CN103207999A - 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 - Google Patents

Abstract

一种基于煤岩图像特征抽取与分类识别的煤岩分界方法和系统，首先在采煤工作面拍摄煤岩图像，然后抽取煤岩图像的纹理特征信息并构造成特征向量；纹理特征信息包括原图像和每个Daubechies小波分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差，还包括计算水平、垂直和对角三个方向的高频系数图像的总均值和总方差；最后创建最佳分类器，实现对煤岩界面的识别。本系统包括图像采集模块、特征模块、分类识别模块、结果显示交互模块、存储模块和中央控制模块。本发明所提出的基于煤岩图像特征抽取与分类识别的煤岩分界方法和系统具有计算简便、人工干预少、成本低、可有效提高复杂环境下煤岩图像的分类精度和效率，提供准确可靠的煤岩界面信息。

Description

一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统

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，并用支持向量机、神经网络等对特征向量进行分类从而达到识别采煤工作面煤层与顶底板岩层界面的方法和系统。

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。但是目前采煤机滚筒高度的调节主要由操作者通过人工的方法进行判断。众所周知，井下采煤工作面环境复杂不利于操作者做出准确的判断。因此采煤机不可避免会截割到顶底板岩石，造成一系列问题：加剧截齿磨损，缩短截齿寿命；截割岩石会产生火花，对于高瓦斯矿易产生恶性瓦斯爆炸事故；截割的岩石造成原煤质量下降。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CN101922290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，第三，采集信号的设备复杂，造成识别困难。

中国专利申请号201110377347.4，申请公布日2012.06.13，公开了一种基于图像的煤岩界面识别方法与系统，通过对采集到的煤岩图像进行特征抽取从而达到识别煤岩分界的目的。此种方法主要是利用图像的灰度共生矩阵的特征参数来构造特征向量，但是并不能从多尺度多方向反应图像纹理的差异性，从而导致所构造的特征向量不能全方位反应煤岩表面特征，影响煤岩界面识别精度。

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煤岩图像特征抽取以及分类识别的煤岩分界方法和系统。

本发明所述的基于煤岩图像特征抽取以及分类识别的煤岩分界方法由以下技术方案实现：

首先在采煤工作面拍摄煤岩图像，然后抽取煤岩图像的纹理特征信息；然后对所提取的纹理特征信息构造成特征向量；

基于煤岩图像的纹理特征信息非常多，以大量煤、岩图像样本数据作为实验基础，为了充分体现煤和岩在不同尺度不同细节上的结构特征以及结合独立成分分析的纹理特征选择，采用的图像纹理特征信息包括两部分，其中一部分为原图像的角二阶矩、对比度、相关、均值、方差，另一部分为通过对煤岩图像进行Daubechies小波变换分解之后，对每个尺度的低频系数图像计算其角二阶矩、对比度、相关、均值、方差以及计算水平、垂直和对角三个方向的高频系数图像的总均值和总方差；

将纹理特征向量输入默认分类器进行训练从而创建最佳分类器，实现对煤岩界面的识别。

所述的基于煤岩图像特征抽取以及分类识别的煤岩分界方法，包括如下步骤：

A.在采煤工作面分别采集多幅煤、岩的图像，并将其分为训练样品图像、测试样品图像；

B.计算训练样品图像和测试样品图像的纹理图像特征值，并构造成特征子向量P1；

C.将训练样品图像和测试样品图像进行Daubechies小波变换；对每个分解尺度的低频系数图像计算其角二阶矩、对比度、相关、均值、方差，并构造成特征子向量P2；同时计算每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差，并构造成特征子向量P3；

D.构造纹理特征向量；

E.将纹理特征向量输入分类器，可供用户选择的分类器有以下几种：概率神经网络(PNN)，径向基神经网络(RBF)，最小距离分类器(MDC)，极大似然分类器(MLC)和支持向量机等，用户可根据具体情况选择合适的分类器；

