一种基于图像灰度共生矩阵的煤岩识别方法

摘要

本发明公开了一种基于图像灰度共生矩阵的煤岩识别方法。在相同成像条件下分别采集已知煤样本和已知岩样本的彩色图像f

说明书

技术领域

本发明涉及一种基于图像灰度共生矩阵的煤岩识别方法，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还是岩。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

目前，煤矿生产中的煤岩识别任务大部分采用人工操作完成，即工人凭借经验，通过目 视和听噪音等方式来判断，随机性大，误判率高。例如在采煤机滚筒高度调节中，由于采煤工 作面能见度低、噪声大，采煤机司机很难准确判断采煤机滚筒当前的截割对象是煤还是岩， 导致滚筒难免会截割到顶、底板岩石，由此造成一系列问题：①大量崩落的岩石混入原煤中， 造成煤质下降和运输量增大；②增大了采煤机司机的劳动强度和危险性；③加剧截齿磨损， 缩短截齿寿命；④截割坚硬顶底板可能会产生火花，对于高瓦斯矿极易引起瓦斯爆炸，形成 恶性事故；⑤滚筒位置调节不当还可能造成顶底板煤剩留不均匀，降低回采率，同时顶底板 表面不平整会使液压支架和刮板运输机推移困难，降低生产效率。

世界各主要产煤国都十分重视煤岩识别方法的研究，提出了自然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20多种识别传感机理。目前，较为成熟的技术有自然γ射线探测法和记忆截割 法，已经应用到采煤机上。自然γ射线探测法对页岩顶板有较好的适应性，而对于砂岩顶板 则适应性极差，在中国仅有20％左右的矿井适宜采用自然γ射线探测法。记忆截割法适合于地 质条件好、煤层比较平整的矿井，而且必须通过采煤机司机的手动操作来调整工作参数，应 用效果存在一定的局限性。

中国专利申请号201010160335.1，公开日2010.9.22，公开了一种掘进机煤岩识别自动 截割控制方法与系统，该方法根据掘进机截割头的受力状况、截割电机和回转油缸的参数来 计算当前截割位置处矿岩的普氏系数，与标准普氏系数比较后判断矿岩类型为煤或者岩。

中国专利申请号201010251520.1，公开日2010.12.22，公开了一种煤岩界面识别方法、 识别系统及识别探头，通过将能够穿透煤层而不能穿透岩层的特定能级的高压水射流向巷道 上方的煤层喷射，并实时感知被煤层或岩层反射的反射流对喷嘴形成的不同作用力，据此判 断采煤机滚筒截齿上端与煤岩界面的距离。

目前的煤岩识别方法存在以下问题：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。

发明内容

为了克服现有煤岩识别方法存在的不足，本发明提供一种基于图像灰度共生矩阵的煤岩 识别方法，能够实时、自动地识别出当前煤岩对象的是煤还是岩，为自动化采掘、自动化放 煤、自动化选矸等生产过程提供可靠的煤岩识别信息。

本发明所述的煤岩识别方法采用如下技术方案实现，包括如下步骤：

A.在相同成像条件下分别采集已知煤样本和已知岩样本的彩色图像f₁，f₂，分别截取相 同大小的不包含背景的子图s₁，s₂，提取s₁，s₂的灰度共生矩阵P₁，P₂；

B.计算基于灰度共生矩阵P₁，P₂的图像特征值K₁，K₂；

C.在相同成像条件下采集待识别的未知煤岩对象的彩色图像f_x，按相同大小截取不包含 背景的子图s_x，提取s_x的灰度共生矩阵P_x；

D.计算基于灰度共生矩阵P_x的图像特征值K_x；

E.根据特征值K_x与K₁，K₂的关系判别煤岩类型为煤或者岩。

所述灰度共生矩阵的提取方法包括以下步骤：

(1)将彩色图像转换成灰度图像；

(2)对灰度图像的灰度级进行粗量化处理，粗化后的灰度级L不低于64级；

(3)提取灰度图像在0°，45°，90°，135°四个方向的灰度共生矩阵；

(4)计算四个灰度共生矩阵的均值矩阵；

(5)对步骤(4)得到的均值矩阵进行归一化处理。

基于灰度共生矩阵可以提取多种反映不同图像纹理特征的参数值。在对主要煤种(烟煤、 无烟煤、褐煤)和主要岩种(页岩、砂岩、泥岩)的大量样本进行图像分析实验的基础上， 提出了一种新的基于灰度共生矩阵的图像特征参数的提取方法。该图像特征参数以灰度共生 矩阵的显著聚类参数(Cluster Prominence)为基础，考虑了灰度共生矩阵提取过程中灰度粗 化等级的影响。实验分析表明，在相同成像条件下，煤和岩的该图像特征参数具有较大差异， 而且各自稳定，能够有效地实现煤岩识别。

