CN102930253A - 一种基于图像离散多小波变换的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于图像离散多小波变换的煤岩识别方法。根据待识别煤矿中煤和岩石种类，获取一组相同成像条件下的煤样本图像和岩石样本图像，从中各抽取m个样本并截取大小相同且不含背景的子图f₁，f₂，…，f_m和g₁，g₂，…，g_m。对f₁，f₂，…，f_m和g₁，g₂，…，g_m分别做一级GHM多小波变换，并计算所有子图基于变换域数据的多尺度纹理能量分布向量，进而得到煤和岩石样本的平均多尺度纹理能量分布向量V_coal和V_rock；煤岩分类识别阶段，采集相同成像条件下的待识别煤岩图像，截取与样本相同尺寸的子图f_x，对f_x做一级GHM多小波变换，计算其多尺度纹理能量分布向量V_x。根据V_x与V_coal、V_rock之间的关系判断煤岩对象类型。本发明利用图像识别煤岩对象类型，图像采集和处理设备安装方便、可靠性强、识别率高、软硬件升级维护方便。

Description

一种基于图像离散多小波变换的煤岩识别方法

技术领域

本发明涉及一种基于图像离散多小波变换的煤岩识别方法，属于图像模式识别技术领域。

背景技术

在煤矿井下生产过程中，许多生产环节需要判别煤层与岩层的分界面，如滚筒采煤、掘进机采掘、放顶煤开采、原煤选矸等。煤岩分界面识别结果可以作为依据来调节采煤机滚筒摇臂的高度或控制掘进机截割头的截割轨迹，对煤岩分界面的误判导致采煤机滚筒截割岩石后，会引起一系列的问题：如大量岩石碎片混入原煤造成煤质下降；采煤机滚筒截齿磨损加剧，缩短寿命；截割顶板或地板岩层可能会产生摩擦火花，在高瓦斯环境中很容易引起瓦斯爆炸事故等。

目前煤矿生产时煤岩识别任务仍主要由人工完成，工人通过视觉和听觉信息进行判断。然而实际上工作面中能见度低且环境噪声大，工人仅依靠自身感觉很难在滚筒切割岩石瞬间做出及时反应，误判率较高。煤岩自动识别技术就是通过一定的技术手段实现煤层和岩层分界面的准确自动识别，无需人的干预。煤岩识别系统在具备可靠准确的识别性能的同时，还需要具有实时性。开发煤岩自动识别系统有利于保障工人安全、减少工作面作业人数、降低工人劳动量、改善作业环境，而且可以排除人的主观判断的缺陷提高煤岩识别结果的准确性。

世界各主要产煤国家都十分重视对煤岩识别技术领域的研究，形成了一些研究成果，如：自然γ射线探测法、雷达探测法、红外探测法、有功功率监测法、震动检测法、声音监测法、粉尘检测法等。目前理论较为成熟的技术有γ射线探测法和记忆截割法，但这些技术均存在一定的局限性。γ射线探测法利用顶板岩石中的γ射线在穿透煤层时的衰减特性来确定煤层的厚度，仅适用于顶板岩石含有放射性元素的条件，由于砂岩项板放射性元素含量较少，因而无法适用，在我国仅有20％左右的矿井可用。记忆截割法适用于煤层较为平整、地质条件好的矿井，而且必须通过采煤机司机的手动操作来调整工作参数，存在一定局限性。

目前的煤岩识别方法大多以传感器获取信息为基础，利用多个传感器同时监测采煤机割煤时的各项参数，并对所获取的数据进行实时的分析，如基于主成分分析的煤岩界面识别方法、基于遗传神经网络的煤岩界面识别方法、基于支持向量机的煤岩界面识别方法等。这些方法需要在现有设备上添加各类传感器，导致实际系统的构建成本高；为了采集采煤机、掘进机等的震动信息，需要在采煤机摇臂上加装相应的传感器，此时传感器线路易损坏，导致系统可靠性差；各种煤岩识别方法所需的原始数据各不相同，导致系统的灵活性较差。

发明内容

为了克服现有煤岩识别方法存在的不足，本发明提出一种基于图像离散多小波变换的煤岩识别方法，具有实时识别、识别率高、可靠性及灵活性强的特点，为采煤区自动化生产提供必要的信息。