F.对分类器进行设置、训练和测试，然后输入待分类识别样品图像纹理特征向量进行分类，得到最后的分类结果。

所述步骤B中的纹理图像特征值分别为角二阶矩、对比度、相关、均值、方差。

所述步骤C中Daubechies小波变换的分解尺度为三。

所述步骤D中纹理特征向量的具体表达式为P＝[P1，P2，P3]。

所述步骤E中选择支持向量机为默认分类器。

所述支持向量机采用径向基(RBF)核函数，

经过交叉验证获得其最佳惩罚性参数为5.6569，核函数的宽度为7.6294e-006。

基于煤岩图像特征抽取以及分类识别的煤岩分界系统的工作过程分为四个阶段：设置、训练、测试和分类；在设置阶段，采集采煤工作面的煤岩图像，抽取相应的纹理特征值，构造纹理特征向量，选择支持向量机为默认分类器，对分类器参数进行初始设置；在训练阶段，根据初始设置以及煤岩图像训练样本特征向量进行交叉验证，并确定支持向量机的核心参数即核函数宽度和惩罚性参数；在测试阶段，根据核函数宽度和惩罚性参数建立向量机模型并分别对训练样品图像和测试样品图像的纹理特征向量所组成的数据集进行测试，分别得到训练样品图像的识别准确率和测试样品图像的识别准确率；在分类阶段，根据测试样品图像的识别准确率对待分类样品图像进行预测。

本发明所述目的由以下提出的一种基于煤岩图像特征抽取以及分类识别的煤岩分界系统得以实现。所述系统包括图像采集模块、特征模块、分类识别模块、结果显示交互模块、存储模块和中央控制模块；所述图像采集模块用于产生照射煤岩的光源以及采集煤岩图片；所述特征模块用于煤岩图像纹理特征值的抽取，纹理特征值包括两部分，其一为未经Daubechies小波变换的图像样品纹理图像特征值分别为角二阶矩、对比度、相关、均值、方差，其二为经过Daubechies小波变换分解之后，每个分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差以及每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差；所述分类识别模块利用煤岩样品纹理图像特征值构造纹理特征向量P＝[P1，P2，P3]，其中特征子向量P1由包括训练样品图像和测试样品图像未进行小波分解时的角二阶矩、对比度、相关、均值、方差进行构造，特征子向量P2由包括将训练样品图像和测试样品图像进行小波分解之后的每个分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差进行构造，特征子向量P3由包括将训练样品图像和测试样品图像进行小波分解之后的每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差进行构造，并选择支持向量机为默认分类器并对其进行设置、训练和测试从而实现对待分类煤岩图像的识别；所述结果显示交互模块用于显示煤岩图像和煤岩图像特征抽取以及分类识别结果，并接受操作者对系统工作状态的设置和对样本数据的输入；所述存储模块用于存储图像数据以及其他数据；所述中央控制模块用于执行指令以控制和管理整个基于煤岩图像特征抽取以及分类识别的煤岩分界系统。

所述图像采集模块包括由多组LED阵列加装漫反射板均匀对称的布置在半球面上的高亮度白光照明灯和一个配备电荷耦合器件的网络人摄像机；照明灯的强度和数量由中央控制模块进行控制；电荷耦合器件网络人摄像机上下左右旋转度数、调焦、曝光、以及图像采集均由中央控制模块进行控制。

所述中央控制模块用于控制和管理图像采集模块、特征模块、特征分类识别模块、结果显示交互模块和存储模块；中央控制模块可以为硬件电路、工控机、服务器、计算机或嵌入式系统。

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、成本低、适用于复杂环境下煤岩图像的自动分类识别，可有效提高图像的分类精度和效率，为操作者提供准确可靠的煤岩界面信息以便及时调整采煤机滚筒高度。

