度多方向视觉特征提取中。分别分析了各分解子带上的图像实部谱(RGFR)、虚部谱(IGFR)、幅度谱(AGFR)和相位谱(PGFR)的统计分布特征,建立了RGFR、IGFR、AGFR和PGFR的边缘分布和图像相邻像素值的联合统计分布模型；分别采用t Location-Scale分布和Gamma分布模型来拟合RGFR, IGFR与AGFR的边缘分布,并计算各Gabor小波卷积谱的联合分布特征参量共同作为泡沫图像的表面纹理特征参量集；最后,利用所提取的泡沫纹理特征对浮选工业生产状态进行无监督的模糊聚类分析与有监督的生产状态识别。实验效果表明,该纹理特征提取方法有效地获取了各种浮选状态下泡沫表面纹理的细微差别,基于该纹理特征参量的浮选状态识别准确率高。(5)以中国铝业有限公司中州分公司的铝土矿浮选过程监控为例,将所提出的图像建模、分析和识别方法应用到矿物浮选过程监控中。在铝土矿浮选现场设计并搭建了浮选泡沫图像采集、处理软硬件平台,实时提取了包括泡沫颜色、气泡大小及其分布、表面纹理等浮选泡沫图像表面视觉特征,根据泡沫表面视觉特征与生产工况的关系,获得了最佳精选泡沫图像的局部纹理特征区间,并最终实现了整个浮选流程中关键浮选槽泡沫状态的机器鉴别与客观评价。应用表明,监控系统所获得的泡沫特征曲线为生产工人提供了明确的工况信息,并给出具体的操作建议,避免了工人操作的盲目性,有效提高了矿物回收率并稳定了选矿生产指标,为浮选过程优化控制奠定了基础。图89幅,表10个,参考文献211篇。