本发明所述的煤岩识别方法采用如下技术方案实现，包括样本特征训练阶段和煤岩分类识别阶段，具体步骤如下：

A.样本特征训练阶段，根据待识别煤矿中煤和岩石种类，获取相同成像条件下的一组煤样本图像集和岩石样本图像集，从中各抽取m个样本图像，并截取大小相同且不含背景的子图，分别记为f₁，f₂，…，f_m和g₁，g₂，…，g_m；

B.对f₁，f₂，…，f_m和g₁，g₂，…，g_m做多小波变换处理，得到样本的变换域数据；

C.计算所有基于上述图像f₁，f₂，…，f_m和g₁，g₂，…，g_m变换域数据的多尺度纹理能量分布向量，进而得到煤和岩石图像的平均多尺度纹理能量分布向量V_coal和V_rock，将V_coal和V_rock作为分类特征加入到样本特征数据库用于煤岩分类识别阶段；

D.煤岩分类识别阶段，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，并截取与样本特征训练阶段样本大小相同且不含背景的子图f_x；

E.对f_x做多小波变换，并计算其多尺度纹理能量分布向量V_x；

F.根据多尺度纹理能量分布向量V_x与煤岩平均多尺度纹理能量分布向量V_coal、V_rock之间的关系判断煤岩对象的类型。

所述多小波变换包括以下步骤：

(1)将彩色图像转换为灰度图像G_gray；

(2)对G_gray按照双正交插值预滤波方式进行预处理：

假设G_gray是大小为N₁×N₂的矩阵，首先对图像所有行进行预处理，处理后得到矩阵G₁(G₁中每行前半部分包含与第一个尺度函数相对应的系数，每行后半部分包含与第二个尺度函数相对应的系数)；然后对G₁的所有列进行预处理，处理后得到矩阵G₂(G₂中每列前半部分系数与第一个尺度函数对应，每列后半部分系数与第二个尺度函数对应)；

(3)对上述预处理后的矩阵G₂做二维GHM一级多小波变换：

预处理后的矩阵G₂也是大小为N₁×N₂的矩阵，首先对G₂所有行做一维GHM一级多小波变换，变换后得到矩阵G_tr(G_tr中每行前半部分存放低频系数，每行后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数)；

然后对G_tr的每一列做一维GHM一级多小波变换，变换后得到矩阵G_tc(G_tc中每列前半部分存放低频系数，后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数)。

所述多尺度纹理能量分布向量及平均多尺度纹理能量分布向量的计算方法包括以下步骤：

基于图像的离散多小波变换域数据可以提取多种反映不同图像纹理特征的参数值。在对主要煤种和主要岩种样本进行图像分析实验的基础上，本发明提出了一种基于图像多小波变换域数据的特征参数提取方法。所提取的图像特征参数为多尺度纹理能量分布向量，该特征参数能够反映煤岩图像在多个尺度(频率)下的纹理能量分布情况，

(1)对一幅煤岩图像用多小波滤波器组进行滤波，假设输入煤岩图像大小为N₁×N₂，经过一级GHM多小波变换得到变换后的图像为X，X大小也是N₁×N₂，对X分块得到p＝16幅不同尺度下的子图X_m，n，X_m，n是以X中元素

为左上角元素的大小为N₁/4×N₂/4的子图，其中m＝1,2，3，4，n＝1，2，3，4；

(2)计算每幅子图的纹理能量值E_k，其下标k＝(m-1)·4+n∈{1，2，…，16}，公式如下：

$E_k=E_{(m-1)\·4+n}={\left(\frac{16}{N_1{N}_2}\underset{i=0}{\overset{\frac{N_1}{4}-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{\frac{N_2}{4}-1}{\mathrm{\Σ}}}{\left|X_{m,n}(i,j)\right|}^2\right)}^{\frac{1}{2}}$

式中X_m，n(i，j)表示步骤(1)中得到的不同尺度下的子图X_m，n在位置(i，j)处的值， $i=\mathrm{0,1},\·\·\·,\frac{N_1}{4}-1,$ $j=\mathrm{0,1},\·\·\·,\frac{N_2}{4}-1;$ N₁，N₂表示输入煤岩图像的大小；

