一种基于BP神经网络的煤岩图像识别方法

摘要

一种基于BP神经网络的煤岩图像识别方法，通过对煤岩图像进行Daubechies小波变换分解，从而抽取图像纹理特征信息构造纹理特征向量。为了更有效的提取图像纹理特征，同时减少特征向量的维数，采用分解尺度等级为3，同时采用BP神经网络作为分类器。本发明计算速度快、准确率高，适用于复杂环境下煤岩图像的自动分类，可有效提高该类图像的识别准确率。

说明书

技术领域

本发明属于计算机图像处理与模式识别领域，是一种利用图像纹理特征信息对煤岩图像进行特 征抽取，并用神经网络等对特征向量进行分类的方法。

背景技术

在煤矿井下开采过程中，需要准确识别煤层和岩层，以此来控制采煤机摇臂的升降，从而避免 切割至顶底板岩石。目前，我国主要采用保守开采的方式，实际采出率低，造成了严重的资源浪费。而现 在的技术水平也很难对剩余的大量煤炭资源进行二次开采，因此开发煤岩识别技术具有重要意义。

从20世纪50年代起，美国等世界主要产煤国越来越重视煤岩识别领域的研究。例如：基于煤 岩自然γ射线辐射特性的传感器法，此法通过γ射线在煤层和岩层的不同衰减规律，从而对煤层和岩层进 行识别。该方法要求顶板岩石必须具有放射性元素，因此对于放射性元素较少的砂岩顶板则无法应用，限 制了其在我国大面积推广。

中国专利CNi01922290公开的煤岩界面识别方法，虽然能自动识别出煤岩，但是存在如下问题： 第一，高压水射流会造成采煤现场排水困难；第二，被煤层或岩层反射的反射流对喷嘴形成的不同作用力 很难准确感知。

Pesaresi利用不同尺度的开、闭运算构造了图像的形态学剖面，并利用神经网络对多尺度形态 学特征进行分类，他认为开、闭运算运用于图像，可以检测出比邻域更暗或更亮的结构单元。Benediktsson 提出了差分形态学剖面的概念，用相邻尺度间开、闭运算结果的差作为图像新的结构特征，并用BP神经 网络对该结构特征进行分类。这些方法都是利用一定区域图像的灰度分布特征来提取特征信息，使得图像 细节得不到充分表达，影响了图像分类精度。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于BP神经网络的煤岩图像识别方法。

本发明的技术方案如下：

一种基于BP神经网络的煤岩图像识别方法，

包括以下步骤：

1)选择A幅煤岩训练样品图像，B幅待分类煤岩测试样品图像，其中B小于A；

2)将第1)步的训练样品图像和待分类测试样品图像进行三级Daubechies小波变换；

3)对训练样品图像和待分类测试样品图像抽取纹理特征信息；

4)对训练样品图像和待分类测试样品图像构造纹理特征向量；

5)将训练样品图像的纹理特征向量输入分类器，分类器为BP神经网络；

6)对分类器进行设置和训练，然后输入待分类测试样品图像纹理特征向量进行分类，得到最后 的识别结果。

所述第3)步抽取纹理特征信息包括：

计算每个子带的熵和均值，分别记为E和M，将同一子带的E与M的比值E/M作为特征子向 量；对于分解变换得到的LH、HH、HL子带，计算其由灰度共生矩阵所衍生出来的角二阶矩和对比度， 分别将角二阶矩和对比度记为α和β，并构造特征子向量，由式(1)计算：

${\eta }_{\mathrm{LH}\left(i\right)}=\frac{{\beta }_{\mathrm{LH}\left(i\right)}^{{\alpha }_{\mathrm{LH}\left(i\right)}}}{{\beta }_{\mathrm{LH}\left(i\right)}^{{\alpha }_{\mathrm{LH}\left(i\right)}}+{\beta }_{\mathrm{HH}\left(i\right)}^{{\alpha }_{\mathrm{HH}\left(i\right)}}+{\beta }_{\mathrm{HL}\left(i\right)}^{{\alpha }_{\mathrm{HL}\left(i\right)}}}---\left(1\right)$

