CN104732239A - 基于小波域非对称广义高斯模型的煤岩分类方法 - Google Patents
基于小波域非对称广义高斯模型的煤岩分类方法 Download PDFInfo
- Publication number
- CN104732239A CN104732239A CN201510161733.8A CN201510161733A CN104732239A CN 104732239 A CN104732239 A CN 104732239A CN 201510161733 A CN201510161733 A CN 201510161733A CN 104732239 A CN104732239 A CN 104732239A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- alpha
- msup
- 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 92
- 239000011435 rock Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 101000912561 Bos taurus Fibrinogen gamma-B chain Proteins 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了基于小波域非对称广义高斯模型的煤岩分类方法。在样本训练阶段,获取尺寸相同且不含背景的m幅已知煤炭样本图像和m幅已知岩石样本图像,对每幅图像进行小波变换图像分解,计算每幅图像的每个小波系数子带在服从非对称广义高斯分布条件下的参数,用每幅图像的所有参数构造一个训练样本特征列向量;在煤岩识别阶段,采集得到与训练样本图像尺寸相同且不含背景的未知类别煤岩图像ux,对ux进行小波变换图像分解,计算ux的每个小波系数子带在服从非对称广义高斯分布条件下的参数,构造特征列向量通过比较与训练样本特征列向量之间的相似度判断ux所属的煤岩类型。本发明可靠性好,分类准确率高,软硬件维护方便。
Description
技术领域
本发明涉及一种基于小波域非对称广义高斯模型的煤岩分类方法,用于区分煤炭生产过程中产生的煤炭与岩石,属于图像模式识别技术领域。
背景技术
煤岩分类也称为煤岩识别,是指通过各种技术手段自动判别出煤炭与岩石。在煤炭资源开采及运输过程中,存在许多生产环节需要判别区分煤炭与岩石,如采煤机滚筒高度调节、综采放顶煤过程控制、选煤厂原煤选矸等。南非、澳大利亚、德国、美国、中国等世界各主要产煤国家一直都非常重视对煤岩识别方法的研究,也相继产生了一些代表性的研究成果,如自然γ射线探测法、雷达探测法、红外探测法、有功功率检测法、振动信号检测法、声音信号检测法等。然而这些方法都存在以下共性问题:(1)需要在现有设备上安装部署各种传感器,导致装置结构复杂,制造成本高;(2)采煤机、掘进机等机械设备在煤炭生产过程中受力复杂、振动剧烈、磨损严重,传感器部署相对比较困难,其电子线路也容易受到损坏,装置可靠性差;(3)针对不同类型的机械载体设备,传感器的选型和安装位置的选择存在较大区别,这就需要进行个性化定制,因此其普适性不佳。
通过对块状的煤炭、岩石样本的观察,发现煤炭与岩石在颜色、光泽、纹理等方面存在较大的差异。当通过现有的数字摄像设备对煤炭或岩石进行成像时,煤炭与岩石的视觉差异信息就隐藏在所得的数字图像中了,因此提出通过挖掘煤岩数字图像中的视觉信息来区分煤炭与岩石。现有的基于图像处理的煤岩分类方法在稳定性、识别率等方面还存在着较大的提升空间。
因此,需要一种解决或者至少改进现有技术方法中固有的一类或多类问题的煤岩分类方法。
发明内容
本发明提出基于小波域非对称广义高斯模型的煤岩分类方法,该方法具有实时分类、高识别率、鲁棒性等优点,能够为现代化煤矿安全高效生产提供重要的技术保障。
本发明专利所述的煤岩分类方法采用如下技术方案实现,包括样本训练阶段和煤岩识别阶段,具体步骤如下:
A.在样本训练阶段,获取相同成像条件下成像的m幅已知煤炭样本图像和m幅已知岩石样本图像,并截取尺寸相同且不含非煤岩背景的子图像,煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm;
B.分别对c1,c2,…,cm和r1,r2,…,rm进行N级小波变换图像分解,每幅样本子图得到3×N个高频部分小波系数子带,记为CoeffLH1,CoeffHL1,CoeffHH1,CoeffLH2,CoeffHL2,CoeffHH2,…,CoeffLHN,CoeffHLN,CoeffHHN,其中CoeffLHi,CoeffHLi和CoeffHHi分别表示样本子图在经过第i级小波变换以后的水平、垂直和对角线方向的高频部分小波系数子带,i=1,2,…,N;