16幅不同尺度(频带)子图的纹理能量值组成该图像的多尺度纹理能量分布向量(E₁，E₂，…，E₆)，每一个分量表征了图像在相应尺度(频带)上的纹理能量值。为了提高识别精度，需要选取多个已知煤样本和已知岩石样本，对于多幅已知煤样本图像，计算其多尺度纹理能量分布向量的平均值，得到煤图像的平均多尺度纹理能量分布向量；对于多幅已知岩石样本图像，计算其多尺度纹理能量分布向量的平均值，得到岩石图像的平均多尺度纹理能量分布向量。

所述根据多尺度纹理能量分布向量之间的关系判断煤岩对象类型的过程包括以下步骤：

(1)取待识别煤岩对象的多尺度纹理能量分布向量V_x中最大的J个分量组成一个J维特征向量，记为m_x；

(2)从样本特征数据库中读取煤炭和岩石的平均多尺度纹理能量分布向量V_coal、V_rock，并找出与向量m_x同子频带的J个分量，分别组成J维特征向量m_coal和m_rock；

(3)分别计算向量m_x与m_coal、m_rock之间的距离，记为D_coal、D_rock，在分类过程中，距离公式可以选择欧式距离；

(4)比较D_coal和D_rock，将该未知图像归入距离较小的一类。

所述欧式距离的计算公式为：

$D_{\mathrm{coal}}=|m_x-m_{\mathrm{coal}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{coal}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{coal}}^{\left(2\right)})}^2+\·\·\·+{(m_x^{\left(J\right)}-m_{\mathrm{coal}}^{\left(J\right)})}^2};$

$D_{\mathrm{rock}}=|m_x-m_{\mathrm{rock}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{rock}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{rock}}^{\left(2\right)})}^2+\·\·\·+{(m_x^{\left(J\right)}-m_{\mathrm{rock}}^{\left(J\right)})}^2};$

其中m^(j)表示向量m的第j个分量。

本发明的有益效果是，利用图像信息识别煤岩对象类型，图像采集设备和图像处理设备安装方便，识别系统独立于采煤机、掘进机，煤岩识别系统不易损坏可靠性强，识别率高，能够实时识别煤岩对象，且系统的适应性强，软硬件升级维护十分方便，为煤矿生产的自动化提供重要的可靠的信息。

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是基于图像离散多小波变换的煤岩识别流程图；

图2是本发明所述图像多小波变换的基本流程图；

图3是本发明所述多小波变换预处理阶段的数据格式变换图；

图4是本发明所述提取多尺度纹理能量分布向量流程图；

图5是本发明所述煤岩判别流程图。

具体实施方式

煤主要由碳、氢、氧、氮、硫和磷等元素组成，其反光特征随着变质程度的加深而增强。由于在物理性质上与岩石不同，煤炭和岩石对可见光的反射程度存在较明显的差异。利用图像采集设备采集的煤岩图像在像素的灰度分布、纹理特征上有较为明显的区别。为通过图像区分煤岩对象，需要寻找能够反映煤和岩石图像稳定差异的特征。由于亮度信息仅与像素点自身的特性以及受光照程度有关，在煤矿井下环境中光线相对较暗淡，仅利用灰度信息区分煤岩对象较困难。从直观上可以通过图像纹理的稀疏程度和深浅程度区分出煤和岩石，而且图像的纹理特征可以反应出相邻像素之间的灰度关系，受到对象所处环境的光线亮度的影响较小，适合井下昏暗环境实施。纹理特征提取是图像处理和模式识别领域重要的研究课题，目前纹理特征提取方法主要由统计法和滤波法。统计法中较为典型的方法如利用灰度共生矩阵的纹理分析具有计算量小的特点，虽然由灰度共生矩阵获取的特征值识别煤岩图像能够得到比较满意的结果，但是由于此特征值忽略了纹理特征中的较次要的信息，制约了识别率的进一步提高。利用频谱提取图像的纹理信息，实际是将纹理基元及其在图像区域中的不同形式出现的副本用不同尺度和方向上的子波能量分布表示出来。利用小波变换可以得到图像在多个频带的信息，低频子带主要携带的是图像的平均信息，图像大部分能量集中在低频带，而图像的纹理信息的分布具有拟周期性的特点，其能量主要集中在中高频带。多小波变换具有更多的分频段，使得子带的能量特征进一步得到细化，因此多小波更适合纹理信息的分类识别。本发明在对我国主要煤种和岩种的图像进行实验分析的基础上，提出了一种基于图像离散多小波变换的煤岩纹理能量识别方法，该方法可有效识别煤岩对象。

