CN104751192A - 基于图像块共生特征的煤岩识别方法 - Google Patents
基于图像块共生特征的煤岩识别方法 Download PDFInfo
- Publication number
- CN104751192A CN104751192A CN201510197809.2A CN201510197809A CN104751192A CN 104751192 A CN104751192 A CN 104751192A CN 201510197809 A CN201510197809 A CN 201510197809A CN 104751192 A CN104751192 A CN 104751192A
- Authority
- CN
- China
- Prior art keywords
- image
- coal
- rock
- pixel
- block
- 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 42
- 239000011435 rock Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000007630 basic procedure Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像块共生特征的煤岩识别方法,该方法稠密提取图像块,用聚类算法提取关键图像块,用关键图像块向量标注煤、岩图像并计算标注后图像的共生矩阵,提取共生矩阵的能量、对比度、逆差矩以及熵构成图像的特征,每一张样本图像特征代表煤或岩的一种模式;待识别的图像与各模式比较,最相近的模式即为待识别图像所属的类别。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
本发明涉及一种用图像块共生特征识别煤岩的方法,属于煤岩识别领域。
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。
已有利用煤岩图像纹理特征来识别煤岩的方法,如基于灰度共生统计特征的煤岩识别方法,图像灰度对照度、视点变化不具备鲁棒性,而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,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图像块共生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,提供一种基于图像块共生特征的煤岩识别方法,包括如下步骤:
A.对每一张煤、岩样本图像,以图像中每个像素为中心(边缘像素除外),取N×N像素大小的图像块,将图像块内的像素按一定顺序排列,排序后的像素构成N2维向量,向量中每个元素的值为对应像素的灰度值,将每个向量进行标准化处理;
B.用聚类算法分别提取煤、岩样本图像的K个关键图像块,将2K个关键图像块按L2范数大小从小到大标记;
C.将煤、岩样本图像中的每张图像的每个像素(边缘像素除外)标注为与其最邻近的关键图像块的标记值,计算标注后的每张图像的共生矩阵;
D.计算每张图像的共生矩阵的能量、对比度、逆差矩以及熵,组成一个四维向量并归一化,即为该图像的特征y,所有煤样本图像的特征构成矩阵Yc,所有岩样本图像特征构成矩阵Yr;
E.对于待识别的图像,经过步骤A、C和D的处理后得到该图像的特征x,分别将煤样本特征矩阵Yc和岩样本特征矩阵Yr代入式r=YTx中计算,所属类别为max(||rc||∞,||rr||∞),||·||∞表示取其中的最大值元素。
在进一步特定的但非限制性的形式中,步骤A中图像块大小为7×7。
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。
具体实施方案
图1是本发明用图像块共生特征识别煤岩的基本流程,参见图1进行具体描述。
A.从煤岩识别任务的现场如采煤工作面采集不同照度、不同视点的煤、岩样本图像,在图像的中心截取大小合适如256*256的子图像作为样本图像,得到煤、岩样本各M张图像;对每一张样本图像,以图像中每个像素点为中心(边缘像素除外),取N×N如7×7像素大小的图像块,将图像块内的像素按行记录成向量pi如图2所示,对每个图像块向量进行标准化处理,即按如下顺序进行处理:
表示为N2维全1向量,η为常数值;
B.用k-means聚类算法从煤样本图像的图像块中提取K个关键图像块,从岩样本图像的图像块中提取K个关键图像块,将这2K个关键图像块按L2范数大小从小到大标记,由此得到标记值为1,2,...2k;
C.对煤、岩样本图像进行标注,即将图像中的每个像素(边缘像素除外)标注为与其最邻近的关键图像块的标记值,最邻近判据为欧式距离最小。
对每一张标注后的图像,统计其水平方向相距为1的标记值对出现的个数,得到标注后图像的共生矩阵,共生矩阵的大小为2K*2K。
D.计算每张图像的共生矩阵的能量、对比度、逆差矩以及熵,组成一个四维向量并归一化,得到该张图像的特征y,所有煤样本图像的特征构成矩阵Yc,所有岩样本图像特征构成矩阵Yr,其中:
能量:
对比度:
逆差矩:
熵:
G(i,j)为共生矩阵(i,j)的值。
E.对于待识别的图像,经过步骤A、C和D的处理后得到该图像的特征x,分别将煤特征矩阵Yc和岩特征矩阵Yr代入式r=YTx中计算,所属类别为max(||rc||∞,|rr||∞),||·||∞表示取其中的最大值元素。
Claims (2)
1.一种基于图像块共生特征的煤岩识别方法,其特征在于包括以下步骤:
A.对每一张煤、岩样本图像,以图像中每个像素为中心(边缘像素除外),取N×N像素大小的图像块,将图像块内的像素按一定顺序排列,排序后的像素构成N2维向量,向量中每个元素的值为对应像素的灰度值,将每个向量进行标准化处理;
B.用聚类算法分别提取煤、岩样本图像的K个关键图像块,将2K个关键图像块按L2范数大小从小到大标记;
C.将煤、岩样本图像中的每张图像的每个像素(边缘像素除外)标注为与其最邻近的关键图像块的标记值,计算标注后的每张图像的共生矩阵;
D.计算每张图像的共生矩阵的能量、对比度、逆差矩以及熵,组成一个四维向量并归一化,即为该图像的特征y,所有煤样本图像的特征构成矩阵Yc,所有岩样本图像特征构成矩阵Yr;
E.对于待识别的图像,经过步骤A、C和D的处理后得到该图像的特征x,分别将煤样本特征矩阵Yc和岩样本特征矩阵Yr代入式r=YTx中计算,所属类别为max(||rc||∞,|rr||∞),||·||∞表示取其中的最大值元素。
2.根据权利要求1所述方法,其特征在于步骤A中图像块大小为7×7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510197809.2A CN104751192B (zh) | 2015-04-24 | 2015-04-24 | 基于图像块共生特征的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510197809.2A CN104751192B (zh) | 2015-04-24 | 2015-04-24 | 基于图像块共生特征的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751192A true CN104751192A (zh) | 2015-07-01 |
CN104751192B CN104751192B (zh) | 2017-12-22 |
Family
