CN104732239A - 基于小波域非对称广义高斯模型的煤岩分类方法 - Google Patents

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u_x，对u_x进行小波变换图像分解，计算u_x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u_x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

基于小波域非对称广义高斯模型的煤岩分类方法

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，…，c_m和r₁，r₂，…，r_m；

B.分别对c₁，c₂，…，c_m和r₁，r₂，…，r_m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 $p(x;\mathrm{\&alpha;},\mathrm{\&beta;},\mathrm{\&gamma;})=\left\{\begin{array}{c}\frac{\mathrm{\&alpha;}}{(\mathrm{\&beta;}+\mathrm{\&gamma;})\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}{e}^{-{\left(\frac{-x}{\mathrm{\&beta;}}\right)}^{\mathrm{\&alpha;}}},x<0\\ \frac{\mathrm{\&alpha;}}{(\mathrm{\&beta;}+\mathrm{\&gamma;})\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}{e}^{-{\left(\frac{x}{\mathrm{\&gamma;}}\right)}^{\mathrm{\&alpha;}}},x\&GreaterEqual;0\end{array}\right.$

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c_k或者r_k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u_x；

F.与上述步骤B类似，对u_x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u_x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u_x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Coeff_Li；

(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Coeff_Hi；

(6)用步骤(4)所述的低通滤波器对Coeff_Li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Coeff_LLi；

(7)用步骤(5)所述的高通滤波器对Coeff_Li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Coeff_LHi；

(8)用步骤(4)所述的低通滤波器对Coeff_Hi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Coeff_HLi；

(9)用步骤(5)所述的高通滤波器对Coeff_Hi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Coeff_HHi；

(10)小波变换图像分解级数序号自增1，即i＝i+1；

(11)用Coeff_LLi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

$\frac{{\mathrm{\&Gamma;}}^2(2/\mathrm{\&alpha;})}{\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})\mathrm{\&Gamma;}(3/\mathrm{\&alpha;})}=\frac{{\left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\right|x_i\left|\right)}^2}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_j^2}\&times;\frac{[{\left(\frac{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\right)}^{\frac{3}{2}}+1](\frac{\sqrt{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}+1)}{{\left(\frac{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\right)}^2}$

的数值解α₀，其中t为积分变量，积分区间为[0，+∞)，x_i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

$f\left(\mathrm{\&alpha;}\right)=N[\frac{1}{\mathrm{\&alpha;}}+\frac{1}{{\mathrm{\&alpha;}}^2}\mathrm{\&Psi;}(1/\mathrm{\&alpha;})]-B\left(\mathrm{\&alpha;}\right)S_{-}^{,}-\frac{B\left(\mathrm{\&alpha;}\right)\log B\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}{S}_{-}-C\left(\mathrm{\&alpha;}\right)S_{+}^{,}-\frac{C\left(\mathrm{\&alpha;}\right)\log C\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}{S}_{+},$

其中 $\mathrm{\&Psi;}\left(z\right)=\frac{{\mathrm{\&Gamma;}}^{\&prime;}\left(z\right)}{\mathrm{\&Gamma;}\left(z\right)},S_{+}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^{\mathrm{\&alpha;}},S_{-}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-x_i)}^{\mathrm{\&alpha;}},S_{+}^{,}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^{\mathrm{\&alpha;}}\log x_i,$

$S_{-}^{,}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-x_i)}^{\mathrm{\&alpha;}}\log \left({-x}_i\right),B\left(\mathrm{\&alpha;}\right)\frac{N}{\mathrm{\&alpha;}{S}_{-}[1+{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]},C\left(\mathrm{\&alpha;}\right)=\frac{N}{\mathrm{\&alpha;}{S}_{+}[1+{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]};$

STEP4.把α作为自变量代入并计算

$g\left(\mathrm{\&alpha;}\right)=N[-\frac{1}{{\mathrm{\&alpha;}}^2}-\frac{2}{{\mathrm{\&alpha;}}^3}\mathrm{\&Psi;}(1/\mathrm{\&alpha;})-\frac{1}{{\mathrm{\&alpha;}}^4}{\mathrm{\&Psi;}}^{,}(1/\mathrm{\&alpha;})]$