首先对基于图像离散多小波变换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.样本特征训练阶段，在相同成像条件下(如光照强度，摄像机参数等)，根据待识别煤矿中煤和岩石种类，获取一组煤样本图像集和岩石样本图像集。为了后续多小波变换中数据处理的方便，排除背景对识别图像纹理特征所造成的影响，需要对图像做初始处理：首先从煤样本图集和岩样本图集中各抽取m个样本图像(为了达到较高的识别率，应确保m之5)，然后截取大小相同且不含背景的子图，分别记为f₁，f₂，…，f_m和g₁，g₂，…，g_m，截取子图的尺寸必须为2的整数次幂，为了既能够保证图像包含识别所需的纹理信息，又能够满足实时性要求，截取子图的宽和高可以为2^k(k＞＝6)；

B.对f₁，f₂，…，f_m和g₁，g₂，…，g_m做多小波变换处理，得到样本的变换域数据；

C.计算所有基于上述图像f₁，f₂，…，f_m和g₁，g₂，…，g_m变换域数据的多尺度纹理能量分布向量，并分别计算煤和岩石m幅图像的多尺度纹理能量分布向量的平均值，即平均多尺度纹理能量分布向量，分别记为V_coal和V_rock，多尺度纹理能量分布向量能够反映原始图像在各个频带上的纹理能量分布情况，将V_coal和V_rock作为分类特征加入到样本特征数据库用于煤岩分类识别阶段；

D.煤岩分类识别阶段，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，并截取与样本特征训练阶段样本大小相同且不含背景的子图f_x；

E.对f_x做多小波变换，并计算其多尺度纹理能量分布向量V_x；

F.根据多尺度纹理能量分布向量V_x与煤岩平均多尺度纹理能量分布向量V_coal、V_rock之间的关系判断煤岩对象的类型。

图2是图像多小波变换的具体步骤：

(1)将彩色图像转换成灰度图像。设备所采集的彩色图像包含R、G、B分量不利于图像处理，首先应将其转换为灰度图。假设已截取的尺寸为2的整数次幂的不含背景的子图为F，其R，G，B分量分别为F_R，F_G，F_B，

将彩色图像转换为灰度图像的公式为：

G_gray(x，y)＝0.299F_R(x，y)+0.587F_G(x，y)+0.114F_B(x，y)

G_gray(x，y)表示灰度图像G_gray在点(x，y)处的灰度值，灰度值取值范围为[0,255]，其中0表示黑色，255表示白色。

(2)对G_gray按照双正交插值预滤波方式进行预处理：

多小波变换所涉及的二尺度方程

和小波方程中的系数G_k与H_k是r×r的矩阵，因此在利用多小波滤波器组滤波之前需要首先将一路输入数据流转换为r路输入数据流。“过采样”方法采用重复原信号构造r路数据流，由于其计算量大不利于煤岩识别的实时处理。因此本发明采用的是基于逼近的临界采样法：双正交插值预滤波。这种预滤波方式计算量小，有利于实时煤岩识别的实现。

本发明所选GHM多小波的尺度函数与小波函数各有两个，即r＝2。

令Φ_j，k(t)＝[φ₁(2^jt-k)，φ₂(2^jt-k)，…，φ_r(2^jt-k)]表示多分辨率空间上的r维多尺度函数，

表示与其对应的多小波函数，其中j表示了函数的伸缩程度，k表示了函数的平移程度。

令 $V_{j,k}^T=<x\left(t\right),{\mathrm{\&Phi;}}_{j,k}\left(t\right)>,$ $w_{j,k}^T=<x\left(t\right),{\mathrm{\&Psi;}}_{j,k}\left(t\right)>,$ 则v_j，k、w_j，k分别是输入信号x(t)的第j级低频多小波变换系数和高频多小波变换系数，其中