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系统组成框图；

图2为依据本发明实施例的一个Daubechies小波一级分解的示意图；

图3为依据本发明实施例的一个Daubechies小波的三级分解示意图；

图4为依据本发明实施例的对样品图像进行纹理特征抽取的计算流程；

图5为依据本发明实施例的基于支持向量机分类的参数选择结果图。

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。首先对本发明提供的方法中系统组成进行描述。图1是系统组成框图。如图1所示，所述系统包括图像采集模块、特征模块、分类识别模块、结果显示交互模块、存储模块和中央控制模块；所述图像采集模块用于产生照射煤岩的光源以及采集煤岩图片；所述特征模块用于煤岩图像纹理特征值的抽取，纹理特征值包括两部分，其一为未经Daubechies小波变换的图像样品纹理图像特征值分别为角二阶矩、对比度、相关、均值、方差，其二为经过Daubechies小波变换分解之后，每个分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差以及每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差；所述分类识别模块利用煤岩样品纹理图像特征值构造纹理特征向量P＝[P1，P2，P3]，其中特征子向量P1由包括训练样品图像和测试样品图像未进行小波分解时的角二阶矩、对比度、相关、均值、方差进行构造，特征子向量P2由包括将训练样品图像和测试样品图像进行小波分解之后的每个分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差进行构造，特征子向量P3由包括将训练样品图像和测试样品图像进行小波分解之后的每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差进行构造，并选择支持向量机为默认分类器并对其进行设置、训练和测试从而实现对待分类煤岩图像的识别；所述结果显示交互模块用于显示煤岩图像和煤岩图像特征抽取以及分类识别结果，并接受操作者对系统工作状态的设置和对样本数据的输入；所述存储模块用于存储图像数据以及其他数据；所述中央控制模块用于执行指令以控制和管理整个基于煤岩图像特征抽取以及分类识别的煤岩分界系统。

所述图像采集模块包括由多组LED阵列加装漫反射板均匀对称的布置在半球面上的高亮度白光照明灯和一个配备电荷耦合器件的网络人摄像机；照明灯的强度和LED阵列的数量由中央控制模块进行控制；电荷耦合器件网络人摄像机上下左右旋转度数、调焦、曝光、以及图像采集均由中央控制模块进行控制。

所述中央控制模块用于控制和管理图像采集模块、特征模块、特征分类识别模块、结果显示交互模块和存储模块；中央控制模块可以为硬件电路、工控机、服务器、计算机或嵌入式系统。

基于煤岩图像特征抽取以及分类识别的煤岩分界系统的工作过程分为四个阶段：设置、训练、测试和分类；在设置阶段，采集采煤工作面的煤岩图像，抽取相应的纹理特征值，构造纹理特征向量，选择支持向量机为默认分类器，对分类器参数进行初始设置；在训练阶段，根据初始设置以及煤岩图像训练样本特征向量进行交叉验证，并确定支持向量机的核心参数即核函数宽度和惩罚性参数；在测试阶段，根据核函数宽度和惩罚性参数建立向量机模型并分别对训练样品图像和测试样品图像的纹理特征向量所组成的数据集进行测试，分别得到训练样品图像的识别准确率和测试样品图像的识别准确率；在分类阶段，根据测试样品图像准确率对待分类样品图像进行预测。

图2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218、Low-High(LH)子带222、High-Low(HL)子带226和High-High(HH)子带230。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218和LH子带222)和高频部分(HL子带226和HH子带230)。

对图像进行一级Daubechies小波变换分解后的系数包括Low-Low(LL)子带、Low-High(LH)子带、High-Low(HL)子带和High-High(HH)子带；

为了使用Daubechies小波变换过程来生成第一级小波系数216，可将图像信号看成由一系列行向量构成，经过分解后，原信号分为低频部分和高频部分，其中低频部分包括LL子带218和LH子带222，高频部分包括HL子带226和HH子带230。结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(1)(2)所示：

$P_i=(R_{2i}+R_{2i+1})\frac{1}{\sqrt{2}}---\left(1\right)$

P是低频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

$Q_i=(R_{2i}-R_{2i+1})\frac{1}{\sqrt{2}}---\left(2\right)$

Q是高频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

也可将图像信号看成由一系列列向量构成，经过分解后，原信号垂直列分为低频部分和高频部分，其中低频部分包括LL子带和HL子带，高频部分包括LH子带和HH子带；结合邻域像素值可计算低频系数和高频系数，其计算方法分别如式(1)(2)所示。

图3是图像经Daubechies小波变换三级分解的示意图。

在图2的实施例中，根据以上结合图2所讨论的第一级216，示出了三个子带(LH、HH、HL)，在图3的实施例中，图2的第四子带(LL218)被用于计算针对Daubechies变换的第二级318的小波系数。类似的，第二级318的第四子带(LL)被用于计算针对Daubechies变换的第三级320的小波系数。

图4是对样品图像进行纹理特征抽取的计算流程图。

步骤402，在采煤工作面采集多幅煤与岩石样品图像。

步骤403，由于光照强弱、拍摄角度和距离、工作环境的影响，所采集的图像选用非线性空间滤波图像预处理手段。同时将所拍样品图像平均分为煤岩样品图像和待测试煤岩样品图像。