C.分别计算上述步骤B中产生的每一个小波系数子带在服从概率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数,其中x为小波系数, t为积分变量,积分区间为[0,+∞);
D.利用每一幅煤岩样本ck或者rk涉及的每一个小波系数子带所对应的α,β和γ参数,构造出一个3×N×3维特征列向量或者其中下标k表示样本序号,取值为1,2,…,m,并把这2×m个特征列向量保存到数据存储设备,用于后续的煤岩识别阶段;
E.在煤岩识别阶段,获取相同成像条件下成像的未知类别煤岩图像,并截取与样本训练阶段样本子图的尺寸相同且不含非煤岩背景的待识别子图ux;
F.与上述步骤B类似,对ux进行N级小波变换图像分解,从而得到3×N个高频部分小波系数子带,记为Coeff’LH1,Coeff’HL1,Coeff’HH1,Coeff’LH2,Coeff’HL2,Coeff’HH2,…,Coeff’LHN,Coeff’HLN,Coeff’HHN,其中Coeff’LHi,Coeff’HLi和Coeff’HHi分别表示ux在经过第i级小波变换以后的水平、垂直和对角线方向的高频部分小波系数子带,i=1,2,…,N;
G.与上述步骤C类似,分别计算上述步骤F中产生的每一个小波系数子带在服从非对称广义高斯分布时的α’,β’和γ’参数,进而构造出一个3×N×3维特征列向量
H.采用基于相对熵的相似度测量方法比较特征列向量与特征列向量之间的相似度,其中下标k表示样本序号,取值为1,2,…,m,从而判别ux所属的煤岩类别。
所述N级小波变换图像分解包括以下步骤:
(1)初始化设置小波变换图像分解级数序号i=1;
(2)彩色图像灰度化处理,即把24位煤岩彩色图像转换成8位煤岩灰度图像,采用的转换公式为Y=0.299R+0.587G+0.114B,其中R,G和B分别表示转换前彩色图像的红色,绿色和蓝色分量,Y表示转换后灰度图像的像素值;
(3)判断i≤N是否成立,如果是,则进入以下步骤(4)-(11)的迭代循环,如果否,则转到步骤(12);
(4)用一组低通滤波器对煤岩灰度图像进行逐行滤波,然后再对滤波结果进行列下采样操作,即舍弃滤波结果的偶数序号列,保留滤波结果的奇数序号列,进而得到一个低通小波系数子带CoeffLi;
(5)与上述步骤(4)类似,用一组高通滤波器对煤岩灰度图像进行逐行滤波,然后再对滤波结果进行列下采样操作,进而得到一个高通小波系数子带CoeffHi;
(6)用步骤(4)所述的低通滤波器对CoeffLi进行逐列滤波,然后再对滤波结果进行行下采样操作,即舍弃滤波结果的偶数序号行,保留滤波结果的奇数序号行,进而得到低频部分小波系数子带CoeffLLi;
(7)用步骤(5)所述的高通滤波器对CoeffLi进行逐列滤波,然后再对滤波结果进行行下采样操作,进而得到水平方向的高频部分小波系数子带CoeffLHi;
(8)用步骤(4)所述的低通滤波器对CoeffHi进行逐列滤波,然后再对滤波结果进行行下采样操作,进而得到垂直方向的高频部分小波系数子带CoeffHLi;
(9)用步骤(5)所述的高通滤波器对CoeffHi进行逐列滤波,然后再对滤波结果进行行下采样操作,进而得到对角线方向的高频部分小波系数子带CoeffHHi;
(10)小波变换图像分解级数序号自增1,即i=i+1;
(11)用CoeffLLi替换煤岩灰度图像,转到步骤(3),进行下一级小波变换图像分解;
(12)完成N级小波变换图像分解。
所述计算小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数包括以下步骤:
STEP1.通过线性插值算法,求得方程
的数值解α0,其中t为积分变量,积分区间为[0,+∞),xi为小波系数,N,N+和N-分别表示小波系数子带中的小波系数总数,非负小波系数总数和负小波系数总数;
STEP2.把步骤STEP1所述的α0作为α参数的初始迭代值,进入以下步骤STEP3-STEP5的循环迭代过程;
STEP3.把α作为自变量代入并计算
其中
STEP4.把α作为自变量代入并计算
其中
STEP5.计算若|Δα|大于计算精度ε,则由公式α=α-Δα来更新α,然后执行步骤STEP3-STEP5的循环迭代过程,若|Δα|小于或等于计算精度ε,则把当前α值作为最终α值;
STEP6.根据步骤STEP5所述的最终α值,分别计算和 得到最终的β值和γ值。
所述3×N×3维特征列向量的数据结构采用[αLH1,βLH1,γLH1,αHL1,βHL1,γHL1,αHH1,βHH1,γHH1,αLH2,βLH2,γLH2,αHL2,βHL2,γHL2,αHH2,βHH2,γHH2,…,αLHN,βLHN,γLHN,αHLN,βHLN,γHLN,αHHN,βHHN,γHHN]T的格式,其中αLHi,βLHi和γLHi分别表示经过第i级小波变换后的水平方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数,αHLi,βHLi和γHLi分别表示经过第i级小波变换后的垂直方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数,αHHi,βHHi和γHHi分别表示经过第i级小波变换后的对角线方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数;