是r×1列向量，每一个分量对应多尺度函数中的一个尺度函数。为小波变换的初始输入数据，可以通过对原始一维输入数据预处理得到，预处理步骤如下：

(a)假设G_gray是大小为N₁×N₂的矩阵，首先对图像所有行进行预处理，处理后得到矩阵G₁(G₁中每行前半部分包含与第一个尺度函数相对应的系数，每行后半部分包含与第二个尺度函数相对应的系数)；

(b)然后对G₁的所有列进行预处理，处理后得到矩阵G₂(G₂中每列前半部分系数与第一个尺度函数对应，每列后半部分系数与第二个尺度函数对应)。

对图像某行或某列输入数据按照GHM双正交插值预滤波处理的公式如下：

$v_k^0\left(1\right)=\frac{{\mathrm{\&phi;}}_2\left(1\right)f(k+1)-{\mathrm{\&phi;}}_2(1/2)[f(k+2)+f\left(k\right)]}{{\mathrm{\&phi;}}_2\left(1\right){\mathrm{\&phi;}}_1(1/2)};$

$v_k^0\left(2\right)=\frac{f(k+2)}{{\mathrm{\&phi;}}_2\left(1\right)};$

其中GHM多小波的两个小波函数在点0.5和1处的函数值分别为：

φ₂(1/2)＝-3/10，φ₂(1)＝1；f(k)表示当前待处理的图像某行或某列输入数据的第k个元素的灰度值；

表示经过处理后的系数，

与第一个尺度函数相对应，

与第二个尺度函数相对应。经过处理，输入数据流f转换为2路数据流 $v_{0,k}={[v_k^0\left(1\right),v_k^0\left(2\right)]}^T.$

图3直观表示了预处理过程中图像数据排列格式的变换，图中X_m，n表示原始图像在点(m，n)处的灰度值，

表示经过行列预处理后的系数，其中k₂、y是与图像行预处理相对应的参数，k₁、x是与图像列预处理相对应的参数。

(3)对上述预处理后的矩阵G₂做二维GHM一级多小波变换：

由二尺度方程 $\mathrm{\&Phi;}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\&Sigma;}}{G}_k\mathrm{\&Phi;}(2t-k)$ 和小波方程 $\mathrm{\&Psi;}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\&Sigma;}}{H}_k\mathrm{\&Phi;}(2t-k)$ 可以得到正交离散多小波变换的分解方程如下：

$v_{j,k}=\underset{m}{\mathrm{\&Sigma;}}{G}_{m-2k}{v}_{j-1,m};$

$w_{j,k}=\underset{m}{\mathrm{\&Sigma;}}{H}_{m-2k}{v}_{j-1,m};$

其中如前所述V_j，k、w_j，k分别是输入信号第j级的低频多小波变换系数和高频多小波变换系数，初始输入数据流v_0，k可以从上述预处理得到的矩阵中提取，GHM多小波变换的低通滤波器G₀、G₁、G₂、G₃和高通滤波器系数H₀、H₁、H₂、H₃分别为：

$G_0=\left(\begin{array}{cc}\frac{3}{5\sqrt{2}}& \frac{4}{5}\\ -\frac{1}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right)$ $G_1=\left(\begin{array}{cc}\frac{3}{5\sqrt{2}}& 0\\ \frac{9}{20}& \frac{1}{\sqrt{2}}\end{array}\right)$ $G_2=\left(\begin{array}{cc}0& 0\\ \frac{9}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right)$ $G_3=\left(\begin{array}{cc}0& 0\\ -\frac{1}{20}& 0\end{array}\right)$

$H_0=\left(\begin{array}{cc}-\frac{1}{20}& -\frac{3}{10\sqrt{2}}\\ \frac{1}{10\sqrt{2}}& \frac{3}{10}\end{array}\right)$ $H_1=\left(\begin{array}{cc}\frac{9}{20}& -\frac{1}{\sqrt{2}}\\ -\frac{9}{10\sqrt{2}}& 0\end{array}\right)$ $H_2=\left(\begin{array}{cc}\frac{9}{20}& -\frac{3}{10\sqrt{2}}\\ \frac{9}{10\sqrt{2}}& -\frac{3}{10}\end{array}\right)$ $H_3=\left(\begin{array}{cc}-\frac{1}{20}& 0\\ -\frac{1}{10\sqrt{2}}& 0\end{array}\right)$