步骤404，计算两部分样品图像的角二阶矩、对比度、相关、均值、方差，并构造成特征子向量P1；其中角二阶矩、对比度、相关性、均值、方差的计算公式为：

角二阶矩由式(3)计算：

$\mathrm{\β}=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P{(m,n)}^2---\left(3\right)$

β为角二阶矩，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：

$\mathrm{\α}=\underset{t=0}{\overset{L-1}{\mathrm{\Σ}}}{t}^2\left\{\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n)\right\}---\left(4\right)$

α为对比度，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；

相关性G由式(5)计算：

$G=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{\mathrm{mnP}(m,n)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2}---\left(5\right)$

其中μ₁，μ₂，σ₁，σ₂分别为 ${\mathrm{\μ}}_1=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}m\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n),$ ${\mathrm{\μ}}_2=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}n\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n),$ ${\mathrm{\σ}}_1=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{(m-{\mathrm{\μ}}_1)}^2\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n),$ ${\mathrm{\σ}}_2=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{(m-{\mathrm{\μ}}_2)}^2\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n)$

G为相关性，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；μ₁、μ₂为均值；σ₁、σ₂为方差。

均值E由式(6)计算：

$E=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}m\·P(m,n)---\left(6\right)$

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；

方差σ由式(7)计算：

$\mathrm{\σ}=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}{(m-\mathrm{\μ})}^{2}P(m,n)---\left(7\right)$

μ为P(m，n)的均值，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；

构造特征子向量P1＝[β，α，G，E，σ]。

步骤405，将两部分样品图像进行分解尺度为三且滤波尺度为三的Daubechies小波变换；对每个尺度的低频系数图像计算其角二阶矩、对比度、相关、均值、方差，计算方法如下；

角二阶矩由式(8)计算：

${\mathrm{\β}}_{\mathrm{LL}}\left(i\right)=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P{(m,n)}^2---\left(8\right)$

β_LL(i)为子带尺度值为i时LL子带的角二阶矩，LL为Low-Low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。

对比度由式(9)计算：

${\mathrm{\α}}_{\mathrm{LL}}\left(i\right)=\underset{t=0}{\overset{L-1}{\mathrm{\Σ}}}{t}^2\left\{\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n)\right\}---\left(9\right)$

α_LL(i)为子带尺度值为i时LL子带的对比度，LL为Low-Low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；

相关性由式(10)计算：

$G_{\mathrm{LL}}\left(i\right)=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{\mathrm{mnp}(m,n)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2}---\left(10\right)$

G_LL(i)为子带尺度值为i时LL子带的相关性，其中μ₁、μ₂、σ₁、σ₂分别为 ${\mathrm{\μ}}_1=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}m\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n),$ ${\mathrm{\μ}}_2=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}n\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n),$ ${\mathrm{\σ}}_1=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{(m-{\mathrm{\μ}}_1)}^2\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n),$ ${\mathrm{\σ}}_2=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{(m-{\mathrm{\μ}}_2)}^2\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}P(m,n)$

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；μ₁、μ₂为均值；σ₁、σ₂为方差。

均值由式(11)计算：

$E_{\mathrm{LL}}\left(i\right)=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-0}{\mathrm{\Σ}}}m\·P(m,n)---\left(11\right)$

E_LL(i)为子带尺度值为i时LL子带的均值，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；

方差由式(12)计算：

${\mathrm{\σ}}_{\mathrm{LL}}\left(i\right)=\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}{(m-\mathrm{\μ})}^{2}P(m,n)---\left(12\right)$

σ_LL(i)为子带尺度值为i时LL子带的方差，μ为P(m，n)的均值，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；

构造特征子向量P2＝[β_LL(i)，α_LL(i)，G_LL(i)，E_LL(i)，σ_LL(i)]_{i＝1，2，3}

步骤406，计算每个尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差，其计算方法如下：

HH子带系数均值由式(13)计算：

${\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\left|W_{\mathrm{HH}\left(i\right)}\right[m,n\left]\right|---\left(13\right)$

其中，HH(i)为分解尺度值为i时的子带HH，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，其他子带系数均值可用相似的方法计算，