所述特征列向量与特征列向量之间的相似度计算的公式分别为
其中,表示特征列向量与特征列向量的相似度,表示特征列向量与特征列向量的相似度,uxi,cki,rki分别表示特征列向量的第i个分量,N表示小波变换图像分解的级数,k=1,2,…,m;
比较 和 如果 则把ux归类为煤炭,如果 则把ux归类为岩石。
附图说明
图1是基于小波域非对称广义高斯模型的煤岩分类流程图;
图2是本发明所述N级小波变换图像分解的基本流程图;
图3是本发明所述计算小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数的基本流程图;
具体实施方式
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,提出了基于小波域非对称广义高斯模型的煤岩分类方法,该方法能够有效区分煤炭和岩石。
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。
首先,对基于小波域非对称广义高斯模型的煤岩分类方法的基本流程进行描述。参照图1,具体步骤如下:
A.在样本训练阶段,在相同的光照环境、摄像机参数等成像条件下,通过摄像机采集得到一组煤炭样本图像集和岩石样本图像集。为了后续小波变换图像分解过程中数据处理的方便,排除非煤岩背景对提取煤岩图像特征所造成的影响,需要对煤岩样本图像做初始化处理:首先从煤炭样本图像集和岩石样本图像集中各随机选取m幅样本图像,然后截取尺寸相同且不含非煤岩背景的子图像,煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm,样本子图的尺寸一般为2的整数次幂:
B.分别对c1,c2,…,cm和r1,r2,…,rm进行N级小波变换图像分解,每幅样本子图得到3×N个高频部分小波系数子带,记为CoeffLH1,CoeffHL1,CoeffHH1,CoeffLH2,CoeffHL2,CoeffHH2,…,CoeffLHN,CoeffHLN,CoeffHHN,其中CoeffLHi,CoeffHLi和CoeffHHi分别表示样本子图在经过第i级小波变换以后的水平、垂直和对角线方向的高频部分小波系数子带,i=1,2,…,N;
C.分别计算每一个小波系数子带在服从概率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数,其中x为小波系数, t为积分变量,积分区间为[0,+∞);
D.利用每一幅煤岩样本ck或者rk涉及的每一个小波系数子带所对应的α,β和γ参数,构造出一个3×N×3维特征列向量或者其中下标k表示样本序号,取值为1,2,…,m,并把这2×m个特征列向量保存到数据存储设备,用于后续的煤岩识别阶段;
E.在煤岩识别阶段,获取相同成像条件下的未知类别煤岩图像,并截取与样本训练阶段样本子图的尺寸相同且不含非煤岩背景的待识别子图ux;
F.与步骤B类似,对ux进行N级小波变换图像分解,得到3×N个高频部分小波系数子带,记为Coeff’LH1,Coeff’HL1,Coeff’HH1,Coeff’LH2,Coeff’HL2,Coeff’HH2,…,Coeff’LHN,Coeff’HLN,Coeff’HHN,其中Coeff’LHi,Coeff’HLi和Coeff’HHi分别表示ux在经过第i级小波变换以后的水平、垂直和对角线方向的高频部分小波系数子带,i=1,2,…,N;
G.与步骤C类似,分别计算上述步骤F中产生的每一个小波系数子带在服从非对称广义高斯分布时的α’,β’和γ’参数,进而构造出一个3×N×3维特征列向量
H.采用基于相对熵的相似度测量方法比较特征列向量与特征列向量之间的相似度,其中下标k表示样本序号,取值为1,2,…,m,从而判别ux所属的煤岩类别。
如图2所示,N级小波变换图像分解的具体步骤如下:
(1)初始化设置小波变换图像分解级数序号i=1;
(2)彩色图像灰度化处理,即把24位煤岩彩色图像转换成8位煤岩灰度图像,采用的转换公式为Y=0.299R+0.587G+0.114B,其中R,G和B分别表示转换前彩色图像的红色,绿色和蓝色分量,Y表示转换后灰度图像的像素值;
(3)判断i≤N是否成立,如果是,则进入以下步骤(4)-(11)的迭代循环,如果否,则转到步骤(12);