$-B\left(\mathrm{\&alpha;}\right)S_{-}^{,,}-[\frac{1}{\mathrm{\&alpha;}}\log B\left(\mathrm{\&alpha;}\right)-\mathrm{\&alpha;}{B}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)H\left(\mathrm{\&alpha;}\right)]B\left(\mathrm{\&alpha;}\right)S_{-}^{,}$

$-\frac{S_{-}^{,}}{\mathrm{\&alpha;}}B\left(\mathrm{\&alpha;}\right)\log B\left(\mathrm{\&alpha;}\right)+S_{-}\{-\frac{1}{{\mathrm{\&alpha;}}^2}B\left(\mathrm{\&alpha;}\right){\log }^{2}B\left(\mathrm{\&alpha;}\right)+[1+\log B\left(\mathrm{\&alpha;}\right)\left]B^{\frac{\mathrm{\&alpha;}+1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)H\left(\mathrm{\&alpha;}\right)\right\}$

$-C\left(\mathrm{\&alpha;}\right)S_{+}^{,,}-[\frac{1}{\mathrm{\&alpha;}}\log C\left(\mathrm{\&alpha;}\right)-\mathrm{\&alpha;}{C}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)J\left(\mathrm{\&alpha;}\right)]C\left(\mathrm{\&alpha;}\right)S_{+}^{,}$

$-\frac{S_{+}^{,}}{\mathrm{\&alpha;}}C\left(\mathrm{\&alpha;}\right)\log C\left(\mathrm{\&alpha;}\right)+S_{+}\{-\frac{1}{{\mathrm{\&alpha;}}^2}C\left(\mathrm{\&alpha;}\right){\log }^{2}C\left(\mathrm{\&alpha;}\right)+[1+\log C\left(\mathrm{\&alpha;}\right)\left]C^{\frac{\mathrm{\&alpha;}+1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)J\left(\mathrm{\&alpha;}\right)\right\},$

其中 $S_{+}^{,,}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^{\mathrm{\&alpha;}}{\log }^2{x}_i,S_{-}^{,,}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{\left({-x}_i\right)}^{\mathrm{\&alpha;}}{\log }^2\left({-x}_i\right),$

$H\left(\mathrm{\&alpha;}\right)=(S_{-}+\mathrm{\&alpha;}{S}_{-}^{,})[1+{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]\frac{B^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}+\frac{\log B\left(\mathrm{\&alpha;}\right)}{{\mathrm{\&alpha;}}^2{B}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}$

$+[\frac{\log S_{-}-\log S_{+}}{{(\mathrm{\&alpha;}+1)}^2}+\frac{S_{+}^{,}{S}_{-}-S_{-}^{,}{S}_{+}}{(\mathrm{\&alpha;}+1)S_{+}{S}_{-}}]{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}{S}_{-}{B}^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right),$

$J\left(\mathrm{\&alpha;}\right)=(S_{+}+\mathrm{\&alpha;}{S}_{+}^{,})[1+{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]\frac{C^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}+\frac{\log C\left(\mathrm{\&alpha;}\right)}{{\mathrm{\&alpha;}}^2{C}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}$

$+[\frac{\log S_{+}-\log S_{-}}{{(\mathrm{\&alpha;}+1)}^2}+\frac{S_{-}^{,}{S}_{+}-S_{+}^{,}{S}_{-}}{(\mathrm{\&alpha;}+1)S_{+}{S}_{-}}]{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}{S}_{+}{C}^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right);$

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 $\mathrm{\&gamma;}=\sqrt{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\&times;\sqrt{\frac{\mathrm{\&Gamma;}(3/\mathrm{\&alpha;})}{\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}},$ 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[α_LH1，β_LH1，γ_LH1，α_HL1，β_HL1，γ_HL1，α_HH1，β_HH1，γ_HH1，α_LH2，β_LH2，γ_LH2，α_HL2，β_HL2，γ_HL2，α_HH2，β_HH2，γ_HH2，…，α_LHN，β_LHN，γ_LHN，α_HLN，β_HLN，γ_HLN，α_HHN，β_HHN，γ_HHN]^T的格式，其中α_LHi，β_LHi和γ_LHi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，α_HLi，β_HLi和γ_HLi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，α_HHi，β_HHi和γ_HHi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