所述基于灰度共生矩阵P₁，P₂，P_x分别计算图像特征值K₁、K₂、K_x的计算公式为：

$K_m=\frac{\underset{i=0}{\overset{L-1}{\Sigma }}\underset{j=0}{\overset{L-1}{\Sigma }}{[(i-u_1)+(j-u_2)]}^4{p}_m(i,j)}{\frac{1}{15}{L}^4-\frac{1}{6}{L}^2+\frac{1}{10}}$(m＝1，2，x)

其中p_m(i，j)是灰度共生矩阵P_m(m＝1，2，x)在(i，j)处的值，$u_2=\underset{j=0}{\overset{L-1}{\Sigma }}j\underset{i=0}{\overset{L-1}{\Sigma }}{p}_m(i,j).$

所述根据特征值K_x与K₁，K₂的关系判别煤岩类型的步聚为：

(1)如果判别煤岩类型为煤，其中λ₁∈[0，0.5]，为提高精度可根据识别 情况调节λ₁的值，当误判率上升时减小λ₁，当漏判率上升时增大λ₁；

(2)如果判别煤岩类型为岩，其中λ₂∈[0，0.5]，为提高精度可根据识别 情况调节λ₂的值，当误判率上升时减小λ₂，当漏判率上升时增大λ₂；

(3)如果不满足(1)，(2)，则判别煤岩类型为其它。

本发明的有益效果是，采用基于图像的非接触测量，易于部署、适应性强、识别率高， 能够实时识别出当前煤岩对象的类型，为自动化采掘、自动化放煤、自动化选矸等生产过程 提供可靠的煤岩识别信息。

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是本发明所述煤岩识别方法的基本流程；

图2是灰度共生矩阵的提取流程图；

图3是煤岩类型识别决策流程图。

具体实施方式

煤和岩的物理性质和空间位置的不同导致其对可见光的反射和吸收存在差异，这种差异 最终通过图像中各个像素点的灰度值体现出来。图像的灰度直方图等统计结果能够反映图像 的一些全局特征，但是由于煤矿井下图像采集环境的特殊性，煤岩图像的灰度均值波动较大、 灰度直方图等特征不具有稳定性形态，不能作为区分煤岩的依据。在灰度直方图中，各个像 素的灰度是独立处理的，不能反映各灰度级的空间相关性。通过对煤、岩块状样本的观察， 煤岩的表面纹理具有较为稳定的特质和周期性，煤、岩的纹理对比存在较为明显的差异，具 体体现在纹理的粗糙程度、稀疏程度、纹理变化的均匀性、沟纹的深浅等方面。煤和岩的图 像在纹理特征上的自稳定性和互异性为煤岩识别的实现提供了先决条件。因此，找到一种或 多种能明显区分煤和岩的稳定的图像特征即可完成煤岩识别任务。灰度共生矩阵(gray level co-occurrence matrix，GLCM)是一种用于分析图像纹理特征的经典二阶统计法，由于其描绘 纹理的有效性，使其在纹理分析中有着广泛的应用。对主要煤种(烟煤、无烟煤、褐煤)和 主要岩种(页岩、砂岩、泥岩)的大量样本进行了图像分析实验，提出了一种基于图像灰度 共生矩阵的图像特征参数提取方法，该特征参数能够有效地识别煤岩。

首先对基于图像灰度共生矩阵的煤岩识别方法的基本流程进行描述。参照图1，具体步 骤如下：

A.在相同的成像条件下，分别采集已知煤样本和已知岩样本的彩色图像f₁，f₂，成像条 件包括光源类型、光照、摄像机内外参数等。为了排除背景对图像纹理特征的影响，从图像 f₁，f₂中分别截取相同大小的不包含背景的子图s₁，s₂，子图的形状一般采用矩形，为便于计 算机自动处理，可使矩形的重心与原始图像的重心重合，为便于计算，矩形的长和宽取一般 取为8的倍数。最后提取出s₁，s₂的灰度共生矩阵P₁，P₂。

B.计算基于灰度共生矩阵P₁，P₂的图像特征值K₁，K₂。在成像条件固定，煤、岩类型不 变的情况下，特征值K₁，K₂具有自稳定性。为了进一步提高精度，可以分别对煤样本和岩样 本采集多幅图像，采用相同方法提取多个特征值后求取平均值。特征值K₁，K₂作为煤岩识别 的固定参数值保存下来。