(4)用一组低通滤波器对煤岩灰度图像进行逐行滤波,然后再对滤波结果进行列下采样操作,即舍弃滤波结果的偶数序号列,保留滤波结果的奇数序号列,进而得到一个低通小波系数子带CoeffLi;
(5)与上述步骤(4)类似,用一组高通滤波器对煤岩灰度图像进行逐行滤波,然后再对滤波结果进行列下采样操作,进而得到一个高通小波系数子带CoeffHi;
(6)用同样的低通滤波器对CoeffLi进行逐列滤波,然后再对滤波结果进行行下采样操作,即舍弃滤波结果的偶数序号行,保留滤波结果的奇数序号行,进而得到低频部分小波系数子带CoeffLLi;
(7)用同样的高通滤波器对CoeffLi进行逐列滤波,然后再对滤波结果进行行下采样操作,进而得到水平方向的高频部分小波系数子带CoeffLHi;
(8)用同样的低通滤波器对CoeffHi进行逐列滤波,然后再对滤波结果进行行下采样操作,进而得到垂直方向的高频部分小波系数子带CoeffHLi;
(9)用同样的高通滤波器对CoeffHi进行逐列滤波,然后再对滤波结果进行行下采样操作,进而得到对角线方向的高频部分小波系数子带CoeffHHi;
(10)小波变换图像分解级数序号自增1,即i=i+1;
(11)用CoeffLLi替换煤岩灰度图像,转到步骤(3),进行下一级小波变换图像分解;
(12)完成N级小波变换图像分解。
如图3所示,计算小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数的具体步骤如下:
STEP1.通过线性插值算法,求得方程
STEP2.把α0作为α参数的初始迭代值,进入以下步骤STEP3-STEP5的循环迭代过程;
STEP3.把α作为自变量代入并计算
其中
STEP4.把α作为自变量代入并计算
其中,
STEP5.计算若|Δα|大于计算精度ε,则通过公式α=α-Δα来更新α,然后执行步骤STEP3-STEP5的循环迭代过程,若|Δα|小于或等于计算精度ε,则把当前α值作为最终α值并进入步骤STEP6;
STEP6.根据步骤STEP5获得的最终α值,分别计算和 得到最终的β值和γ值。
本发明所述3×N×3维特征列向量的数据结构采用[αLH1,βLH1,γLH1,αHL1,βHL1,γHL1,αHH1,βHH1,γHH1,αLH2,βLH2,γLH2,αHL2,βHL2,γHL2,αHH2,βHH2,γHH2,…,αLHN,βLHN,γLHN,αHLN,βHLN,γHLN,αHHN,βHHN,γHHN]T的格式,其中αLHi,βLHi和γLHi分别表示经过第i级小波变换后的水平方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数,αHLi,βHLi和γHLi分别表示经过第i级小波变换后的垂直方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数,αHHi,βHHi和γHHi分别表示经过第i级小波变换后的对角线方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数。
计算特征列向量与特征列向量之间的相似度,计算公式分别为
其中,表示特征列向量与特征列向量的相似度,表示特征列向量与特征列向量的相似度,uxi,cki,rki分别表示特征列向量的第i个分量,N表示小波变换图像分解的级数,k=1,2,…,m。
比较 和 如果 则把ux归类为煤炭,如果 则把ux归类为岩石。
需要指出的是,以上所述实施实例用于进一步说明本发明,实施实例不应被视为限制本发明的范围。
Claims (5)
1.基于小波域非对称广义高斯模型的煤岩分类方法,其特征在于,包括以下步骤:
A.在样本训练阶段,获取相同成像条件下成像的m幅已知煤炭样本图像和m幅已知岩石样本图像,并截取尺寸相同且不含非煤岩背景的子图像,煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm;
B.分别对c1,c2,…,cm和r1,r2,…,rm进行N级小波变换图像分解,每幅样本子图得到3×N个高频部分小波系数子带,记为CoeffLH1,CoeffHL1,CoeffHH1,coeffLH2,CoeffHL2,CoeffHH2,…,CoeffLHN,CoeffHLN,CoeffHHN,其中CoeffLHi,CoeffHLi和CoeffHHi分别表示样本子图在经过第i级小波变换以后的水平、垂直和对角线方向的高频部分小波系数子带,i=1,2,…,N;
C.分别计算步骤B所述的每一个小波系数子带在服从概率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数,其中x为小波系数, t为积分变量,积分区间为[0,+∞);
D.利用每一幅煤岩样本ck或者rk涉及的每一个小波系数子带所对应的α,β和γ参数,构造出一个3×N×3维的特征列向量或者其中k=1,2,…,m,并把这2×m个特征列向量保存到数据存储设备,用于后续的煤岩识别阶段;