$\mathrm{Sm}(V_{u_x},V_{c_k})=\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\frac{({\mathrm{ck}}_{i+2}^{{\mathrm{ck}}_i}{\mathrm{ux}}_{i+1}^{{\mathrm{ck}}_i+1}+{\mathrm{ck}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{ux}}_{i+2}^{{\mathrm{ck}}_i+1})\mathrm{\&Gamma;}\left(\frac{{\mathrm{ck}}_i+1}{{\mathrm{ux}}_i}\right)}{{\mathrm{ck}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{ck}}_{i+2}^{{\mathrm{ck}}_i}({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{\mathrm{ux}}\right)}$

$+\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\left\{\log \right[\frac{{\mathrm{ux}}_i({\mathrm{ck}}_{i+1}+{\mathrm{ck}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ck}}_i}\right)}{{\mathrm{ck}}_i({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}]-\frac{\mathrm{\&Gamma;}(\frac{1}{{\mathrm{ux}}_i}+1)}{\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\},$

$\mathrm{Sm}(V_{u_x},V_{r_k})=\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\frac{({\mathrm{rk}}_{i+2}^{{\mathrm{rk}}_i}{\mathrm{ux}}_{i+1}^{{\mathrm{rk}}_i+1}+{\mathrm{rk}}_{i+1}^{{\mathrm{rk}}_i}{\mathrm{ux}}_{i+2}^{{\mathrm{rk}}_i+1})\mathrm{\&Gamma;}\left(\frac{{\mathrm{rk}}_i+1}{{\mathrm{ux}}_i}\right)}{{\mathrm{rk}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{rk}}_{i+2}^{{\mathrm{ck}}_i}({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{\mathrm{ux}}\right)}$

$+\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\left\{\log \right[\frac{{\mathrm{ux}}_i({\mathrm{rk}}_{i+1}+{\mathrm{rk}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{rk}}_i}\right)}{{\mathrm{rk}}_i({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}]-\frac{\mathrm{\&Gamma;}(\frac{1}{{\mathrm{ux}}_i}+1)}{\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\},$

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，ux_i，ck_i，rk_i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 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})$ 和 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 如果 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})\&le;\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 则把u_x归类为煤炭，如果 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})>\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 则把u_x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，…，c_m和r₁，r₂，…，r_m，样本子图的尺寸一般为2的整数次幂：

B.分别对c₁，c₂，…，c_m和r₁，r₂，…，r_m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

$p(x;\mathrm{\&alpha;},\mathrm{\&beta;},\mathrm{\&gamma;})=\left\{\begin{array}{c}\frac{\mathrm{\&alpha;}}{(\mathrm{\&beta;}+\mathrm{\&gamma;})\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}{e}^{-{\left(\frac{-x}{\mathrm{\&beta;}}\right)}^{\mathrm{\&alpha;}}},x<0\\ \frac{\mathrm{\&alpha;}}{(\mathrm{\&beta;}+\mathrm{\&gamma;})\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}{e}^{-{\left(\frac{x}{\mathrm{\&gamma;}}\right)}^{\mathrm{\&alpha;}}},x\&GreaterEqual;0\end{array}\right.$

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c_k或者r_k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u_x；

F.与步骤B类似，对u_x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u_x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u_x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Coeff_Li；

(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Coeff_Hi；

(6)用同样的低通滤波器对Coeff_Li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Coeff_LLi；

(7)用同样的高通滤波器对Coeff_Li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Coeff_LHi；

(8)用同样的低通滤波器对Coeff_Hi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Coeff_HLi；

(9)用同样的高通滤波器对Coeff_Hi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Coeff_HHi；

(10)小波变换图像分解级数序号自增1，即i＝i+1；

(11)用Coeff_LLi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

$\frac{{\mathrm{\&Gamma;}}^2(2/\mathrm{\&alpha;})}{\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})\mathrm{\&Gamma;}(3/\mathrm{\&alpha;})}=\frac{{\left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\right|x_i\left|\right)}^2}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_j^2}\&times;\frac{[{\left(\frac{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\right)}^{\frac{3}{2}}+1](\frac{\sqrt{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}+1)}{{\left(\frac{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\right)}^2}$ 的数值解α₀，其中t为积分变量，积分区间为[0，+∞)，x_i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

