矿物浮选是一种常用的工业选矿方法。浮选泡沫表面视觉特性是浮选工况、工艺指标和生产操作的直接反映,在基于机器视觉的浮选过程监控中,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生产过程建模与优化控制的先决条件。泡沫图像的纹理状态是泡沫视觉特征中重要的一个,本文分别在图像的空间域和频率域中研究了两种不同类别的铝土矿精选泡沫纹理特征提取方法,同时探讨了所提取的特征参数与工艺指标的关系,并对浮选泡沫状态分类进行了研究,为基于数字图像处理的矿物浮选优化控制系统奠定了基础。论文首先针对基于颜色共生矩阵(CCM)的纹理特征提取算法存在计算量大及精度低的问题,在空间域中提出了一种基于颜色共生混合结构(CCHS)的浮选泡沫图像纹理特征提取方法。该方法首先将泡沫图像从RGB空间转换到HSI空间并对各颜色分量进行量化,再计算图像的颜色共生矩阵并将其正规化为三角矩阵,然后利用CCHS算法提取图像的纹理特征,最后分析矿物品位与特征统计量熵及新特征参数——纹理复杂度之间的变化关系。实验结果表明该算法能更准确地对矿物品位进行调控,指导浮选工况。其次,针对浮选现场工况的复杂多变导致浮选泡沫图像纹理的复杂性以及光照变化等鲁棒性问题,在频率域中提出了一种基于改进的Gabor小波变换的泡沫图像的纹理特征提取方法。该方法首先将经过Gabor小波变换后的各个角度上的特征向量与一高斯窗相乘,并对其进行循环移位使最大值在最前,然后再对各个尺度上的特征向量进行循环移位使最大值在最前,从而实现光照变化等的鲁棒性。最后对经过上述处理后的Gabor小波变换提取纹理特征,并以该纹理特征作为输入,利用基于支持向量机方法(SVM)对泡沫图像进行分类。实验结果表明,基于改进的Gabor小波变换的泡沫纹理特征能实现对泡沫图像的准确分类,从而实现对浮选工况的有效控制。图35幅,表8个,参考文献68篇。