E.在煤岩识别阶段,在与样本训练阶段成像条件相同的情况下,采集未知类别煤岩图像,并截取与训练样本子图的尺寸相同且不含非煤岩背景的待识别子图ux;
F.对ux进行N级小波变换图像分解,得到3×N个高频部分小波系数子带,记为Coeff′LH1,Coeff′HL1,Coeff′HH1,Coeff′LH2,Coeff′HL2,Coeff′HH2,…,Coeff′LHN,Coeff′HLN,Coeff′HHN,其中Coeff′LHi,Coeff′HLi和Coeff′HHi分别表示ux在经过第i级小波变换以后的水平、垂直和对角线方向的高频部分小波系数子带,i=1,2,…,N;
G.分别计算步骤F所述的每一个小波系数子带在服从非对称广义高斯分布时的α’,β’和γ’参数,并构造出一个3×N×3维的特征列向量
H.根据特征列向量分别与特征列向量之间的相似度,判别ux所属的煤岩类别。
2.根据权利要求1所述的基于小波域非对称广义高斯模型的煤岩分类方法,其特征在于,所述N级小波变换图像分解包括以下步骤:
(1)初始化设置小波变换图像分解级数序号i=1;
(2)彩色图像灰度化处理,即把24位煤岩彩色图像转换成8位煤岩灰度图像,采用的转换公式为Y=0.299R+0.587G+0.114B,其中R,G和B分别表示转换前彩色图像的红色,绿色和蓝色分量,Y表示转换后灰度图像的像素值;
(3)判断i≤N是否成立,如果是,则进入以下步骤(4)-(11)的迭代循环,如果否,则转到步骤(12);
(4)用一组低通滤波器对煤岩灰度图像进行逐行滤波,然后再对滤波结果进行列下采样操作,即舍弃滤波结果的偶数序号列,保留滤波结果的奇数序号列,得到一个低通小波系数子带CoeffLi;
(5)用一组高通滤波器对煤岩灰度图像进行逐行滤波,然后再对滤波结果进行列下采样操作,得到一个高通小波系数子带CoeffHi;
(6)用步骤(4)所述的低通滤波器对CoeffLi进行逐列滤波,然后再对滤波结果进行行下采样操作,即舍弃滤波结果的偶数序号行,保留滤波结果的奇数序号行,得到低频部分小波系数子带CoeffLLi;
(7)用步骤(5)所述的高通滤波器对CoeffLi进行逐列滤波,然后再对滤波结果进行行下采样操作,得到水平方向的高频部分小波系数子带CoeffLHi;
(8)用步骤(4)所述的低通滤波器对CoeffHi进行逐列滤波,然后再对滤波结果进行行下采样操作,得到垂直方向的高频部分小波系数子带CoeffHLi;
(9)用步骤(5)所述的高通滤波器对CoeffHi进行逐列滤波,然后再对滤波结果进行行下采样操作,得到对角线方向的高频部分小波系数子带CoeffHHi;
(10)小波变换图像分解级数序号自增1,即i=i+1;
(11)用步骤(6)所述的CoeffLLi替换煤岩灰度图像,转到步骤(3),进行下一级小波变换图像分解;
(12)完成N级小波变换图像分解。
3.根据权利要求1所述的基于小波域非对称广义高斯模型的煤岩分类方法,其特征在于,所述计算小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数包括以下步骤:
STEP1.通过线性插值算法,求得方程
的数值解α0,其中 t为积分变量,积分区间为[0,+oo),xi为小波系数,N,N+和N_分别表示小波系数子带中的小波系数总数,非负小波系数总数和负小波系数总数;
STEP2.把步骤STEP1所述的α0作为α参数的初始迭代值,进入以下步骤STEP3-STEP5的循环迭代过程;
STEP3.把α作为自变量代入并计算
其中
STEP4.把α作为自变量代入并计算
STEP5.计算若|Δα|大于计算精度ε,则由公式α=α-Δα来更新α,然后执行步骤STEP3-STEP5的循环迭代过程,若|Δα|小于或等于计算精度ε,则把当前α值作为最终α值;
STEP6.根据步骤STEP5所述的最终α值,分别计算和 得到最终的β值和γ值。
4.根据权利要求1所述的基于小波域非对称广义高斯模型的煤岩分类方法,其特征在于,所述3×N×3维的特征列向量的数据结构采用[αLH1,βLH1,γLH1,αHL1,βHL1,γHL1,αHH1,βHH1,γHH1,αLH2,βLH2,γLH2,αHL2,βHL2,γHL2,αHH2,βHH2,γHH2,…,αLHN,βLHN,γLHN,αHLN,,βHLN,γHLN,αHHN,βHHN,γHHN]T的格式,其中αLHi,βLHi和γLHi分别表示经过第i级小波变换后的水平方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数,αHLi,βHLi和γHLi分别表示经过第i级小波变换后的垂直方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数,αHHi,βHHi和γHHi分别表示经过第i级小波变换后的对角线方向的高频部分小波系数子带在服从非对称广义高斯分布条件下的α,β和γ参数。
