CN103927553A - 基于多尺度微纹理和对比度联合分布的煤岩识别方法 - Google Patents
基于多尺度微纹理和对比度联合分布的煤岩识别方法 Download PDFInfo
- Publication number
- CN103927553A CN103927553A CN201410184307.1A CN201410184307A CN103927553A CN 103927553 A CN103927553 A CN 103927553A CN 201410184307 A CN201410184307 A CN 201410184307A CN 103927553 A CN103927553 A CN 103927553A
- Authority
- CN
- China
- Prior art keywords
- coal
- sigma
- rock
- image
- pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 67
- 239000011435 rock Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003475 lamination Methods 0.000 title abstract 3
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度微纹理和对比度联合分布的煤岩识别方法,该方法用8个尺度的微纹理和相应尺度下的对比度联合分布特征来描述煤、岩图像特征信息,用Greedy算法选择煤岩模式;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,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。该方法受照度和成像视点变化影响小,识别率高,稳定性好。
Description
技术领域
本发明涉及一种基于多尺度微纹理和对比度联合分布的煤岩识别方法,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。
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。
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,用图像技术来识别煤岩的方法应运而生。
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,由于煤、岩表面反射率和平面法线在空域上的变化,使得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,而二维纹理模型如基于灰度共生统计特征的煤岩识别方法对照度、视点变化不具备鲁棒性,因而识别不稳定,识别率不高。
发明内容
因此,本发明的目的在于提供一种基于多尺度微纹理和对比度联合分布的煤岩识别方法,以提高识别稳定性和识别率,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,提供一种基于多尺度微纹理和对比度联合分布的煤、岩识别方法,包括学习和识别两个阶段:
在学习阶段包括以下步骤:
A.选择包含不同视角和照度条件下的煤、岩样本图像,抽取大小合适的子图像组成煤、岩样本学习集A和测试集B;
B.对煤岩样本学习集A和测试集B中的每张子图像用操作分别提取8个尺度下的微纹理特征和8个相应尺度下的对比度特征,将相同尺度下的微纹理特征和对比度特征的联合分布用离散的二维直方图表示,将8个二维直方图级连成一个直方图成为每张子图像特征,每张子图像特征代表煤或岩的一个模式;
C.利用测试集B用Greedy算法在学习集A中选择煤、岩模式;
在识别阶段:
D.对于给定的待识别煤或岩图像,用与学习阶段相同的方法处理图像得到图像特征,用G统计度量与步骤C所得到的煤、岩模式的相似性,使G最小的模式即为待识别对象所属的模式,计算公式为:
其中,S为待识别图像模式,m为煤或岩模式,n为模式单元个数,fi是在单元i中的个数。
在进一步特定的但非限制性的形式中,步骤B中对比度测量方法为:大于中心像素灰度值的邻域像素灰度的平均值与小于中心像素灰度值的邻域像素灰度的平均之差。
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是本发明的特征提取操作示意图。
图2是本发明所述煤、岩识别方法的基本流程图。
具体实施方式
在照度和视点发生变化时,煤、岩粗糙的纹理表面极大地影响了图像的灰度特性,使得煤、岩视觉表面看起来有很大的不同,因此煤、岩图像的纹理描述对于灰度不变性非常重要。
LBP操作在一个小的局部区域如3×3像素区域用中心像素的灰度值fc和它邻域的每一个像素的灰度值fp(p=0,1,..7)比较产生一个二值编码如式(1)所示
然后给每一个s(fp-fc)分配一个二项式因子2p,通过式(2)计算LBP,操作示例如图1(a)所示。
上面的这种操作它探测了很多不同的纹理基本结构单元如点、线段、边和角等,通过将这些基本结构单元出现的个数累加成一个直方图能获得优秀的纹理鉴别能力,更重要的是,从LBP操作的定义来看,它对光照的单调变化具有不变性并且计算简单。
LBP(P,R)表示在半径为R的圆上的等间隔P个邻域像素上的操作,在LBP(8,R)操作中,纹理图像的纹理信息如点、平坦区域、边和角等90%包含在最多只有2个从1→0或0→1位跳变的模式中,这种模式叫“U”模式,共包含有(p-1)P+2模式,其它的模式叫非“U”模式,定义如式(3)所示。
其中,
如果U(x)≤2,像素值用索引函数I(z)标注,I(z)的值为每个“U”模式的指示值,其它则分配一个(p-1)P+2的值。
LBP是一种非常有效的图像纹理表达,但在微小局部3×3区域的特征不能编码煤、岩比较大的纹理结构,多尺度不仅能编码煤、岩的微纹理结构也能编码纹理的宏结构,因此,更具鲁棒性。
同时,LBP描述了局部纹理的空域结构,但是没有考虑纹理的对比度,为此我们将两者联合起来,更增强纹理描述的鉴别能力。