具体步骤为：

(a)预处理后的矩阵G₂也是大小为N₁×N₂的矩阵，首先对G₂所有行做一维GHM一级多小波变换(按照正交离散多小波变换的分解方程进行)，变换后得到矩阵G_tr(G_tr中每行前半部分存放低频系数，每行后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数)；

(b)然后对G_tr的每一列做一维GHM一级多小波变换(按照正交离散多小波变换的分解方程进行)，变换后得到矩阵G_tc(G_tc中每列前半部分存放低频系数，后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数)。

对图像进行一级多小波变换后的矩阵数据格式为：

$\left(\begin{array}{cccc}{L}_1{L}_1& L_2{L}_1& H_1{L}_1& H_2{L}_1\\ L_1{L}_2& L_2{L}_2& H_1{L}_2& H_2{L}_2\\ L_1{H}_1& L_2{H}_1& H_1{H}_1& H_2{H}_1\\ L_1{H}_2& L_2{H}_2& H_1{H}_2& H_2{H}_2\end{array}\right)$

其中每行和每列的前半部分存放低频系数，后半部分存放高频系数。低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数；高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数。如块L₁H₂包含水平方向第一个尺度函数对应的低频系数和垂直方向第二个小波函数对应高频系数。

图4是多尺度纹理能量分布向量及平均多尺度纹理能量分布向量的计算步骤：

(1)对一幅煤岩图像用多小波滤波器组进行滤波，假设输入煤岩图像大小为N₁×N₂，经过一级GHM多小波变换得到变换后的图像为X，X大小也是N₁×N₂，对X分块得到p＝16幅不同尺度下的子图X_m，n，X_m，n是以X中元素

为左上角元素的大小为N₁/4×N₂/4的子图，其中m＝1，2，3，4，n＝1，2，3，4；

(2)计算每幅子图的纹理能量值E_k，其下标k＝(m-1)·4+n∈{1，2，…，16}，公式如下：

$E_k=E_{(m-1)\&CenterDot;4+n}={\left(\frac{16}{N_1{N}_2}\underset{i=0}{\overset{\frac{N_1}{4}-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{\frac{N_2}{4}-1}{\mathrm{\&Sigma;}}}{\left|X_{m,n}(i,j)\right|}^2\right)}^{\frac{1}{2}}$

式中X_m，n(i，j)表示步骤(1)中得到的不同尺度下的子图X_m，n在位置(i，j)处的值， $i=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,\frac{N_1}{4}-1,$ $j=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,\frac{N_2}{4}-1;$ N₁，N₂表示输入煤岩图像的大小；

16幅不同尺度(频带)子图的纹理能量值组成该图像的多尺度纹理能量分布向量(E₁，E₂，…，E₁₆)，每一个分量表征了图像在相应尺度(频带)上的纹理能量值。为了提高识别精度，需要选取多个己知煤样本和已知岩石样本，对于多幅已知煤样本图像，计算其多尺度纹理能量分布向量的平均值，得到煤图像的平均多尺度纹理能量分布向量；对于多幅已知岩石样本图像，计算其多尺度纹理能量分布向量的平均值，得到岩石图像的平均多尺度纹理能量分布向量。同类图像的多尺度纹理能量分布向量的相同频带的能量测度值较接近，因而利用多个样本求平均可以提高精确度。

图5是煤岩对象类型识别过程。由于煤和岩石图像的纹理之间存在较稳定的差异，同种类型图像基于变换域数据的多尺度纹理能量分布向量之间的距离更小，不同类型的图像的多尺度纹理能量分布向量之间差异稳定。因此可以根据图像基于多小波变换域数据的多尺度纹理能量分布向量之间的距离识别煤岩对象类型。识别过程中，多尺度纹理能量分布向量较大的分量对识别效果的影响较大，因此仅取向量中最大的J(J之8)个分量即可达到较满意的识别效果，同时减少了计算量，有利于提高系统的实时性能。具体步骤如下：