$f\left(\mathrm{\&alpha;}\right)=N[\frac{1}{\mathrm{\&alpha;}}+\frac{1}{{\mathrm{\&alpha;}}^2}\mathrm{\&Psi;}(1/\mathrm{\&alpha;})]-B\left(\mathrm{\&alpha;}\right)S_{-}^{,}-\frac{B\left(\mathrm{\&alpha;}\right)\log B\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}{S}_{-}-C\left(\mathrm{\&alpha;}\right)S_{+}^{,}-\frac{C\left(\mathrm{\&alpha;}\right)\log C\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}{S}_{+},$

其中 $\mathrm{\&Psi;}\left(z\right)=\frac{{\mathrm{\&Gamma;}}^{\&prime;}\left(z\right)}{\mathrm{\&Gamma;}\left(z\right)},S_{+}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^{\mathrm{\&alpha;}},S_{-}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-x_i)}^{\mathrm{\&alpha;}},S_{+}^{,}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^{\mathrm{\&alpha;}}\log x_i,$

$S_{-}^{,}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-x_i)}^{\mathrm{\&alpha;}}\log \left({-x}_i\right),B\left(\mathrm{\&alpha;}\right)\frac{N}{\mathrm{\&alpha;}{S}_{-}[1+{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]},C\left(\mathrm{\&alpha;}\right)=\frac{N}{\mathrm{\&alpha;}{S}_{+}[1+{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]};$

STEP4.把α作为自变量代入并计算

$g\left(\mathrm{\&alpha;}\right)=N[-\frac{1}{{\mathrm{\&alpha;}}^2}-\frac{2}{{\mathrm{\&alpha;}}^3}\mathrm{\&Psi;}(1/\mathrm{\&alpha;})-\frac{1}{{\mathrm{\&alpha;}}^4}{\mathrm{\&Psi;}}^{,}(1/\mathrm{\&alpha;})]$

$-B\left(\mathrm{\&alpha;}\right)S_{-}^{,,}-[\frac{1}{\mathrm{\&alpha;}}\log B\left(\mathrm{\&alpha;}\right)-\mathrm{\&alpha;}{B}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)H\left(\mathrm{\&alpha;}\right)]B\left(\mathrm{\&alpha;}\right)S_{-}^{,}$

$-\frac{S_{-}^{,}}{\mathrm{\&alpha;}}B\left(\mathrm{\&alpha;}\right)\log B\left(\mathrm{\&alpha;}\right)+S_{-}\{-\frac{1}{{\mathrm{\&alpha;}}^2}B\left(\mathrm{\&alpha;}\right){\log }^{2}B\left(\mathrm{\&alpha;}\right)+[1+\log B\left(\mathrm{\&alpha;}\right)\left]B^{\frac{\mathrm{\&alpha;}+1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)H\left(\mathrm{\&alpha;}\right)\right\}$

$-C\left(\mathrm{\&alpha;}\right)S_{+}^{,,}-[\frac{1}{\mathrm{\&alpha;}}\log C\left(\mathrm{\&alpha;}\right)-\mathrm{\&alpha;}{C}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)J\left(\mathrm{\&alpha;}\right)]C\left(\mathrm{\&alpha;}\right)S_{+}^{,}$

$-\frac{S_{+}^{,}}{\mathrm{\&alpha;}}C\left(\mathrm{\&alpha;}\right)\log C\left(\mathrm{\&alpha;}\right)+S_{+}\{-\frac{1}{{\mathrm{\&alpha;}}^2}C\left(\mathrm{\&alpha;}\right){\log }^{2}C\left(\mathrm{\&alpha;}\right)+[1+\log C\left(\mathrm{\&alpha;}\right)\left]C^{\frac{\mathrm{\&alpha;}+1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)J\left(\mathrm{\&alpha;}\right)\right\},$

其中， $S_{+}^{,,}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^{\mathrm{\&alpha;}}{\log }^2{x}_i,S_{-}^{,,}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{\left({-x}_i\right)}^{\mathrm{\&alpha;}}{\log }^2\left({-x}_i\right),$

