基于多尺度微纹理和对比度联合分布的煤岩识别方法

摘要

本发明公开了一种基于多尺度微纹理和对比度联合分布的煤岩识别方法，该方法用8个尺度的微纹理和相应尺度下的对比度联合分布特征来描述煤、岩图像特征信息，用Greedy算法选择煤岩模式；在识别时，待识别图像用与训练图像同样的方法抽取图像特征信息，然后和训练阶段学习到的模式进行比较，用G统计来度量，用最近邻准则来识别。该方法受照度和成像视点变化影响小，识别率高，稳定性好。

说明书

技术领域

本发明涉及一种基于多尺度微纹理和对比度联合分布的煤岩识别方法，属于图像识别技 术领域。

背景技术

煤岩识别即用一种方法自动识别出煤岩对象为煤或岩石。在煤炭生产过程中，煤岩识别 技术可广泛应用于滚筒采煤、掘进、放顶煤开采、原煤选矸石等生产环节，对于减少采掘工 作面作业人员、减轻工人劳动强度、改善作业环境、实现煤矿安全高效生产具有重要意义。

已有多种煤岩识别方法，如自然γ射线探测法、雷达探测法、应力截齿法、红外探测法、 有功功率监测法、震动检测法、声音检测法、粉尘检测法、记忆截割法等，但这些方法存在 以下问题：①需要在现有设备上加装各类传感器获取信息，导致装置结构复杂，成本高。② 采煤机滚筒、掘进机等设备在生产过程中受力复杂、振动剧烈、磨损严重、粉尘大，传感器 部署比较困难，容易导致机械构件、传感器和电气线路受到损坏，装置可靠性差。③对于不 同类型机械设备，传感器的最佳类型和信号拾取点的选择存在较大区别，需要进行个性化定 制，系统的适应性差。

需要一种解决或至少改善现有技术中固有的一个或多个问题的煤岩识别方法。

通过对煤、岩石块状样本的观察，发现煤和岩石的表面纹理在粗糙程度、稀疏程度、纹 理变化的均匀性、沟纹的深浅等方面都有很大差异，据此，用图像技术来识别煤岩的方法应 运而生。

煤、岩纹理表面凹凸不平，具有典型的三维纹理特征，三维纹理表面当视点和照度发生 变化时，由于煤、岩表面反射率和平面法线在空域上的变化，使得视觉表面会发生很大的变 化。在煤炭生产中需要煤、岩识别的工作场合如工作面、掘进面等，照度变化往往很平常， 成像传感器的视点也在较大范围内变化，而二维纹理模型如基于灰度共生统计特征的煤岩识 别方法对照度、视点变化不具备鲁棒性，因而识别不稳定，识别率不高。

发明内容

因此，本发明的目的在于提供一种基于多尺度微纹理和对比度联合分布的煤岩识别方法， 以提高识别稳定性和识别率，该识别方法受照度和成像视点变化影响小，能够实时、自动地 识别出当前煤、岩石对象是煤或是岩石，为自动化采掘、自动化放煤、自动化选矸等生产过 程提供了可靠的煤岩识别信息。

根据一种实施例形式，提供一种基于多尺度微纹理和对比度联合分布的煤、岩识别方法， 包括学习和识别两个阶段：

在学习阶段包括以下步骤：

A.选择包含不同视角和照度条件下的煤、岩样本图像，抽取大小合适的子图像组成煤、 岩样本学习集A和测试集B；

B.对煤岩样本学习集A和测试集B中的每张子图像用操作分别提取 8个尺度下的微纹理特征和8个相应尺度下的对比度特征，将相同尺度下的微纹理特征和对 比度特征的联合分布用离散的二维直方图表示，将8个二维直方图级连成一个直方图成为每 张子图像特征，每张子图像特征代表煤或岩的一个模式；