β_LH(i)为子带尺度值为i时LH子带的对比度，α_LH(i)为子带尺度值为i时LH子带的角二阶矩， LH为Low-High子带；β_HH(i)为子带尺度值为i时HH子带的对比度，α_HH(i)为子带尺度值为i时HH子 带的角二阶矩，HH为High-High子带；β_HL(i)为子带尺度值为i时HL子带的对比度，α_HL(i)为子带尺度 值为i时HL子带的角二阶矩，HL为High-Low子带；η_LH(i)为子带尺度值为i时LH子带的特征子向量， 其他子带的特征子向量可用类似的方法计算。

所述第4)步构造纹理特征向量包括：

对于Daubechies小波变换分解尺度等级为3的样品图像，用一个融合19个参数的向量F=(E/M，η)作 为样品图像的特征向量，其中子向量E/M为

$\frac{E}{M}(\frac{e_{\mathrm{LL}\left(3\right)}}{m_{\mathrm{LL}\left(3\right)}},\frac{e_{\mathrm{LH}\left(3\right)}}{m_{\mathrm{LH}\left(3\right)}},\frac{e_{\mathrm{HH}\left(3\right)}}{m_{\mathrm{HH}\left(3\right)}},\frac{e_{\mathrm{HL}\left(3\right)}}{m_{\mathrm{HL}\left(3\right)}},\frac{e_{\mathrm{LH}\left(2\right)}}{m_{\mathrm{LH}\left(2\right)}},\frac{e_{\mathrm{HH}\left(2\right)}}{m_{\mathrm{HH}\left(2\right)}},\frac{e_{\mathrm{HL}\left(2\right)}}{m_{\mathrm{HL}\left(2\right)}},\frac{e_{\mathrm{LH}\left(1\right)}}{m_{\mathrm{LH}\left(1\right)}},\frac{e_{\mathrm{HH}\left(1\right)}}{m_{\mathrm{HH}\left(1\right)}},\frac{e_{\mathrm{HL}\left(1\right)}}{m_{\mathrm{HL}\left(1\right)}}),$

子向量η为η(η_LH(3)，η_HH(3)，η_HL(3)，η_LH(2)，η_HH(2)，η_HL(2)，η_LH(1)，η_HH(1)，η_HL(1))。

所述每个子带的熵、均值、对比度和角二阶矩的计算方法包括：

熵由式(2)计算：

L为灰度级数目，P(m，n)为共生矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概 率；

均值由式(3)计算：

$E=\underset{m=0}{\overset{L-1}{\Sigma }}\underset{n=0}{\overset{L-1}{\Sigma }}m·P(m,n)---\left(3\right)$

L为灰度级数目，P(m，n)为共生矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概 率；

对比度由式(4)计算：

${\alpha }_{\mathrm{LH}}\left(i\right)=\underset{t=0}{\overset{L-1}{\Sigma }}{t}^2\left\{\underset{m=0}{\overset{L-1}{\Sigma }}\underset{m=0}{\overset{L-1}{\Sigma }}P(m,n)\right\}---\left(4\right)$

α_LH(i)为子带尺度值为i时LH子带的对比度，LH为Low-High子带，L为灰度级数目，t为灰度级，P(m，n) 为共生矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概率，其他子带的对比度 可用类似的方法计算；

角二阶矩由式(5)计算：

${\beta }_{\mathrm{LH}}\left(i\right)=\underset{m=0}{\overset{L-1}{\Sigma }}\underset{m=0}{\overset{L-1}{\Sigma }}P{(m,n)}^2---\left(5\right)$

β_LH(i)为子带尺度值为i时LH子带的角二阶矩，LH为Low-High子带，L为灰度级数目，P(m，n)为共生 矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概率，其他子带角二阶矩可用类 似的方法计算。

