CN103927528B - 基于紧邻域像素灰度联合分布特征的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于紧邻域像素灰度联合分布特征的煤岩识别方法，该方法用紧邻域像素灰度联合分布特征来描述煤、岩图像特征信息，用学习向量量化方法抽取煤岩特征信息空间关键字向量，用关键字向量直方图表征煤岩在不同形态下的模式；在识别时，待识别图像用与训练图像同样的方法抽取图像特征信息和建立直方图，然后和训练阶段学习到的模式进行比较，用G统计来度量，用最近邻准则来识别。该方法用了煤、岩在不同照度、不同视点下的图像作为训练样本，受照度和成像视点变化影响小，识别率高，稳定性好。

Description

基于紧邻域像素灰度联合分布特征的煤岩识别方法

技术领域

本发明涉及一种基于紧邻域像素灰度联合分布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。

通过对煤、岩石块状样本的观察，发现煤和岩石的表面纹理在粗糙程度、稀疏程度、纹理变化的均匀性、沟纹的深浅等方面都有很大差异，据此，利用煤岩图像纹理特征来识别煤岩的方法已提出，如基于灰度共生统计特征的煤岩识别方法，灰度共生统计方法将煤岩纹理表面看作二维纹理来处理，而事实上煤岩纹理表面凹凸不平，具有典型的三维纹理特征，三维纹理表面当视点和照度发生变化时，视觉表面会发生很大的变化。在煤炭生产中需要煤、岩识别的工作场合如工作面、掘进面等，照度变化往往很平常，成像传感器的视点也在较大范围内变化，而二维纹理模型对照度、视点变化不具备鲁棒性，因而识别不稳定，识别率不高。

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紧邻域像素灰度联合分布特征的煤岩识别方法，该识别方法受照度和成像视点变化影响小，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了可靠的煤岩识别信息。

根据一种实施例形式，提供一种基于紧邻域像素灰度联合分布特征的煤岩识别方法，包括如下步骤：

A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B

将采集的每一张煤、岩样本图像，在图像的中心截取像素大小为N的子图像，并将每张子图像的灰度归一化为零均值和单位方差(若是彩色图像先转换成灰度图像)，选择处理过的一部分图像作为训练集SET_A，别一部分作为测试集SET_B；

B.提取训练集SET_A和测试集SET_B中图像的特征信息向量

分别提取训练集SET_A和测试集SET_B中每张煤图像I_c和每张岩图像I_r的特征信息向量{x_i}_c和{x_i}_r，所述特征信息向量x_i∈Rⁿ为该图像中像素的紧邻域内的n个像素灰度的联合分布，即x_i＝{I₁，..I_n-1，I_i}，I_i为像素(i，j)的灰度值，I₁，...，I_n-1为像素(i，j)邻域像素的灰度值，将x_i归一化；

C.从图像特征信息向量空间中提取K个关键字向量{w₁，w₂，...w_K}，w_i∈Rⁿ

利用训练集中的特征信息向量{{x_i}_c，{x_i}_r}_{SET_A}，首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位，再用LVQ2训练算法对关键字向量位置进行细调节，用测试集SET_B特征信息向量{{x_i}_c，{x_i}_r}_{SET_B}对LVQ2的训练结果进行精度测试，直至所提取的K个关键字向量满足识别精度要求为止；

D.将煤、岩模式用关键字向量直方图表征

从训练集SET_A中分别选取煤、岩图像各M张，将选定的每一张图像的特征信息向量x_i用与其最邻近的关键字向量标注，计算每个关键字向量出现的次数，作相对图像总标注像素的归一化直方图，煤的M张图像对应煤的M个模式{H_c}_M，岩的M张图像对应岩的M个模式{H_r}_M；

E.识别未知煤岩对象图像I_x

给定未知煤岩对象图像I_x，用与步骤A相同的方法进行预处理，用与步骤B中相同的方法提取I_x的特征信息{x_i}_x，用与D中相同的方法对x_i进行标注，计算I_x关键字归一化直方图H_x，用对数似然率即G统计度量H_x与煤和岩石模式距离，计算公式如下：

$G(H_x,H)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{H}_{\mathrm{xk}}\log H_k,H\∈\{{\left\{H_c\right\}}_M,{\left\{H_r\right\}}_M\}$

其中，H_xk为待识别图像第k个关键字向量的概率，H_k为煤模式或者岩模式第k个关键字向量的概率。使G(H_x，H)最大的模式即为待识别对象的模式。

在进一步特定的但非限制性的形式中，步骤B中像素紧邻域大小为以该像素为中心的3×3或5×5或7×7像素区域。

优选地，步骤B中像素紧邻域大小为以该像素为中心的3×3像素区域。

优选地，步骤B中紧邻域内像素灰度联合分布归一化方法为

有利的是，步骤B中紧邻域内像素灰度联合分布归一化方法为

优选地，步骤D中最邻近关键字向量用余弦函数度量，即：

$\max \mathrm{sim}(w_i,x)=\frac{{\mathrm{\Σ}}_{k=1}^n{w}_{\mathrm{ik}}\·x_k}{\sqrt{{\mathrm{\Σ}}_{k=1}^n{w}_{\mathrm{ik}}^2}\sqrt{{\mathrm{\Σ}}_{k=1}^n{x}_k^2}}$