C.利用测试集B用Greedy算法在学习集A中选择煤、岩模式；

在识别阶段：

D.对于给定的待识别煤或岩图像，用与学习阶段相同的方法处理图像得到图像特征，用 G统计度量与步骤C所得到的煤、岩模式的相似性，使G最小的模式即为待识别对象所属的 模式，计算公式为：

$\left(\begin{array}{c}G=2\left(\right[\underset{s,m}{\Sigma }\underset{i=1}{\overset{n}{\Sigma }}{f}_i\log f_i]-[\underset{s,m}{\Sigma }\left(\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)\log \left(\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)]\\ -\left[\underset{i=1}{\overset{n}{\Sigma }}\left(\underset{s,m}{\Sigma }{f}_i\right)\log \left(\underset{s,m}{\Sigma }{f}_i\right)\right]\\ +\left[\left(\underset{s,m}{\Sigma }\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)\log \left(\underset{s,m}{\Sigma }\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)\right])\end{array}\right)$

其中，S为待识别图像模式，m为煤或岩模式，n为模式单元个数，f_i是在单元i中的个数。

在进一步特定的但非限制性的形式中，步骤B中对比度测量方法为：大于中心像素灰度 值的邻域像素灰度的平均值与小于中心像素灰度值的邻域像素灰度的平均之差。

附图说明

通过以下说明，附图实施例变得显而已见，其仅以结合附图描述的至少一种优选但非限 制性实施例的示例方式给出。

图1是本发明的特征提取操作示意图。

图2是本发明所述煤、岩识别方法的基本流程图。

具体实施方式

在照度和视点发生变化时，煤、岩粗糙的纹理表面极大地影响了图像的灰度特性，使得 煤、岩视觉表面看起来有很大的不同，因此煤、岩图像的纹理描述对于灰度不变性非常重要。

LBP操作在一个小的局部区域如3×3像素区域用中心像素的灰度值f_c和它邻域的每一 个像素的灰度值f_p(p＝0，1，..7)比较产生一个二值编码如式(1)所示

$s(f_p-f_c)=\left(\begin{array}{cc}1& \mathrm{if}{f}_p\ge f_c\\ 0& \mathrm{otherwise}\end{array}\right)---\left(1\right)$

然后给每一个s(f_p-f_c)分配一个二项式因子2^p，通过式(2)计算LBP，操作示例如图1(a) 所示。

$\mathrm{LBP}=\underset{p=0}{\overset{7}{\Sigma }}S(f_p-f_c)2^p---\left(2\right)$

上面的这种操作它探测了很多不同的纹理基本结构单元如点、线段、边和角等，通过将 这些基本结构单元出现的个数累加成一个直方图能获得优秀的纹理鉴别能力，更重要的是， 从LBP操作的定义来看，它对光照的单调变化具有不变性并且计算简单。

LBP(P，R)表示在半径为R的圆上的等间隔P个邻域像素上的操作，在LBP(8，R)操作中， 纹理图像的纹理信息如点、平坦区域、边和角等90％包含在最多只有2个从1→0或0→1位 跳变的模式中，这种模式叫“U”模式，共包含有(p-1)P+2模式，其它的模式叫非“U”模 式，定义如式(3)所示。

${\mathrm{LBP}}_{P,R}^{u2}=\left(\begin{array}{cc}z& U\left({\mathrm{LBP}}_{P,R}\right)\le 2,{\mathrm{LBP}}_{P,R}=I_z,I_Z\in I,\\ & \mathrm{where}\left|I\right|=(P-1)P+1\\ (p-1)P+2& \mathrm{otherwise}\end{array}\right)---\left(3\right)$

其中，

$U\left({\mathrm{LBP}}_{P,R}\right)=\left|\right|S(f_{p-1}-f_c)-S(f_0-f_c)\left|\right|+\underset{p=0}{\overset{p}{\Sigma }}\left|\right|S(f_p-f_c)-S(f_{p-1}-f_c)\left|\right|$