$H\left(\mathrm{\&alpha;}\right)=(S_{-}+\mathrm{\&alpha;}{S}_{-}^{,})[1+{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]\frac{B^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}+\frac{\log B\left(\mathrm{\&alpha;}\right)}{{\mathrm{\&alpha;}}^2{B}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}$

$+[\frac{\log S_{-}-\log S_{+}}{{(\mathrm{\&alpha;}+1)}^2}+\frac{S_{+}^{,}{S}_{-}-S_{-}^{,}{S}_{+}}{(\mathrm{\&alpha;}+1)S_{+}{S}_{-}}]{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}{S}_{-}{B}^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right),$

$J\left(\mathrm{\&alpha;}\right)=(S_{+}+\mathrm{\&alpha;}{S}_{+}^{,})[1+{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]\frac{C^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}+\frac{\log C\left(\mathrm{\&alpha;}\right)}{{\mathrm{\&alpha;}}^2{C}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}$

$+[\frac{\log S_{+}-\log S_{-}}{{(\mathrm{\&alpha;}+1)}^2}+\frac{S_{-}^{,}{S}_{+}-S_{+}^{,}{S}_{-}}{(\mathrm{\&alpha;}+1)S_{+}{S}_{-}}]{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}{S}_{+}{C}^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right);$

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 $\mathrm{\&gamma;}=\sqrt{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\&times;\sqrt{\frac{\mathrm{\&Gamma;}(3/\mathrm{\&alpha;})}{\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}},$ 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[α_LH1，β_LH1，γ_LH1，α_HL1，β_HL1，γ_HL1，α_HH1，β_HH1，γ_HH1，α_LH2，β_LH2，γ_LH2，α_HL2，β_HL2，γ_HL2，α_HH2，β_HH2，γ_HH2，…，α_LHN，β_LHN，γ_LHN，α_HLN，β_HLN，γ_HLN，α_HHN，β_HHN，γ_HHN]^T的格式，其中α_LHi，β_LHi和γ_LHi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，α_HLi，β_HLi和γ_HLi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，α_HHi，β_HHi和γ_HHi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

$\mathrm{Sm}(V_{u_x},V_{c_k})=\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\frac{({\mathrm{ck}}_{i+2}^{{\mathrm{ck}}_i}{\mathrm{ux}}_{i+1}^{{\mathrm{ck}}_i+1}+{\mathrm{ck}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{ux}}_{i+2}^{{\mathrm{ck}}_i+1})\mathrm{\&Gamma;}\left(\frac{{\mathrm{ck}}_i+1}{{\mathrm{ux}}_i}\right)}{{\mathrm{ck}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{ck}}_{i+2}^{{\mathrm{ck}}_i}({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{\mathrm{ux}}\right)}$

$+\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\left\{\log \right[\frac{{\mathrm{ux}}_i({\mathrm{ck}}_{i+1}+{\mathrm{ck}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ck}}_i}\right)}{{\mathrm{ck}}_i({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}]-\frac{\mathrm{\&Gamma;}(\frac{1}{{\mathrm{ux}}_i}+1)}{\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\},$

$\mathrm{Sm}(V_{u_x},V_{r_k})=\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\frac{({\mathrm{rk}}_{i+2}^{{\mathrm{rk}}_i}{\mathrm{ux}}_{i+1}^{{\mathrm{rk}}_i+1}+{\mathrm{rk}}_{i+1}^{{\mathrm{rk}}_i}{\mathrm{ux}}_{i+2}^{{\mathrm{rk}}_i+1})\mathrm{\&Gamma;}\left(\frac{{\mathrm{rk}}_i+1}{{\mathrm{ux}}_i}\right)}{{\mathrm{rk}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{rk}}_{i+2}^{{\mathrm{ck}}_i}({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{\mathrm{ux}}\right)}$

$+\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\left\{\log \right[\frac{{\mathrm{ux}}_i({\mathrm{rk}}_{i+1}+{\mathrm{rk}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{rk}}_i}\right)}{{\mathrm{rk}}_i({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}]-\frac{\mathrm{\&Gamma;}(\frac{1}{{\mathrm{ux}}_i}+1)}{\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\},$