有纹理的表面的纹理图像特征可用在不同照度和视角条件下的训练图像计算来的纹理基本结构单元和比对度联合分布统计直方图来表征,因此,基于多尺度微纹理和对比度联合分布的煤岩识别方法采用了如图2所示的流程。
在学习阶段包括以下步骤:
A.首先将从煤、岩识别任务的现场如采煤工作面采集来的不同照度、不同视点下的若干煤、岩样本图像,在图像的中心截取像素大小为N的子图像,如256×256像素大小,图像的大小根据所用的直方图的单元个数来决定,根据统计学的基本原则,应保证直方图的每个单元的实体平均数量在10个以上。直方图的单元个数也对特征的鉴别性能起了很关键的作用,太少则提供不了足够的鉴别能力,太多则要求图像很大增加计算负担,不然直方图会变得很稀疏因而统计的特征不稳定。我们采用的“U”模式有59个模式,对比度量化为32个单元。对于256×256像素大小的图像,在尺度大小为8个像素时,总共有(256-2×8)2像素个数的实体,这样纹理结构特征和对比度特征联合分布的二维直方图在每个单元上的实体数量平均至少有30个,因此,我们提取的特征具有足够的稳定性。将截取的煤、岩子图像组成煤、岩样本学习集A和测试集B;
B.对煤、岩样本学习集A和测试集B中的每张子图像用操作分别提取8个尺度下的微纹理特征和8个相应尺度下的对比度特征,将相同尺度下的微纹理特征和对比度特征的联合分布用离散的二维直方图表示,将8个二维分布的直方图级联成一个二维分布的直方图成为每张子图像特征,每张子图像特征代表煤或岩的一个模式。
对比度测量方法为:大于中心像素灰度值的邻域像素灰度的平均值与小于中心像素灰度值的邻域像素灰度的平均之差,如图1(b)所示。
C.利用测试集B用Greedy算法在学习集A中选择煤、岩模式,目的是使得煤、岩的模式表达尽可能少,以利于快速计算。算法初始化为模式数等于学习集中的图像数,然后在每一个迭代步用测试集B测试来去掉其中的一个模式,去掉的模式是当去掉该模式时分类精度降低最小,迭代直到再没有多余的模式。
在识别阶段:
D.对于给定的待识别煤或岩图像,用与学习阶段相同的方法处理图像得到图像特征,用G统计度量与步骤C所得到的煤、岩模式的相似性,使G最小的模式即为待识别对象所属的模式,计算公式为:
其中,S为待识别图像模式,m为煤或岩模式,n为模式单元个数,fi是在单元i中的个数。
Claims (2)
1.基于多尺度微纹理和对比度联合分布的煤岩识别方法,包括学习阶段和识别阶段,其特征在于:
在学习阶段包括以下步骤:
A.选择包含不同视角和照度条件下的煤岩样本图像,抽取大小合适的子图像组成煤岩样本学习集A和测试集B;
B.对煤岩样本学习集A和测试集B中的每张子图像用操作分别提取8个尺度下的微纹理特征和8个相应尺度下的对比度特征,将相同尺度下的微纹理特征和对比度特征联合分布用离散的二维直方图表示,将8个二维直方图级连成一个直方图成为每张子图像特征,每张子图像特征代表煤或岩的一个模式;
C.利用测试集B用Greedy算法在学习集A中选择煤岩模式;
在识别阶段:
D.对于给定的待识别煤岩图像,用与学习阶段相同的方法处理图像得到图像特征,用G统计度量与步骤C所得到的煤岩模式的相似性,使G最小的模式即为待识别对象所属的模式,计算公式为:
其中,S为待识别图像模式,m为煤或岩的模式,n为模式单元个数,fi是在单元i中的个数。
2.根据权利要求1所述的方法,其特征在于步骤B中对比度测量方法为:大于中心像素灰度值的邻域像素灰度的平均值与小于中心像素灰度值的邻域像素灰度的平均之差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184307.1A CN103927553B (zh) | 2014-05-05 | 2014-05-05 | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184307.1A CN103927553B (zh) | 2014-05-05 | 2014-05-05 | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927553A true CN103927553A (zh) | 2014-07-16 |
CN103927553B CN103927553B (zh) | 2017-02-15 |
Family
ID=51145769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410184307.1A Active CN103927553B (zh) | 2014-05-05 | 2014-05-05 | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927553B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134074A (zh) * | 2014-07-31 | 2014-11-05 | 中国矿业大学 | 一种基于激光扫描的煤岩识别方法 |
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN104376313A (zh) * | 2014-12-10 | 2015-02-25 | 中国矿业大学(北京) | 用图像局部曲线方向分布识别煤岩的方法 |
CN104463098A (zh) * | 2014-11-04 | 2015-03-25 | 中国矿业大学(北京) | 用图像的结构张量方向直方图特征识别煤岩 |
CN104732239A (zh) * | 2015-04-08 | 2015-06-24 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN106645145A (zh) * | 2016-10-11 | 2017-05-10 | 山东为华智能设备制造有限公司 | 一种用表面结构和纹理对煤和煤矸石及铁块识别的技术 |
