CN103927514A - 一种基于随机局部图像特征的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于随机局部图像特征识别煤岩的方法，该方法用随机局部图像特征来描述煤、岩石图像，用聚类算法选择煤、岩石训练样本的随机局部图像特征作为基元字典，然后用最邻近规则对选定的煤、岩石样本图像的随机局部图像特征用基元字典标注，煤、岩石的一张样本图像的基元频率统计正则直方图表达了煤、岩石的一个模式，用多个模式表达煤、岩石特征；在识别时，待识别图像用与训练图像同样的方法抽取随机局部图像特征和建立直方图，然后和训练阶段学习到的模式进行比较，用巴氏系数来度量，用最近邻准则来识别。该方法用了不同种类的煤、岩石在不同光线、不同视点下的图像作为训练样本，因而受光照和成像视点变化影响小，不受煤、岩石种类变化的影响，识别率高，稳定性好。

Description

一种基于随机局部图像特征的煤岩识别方法

技术领域

本发明涉及一种基于随机局部图像特征的煤岩识别方法，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石对象为煤或岩石。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。 

已有的基于图像的煤岩识别方法对成像条件如光照、视点等敏感，若待识别的煤或岩石图像成像条件与训练时的煤或岩石样本图像成像条件不同时，识别率大大降低；另外，若待识别的煤、岩石种类发生改变时，需要重新取样煤、岩石样本图像对识别器进行训练。 

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，以提高煤岩识别率和识别稳定性。 

发明内容

因此，本发明的目的在于提供一种基于随机局部图像特征的煤岩识别方法，该识别方法受光照和成像视点变化影响小，不受煤、岩石种类变化的影响，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可靠的煤岩识别信息。 

根据一种实施例形式，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.分别采集像素大小为N的煤样本图像集和岩石样本图像集分别提取两个 样本集中每张图像I_c和I_r的随机局部图像特征{x_i}_c和{x_i}_r，构成训练集和

B.用K-means聚类方法分别对随机局部图像特征集和进行聚类运算，分别得到Q个聚类中心作为基元，合并成2Q大小的基元字典TD； 

C.分别从煤样本图像集和岩石样本图像集中选取特定样本图像M张，将选定的每一张图像的随机局部图像特征x_i用基元字典TD中与其最近的基元标注，计算每个基元出现的频率，作归一化直方图，即为该张图像的基元直方图，煤的M张图像的基元直方图构成煤的模式岩石的M张图像的基元直方图构成岩的模式

D.给定未知煤岩对象图像I_x，用与步骤A中相同的方法提取I_x的随机局部图像特征{x_i}_x，用与步骤C中相同的方法计算I_x基元直方图h_x，用巴氏系数度量h_x与煤和岩石模式距离，若maxd(h_x，h_cm)＜maxd(h_x，h_rm)，则为煤，否则为岩石，计算公式如下： 

$d(h_x,h)=\underset{u=1}{\overset{2Q}{\mathrm{\Σ}}}\sqrt{h_{x,u}{h}_u},h\∈\{H_c\∪H_r\};$

其中，步骤A中所述每张图像的随机局部图像特征{x_i}提取过程如下： 

(1)对每张样本图像，在每个像素位置以其为中心取其周围大小为的图像块p_j，j为图像块索引，将图像块p_j中像素灰度值记录成长度为n的向量，所有图像块p_j矢量表示为P={p₁，p₂，...p_L}^T，L为图像块维数； 

(2)对P进行χ=ΨP操作，其中Ψ∈R^m×L为随机测量矩阵，其元素r_ij为： 

$r_{\mathrm{ij}}=\sqrt{\mathrm{\ρ}}\×\left\{\begin{array}{cccc}1& \mathrm{with}& \mathrm{probability}& \frac{1}{2\mathrm{\ρ}}\\ 0& \mathrm{with}& \mathrm{probability}& 1-\frac{1}{\mathrm{\ρ}}\\ -1& \mathrm{with}& \mathrm{probability}& \frac{1}{2\mathrm{\ρ}}\end{array}\right.$