Daubechies小波变换分解后每个分解尺度总的均值，由式(14)计算：

${\mathrm{\μ}}_{\left(i\right)}={[{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}^2+{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}^2+{\mathrm{\μ}}_{\mathrm{HL}\left(i\right)}^2]}^{\frac{1}{2}}---\left(14\right)$

μ_(i)为所述总的均值之一，i为Daubechies小波分解尺度值，μ_LH(i)为LH子带系数均值，μ_HH(i)为HH子带系数均值，μ_HL(i)为HL子带系数均值；

子带HH的系数方差σ可由式(15)计算：

${\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}^2=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left(\right|W_{\mathrm{HH}\left(i\right)}[m,n]|-{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)})}^2---\left(15\right)$

HH(i)为分解尺度值为i时HH子带，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，μ为相应的系数均值，其他子带系数方差可用相似的方法计算，

Daubechies小波变换分解后每个分解尺度总的方差，由式(16)计算：

${\mathrm{\σ}}_{\left(i\right)}^2={\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}^2+{\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}^2+{\mathrm{\σ}}_{\mathrm{HL}\left(i\right)}^2---\left(16\right)$

σ_(i)为分解尺度值为i时总的方差，i为Daubechies小波分解尺度值，σ_LH(i)为LH子带系数方差，σ_HH(i)为HH子带系数方差，σ_HL(i)为HL子带系数方差。

并构造成特征子向量P3＝[μ_(i)，σ_(i)]_{i＝1，2，3}；

步骤407，构造纹理特征向量P＝[P1，P2，P3]。

基于煤岩图像特征抽取以及分类识别的煤岩分界系统的工作过程分为四个阶段：设置、训练、测试和分类；步骤404、步骤405、步骤406和步骤407即为设置阶段，

在本实施例中，选择48个样本，烟煤、无烟煤、页岩和砂岩每个样本12张图像，6张放入训练集，另6张用作测试。图片为BMP格式，分辨率为247×215。采集采煤工作面的煤岩图像，抽取相应的纹理特征值，构造纹理特征向量

将特征向量输入分类器，可供用户选择的分类器有以下几种：概率神经网络(PNN)，径向基神经网络(RBF)，最小距离分类器(MDC)，极大似然分类器(MLC)和支持向量机等，用户可根据具体情况选择合适的分类器。默认分类器是支持向量机(SVM)，这是由于它计算速度快，且在处理高维混合特征上具有显著的优势。利用MATLAB软件结合林智仁博士开发的LibSVM软件包来解决SVM识别问题。

选择径向基核函数作为支持向量机的核函数，其表达式为

其中x，x’均为已知的煤岩训练图像样本特征向量，g为核函数宽度，对分类器参数进行初始设置；在训练阶段，根据初始设置以及煤岩图像训练样本特征向量进行交叉验证，并确定支持向量机的核心参数即核函数宽度和惩罚性参数；经过煤岩图像样本数据训练，确定g为7.6294e-006，惩罚性参数为5.6569，图5为基于支持向量机分类(SVC)的参数选择结果图，横坐标c为惩罚性参数，纵坐标g为核函数宽度。在测试阶段，根据核函数宽度和惩罚性参数对整个训练集进行训练获取支持向量机模型，利用获取的模型分别对训练样品图像和测试样品图像的纹理特征向量所组成的数据集进行测试，获得训练样本准确率达到100％，测试样本准确率达到97.9592％；在分类阶段，根据测试样本准确率对待分类样品图像进行预测。

Claims (10)

1.一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法，其特征在于，包括以下步骤：

A.在采煤工作面分别采集多幅煤、岩的图像，并将其分为训练样品图像、测试样品图像；

B.计算训练样品图像和测试样品图像的纹理图像特征值，并构造成特征子向量P1；

C.将训练样品图像和测试样品图像进行Daubechies小波变换；对每个分解尺度的低频系数图像计算其角二阶矩、对比度、相关、均值、方差，并构造成特征子向量P2；同时计算每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差，并构造成特征子向量P3；

D.构造纹理特征向量；

E.将纹理特征向量输入分类器，可供用户选择的分类器有以下几种：概率神经网络(PNN)，径向基神经网络(RBF)，最小距离分类器(MDC)，极大似然分类器(MLC)和支持向量机等，用户可根据具体情况选择合适的分类器；