(1)取待识别煤岩对象的多尺度纹理能量分布向量V_x中最大的J个分量组成一个J维特征向量，记为m_x；

(2)从样本特征数据库中读取煤炭和岩石的平均多尺度纹理能量分布向量V_coal、V_rock，并找出与向量m_x同子频带的J个分量，分别组成J维特征向量m_coal和m_rock；

(3)分别计算向量m_x与m_coal、m_rock之间的距离，记为D_coal，D_rock，距离公式选择欧式距离：

$D_{\mathrm{coal}}=|m_x-m_{\mathrm{coal}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{coal}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{coal}}^{\left(2\right)})}^2+\&CenterDot;\&CenterDot;\&CenterDot;+{(m_x^{\left(J\right)}-m_{\mathrm{coal}}^{\left(J\right)})}^2},$

$D_{\mathrm{rock}}=|m_x-m_{\mathrm{rock}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{rock}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{rock}}^{\left(2\right)})}^2+\&CenterDot;\&CenterDot;\&CenterDot;+{(m_x^{\left(J\right)}-m_{\mathrm{rock}}^{\left(J\right)})}^2},$

其中m^(J)表示向量m的第j个分量；

(4)比较D_rock和D_coal，将该未知图像归入距离较小的一类。

Claims (6)

1.一种基于图像离散多小波变换的煤岩识别方法，其特征在于，包括以下步骤：

A.样本特征训练阶段，在相同成像条件下，根据待识别煤矿中煤和岩石种类，获取一组煤样本图像集和岩石样本图像集，从中各抽取m个样本图像，并截取大小相同且不含背景的子图，分别记为f₁，f₂，…，f_m和g₁，g₂，…，g_m；

B.对f₁，f₂，…，f_m和g₁，g₂，…，g_m做多小波变换处理，得到样本的变换域数据；

C.计算所有基于上述图像f₁，f₂，…，f_m和g₁，g₂，…，g_m变换域数据的多尺度纹理能量分布向量，进而得到煤和岩石图像的平均多尺度纹理能量分布向量V_coal和V_rock，将V_coal和V_rock作为分类特征加入到样本特征数据库用于煤岩分类识别阶段；

D.煤岩分类识别阶段，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，并截取与样本特征训练阶段样本大小相同且不含背景的子图f_x；

E.对f_x做多小波变换，并计算其多尺度纹理能量分布向量V_x；

F.根据多尺度纹理能量分布向量V_x与煤岩平均多尺度纹理能量分布向量V_coal、V_rock之间的关系判断煤岩对象的类型。

2.根据权利要求1所述的一种基于图像离散多小波变换的煤岩识别方法，其特征在于，所述多小波变换包括以下步骤：

(1)将彩色图像转换为灰度图像G_gray；

(2)对G_gray按照双正交插值预滤波方式进行预处理：

假设G_gray是大小为N₁×N₂的矩阵，首先对图像所有行进行预处理，处理后得到矩阵G₁，G₁中每行前半部分包含与第一个尺度函数相对应的系数，每行后半部分包含与第二个尺度函数相对应的系数；

然后对G₁的所有列进行预处理，处理后得到矩阵G₂，G₂中每列前半部分系数与第一个尺度函数对应，每列后半部分系数与第二个尺度函数对应；

(3)对上述预处理后的矩阵G₂做二维GHM一级多小波变换：

预处理后的矩阵G₂也是大小为N₁×N₂的矩阵，首先对G₂所有行做一维GHM一级多小波变换，变换后得到矩阵G_tr，G_tr中每行前半部分存放低频系数，每行后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数；

然后对G_tr的每一列做一维GHM一级多小波变换，变换后得到矩阵G_tc，G_tc中每列前半部分存放低频系数，后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数。

3.根据权利要求2所述的一种基于图像离散多小波变换的煤岩识别方法，其特征在于，所述双正交插值预滤波公式为：

$v_k^0\left(1\right)=\frac{{\mathrm{\&phi;}}_2\left(1\right)f(k+1)-{\mathrm{\&phi;}}_2(1/2)[f(k+2)+f\left(k\right)]}{{\mathrm{\&phi;}}_2\left(1\right){\mathrm{\&phi;}}_1(1/2)};$