5.根据权利要求1所述的基于小波域非对称广义高斯模型的煤岩分类方法,其特征在于,所述根据特征列向量与特征列向量之间的相似度,判别ux所属煤岩类别的过程包括以下步骤:
S1.计算特征列向量与特征列向量之间的相似度,计算公式分别为
其中,表示特征列向量与特征列向量的相似度,表示特征列向量与特征列向量的相似度,uxi,cki,rki分别表示特征列向量的第i个分量,N表示小波变换图像分解的级数,k=1,2,…,m;
S2.比较和若 则把ux归类为煤炭,如果 则把ux归类为岩石。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161733.8A CN104732239B (zh) | 2015-04-08 | 2015-04-08 | 基于小波域非对称广义高斯模型的煤岩分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161733.8A CN104732239B (zh) | 2015-04-08 | 2015-04-08 | 基于小波域非对称广义高斯模型的煤岩分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732239A true CN104732239A (zh) | 2015-06-24 |
CN104732239B CN104732239B (zh) | 2018-04-03 |
Family
ID=53456113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510161733.8A Active CN104732239B (zh) | 2015-04-08 | 2015-04-08 | 基于小波域非对称广义高斯模型的煤岩分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732239B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966074A (zh) * | 2015-07-17 | 2015-10-07 | 中国矿业大学(北京) | 基于变换域广义伽玛分布的煤岩识别方法 |
CN106845560A (zh) * | 2017-03-01 | 2017-06-13 | 中国矿业大学(北京) | 基于可控塔式分解和字典学习的煤岩识别方法 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813563B2 (en) * | 2005-12-09 | 2010-10-12 | Florida State University Research Foundation | Systems, methods, and computer program products for compression, digital watermarking, and other digital signal processing for audio and/or video applications |
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 |
CN103927553A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
-
2015
- 2015-04-08 CN CN201510161733.8A patent/CN104732239B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813563B2 (en) * | 2005-12-09 | 2010-10-12 | Florida State University Research Foundation | Systems, methods, and computer program products for compression, digital watermarking, and other digital signal processing for audio and/or video applications |
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 |
CN103927553A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
Non-Patent Citations (3)
Title |
---|
A.A.ROENKO等: "ESTIMATION OF PARAMETERS FOR GENERALIZED GAUSSIAN", 《IEEE》 * |
