CN102297822A - 一种通过图像分析预测煤粒灰分的方法 - Google Patents

Abstract

一种通过图像分析预测煤粒灰分的方法，本发明的目的在于实现一种时效性高且准确性稳定的煤粒测灰方法。本发明采用图像采集器、计算机及其附属部件构成硬件平台，获取煤粒图像后，利用煤粒自动识别软件进行煤粒识别并逐个分离出来，再利用煤粒特征提取软件来提取煤粒图像特征参数，最后采用神经网络预测煤粒灰分。系统可用于煤粒灰分的预测，从而更及时而准确的了解煤的品质，为下一步生产提供依据。

Description

一种通过图像分析预测煤粒灰分的方法

所属技术领域

本发明涉及一种通过图像分析预测煤粒灰分的方法，属矿物检测方法。

背景技术

现阶段测定煤粒灰分的手段主要有两种：一种是取样烧灰来确定，这种方法可靠性最高，但是测一次灰分就得花上3小时左右，具有滞后性，不能及时了解煤粒的灰分；二是使用放射性在线测灰仪进行测量，时效性高，但是如果煤粒中含有一定矿物时，煤粒灰分就会出现很大偏差；其实很多选煤厂经验丰富的工人们能用肉眼来判断煤粒的灰分范围，而且误差不大，他们正是根据煤粒的色泽、光亮程度等因素来进行判断的，正是由于煤粒的灰分与其色泽、光亮程度等参数有内在联系，才发明了这种通过图像分析预测煤粒灰分的方法。

发明内容

本发明的目的在于实现一种时效性高且准确性稳定的煤粒测灰方法。本发明采用图像采集器、计算机及其附属部件构成硬件平台，获取煤粒图像后，利用煤粒自动识别软件进行煤粒识别并逐个分离出来，再利用煤粒特征提取软件来提取煤粒图像特征参数，最后采用神经网络预测煤粒灰分。本发明主要包括以下几方面内容：

首先通过一系列硬件设备，如：计算机PC、图像采集器。利用计算机控制图像采集器拍摄煤粒照片并存储到计算机中，由开发的软件自动识别并提取煤粒图像，通过两种不同的颜色参考系统计算各煤粒图像的颜色特征；在灰度图像下计算出各煤粒的面积并能得到煤粒灰度图像下的特征参数；利用灰度共生矩阵提取对比度、相关性、能量、逆差距等纹理特征参数。以颜色特征参数、灰度图像特征参数、纹理特征参数作为神经网络的输入，以煤粒灰分为网络的输出，建立神经网络煤粒灰分预测模型。

通过对煤粒图像的分析处理，提取出能够表示煤粒特征的参数，达到测量煤粒颜色特征参数、灰度图像特征参数、纹理特征参数等煤粒特征状况的目的，结合神经网络模式识别的方法给出煤粒灰分的判断，从而更及时而准确的了解煤的品质，为下一步生产提供依据。

下面结合附图对本发明作进一步的详细说明。

附图说明

附图为本装置的结构示意图。

具体实施方式

煤粒图像分析系统硬件结构如附图所示，主要由煤粒1、图像采集器2、数据线3、和计算机4构成。图像采集器2用来拍摄煤粒1的图像，计算机4通过数据线3控制图像采集器2进行拍摄，然后将图像信息由数据线3传输至计算机4进行保存。

系统软件可通过颜色分割的方法将图像中的煤粒进行识别和分离，从而得到煤粒的真彩色图像。

煤粒的颜色特征，通过两种不同的参考系统来获得：(1)RGB(红色、绿色、蓝色)，(2)HSI(色度、饱和度、亮度)。

颜色矩的方法认为，颜色信息集中在图像颜色的低阶矩中，他们主要对每种颜色分量的一阶、二阶和三阶矩进行统计。一阶(均值)E、二阶(标准差)σ和三阶t(斜度)等颜色矩被证明可以很有效地表示图像中的颜色分布。计算每一个颜色通道的前三阶矩，记第i通道的第j个像素为P_ij，N为总像素数目，则该通道的前三阶矩为：

$E_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}$

${\mathrm{\σ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-E_i)}^2\right)}^{1/2}$

$t_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-E_i)}^3\right)}^{1/3}$

从RGB和HIS两种参考系统中我们可以求出红色、绿色、蓝色、色度、饱和度和亮度的前三阶距。

煤粒的灰度特征，本发明将煤粒的真彩色图像通过：

g＝0.3R+0.59G+0.11B

将煤粒图像转换成灰度图像，通过灰度矩阵，我们可求出煤粒的灰度均值和灰度标准差。

灰度共生矩阵，在图像中任意取一点(x，y)以及偏离它的另一点(x+a，y+a)，形成一个点对，设该点对的灰度值为(i，j)，即点(x，y)的灰度为i，点(x+a，y+a)的灰度为j。固定a与b，令点(x，y)在整幅图像上移动，则会得到各种(i，j)值。设灰度值的级数为L(本图为256)，则i与j的组合共有L²种。在整幅图像中，统计出每一种(i，j)值出现的次数，再将它们归一化为出现的概率Pij，则称方阵[Pij]_L*L为灰度联合概率矩阵，也称为灰度共生矩阵。

纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，最主要四种为：对比度、相关性、能量、逆差距。

对比度(Contrast)：

$\mathrm{Con}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{|i-j|}^k{P}_{\mathrm{ij}}$

反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其Con越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。

相关性(Correlation)：

$\mathrm{Cor}=\frac{1}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}(i-{\mathrm{\μ}}_x)(j-{\mathrm{\μ}}_y)P_{\mathrm{ij}}$

μ_x、μ_y、σ_x、σ_y分别为

与的均值和标准差。

它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，Cor值大小反映了图像中局部灰度相关性。当矩阵灰度值均匀相等时，相关值就大；相反，如果矩阵灰度值相差很大则相关值小。

能量(Energy)：

$\mathrm{Ene}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P_{\mathrm{ij}}}^2$

是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则Ene值小；相反，如果其中一些值大而其它值小，则Ene值大。

逆差距(Homogeneity)：

$\mathrm{Hom}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{P_{\mathrm{ij}}}{1+{|i-j|}^k}$

反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。

以红色、绿色、蓝色、色度、饱和度和亮度的前三阶距、灰度均值、灰度标准差、对比度、相关性、能量和逆差矩作为神经网络的输入，以煤粒的灰分为网络的输出，建立神经网络模型。

Claims (2)

1.一种通过图像分析预测煤粒灰分的方法，其特征在于：由煤粒1、图像采集器2、数据线3、和计算机4构成。图像采集器2用来拍摄煤粒1的图像，计算机4通过数据线3控制图像采集器2进行拍摄，然后将图像信息由数据线3传输至计算机4进行保存。

2.一种利用权利要求1所述的通过图像分析预测煤粒灰分的方法，其特征在于：

由计算机对煤粒图像进行特征分析计算，根据RGB和HIS颜色参考系统通过颜色矩的方法计算出：红色、绿色、蓝色、色度、饱和度和亮度的前三阶距。通过g＝0.3R+0.59G+0.11B将煤粒图像转换成灰度图像，通过灰度矩阵可求出煤粒的灰度均值和灰度标准差。用灰度共生矩阵提取对比度、相关性、能量、逆差矩。最后将以上24个煤粒特征参数作为神经网络的输入，以煤粒的灰分作为网络的输出，建立神经网络模型。