α=常数，表示Ψ中每一行非零元素个数，x_i=Σ_jr_ijp_j，x_i∈Rⁿ，χ＝{x₁，x₂，...，x_m}^T，m表示该张图像中随机局部图像特征维数； 

(3)将x_i归一化为单位长度向量。 

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是本发明所述煤岩识别方法的基本流程； 

图2是图像块的向量表示； 

具体实施方式

通过对煤、岩石块状样本的观察，煤和岩石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。煤和岩石在纹理上的互异性为煤岩识别的实现提供了先决条件。然而，成像传感器所成图像不仅与物体表面纹理、反射率、成像传感器本身有关，还与光照以及成像视点有关，这使得一方面当光照和成像视点发生变化时，同一块煤或岩石所成图像有很大的不同，另一方面煤和岩石在不同成像条件下所成图像有时也表现出非常相似。因此，本发明提出一种基于随机局部图像特征的煤岩识别方法，目的在于当所成图像的光线和视点发生变化时也能有效地识别煤或者岩石。 

首先对基于随机局部图像特征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.在不同光照、不同位置拍摄常见煤的样本图像如烟煤、无烟煤等，常见顶底板岩石样本图像如页岩、沙岩等，如本发明中每个样品拍9张(相机位置不变，样品放在3个不同位置，变化光照3次)，将所有图像裁减成像素大小为N的图像，如200×200图像，像素大小N则为40000，对裁减后的每一张图像进行预处理，如本发明处理成0均值、单位方差的灰度图像，这样使得图像中的像素灰度值对光照的变化具有不变性；处理后的煤、岩石样本图像分别构成煤样本图像集和岩石样本图像集分别提取两个样本集中每张图像I_c和I_r的随机局部图像特征{x_i}_c和{x_i}_r，构成训练集和

每张图像的随机局部图像特征{x_i}提取过程如下： 

(1)对每张样本图像，在每个像素位置以其为中心取其周围大小为的图像块p_j，j为图像块索引，将图像块p_j中像素灰度值记录成长度为n的向量，所有图像块p_j向量表示为P={p₁，p₂，...p_L}^T，L表示图像块维数。 

大小为的图像块可取3×3、5×5、7×7、9×9或11×11等，图像块p_j向量如图2所示，p_j＝(i₁，i₂，...i_n-1，i₀)，其中，i₀为图像块p_j中心像素的灰度值。 

如上所述，所有图像块向量即为图像的特征向量，这样图像特征维数非常高，为减小计算和存贮负担，而又不丢失图像信息，利用压缩感知原理对图像特征空间进行降维。 

矩阵中元素r_ij满足式(1)的随机测量矩阵Ψ∈R^m×L，m＜＜L已被证明满足压缩感知原理的约束等距性RIP，满足RIP的随机测量矩阵能捕捉绝大多数原图像中的显著性信息。 

$r_{\mathrm{ij}}=\sqrt{\mathrm{\ρ}}\×\left\{\begin{array}{cccc}1& \mathrm{with}& \mathrm{probability}& \frac{1}{2\mathrm{\ρ}}\\ 0& \mathrm{with}& \mathrm{probability}& 1-\frac{1}{\mathrm{\ρ}}\\ -1& \mathrm{with}& \mathrm{probability}& \frac{1}{2\mathrm{\ρ}}\end{array}\right.---\left(1\right)$

(2)对P进行χ=ΨP操作，取α＝常数，表示Ψ中每一行非零元素个数，x_i=∑_jr_ijp_j为非零元素对应的图像块向量加权和，权值为+1或者-1，x_i∈Rⁿ，χ={x₁，x₂，...，x_m}^T，m表示该张图像中随机局部图像特征维数。 

在本发明中，取α=0.4，m=N／4； 

随机测量矩阵Ψ生成后即不变，作用于所有训练图像和测试图像。 

(3)将x_i归一化为单位长度向量。 

B.用K-means聚类方法，分别对随机局部图像特征集和进行聚类运算，分别得到Q={q₁，...q_Q}，q_k∈R^n×1个聚类中心作为基元，如Q＝20，合并成2Q大小的基元字典TD，聚类准则为： 