本发明的有益效果在于：

计算简便、程序运行效率高、人工干预少、适用于复杂环境下图像的自动分类识别，可有效提 高图像的分类精度和效率。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细描述。

图1为依据本发明实施例的一个Daubechies小波一级分解的示意图；

图2为依据本发明实施例的一个Daubechies小波的三级分解示意图；

图3为依据本发明实施例的操作流程图；

图4为依据本发明实施例的BP神经网络算法流程图。

具体实施方式

下面结合上述附图中所列的实施例对本发明进行进一步说明。

图1是Daubechies小波一级分解的示意图。这个图表给出的一组系数包括Low-Low(LL)子带118、 Low-High(LH)子带122、High-Low(HL)子带126和High-High(HH)子带130。采用Daubechies小波变换 分解程序之后，图像信号水平行可分为低频部分(LL子带118和LH子带122)和高频部分(HL子带126和 HH子带130)。

图2是图像经Daubechies小波变换三级分解的示意图。

在图1的实施例中，根据以上结合图1所讨论的第一级116，示出了三个子带(LH、HH、HL)，在图2的实 施例中，图1的第四子带(LL118)被用于计算针对Daubechies变换的第二级218的小波系数。类似的， 第二级218的第四子带(LL)被用于计算针对Daubechies变换的第三级220的小波系数。

图3是基于BP神经网络的煤岩图像识别方法流程图。

首先选择训练样品图像和待分类测试图像，其中A副训练样品图像，B副待分类测试样品图像，B小于A。 第二步，将训练样品图像和待分类测试样品图像进行三级Daubechies小波变换分解，其分解方式按图2的 实施例进行。第三步，抽取训练样品图像和待分类测试样品图像的纹理特征信息。计算每个子带的熵和均 值，分别记为E和M，将同一子带的E与M的比值E/M作为特征子向量；对于分解变换得到的LH、HH、 HL子带，计算其由灰度共生矩阵所衍生出来的角二阶矩和对比度，分别将角二阶矩和对比度记为α和β， 并构造特征子向量，由式(1)计算：

${\eta }_{\mathrm{LH}\left(i\right)}=\frac{{\beta }_{\mathrm{LH}\left(i\right)}^{{\alpha }_{\mathrm{LH}\left(i\right)}}}{{\beta }_{\mathrm{LH}\left(i\right)}^{{\alpha }_{\mathrm{LH}\left(i\right)}}+{\beta }_{\mathrm{HH}\left(i\right)}^{{\alpha }_{\mathrm{HH}\left(i\right)}}+{\beta }_{\mathrm{HL}\left(i\right)}^{{\alpha }_{\mathrm{HL}\left(i\right)}}}---\left(1\right)$

β_LH(i)为子带尺度值为i时LH子带的对比度，α_LH(i)为子带尺度值为i时LH子带的角二阶矩， LH为Low-High子带；β_HH(i)为子带尺度值为i时HH子带的对比度，α_HH(i)为子带尺度值为i时HH子 带的角二阶矩，HH为High-High子带；β_HL(i)为子带尺度值为i时HL子带的对比度，α_HL(i)为子带尺度 值为i时HL子带的角二阶矩，HL为High-Low子带；η_LH(i)为子带尺度值为i时LH子带的特征子向量， 其他子带的特征子向量可用类似的方法计算。

其中每个子带的熵、均值、对比度和角二阶矩的计算方法包括：

熵由式(2)计算：

L为灰度级数目，P(m，n)为共生矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概 率；

均值由式(3)计算：

$E=\underset{m=0}{\overset{L-1}{\Sigma }}\underset{n=0}{\overset{L-1}{\Sigma }}m·P(m,n)---\left(3\right)$

