公开/公告号CN103530621A
专利类型发明专利
公开/公告日2014-01-22
原文格式PDF
申请/专利权人 中国矿业大学(北京);
申请/专利号CN201310535559.X
申请日2013-11-04
分类号G06K9/00(20060101);G06K9/46(20060101);G06N3/02(20060101);
代理机构
代理人
地址 100083 北京市海淀区学院路丁11号中国矿业大学(北京)
入库时间 2024-02-19 22:49:04
法律状态公告日
法律状态信息
法律状态
2016-09-07
授权
授权
2014-02-26
实质审查的生效 IPC(主分类):G06K9/00 申请日:20131104
实质审查的生效
2014-01-22
公开
公开
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:
βLH(i)为子带尺度值为i时LH子带的对比度,αLH(i)为子带尺度值为i时LH子带的角二阶矩, LH为Low-High子带;βHH(i)为子带尺度值为i时HH子带的对比度,αHH(i)为子带尺度值为i时HH子 带的角二阶矩,HH为High-High子带;βHL(i)为子带尺度值为i时HL子带的对比度,αHL(i)为子带尺度 值为i时HL子带的角二阶矩,HL为High-Low子带;ηLH(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
子向量η为η(ηLH(3),ηHH(3),ηHL(3),ηLH(2),ηHH(2),ηHL(2),ηLH(1),ηHH(1),ηHL(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:
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:
αLH(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:
βLH(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:
βLH(i)为子带尺度值为i时LH子带的对比度,αLH(i)为子带尺度值为i时LH子带的角二阶矩, LH为Low-High子带;βHH(i)为子带尺度值为i时HH子带的对比度,αHH(i)为子带尺度值为i时HH子 带的角二阶矩,HH为High-High子带;βHL(i)为子带尺度值为i时HL子带的对比度,αHL(i)为子带尺度 值为i时HL子带的角二阶矩,HL为High-Low子带;ηLH(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:
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:
αLH(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:
βLH(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
子向量η为η(ηLH(3),ηHH(3),ηHL(3),ηLH(2),ηHH(2),ηHL(2),ηLH(1),ηHH(1),ηHL(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
机译: 一种处理煤片岩的方法。
机译: 基于电磁辐射和地球声音的煤岩动力灾害监测预警方法
机译: 基于固态激光雷达成像的煤岩界面识别装置及方法