C.在相同成像条件下采集待识别的未知煤岩对象的彩色图像f_x，按相同大小截取不包含 背景的子图s_x，提取出s_x的灰度共生矩阵P_x。

D.计算基于灰度共生矩阵P_x的图像特征值K_x。

E.根据特征值K_x与K₁，K₂的关系判别煤岩类型为煤或者岩，从而获得煤岩识别信息。

图2是图像灰度共生矩阵的提取流程，具体步骤包括：

(1)将彩色图像转换成灰度图像(201)。采集的彩色数字图像为f，截取的子图为s，s的 R，G，B分量分别为s_R，s_G，s_B，s的数据形式为三维数组，s_R，s_G，s_B的数据形式为二维数组，数 组元素的位置(x，y)对应图像中像素点的坐标，数组元素的值为图像(x，y)处像素点的灰度值， 灰度值取区间[0，255]内的整数，其中0对应黑色，255对应白色。s_R，s_G，s_B与s的关系为：

s_R＝s(：，：，1)；s_G＝s(：，：，2)；s_B＝s(：，：，3)；

将彩色图像s转换为灰度图像F的计算公式为：

F(x，y)＝0.299s_R(x，y)+0.587s_G(x，y)+0.114s_B(x，y)

灰度图像F的数据形式为二维数组，F(x，y)表示图像F中(x，y)处的灰度值，灰度值取区间 [0，255]内的整数，其中0对应黑色，255对应白色。

(2)对灰度图像F的灰度级进行粗量化处理，粗化后的灰度级L不低于64级(202)。如果 一幅图像的灰度级为256，灰度共生矩阵大小为256×256，计算量大，为节省计算时间，一般将 灰度级粗量化。经过量化后的图像虽有失真，但对纹理特征的影响不大。通过实验分析发现， 对于煤岩图像粗化后的灰度级L高于64级时特征值趋于稳定。设灰度图像F的灰度级为N，粗 化后变为L级，灰度级范围为[0，L-1]。其中灰度级0对应图像F的实际最小灰度值，L-1对 应图像F的实际最大灰度值，其它灰度级均匀划分。

(3)提取灰度图像F在0°，45°，90°，135°四个方向的灰度共生矩阵(203)。矩阵P_(δ，θ)各个元素的计算公式为：

p_(δ，θ)(i，j)＝#{[(x₁，y₁)，(x₂，y₂)]∈F|F(x₁，y₁)＝i&F(x₂，y₂)＝j}

#表示像素对的个数，i，j∈[0，L-1]，x₂＝x₁+δcosθ，y₂＝y₁+δsinθ，δ取值为1，θ取值分别 为0°，45°，90°，135°，得到的四个灰度共生矩阵分别为P_(1，0°)，P_(1，45°)，P_(1，90°)，P_(1，135°)。

(4)计算四个灰度共生矩阵的均值矩阵(204)。在采煤工作面，煤层和岩层图像的纹理没 有明显的方向性，因此求出四个矩阵的均值矩阵作为图像的灰度共生矩阵，计算公式为：

(5)对灰度共生矩阵进行归一化处理(205)。灰度共生矩阵均一化方法是原矩阵的每一 项除以矩阵所有项的和，均一化矩阵P每一项的p(i，j)计算公式为：

$p(i,j)=\frac{\bar{p}(i,j)}{\underset{i=0}{\overset{L-1}{\Sigma }}\underset{j=0}{\overset{L-1}{\Sigma }}\bar{p}(i,j)}$

其中为灰度共生矩阵在(i，j)处元素的值。

基于灰度共生矩阵P₁，P₂，P_x分别计算图像特征值K₁、K₂、K_x的计算公式为：

$K_m=\frac{\underset{i=0}{\overset{L-1}{\Sigma }}\underset{j=0}{\overset{L-1}{\Sigma }}{[(i-u_1)+(j-u_2)]}^4{p}_m(i,j)}{\frac{1}{15}{L}^4-\frac{1}{6}{L}^2+\frac{1}{10}}$(m＝1，2，x)

其中p_m(i，j)是灰度共生矩阵P_m在(i，j)处的值，

图3是煤岩类型识别决策流程图。由于煤、岩图像的纹理特征具有自稳定性，如果待识 别的煤岩对象与已知煤样本同类型，则特征值K_x与K₁相近，如果待识别的煤岩对象与已知 的岩样本同类型，则特征值K_x与K₂相近，因此可以通过K_x与K₁，K₂的距离来进行判别。根 据特征值K_x与K₁，K₂的关系判别煤岩类型的步聚为：

(1)如果判别煤岩类型为煤，其中λ₁∈[0，0.5]，为提高精度可根据识别情 况调节λ₁的值，当误判率上升时减小λ₁，当漏判率上升时增大λ₁；

(2)如果判别煤岩类型为岩，其中λ₂∈[0，0.5]，为提高精度可根据识别情 况调节λ₂的值，当误判率上升时减小λ₂，当漏判率上升时增大λ₂；

(3)如果不满足(1)，(2)，则判别煤岩类型为其它。