F.对分类器进行设置、训练和测试，然后输入待分类识别的样品图像纹理特征向量进行分类，得到最后的分类结果。

2.根据权利要求1所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法，其特征在于，所述步骤B中的纹理图像特征值分别为角二阶矩、对比度、相关、均值、方差。

3.根据权利要求1所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法，其特征在于，所述步骤C中Daubechies小波变换的分解尺度为三。

4.根据权利要求1所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法，其特征在于，所述步骤D中纹理特征向量的具体表达式为P＝[P1，P2，P3]。

5.根据权利要求1所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法，其特征在于，所述步骤E中选择支持向量机为默认分类器。

6.根据权利要求5所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法，其特征在于，所述支持向量机采用径向基(RBF)核函数，经过交叉验证获得其最佳惩罚性参数为5.6569，核函数的宽度为7.6294e-006。

7.一种基于煤岩图像特征抽取以及分类识别的煤岩分界系统，其特征在于，所述系统包括图像采集模块、特征模块、分类识别模块、结果显示交互模块、存储模块和中央控制模块；所述图像采集模块用于产生照射煤岩的光源以及采集煤岩图片；所述特征模块用于煤岩图像纹理特征值的抽取，纹理特征值包括两部分，其一为未经Daubechies小波变换的图像样品纹理图像特征值分别为角二阶矩、对比度、相关、均值、方差，其二为经过Daubechies小波变换分解之后，每个分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差以及每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差；所述分类识别模块利用煤岩样品纹理图像特征值构造纹理特征向量P＝[P1，P2，P3]，其中特征子向量P1由包括训练样品图像和测试样品图像未进行小波分解时的角二阶矩、对比度、相关、均值、方差进行构造，特征子向量P2由包括将训练样品图像和测试样品图像进行小波分解之后的每个分解尺度的低频系数图像的角二阶矩、对比度、相关、均值、方差进行构造，特征子向量P3由包括将训练样品图像和测试样品图像进行小波分解之后的每个分解尺度水平、垂直和对角三个方向的高频系数图像的总均值和总方差进行构造，并选择支持向量机为默认分类器并对其进行设置、训练和测试从而实现对待分类煤岩图像的识别；所述结果显示交互模块用于显示煤岩图像和煤岩图像特征抽取以及分类识别结果，并接受操作者对系统工作状态的设置和对样本数据的输入；所述存储模块用于存储图像数据以及其他数据；所述中央控制模块用于执行指令以控制和管理整个基于煤岩图像特征抽取以及分类识别的煤岩分界系统。

8.根据权利要求7所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界系统，其特征在于，所述图像采集模块包括由多组LED阵列加装漫反射板均匀对称的布置在半球面上的高亮度白光照明灯和一个配备电荷耦合器件的网络人摄像机；照明灯的强度和LED阵列的数量由中央控制模块进行控制；电荷耦合器件网络人摄像机上下左右旋转度数、调焦、曝光、以及图像采集均由中央控制模块进行控制。

9.根据权利要求7所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界系统，其特征在于，所述中央控制模块用于控制和管理图像采集模块、特征模块、特征分类识别模块、结果显示交互模块和存储模块；中央控制模块可以为硬件电路、工控机、服务器、计算机或嵌入式系统。

10.根据权利要求7所述的一种基于煤岩图像特征抽取以及分类识别的煤岩分界系统，其特征在于，基于煤岩图像特征抽取以及分类识别的煤岩分界系统的工作过程分为四个阶段：设置、训练、测试和分类；在设置阶段，采集采煤工作面的煤岩图像，抽取相应的纹理特征值，构造纹理特征向量，选择支持向量机为默认分类器，对分类器参数进行初始设置；在训练阶段，根据初始设置以及煤岩图像训练样本特征向量进行交叉验证，并确定支持向量机的核心参数即核函数宽度和惩罚性参数；在测试阶段，根据核函数宽度和惩罚性参数建立向量机模型并分别对训练样品图像和测试样品图像的纹理特征向量所组成的数据集进行测试，分别得到训练样品图像的识别准确率和测试样品图像的识别准确率；在分类阶段，根据测试样品图像准确率对待分类样品图像进行预测。

Images