ALESSANDRA TESEI等: "HOS-based generalized noise pdf models for signal detection optimization", 《SIGNAL PROCESSING》 * |
李志明等: "基于非对称广义高斯模型的局部优化检测中的应用", 《海南大学学报自然科学版》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966074A (zh) * | 2015-07-17 | 2015-10-07 | 中国矿业大学(北京) | 基于变换域广义伽玛分布的煤岩识别方法 |
CN104966074B (zh) * | 2015-07-17 | 2018-06-19 | 中国矿业大学(北京) | 基于变换域广义伽玛分布的煤岩识别方法 |
CN106845560A (zh) * | 2017-03-01 | 2017-06-13 | 中国矿业大学(北京) | 基于可控塔式分解和字典学习的煤岩识别方法 |
CN106845560B (zh) * | 2017-03-01 | 2020-04-28 | 中国矿业大学(北京) | 基于可控塔式分解和字典学习的煤岩识别方法 |
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 |
---|---|
CN104732239B (zh) | 2018-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
CN102147920B (zh) | 高分辨率遥感影像中的阴影检测方法 | |
CN109859091B (zh) | 基于Gabor滤波和卷积神经网络的图像隐写检测方法 | |
CN103714526B (zh) | 基于稀疏多流形嵌入的超分辨率图像重构方法 | |
CN111079845A (zh) | 一种煤炭中煤矸石和煤的分类识别方法 | |
CN104732239B (zh) | 基于小波域非对称广义高斯模型的煤岩分类方法 | |
CN104199823A (zh) | 一种基于视觉数据驱动的织物疵点动态检测方法 | |
CN104036461B (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN103778611A (zh) | 利用边缘检测的开关加权矢量中值滤波方法 | |
CN117197686A (zh) | 一种基于卫星影像的高标准农田地块边界自动识别方法 | |
CN104966074B (zh) | 基于变换域广义伽玛分布的煤岩识别方法 | |
CN105761207B (zh) | 基于最大线性块邻域嵌入的图像超分辨重建方法 | |
CN106529533A (zh) | 一种基于多尺度分析和匹配排序的复杂天气车牌定位方法 | |
CN104751470A (zh) | 一种图像快速匹配方法 | |
CN117291843A (zh) | 一种图像数据库高效管理方法 | |
CN117788379A (zh) | 一种基于域变换的端到端的异源遥感图像变化检测方法 | |
CN104282012A (zh) | 一种基于小波域的半参考图像质量评价算法 | |
CN113435514A (zh) | 一种基于元深度学习的建筑垃圾精细分类方法、装置 | |
CN109886900B (zh) | 一种基于字典训练和稀疏表示的合成雨图除雨方法 | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN116309324A (zh) | 一种纺织品瑕疵检测方法 | |
Doxani et al. | Automatic change detection in urban areas under a scale-space, object-oriented classification framework | |
Ahmadia et al. | The application of neural networks, image processing and cad-based environments facilities in automatic road extraction and vectorization from high resolution satellite images | |
Vera et al. | Analysis of images SAR to flood prevention implementing fusion methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |