在选煤厂煤泥浮选过程中,泡沫层的视觉特征预示着当前浮选工况的好坏。目前大多数选煤厂主要依赖工人对浮选槽的视觉预判来控制生产,该方式主观性强,增加了岗位司机的劳动强度,不可避免地造成生产误差。随着计算机技术和机器视觉技术的不断进步,基于机器视觉的监测技术越来越多地被应用于浮选智能控制研究中,这对浮选过程的智能化产业升级具有重要研究意义和应用价值。本文结合非下采样轮廓波变换方法对浮选泡沫图像进行增强,包括了对泡沫图像的分解和重构、对比度受限直方图均衡化及阈值分割,提取分析增强后图像的多尺度特征。然后通过训练机器学习分类算法对提取的特征数据进行分类,建立泡沫图像的视觉特征参数和浮选工况的模型。主要研究工作如下:针对浮选泡沫图像存在受光照影响大、对比度低的问题,本文提出了一种基于非下采样Contourlet变换结合直方图匹配的图像预处理方法。首先对多尺度分解后的不同方向和不同尺度的子带图像进行进一步的处理,有效的优化了泡沫图像的对比度、提升了泡沫图像的亮度、减少了泡沫图像的失真以及显著的改善了泡沫图像的最终视觉表现。最后通过主观分析和客观图像质量评价指标,得出了本文图像增强方法效果明显优于其他方法。对于浮选气泡图像的多尺度分布信息,本文利用阈值分割方法分别提取低频子带图像和高频子带尺度一图像的多尺度亮点特征。首先提取亮点数量、形态以及尺寸等浮选泡沫的等效特征,其次提取其他高频子带图像进行分形维数、均值以及方差等纹理特征。结果表明,提取的不同工况之间的低频子带图像的特征信息之间差异性很小,难以对现场工况进行较为准确的区分,相反高频子带图像的特征信息表现出了很好的效果。最终选定高频子带的特征信息进行下一步的图像分类识别实验。本文的数据集包含高频子带尺度一图像的亮点个数、亮点面积、圆形度和平均灰度构建高频子带尺度一特征数据集,利用高频子带尺度二、三、四的方差和分形维数等6个有效特征分别构建高频子带尺度二、三、四的特征数据集。并将上述10种特征按尺度不同划分为4个类别。基于工业现场的三类浮选数据集提取上述多个维度的特征。按照属性将数据集随机划分为训练集和测试集,其中训练集占比75%,测试集占比25%。使用支持向量机,极限学习机和粒子群优化支持向量机对本文数据集进行训练,最终结果为支持向量机分类正确率86.67%,极限学习机分类正确率90.00%,粒子群优化支持向量机分类正确率最高,达到了93.33%。最后根据本文的技术方案,开发了一款基于MATLAB的泡沫图像增强及特征分析应用软件,该软件在手动输入图像数据集的基础上,通过一系列模块化功能达到对泡沫图像的处理。本文包含图56幅,表11个,参考文献79篇。