ID=53590845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510197809.2A Expired - Fee Related CN104751192B (zh) | 2015-04-24 | 2015-04-24 | 基于图像块共生特征的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751192B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN105243400A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于极大值池化稀疏编码的煤岩识别方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
CN105354596A (zh) * | 2015-11-10 | 2016-02-24 | 中国矿业大学(北京) | 基于结构化稀疏编码的煤岩识别方法 |
CN105373797A (zh) * | 2015-11-10 | 2016-03-02 | 中国矿业大学(北京) | 基于平均池化稀疏编码的煤岩识别方法 |
CN105426909A (zh) * | 2015-11-10 | 2016-03-23 | 中国矿业大学(北京) | 基于协同稀疏编码的煤岩识别方法 |
CN107992901A (zh) * | 2017-12-18 | 2018-05-04 | 武汉大学 | 一种基于纹理特征的钻孔雷达影像岩层分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
US20100034465A1 (en) * | 2008-08-08 | 2010-02-11 | Kabushiki Kaisha Toshiba | Method and apparatus for calculating pixel features of image data |
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 |
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN103927528A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
-
2015
- 2015-04-24 CN CN201510197809.2A patent/CN104751192B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100034465A1 (en) * | 2008-08-08 | 2010-02-11 | Kabushiki Kaisha Toshiba | Method and apparatus for calculating pixel features of image data |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
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 |
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN103927528A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
Non-Patent Citations (2)
Title |
---|
孙继平等: "基于支持向量机的煤岩图像特征抽取与分类识别", 《煤炭学报》 * |
李慧慧等: "结合灰度共生矩阵和模糊聚类的图像分割技术", 《杭州电子科技大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN105243400A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于极大值池化稀疏编码的煤岩识别方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
CN105354596A (zh) * | 2015-11-10 | 2016-02-24 | 中国矿业大学(北京) | 基于结构化稀疏编码的煤岩识别方法 |
CN105373797A (zh) * | 2015-11-10 | 2016-03-02 | 中国矿业大学(北京) | 基于平均池化稀疏编码的煤岩识别方法 |
CN105426909A (zh) * | 2015-11-10 | 2016-03-23 | 中国矿业大学(北京) | 基于协同稀疏编码的煤岩识别方法 |
CN105354596B (zh) * | 2015-11-10 | 2018-08-14 | 中国矿业大学(北京) | 基于结构化稀疏编码的煤岩识别方法 |
CN107992901A (zh) * | 2017-12-18 | 2018-05-04 | 武汉大学 | 一种基于纹理特征的钻孔雷达影像岩层分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104751192B (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751192A (zh) | 基于图像块共生特征的煤岩识别方法 | |
CN103927514B (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
CN102509087B (zh) | 一种基于图像灰度共生矩阵的煤岩识别方法 | |
CN103927553B (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
CN102103698B (zh) | 图像处理装置及图像处理方法 | |
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 | |
CN105184300A (zh) | 一种基于图像lbp的煤岩识别方法 | |
CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
CN102930253A (zh) | 一种基于图像离散多小波变换的煤岩识别方法 | |
CN107862675A (zh) | 一种用于电铲斗齿缺失的实时视觉检测方法 | |
CN104573713A (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
CN103500449A (zh) | 一种星上可见光遥感图像云检测方法 | |
CN106845509A (zh) | 一种基于曲波域压缩特征的煤岩识别方法 | |
CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
CN112001878A (zh) | 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统 | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
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 | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN104732239A (zh) | 基于小波域非对称广义高斯模型的煤岩分类方法 | |
CN105354596B (zh) | 基于结构化稀疏编码的煤岩识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171222 Termination date: 20200424 |
|
CF01 | Termination of patent right due to non-payment of annual fee |