$O(\mathrm{\χ},Q)=\frac{1}{S.m}\underset{j=1}{\overset{S.m}{\mathrm{\Σ}}}\underset{1\≤u\≤Q}{\min }{\left|\right|x_j-q_u\left|\right|}^2$

C.分别从煤样本图像集和岩石样本图像集中抽取特定的样本图像M张，如抽取烟煤、无烟煤、页岩、沙岩、图像各3张共12张，其中每2张的抽取可以是随机的。将选定的每一张图像的随机局部图像特征x_i用基元字典TD中与其最近的基元标注，计算每个基元出现的频率，作归一化直方图，即为该张图像的基元直方图，煤的M张图像的基元直方图构成煤的模式岩石的M张图像的基元直方图构成岩的模式

D.给定未知煤岩对象图像I_x，用与步骤A中相同的方法提取I_x的随机局部图像特征{x_i}_x，即用步骤(1)、(2)和(3)提取，用与步骤C中相同的方法计算I_x纹理基元直方图h_x，用巴氏系数度量h_x与煤和岩石模式距离，若maxd(h_x，h_cm)＜maxd(h_x，h_rm)，则为煤，否则为岩石，计算公式如下： 

$\begin{array}{cc}d(h_x,h)=\underset{u=1}{\overset{2Q}{\mathrm{\Σ}}}\sqrt{h_{x,u}{h}_u},& h\∈\{H_c\∪H_r\}.\end{array}$

Claims (1)

1.一种基于随机局部图像特征的煤岩识别方法，其特征在于，包括以下步骤：

A.分别采集像素大小为N的煤样本图像集和岩石样本图像集分别提取两个样本集中每张图像I_c和I_r的随机局部图像特征{x_i}_c和{x_i}_r，构成训练集和

B.用K-means聚类方法分别对随机局部图像特征集和进行聚类运算，分别得到Q个聚类中心作为基元，合并成2Q大小的基元字典TD；

C.分别从煤样本图像集和岩石样本图像集中选取特定样本图像M张，将选定的每一张图像的随机局部图像特征x_i用基元字典TD中与其最近的基元标注，计算每个基元出现的频率，作归一化直方图，即为该张图像的基元直方图，煤的M张图像的基元直方图构成煤的模式岩石的M张图像的基元直方图构成岩的模式

D.给定未知煤岩对象图像I_x，用与步骤A中相同的方法提取I_x的随机局部图像特征{x_i}_x，用与步骤C中相同的方法计算I_x基元直方图h_x，用巴氏系数度量h_x与煤和岩石模式距离，若maxd(h_x，h_cm)＜maxd(h_x，H_rm)，则为煤，否则为岩石，计算公式如下：

$d(h_x,h)=\underset{u=1}{\overset{2Q}{\mathrm{\Σ}}}\sqrt{h_{x,u}{h}_u},h\∈\{H_c\∪H_r\};$

其中，步骤A中所述每张图像的随机局部图像特征{x_i}提取过程如下：

(1)对每张样本图像，在每个像素位置以其为中心取其周围大小为的图像块p_j，j为图像块索引，将图像块p_j中像素灰度值记录成长度为n的向量，所有图像块p_j向量表示为P={p₁，p₂，...p_L}^T，L为图像块维数；

(2)对P进行χ=ΨP操作，其中Ψ∈R^m×L为随机测量矩阵，其元素r_ij为：

$r_{\mathrm{ij}}=\sqrt{\mathrm{\ρ}}\×\left\{\begin{array}{cccc}1& \mathrm{with}& \mathrm{probability}& \frac{1}{2\mathrm{\ρ}}\\ 0& \mathrm{with}& \mathrm{probability}& 1-\frac{1}{\mathrm{\ρ}}\\ -1& \mathrm{with}& \mathrm{probability}& \frac{1}{2\mathrm{\ρ}}\end{array}\right.$

α=常数，表示Ψ中每一行非零元素个数，x_i=Σ_jr_ijp_j，x_i∈Rⁿ，χ＝{x₁，x₂，...，x_m}^T，m表示该张图像中随机局部图像特征维数；

(3)将x_i归一化为单位长度向量。