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，ux_i，ck_i，rk_i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 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})$ 和 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 如果 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})\&le;\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 则把u_x归类为煤炭，如果 $\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})>\underset{k=\mathrm{1,2},...,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 则把u_x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，…，c_m和r₁，r₂，…，r_m；

B.分别对c₁，c₂，…，c_m和r₁，r₂，…，r_m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

$p(x;\mathrm{\&alpha;},\mathrm{\&beta;},\mathrm{\&gamma;})=\left\{\begin{array}{c}\frac{\mathrm{\&alpha;}}{(\mathrm{\&beta;}+\mathrm{\&gamma;})\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}{e}^{-{\left(\frac{-x}{\mathrm{\&beta;}}\right)}^{\mathrm{\&alpha;}}},x<0\\ \frac{\mathrm{\&alpha;}}{(\mathrm{\&beta;}+\mathrm{\&gamma;})\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}{e}^{{-\left(\frac{x}{\mathrm{\&gamma;}}\right)}^a},x\&GreaterEqual;0\end{array}\right.$

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c_k或者r_k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u_x；

F.对u_x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u_x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u_x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Coeff_Li；

(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Coeff_Hi；

(6)用步骤(4)所述的低通滤波器对Coeff_Li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Coeff_LLi；

(7)用步骤(5)所述的高通滤波器对Coeff_Li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Coeff_LHi；

(8)用步骤(4)所述的低通滤波器对Coeff_Hi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Coeff_HLi；

(9)用步骤(5)所述的高通滤波器对Coeff_Hi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Coeff_HHi；

(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Coeff_LLi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

$\frac{{\mathrm{\&Gamma;}}^2(2/\mathrm{\&alpha;})}{\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})\mathrm{\&Gamma;}(3/\mathrm{\&alpha;})}=\frac{{\left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\right|x_i\left|\right)}^2}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_j^2}\&times;\frac{[{\left(\frac{\frac{1}{N_{-}-1}\underset{j=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\right)}^{\frac{3}{2}}+1](\sqrt{\frac{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}\text{-1}}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}}+1)}{{(\frac{\frac{1}{N_{-}-1}\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}}+1)}^2}$

的数值解α₀，其中 $\mathrm{\&Gamma;}\left(z\right)={\&Integral;}_0^{+\&infin;}{t}^{z-1}{e}^{-t}\mathrm{dt},z=\frac{1}{\mathrm{\&alpha;}},\frac{2}{\mathrm{\&alpha;}},\frac{3}{\mathrm{\&alpha;}},$ t为积分变量，积分区间为[0，+oo)，x_i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

$f\left(\mathrm{\&alpha;}\right)=N[\frac{1}{\mathrm{\&alpha;}}+\frac{1}{{\mathrm{\&alpha;}}^2}\mathrm{\&Psi;}(1/\mathrm{\&alpha;})]-B\left(\mathrm{\&alpha;}\right)S_{-}^{,}-\frac{B\left(\mathrm{\&alpha;}\right)\log B\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}{S}_{-}-C\left(\mathrm{\&alpha;}\right)S_{+}^{,}-\frac{C\left(\mathrm{\&alpha;}\right)\log C\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}{S}_{+},$

其中 $\mathrm{\&Psi;}\left(z\right)=\frac{{\mathrm{\&Gamma;}}^{,}\left(z\right)}{\mathrm{\&Gamma;}\left(z\right)},S_{+}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{X}_i^{\mathrm{\&alpha;}},S_{-}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-X_i)}^{\mathrm{\&alpha;}},S_{+}^{,}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{X_i}^{\mathrm{\&alpha;}}\log X_i,$

$S_{-}^{,}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-x_i)}^{\mathrm{\&alpha;}}\log (-x_i),B\left(\mathrm{\&alpha;}\right)=\frac{N}{{\mathrm{\&alpha;S}}_{-}[1+{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]},C\left(\mathrm{\&alpha;}\right)=\frac{N}{{\mathrm{\&alpha;S}}_{+}[1+{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]};$