如果U(x)≤2，像素值用索引函数I(z)标注，I(z)的值为每个“U”模式的指示值，其它则 分配一个(p-1)P+2的值。

LBP是一种非常有效的图像纹理表达，但在微小局部3×3区域的特征不能编码煤、岩比 较大的纹理结构，多尺度不仅能编码煤、岩的微纹理结构也能编码纹理的宏结构，因此，更 具鲁棒性。

同时，LBP描述了局部纹理的空域结构，但是没有考虑纹理的对比度，为此我们将两者 联合起来，更增强纹理描述的鉴别能力。

有纹理的表面的纹理图像特征可用在不同照度和视角条件下的训练图像计算来的纹理基 本结构单元和比对度联合分布统计直方图来表征，因此，基于多尺度微纹理和对比度联合分 布的煤岩识别方法采用了如图2所示的流程。

在学习阶段包括以下步骤：

A.首先将从煤、岩识别任务的现场如采煤工作面采集来的不同照度、不同视点下的若干 煤、岩样本图像，在图像的中心截取像素大小为N的子图像，如256×256像素大小，图像的 大小根据所用的直方图的单元个数来决定，根据统计学的基本原则，应保证直方图的每个单 元的实体平均数量在10个以上。直方图的单元个数也对特征的鉴别性能起了很关键的作用， 太少则提供不了足够的鉴别能力，太多则要求图像很大增加计算负担，不然直方图会变得很 稀疏因而统计的特征不稳定。我们采用的“U”模式有59个模式，对比度量化为32个单元。 对于256×256像素大小的图像，在尺度大小为8个像素时，总共有(256-2×8)²像素个数的 实体，这样纹理结构特征和对比度特征联合分布的二维直方图在每个单元上的实体数量平均 至少有30个，因此，我们提取的特征具有足够的稳定性。将截取的煤、岩子图像组成煤、岩 样本学习集A和测试集B；

B.对煤、岩样本学习集A和测试集B中的每张子图像用操作分别提 取8个尺度下的微纹理特征和8个相应尺度下的对比度特征，将相同尺度下的微纹理特征和 对比度特征的联合分布用离散的二维直方图表示，将8个二维分布的直方图级联成一个二维 分布的直方图成为每张子图像特征，每张子图像特征代表煤或岩的一个模式。

对比度测量方法为：大于中心像素灰度值的邻域像素灰度的平均值与小于中心像素灰度 值的邻域像素灰度的平均之差，如图1(b)所示。

C.利用测试集B用Greedy算法在学习集A中选择煤、岩模式，目的是使得煤、岩的模 式表达尽可能少，以利于快速计算。算法初始化为模式数等于学习集中的图像数，然后在每 一个迭代步用测试集B测试来去掉其中的一个模式，去掉的模式是当去掉该模式时分类精度 降低最小，迭代直到再没有多余的模式。

在识别阶段：

D.对于给定的待识别煤或岩图像，用与学习阶段相同的方法处理图像得到图像特征，用 G统计度量与步骤C所得到的煤、岩模式的相似性，使G最小的模式即为待识别对象所属的 模式，计算公式为：

$\left(\begin{array}{c}G=2\left(\right[\underset{s,m}{\Sigma }\underset{i=1}{\overset{n}{\Sigma }}{f}_i\log f_i]-[\underset{s,m}{\Sigma }\left(\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)\log \left(\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)]\\ -\left[\underset{i=1}{\overset{n}{\Sigma }}\left(\underset{s,m}{\Sigma }{f}_i\right)\log \left(\underset{s,m}{\Sigma }{f}_i\right)\right]\\ +\left[\left(\underset{s,m}{\Sigma }\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)\log \left(\underset{s,m}{\Sigma }\underset{i=1}{\overset{n}{\Sigma }}{f}_i\right)\right])\end{array}\right)$

其中，S为待识别图像模式，m为煤或岩模式，n为模式单元个数，f_i是在单元i中的个数。