$v_k^0\left(2\right)=\frac{f(k+2)}{{\mathrm{\&phi;}}_2\left(1\right)};$

其中GHM多小波的两个小波函数在点0.5和1处的函数值分别为：

φ₂(1/2)＝-3/10，φ₂(1)＝1，f(k)表示图像当前待处理的某行或某列输入数据的第k个元素的值，

表示经过处理后的系数，

与第一个尺度函数相对应，

与第二个尺度函数相对应。

4.根据权利要求1所述的一种基于图像离散多小波变换的煤岩识别方法，其特征在于，所述多尺度纹理能量分布向量及平均多尺度纹理能量分布向量的计算方法包括以下步骤：

(1)对一幅煤岩图像用多小波滤波器组滤波，假设输入煤岩图像大小为N₁×N₂，经过一级GHM多小波变换得到变换后的图像为X，X大小也是N₁×N₂，对X分块得到p＝16幅不同尺度下的子图X_m，n，X_m，n是以X中元素

为左上角元素的大小为N₁/4×N₂/4的子图，其中m＝1，2，3，4，n＝1，2，3，4；

(2)计算每幅子图的纹理能量值E_k，其下标k＝(m-1)·4+n∈{1，2，…，16}，公式如下：

$E_k=E_{(m-1)\&CenterDot;4+n}={\left(\frac{16}{N_1{N}_2}\underset{i=0}{\overset{\frac{N_1}{4}-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{\frac{N_2}{4}-1}{\mathrm{\&Sigma;}}}{\left|X_{m,n}(i,j)\right|}^2\right)}^{\frac{1}{2}}$

式中X_m，n(i，j)表示步骤(1)中得到的不同尺度下的子图X_m，n在位置(i，j)处的值，

N₁，N₂表示输入煤岩图像的大小；16幅不同尺度子图的纹

理能量值共同组成该图像的多尺度纹理能量分布向量(E₁，E₂，…，E₁₆)，每一个分量表征了图像在相应尺度上的纹理能量值；

对于多幅已知煤样本图像，计算其多尺度纹理能量分布向量的平均值，得到煤图像的平均多尺度纹理能量分布向量；对于多幅已知岩石样本图像，计算其多尺度纹理能量分布向量的平均值，得到岩石图像的平均多尺度纹理能量分布向量。

5.根据权利要求1所述的一种基于图像离散多小波变换的煤岩识别方法，其特征在于，所述根据多尺度纹理能量分布向量之间的关系判断煤岩对象类型的过程包括以下步骤：

(1)取待识别煤岩对象的多尺度纹理能量分布向量V_x中最大的J个分量组成一个J维特征向量，记为m_x；

(2)从样本特征数据库中读取煤炭和岩石的平均多尺度纹理能量分布向量V_coal、V_rock，并找出与向量m_x同子频带的J个分量，分别组成J维特征向量m_coal和m_rock；

(3)分别计算向量m_x与m_coal、m_rock之间的距离，记为D_coal、D_rock，在分类过程中，距离公式可以选择欧式距离；

(4)比较D_coal和D_rock，将该未知图像归入距离较小的一类。

6.根据权利要求5所述的一种基于图像离散多小波变换的煤岩识别方法，其特征在于，所述欧式距离的计算公式为：

$D_{\mathrm{coal}}=|m_x-m_{\mathrm{coal}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{coal}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{coal}}^{\left(2\right)})}^2+\&CenterDot;\&CenterDot;\&CenterDot;+{(m_x^{\left(J\right)}-m_{\mathrm{coal}}^{\left(J\right)})}^2};$

$D_{\mathrm{rock}}=|m_x-m_{\mathrm{rock}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{rock}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{rock}}^{\left(2\right)})}^2+\&CenterDot;\&CenterDot;\&CenterDot;+{(m_x^{\left(J\right)}-m_{\mathrm{rock}}^{\left(J\right)})}^2};$

其中m^(j)表示向量m的第j个分量。

Images