有利的是，步骤D中最邻近关键字向量用欧氏距离度量。

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是紧邻域内像素灰度联合分布的向量表示。

图3是K个关键字向量提取流程。

具体实施方式

图1是基于紧邻域像素灰度联合分布特征的煤岩识别方法的基本流程，参见图1进行具体描述。

A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B

将从煤岩识别任务的现场如采煤工作面采集来的不同照度、不同视点的若干煤、岩样本图像，在图像的中心截取像素大小为N的子图像，如128×128像素大小，并将每张子图像的灰度归一化为零均值和单位方差，若是彩色图像，则用式I＝0.299R+0.587G+0.114R先将其转换为灰度图像，处理后的图像对照度的线性变换具有一定的鲁棒性。进一步地将每张子图像分成不相交的子块，如64×64像素大小，煤、岩分别选择如一半数量的子块作为训练集SET_A，另一半作为测试集SET_B；

B.提取训练集SET_A和测试集SET_B中图像的特征信息向量

分别提取训练集SET_A和测试集SET_B中每张煤图像I_c和每张岩图像I_r的特征信息向量{x_i}_c和{x_i}_r，图像的特征信息向量x_i∈Rⁿ为该图像中像素的紧邻域内的n个像素灰度的联合分布，像素的紧邻域指以该像素为中心的方块区域内像素，如3×3或5×5或者7×7像素区域，优选3×3，因为小的像素邻域已包含了足够的纹理鉴别信息，低维空间数据在量化过程中不易出现过拟合。将像素(i，j)邻域内像素灰度值按行记录成向量如图2所示，即x_i＝{I₁...I_n-1，I_i}，I_i为像素(i，j)的灰度值，I₁，...，I_n-1为像素(i，j)邻域像素的灰度值，为增强信息的可鉴别性，将x_i进行对比度归一化，归一化方法为但用单位范数归一化，即也能得到所需要的识别精度。

C.从图像特征信息向量空间中提取K个关键字向量{w₁，w₂，...w_K}，w_i∈Rⁿ

利用训练集中的特征信息向量{{x_i}_c，{x_i}_r}_{SET_A}，首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位，再用LVQ2训练算法对关键字向量位置进行细调节，用测试集SET_B特征信息向量{{x_i}_c，{x_i}_r}_{SET_B}对LVQ2的训练结果进行精度测试，直至所提取的K个关键字向量满足识别精度要求为止，其流程如图3所示。首先输入初始参数值，这些参数包括输入数据维数，输出的类别数，每类的关键字向量个数，初始关键字向量等，关键字向量个数根据训练样的大小，以及直方图统计稳定性要求等来设置，初始关键字向量可从训练样中选择；输入OLVQ1的学习速率、叠代次数，根据经验，优化的学习速率设置为0.1，叠代次数设置为1000；输入LVQ2的学习速率、叠代次数，优化的学习速率设置为0.08，叠代次数设置为2000；OLVQ1训练开始，当OLVQ1达到设定的叠代次数后，LVQ2开始训练，OLVQ1用来找与输入向量最靠近的关键字向量并且调节关键字向量位置，最近的关键字向量用余弦函数度量，即两个向量越相似，它们间的夹角越小，其余弦函数值越大，亦可用欧氏距离度量，调整规则是如果输入向量和关键字向量为同一类，则关键字向量向输入向量靠近，否则远离输入向量；LVQ2用来调整最近和次最近的关键字向量位置，当输入向量和最近的关键字向量不同类、和次最近的关键字向量同类并且位于决策边界错误的一边时，最近的关键字向量向远离输入向量的方向移动，次最近的关键字向量向靠近输入向量的方向移动；当LVQ2达到设定的叠代次数后，用测试集{{x_i}_c，{x_i}_r}_{SET_B}检测训练的精度，若达到了所设定的识别精度，则输出关键字向量训练结束，若没有达到所设定的识别精度，则将每类关键字向量加1，继续训练，期望的精度可设置在98％～100％之间，一般只运行OLVQ1向量量化训练算法也能达到所要求的识别精度。

D.将煤、岩模式用关键字向量直方图表征

从训练集SET_A中分别选取煤、岩图像各M张，将选定的每一张图像的特征信息向量x_i用与其最邻近的关键字向量标注，计算每个关键字向量出现的次数，作相对图像总标注像素的归一化直方图，煤的M张图像对应煤的M个模式{H_c}_M，岩的M张图像对应岩的M个模式{H_r}_M；

判断最邻近的关键字向量可用余弦函数度量，即：

$\max \mathrm{sim}(w_i,x)=\frac{{\mathrm{\Σ}}_{k=1}^n{w}_{\mathrm{ik}}\·x_k}{\sqrt{{\mathrm{\Σ}}_{k=1}^n{w}_{\mathrm{ik}}^2}\sqrt{{\mathrm{\Σ}}_{k=1}^n{x}_k^2}}$