STEP4.把α作为自变量代入并计算

$g\left(\mathrm{\&alpha;}\right)=N[-\frac{1}{{\mathrm{\&alpha;}}^2}-\frac{2}{{\mathrm{\&alpha;}}^3}\mathrm{\&Psi;}(1/\mathrm{\&alpha;})-\frac{1}{{\mathrm{\&alpha;}}^4}{\mathrm{\&Psi;}}^{,}(1/\mathrm{\&alpha;})]$

$\begin{array}{c}-B\left(\mathrm{\&alpha;}\right)S_{-}^{,,}-[\frac{1}{\mathrm{\&alpha;}}\log B\left(\mathrm{\&alpha;}\right)-\mathrm{\&alpha;}{B}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)H\left(\mathrm{\&alpha;}\right)]B\left(\mathrm{\&alpha;}\right)S_{-}^{,}\\ -\frac{S_{-}^{,}}{\mathrm{\&alpha;}}B\left(\mathrm{\&alpha;}\right)\log B\left(\mathrm{\&alpha;}\right)+S_{-}\{-\frac{1}{{\mathrm{\&alpha;}}^2}B\left(\mathrm{\&alpha;}\right){\log }^{2}B\left(\mathrm{\&alpha;}\right)+[1+\log B\left(\mathrm{\&alpha;}\right)\left]B^{\frac{\mathrm{\&alpha;}+1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)H\left(\mathrm{\&alpha;}\right)\right\}\\ -C\left(\mathrm{\&alpha;}\right)S_{+}^{,,}-[\frac{1}{\mathrm{\&alpha;}}\log C\left(\mathrm{\&alpha;}\right)-\mathrm{\&alpha;}{C}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)J\left(\mathrm{\&alpha;}\right)]C\left(\mathrm{\&alpha;}\right)S_{+}^{,}\\ -\frac{S_{+}^{,}}{\mathrm{\&alpha;}}C\left(\mathrm{\&alpha;}\right)\log C\left(\mathrm{\&alpha;}\right)+S_{+}\{-\frac{1}{{\mathrm{\&alpha;}}^2}C\left(\mathrm{\&alpha;}\right){\log }^{2}C\left(\mathrm{\&alpha;}\right)+[1+\log C\left(\mathrm{\&alpha;}\right)\left]C^{\frac{\mathrm{\&alpha;}+1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)J\left(\mathrm{\&alpha;}\right)\right\},\end{array}$ 其中

$S_{+}^{,,}=\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^{\mathrm{\&alpha;}}{\log }^2{x}_i,S_{-}^{,,}=\underset{i=1,x_i<0}{\overset{N}{\mathrm{\&Sigma;}}}{(-x_i)}^{\mathrm{\&alpha;}}{\log }^2(-x_i),$

$\begin{array}{c}H\left(\mathrm{\&alpha;}\right)=(S_{-}+{\mathrm{\&alpha;S}}_{-}^{,})[1+{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]\frac{B^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}+\frac{\log B\left(\mathrm{\&alpha;}\right)}{{\mathrm{\&alpha;}}^2{B}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}\\ +[\frac{\log S_{-}-\log S_{+}}{{(\mathrm{\&alpha;}+1)}^2}+\frac{S_{+}^{,}{S}_{-}-S_{-}^{,}{S}_{+}}{(\mathrm{\&alpha;}+1)S_{+}{S}_{-}}]{\left(\frac{S_{+}}{S_{-}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}{S}_{-}{B}^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)\text{,}\end{array}$

$\begin{array}{c}J\left(\mathrm{\&alpha;}\right)=(S_{+}+{\mathrm{\&alpha;S}}_{+}^{,})[1+{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}]\frac{C^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}{\mathrm{\&alpha;}}+\frac{\log C\left(\mathrm{\&alpha;}\right)}{{\mathrm{\&alpha;}}^2{C}^{\frac{1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)}\\ +[\frac{\log S_{+}-\log S_{-}}{{(\mathrm{\&alpha;}+1)}^2}+\frac{S_{-}^{,}{S}_{+}-S_{+}^{,}{S}_{-}}{(\mathrm{\&alpha;}+1)S_{+}{S}_{-}}]{\left(\frac{S_{-}}{S_{+}}\right)}^{\frac{1}{\mathrm{\&alpha;}+1}}{S}_{+}{C}^{\frac{\mathrm{\&alpha;}-1}{\mathrm{\&alpha;}}}\left(\mathrm{\&alpha;}\right)\text{;}\end{array}$