L为灰度级数目，P(m，n)为共生矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概 率；

对比度由式(4)计算：

${\alpha }_{\mathrm{LH}}\left(i\right)=\underset{t=0}{\overset{L-1}{\Sigma }}{t}^2\left\{\underset{m=0}{\overset{L-1}{\Sigma }}\underset{m=0}{\overset{L-1}{\Sigma }}P(m,n)\right\}---\left(4\right)$

α_LH(i)为子带尺度值为i时LH子带的对比度，LH为Low-High子带，L为灰度级数目，t为灰度级，P(m，n) 为共生矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概率，其他子带的对比度 可用类似的方法计算；

角二阶矩由式(5)计算：

${\beta }_{\mathrm{LH}}\left(i\right)=\underset{m=0}{\overset{L-1}{\Sigma }}\underset{m=0}{\overset{L-1}{\Sigma }}P{(m,n)}^2---\left(5\right)$

β_LH(i)为子带尺度值为i时LH子带的角二阶矩，LH为Low-High子带，L为灰度级数目，P(m，n)为共生 矩阵第m行第n列元素的值，它是以灰度级m为起点，出现灰度级n的概率，其他子带角二阶矩可用类 似的方法计算。

第四步构造训练样品图像和待分类测试样品图像的纹理特征向量。对于Daubechies小波变换分 解尺度等级为3的样品图像，用一个融合19个参数的向量F=(E/M，η)作为样品图像的特征向量，其中子 向量E/M为

$\frac{E}{M}(\frac{e_{\mathrm{LL}\left(3\right)}}{m_{\mathrm{LL}\left(3\right)}},\frac{e_{\mathrm{LH}\left(3\right)}}{m_{\mathrm{LH}\left(3\right)}},\frac{e_{\mathrm{HH}\left(3\right)}}{m_{\mathrm{HH}\left(3\right)}},\frac{e_{\mathrm{HL}\left(3\right)}}{m_{\mathrm{HL}\left(3\right)}},\frac{e_{\mathrm{LH}\left(2\right)}}{m_{\mathrm{LH}\left(2\right)}},\frac{e_{\mathrm{HH}\left(2\right)}}{m_{\mathrm{HH}\left(2\right)}},\frac{e_{\mathrm{HL}\left(2\right)}}{m_{\mathrm{HL}\left(2\right)}},\frac{e_{\mathrm{LH}\left(1\right)}}{m_{\mathrm{LH}\left(1\right)}},\frac{e_{\mathrm{HH}\left(1\right)}}{m_{\mathrm{HH}\left(1\right)}},\frac{e_{\mathrm{HL}\left(1\right)}}{m_{\mathrm{HL}\left(1\right)}}),$

子向量η为η(η_LH(3)，η_HH(3)，η_HL(3)，η_LH(2)，η_HH(2)，η_HL(2)，η_LH(1)，η_HH(1)，η_HL(1))。

图4为BP神经网络算法流程图。

整个算法流程分为三步：第一步是构建BP神经网络，整个网络由输入层、隐含层和输出层三层 组成；第二步是BP神经网络训练，在BP神经网络初始化阶段确定输入层为烟煤、无烟煤、砂岩和页岩 四种煤岩类型的特征向量即设置19个节点，隐含层节点个数采取试凑的办法，输出层为4个节点即四种 煤岩类型，初始化之后就进行训练；第三步为BP神经网络分类测试阶段，将测试数据输入训练好的模型 得到最后的识别结果。

采用该方法进行验证，实验平台为：

Intel(R)Core(TM)2CPU T5600@1.83GHZ内存2G；操作系统为Windows XP。

采集烟煤、无烟煤、砂岩和页岩四种煤岩图像各选择60张图像，随机从每类中选择30张放入训练集，另 30张用作测试集。图像大小为247×215，为BMP格式，灰度级为256。通过BP神经网络训练后，训练集 和测试集的识别率如表1所示：

表1

煤岩类型 烟煤 无烟煤 砂岩 页岩 训练集 1.0000 1.0000 1.0000 1.0000 测试集 1.0000 0.8889 0.9171 0.8333