两个向量越相似，它们间的夹角越小，其余弦函数值越大。为简少运算量，亦可用欧氏距离度量。

E.识别未知煤岩对象图像I_x

给定未知煤岩对象图像I_x，用与步骤A相同的方法进行预处理，用与步骤B中相同的方法提取I_x的特征信息{x_i}_x，用与D中相同的方法对x_i进行标注，计算I_x关键字归一化直方图H_x，用对数似然率即G统计度量H_x与煤和岩石模式距离，计算公式如下：

$G(H_x,H)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{H}_{\mathrm{xk}}\log H_k,H\∈\{{\left\{H_c\right\}}_M,{\left\{H_r\right\}}_M\}$

其中，H_xk为待识别图像第k个关键字向量的概率，H_k为煤模式或者岩模式第k个关键字向量的概率。使G(H_x，H)最大的模式即为待识别对象的模式。

Claims (6)

1.一种基于紧邻域像素灰度联合分布特征的煤岩识别方法，其特征在于，包括以下步骤：

A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B

将采集的每一张煤、岩样本图像，在图像的中心截取像素大小为N的子图像，并将每张子图像的灰度归一化为零均值和单位方差，选择处理过的一部分图像作为训练集SET_A，另一部分作为测试集SET_B；

B.提取训练集SET_A和测试集SET_B中图像的特征信息向量

分别提取训练集SET_A和测试集SET_B中每张煤图像I_c和每张岩图像I_r的特征信息向量{x_i}_c和{x_i}_r，所述{x_i}_c和{x_i}_r中的特征信息向量x_i∈Rⁿ为该图像中像素的紧邻域内的n个像素灰度的联合分布，即x_i＝{I₁，...，I_n-1，I_i}，I_i为像素(i，j)的灰度值，I₁，...，I_n-1为像素(i，j)邻域像素的灰度值，将x_i归一化；

C.从图像特征信息向量空间中提取K个关键字向量{w₁，w₂，...，w_K}，w_s∈Rⁿ

利用训练集中的特征信息向量{{x_i}_c，{x_i}_r}_{SET_A}，首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位，再用LVQ2训练算法对关键字向量位置进行细调节，用测试集SET_B特征信息向量{{x_i}_c，{x_i}_r}_{SET_B}对LVQ2的训练结果进行精度测试，直至所提取的K个关键字向量{w₁，w₂，...，w_K}满足识别精度要求为止；

D.将煤、岩模式用关键字向量直方图表征

从训练集SET_A中分别选取煤、岩图像各M张，将选定的每一张图像的特征信息向量x_i用与其最邻近的关键字向量标注，计算每个关键字向量出现的次数，作相对该图像总标注像素的归一化直方图，煤图像的归一化直方图用H_c表示，岩图像的归一化直方图用H_r表示，煤模式为所选定的M张煤图像的归一化直方图H_c的集合，即{H_c}_M，岩模式为所选定的M张岩图像的归一化直方图H_r的集合，即{H_r}_M；

E.识别待识别图像

给定待识别图像，在图像的中心截取像素大小为N的子图像，并将子图像的灰度归一化为零均值和单位方差，记处理过后的子图像为I_x，用与步骤B中相同的方法提取I_x的特征信息向量{x_i}_x，用与D中相同的方法对x_i进行标注，计算I_x关键字归一化直方图H_x，用对数似然率即G统计度量H_x与煤和岩石模式距离，计算公式如下：

$G(H_x,H)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{H}_{xk}\log H_k,H\∈\{{\left\{H_c\right\}}_M,{\left\{H_r\right\}}_M\}$

其中，H_xk为待识别图像第k个关键字向量的概率，H_k为煤模式或者岩模式第k个关键字向量的概率，使G(H_x，H)最大的模式即为待识别图像模式。

2.根据权利要求1所述方法，其特征在于步骤B中像素紧邻域大小为以该像素为中心的3×3或5×5或7×7像素区域。

3.根据权利要求1所述方法，其特征在于步骤B中紧邻域内像素灰度联合分布归一化方法为

4.根据权利要求1所述方法，其特征在于步骤B中紧邻域内像素灰度联合分布归一化方法为

5.根据权利要求1所述方法，其特征在于步骤D中与特征信息向量x_i最邻近的关键字向量用余弦函数

$\max sim(w_s,x_i)=\frac{{\mathrm{\Σ}}_{t=1}^n{w}_{st}.x_{it}}{\sqrt{{\mathrm{\Σ}}_{t=1}^n{w}_{st}^2}\sqrt{{\mathrm{\Σ}}_{t=1}^n{x}_{it}^2}},s=1,2,\mathrm{...},K$

度量，其中，t为向量w_s和x_i的元素索引。

6.根据权利要求1所述方法，其特征在于步骤D中最邻近关键字向量用欧氏距离度量。