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 $\mathrm{\&gamma;}=\sqrt{\frac{1}{N_{+}-1}\underset{i=1,x_i\&GreaterEqual;0}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}\&times;\sqrt{\frac{\mathrm{\&Gamma;}(3/\mathrm{\&alpha;})}{\mathrm{\&Gamma;}(1/\mathrm{\&alpha;})}},$ 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[α_LH1，β_LH1，γ_LH1，α_HL1，β_HL1，γ_HL1，α_HH1，β_HH1，γ_HH1，α_LH2，β_LH2，γ_LH2，α_HL2，β_HL2，γ_HL2，α_HH2，β_HH2，γ_HH2，…，α_LHN，β_LHN，γ_LHN，α_HLN，，β_HLN，γ_HLN，α_HHN，β_HHN，γ_HHN]^T的格式，其中α_LHi，β_LHi和γ_LHi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，α_HLi，β_HLi和γ_HLi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，α_HHi，β_HHi和γ_HHi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u_x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

$\begin{array}{c}\mathrm{Sm}\left(V_{u_x,}{V}_{c_k}\right)=\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\frac{({\mathrm{ck}}_{i+2}^{{\mathrm{ck}}_i}{\mathrm{ux}}_{i+1}^{{\mathrm{ck}}_i+1}+{\mathrm{ck}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{ux}}_{i+2}^{{\mathrm{ck}}_i+1})\mathrm{\&Gamma;}\left(\frac{{\mathrm{ck}}_i+1}{{\mathrm{ux}}_i}\right)}{{\mathrm{ck}}_{i+1}^{{\mathrm{ck}}_i}{\mathrm{ck}}_{i+2}^{{\mathrm{ck}}_i}({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\\ +\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\left\{\log \right[\frac{{\mathrm{ux}}_i({\mathrm{cx}}_{i+1}+{\mathrm{ck}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ck}}_i}\right)}{{\mathrm{ck}}_i({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}]-\frac{\mathrm{\&Gamma;}(\frac{1}{{\mathrm{ux}}_i}+1)}{\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\},\end{array}$

$\begin{array}{c}\mathrm{Sm}\left(V_{u_x,}{V}_{r_k}\right)=\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\frac{({\mathrm{rk}}_{i+2}^{{\mathrm{rk}}_i}{\mathrm{ux}}_{i+1}^{{\mathrm{rk}}_i+1}+{\mathrm{rk}}_{i+1}^{{\mathrm{rk}}_i}{\mathrm{ux}}_{i+2}^{{\mathrm{rk}}_i+1})\mathrm{\&Gamma;}\left(\frac{{\mathrm{rk}}_i+1}{{\mathrm{ux}}_i}\right)}{{\mathrm{rk}}_{i+1}^{{\mathrm{rk}}_i}{\mathrm{rk}}_{i+2}^{{\mathrm{rk}}_i}({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\\ +\underset{i=1,i=i+3}{\overset{3\&times;N}{\mathrm{\&Sigma;}}}\left\{\log \right[\frac{{\mathrm{ux}}_i({\mathrm{rk}}_{i+1}+{\mathrm{rk}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{rk}}_i}\right)}{{\mathrm{rk}}_i({\mathrm{ux}}_{i+1}+{\mathrm{ux}}_{i+2})\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}]-\frac{\mathrm{\&Gamma;}(\frac{1}{{\mathrm{ux}}_i}+1)}{\mathrm{\&Gamma;}\left(\frac{1}{{\mathrm{ux}}_i}\right)}\},\end{array}$

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，ux_i，ck_i，rk_i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 $\underset{k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})\&le;\underset{k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 则把u_x归类为煤炭，如果 $\underset{k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m}{\min }\mathrm{Sm}(V_{u_x},V_{c_k})\&le;\underset{k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m}{\min }\mathrm{Sm}(V_{u_x},V_{r_k}),$ 则把u_x归类为岩石。