CN107169524A (zh) * | 2017-05-31 | 2017-09-15 | 中国矿业大学(北京) | 基于完备局部二值模式重构残差的煤岩识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN103530621A (zh) * | 2013-11-04 | 2014-01-22 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
CN103593656A (zh) * | 2013-11-22 | 2014-02-19 | 四川大学 | 基于局部二值模式的视频中人群运动模式识别定位方法 |
-
2014
- 2014-05-05 CN CN201410184307.1A patent/CN103927553B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN103530621A (zh) * | 2013-11-04 | 2014-01-22 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
CN103593656A (zh) * | 2013-11-22 | 2014-02-19 | 四川大学 | 基于局部二值模式的视频中人群运动模式识别定位方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134074A (zh) * | 2014-07-31 | 2014-11-05 | 中国矿业大学 | 一种基于激光扫描的煤岩识别方法 |
CN104134074B (zh) * | 2014-07-31 | 2017-06-23 | 中国矿业大学 | 一种基于激光扫描的煤岩识别方法 |
CN104463098A (zh) * | 2014-11-04 | 2015-03-25 | 中国矿业大学(北京) | 用图像的结构张量方向直方图特征识别煤岩 |
CN104463098B (zh) * | 2014-11-04 | 2018-01-30 | 中国矿业大学(北京) | 用图像的结构张量方向直方图特征识别煤岩 |
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN104376313A (zh) * | 2014-12-10 | 2015-02-25 | 中国矿业大学(北京) | 用图像局部曲线方向分布识别煤岩的方法 |
CN104376313B (zh) * | 2014-12-10 | 2017-05-17 | 中国矿业大学(北京) | 用图像局部曲线方向分布识别煤岩的方法 |
CN104732239A (zh) * | 2015-04-08 | 2015-06-24 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN104732239B (zh) * | 2015-04-08 | 2018-04-03 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN106645145A (zh) * | 2016-10-11 | 2017-05-10 | 山东为华智能设备制造有限公司 | 一种用表面结构和纹理对煤和煤矸石及铁块识别的技术 |
CN107169524A (zh) * | 2017-05-31 | 2017-09-15 | 中国矿业大学(北京) | 基于完备局部二值模式重构残差的煤岩识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927553B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927553A (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
CN102768022B (zh) | 采用数码照相技术的隧道围岩变形检测方法 | |
CN107292310B (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN101539629B (zh) | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN103886612B (zh) | 一种基于水库监控摄像头的水位自动提取方法及系统 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN103927514B (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
CN102043958B (zh) | 一种高分辨率遥感图像多类目标检测识别方法 | |
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
CN104751192A (zh) | 基于图像块共生特征的煤岩识别方法 | |
CN104112279B (zh) | 一种目标检测方法及装置 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN115035182B (zh) | 一种山区滑坡灾害预警方法及系统 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN104848917B (zh) | 一种用于玻璃水槽内水位分析的图像测量方法 | |
CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN104778461A (zh) | 基于相似测度学习的煤岩识别方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN106682668A (zh) | 一种使用无人机标记影像的输电线路地质灾害监测方法 | |
TW201544830A (zh) | 人工智能地震判斷方法及地震偵測系統 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |