CN105184300A - 一种基于图像lbp的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于图像LBP的煤岩识别方法，该方法对图像进行不同观察和分析粒度的转换，分别得到样本图像的LBP响应图像；对LBP响应图像分别计算其共生矩阵，分别得到LBP响应图像的灰度共生矩阵；分别提取LBP响应图像的灰度共生矩阵的特征值，并组成到特征向量；根据得到的LBP响应图像的灰度共生矩阵的特征向量组成图像的特征矩阵；然后基于模板匹配技术，对于待识别的图像与各模板比较，匹配度最高的即为待识别图像所述的模板。该方法受光照因素的影响低、稳定性好、识别率高。

Description

一种基于图像LBP的煤岩识别方法

技术领域

本发明涉及一种基于图像LBP的煤岩识别方法，属于煤岩识别技术领域。

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。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工作人员、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的意义

目前，国内外煤岩识别主要有以下两类方法，第一种是煤层厚度的测量方法，通过反馈的信息调整滚筒的高度，包括各种射线和电磁波，例如自然γ射线探测法、电磁波探测法以及雷达探测法；另一种是煤和岩石界面的测量方法，通过采煤机自生的响应来调整滚筒高度，包括应力截齿法、震动检测法、红外线检测法等。以上各种方法有各自的优缺点，但都是采用传感器进行识别。一方面在不同的煤矿产区，需要选取不同的传感器，并需要安装在不同的机器设备上；另一方面在煤炭开采环境中，传感器本身容易出现故障和失灵的情况，无疑都加大了人力和物力的浪费。

为解决上述问题，图像技术越来越受到重视并研发了一些图像技术的煤岩识别方法，然而在已有的方法中，例如基于灰度共生矩阵的煤岩识别方法，从全局来分析图像纹理的特点，没有完全抓住局部灰度的图像特点，因此，该方法易受光照、噪声、视点的影响。基于LBP的煤岩识别方法，主要以某一点与其邻域像素的相对灰度作为响应，正是这种机制使得LBP算子对于单调的灰度变化具有不变性，可以精确的描绘图像局部纹理信息。

发明内容

本发明的目的在于提供一种基于图像LBP的煤岩识别方法，该识别方法受光照、视点的影响小，能够同时从全局和局部分析纹理特征，能够实时、自动地识别出当前煤、岩对象是煤或岩石，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地煤岩识别信息。

为实现上述目的，本发明的方案是：一种基于图像LBP的煤岩识别方法，包括如下步骤：

A.在相同成像条件下，分别采集一组已知煤样本灰度图像集和岩样本的灰度图像集；

B.对所述的煤样本图像集和岩样本图像集分别应用3类MB-LBP算子，得到所述煤样本图像集和岩样本图像集的LBP响应图像；

C.计算所述煤样本图像集和岩样本图像集的LBP响应图像的灰度共生矩阵

D.分别求LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差作为最终8纹理特征，并组成特征向量；

E.对所述煤样本灰度图像集和岩样本的灰度图像集分别得到的特征向量进行汇总，分别得到所述煤样本灰度图像集和岩样本的灰度图像集的特征矩阵；

F.分别计算所述煤样本灰度图像集和岩样本的灰度图像集的特征矩阵的均值矩阵，根据均值矩阵得到煤的模板特征矩阵M和岩的模板特征矩阵Y；

G.对于待识别图像x，按照步骤B、C、D、E的方法，得到待识别图像x的特征矩阵T；

H.将M、T代入匹配公式，得到待识别图像与煤图像的匹配度r(M，T)，将Y、T代入匹配公式，得到待识别图像与岩图像的匹配度r(Y，T)；

I.比较两类匹配度的大小，若r(M，T)＞r(Y，T)，则待识别图像是煤的图像；若r(M，T)＜r(Y，T)，则待识别图像是岩的图像。

所述的步骤B中，得到所述煤样本图像集和岩样本图像集的LBP响应图像的具体过程如下：

(1)所述的煤样本图像集用m₁、m₂、m₃、....、mk表示，所述的岩样本图像集用y₁、y₂、y₃、....、y_k表示；

(2)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、....、y_k应用MB_i-LBP_8，2算子，即以像素块大小为1×1的邻域为8、半径为2的圆形邻域的LBP算子，得到一类LBP响应图像m₁₁、m₂₁、m₃₁、....、m_k1和y₁₁、y₂₁、y₃₁、....、y_k1；

(3)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、...、y_k应用MB₂-LBP_8，2算子，即以像素块大小为2×2的邻域为8、半径为2的圆形邻域的LBP算子，得到二类LBP响应图像m₁₂、m₂₂、m₃₂、....、m_k2和y₁₂、y₂₂、y₃₂、....、y_k2；

(4)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、...、y_k应用MB₃-LBP_8，2算子，即以像素块大小为3×3的邻域为8、半径为2的圆形邻域的LBP算子，得到三类LBP响应图像m₁₃、m₂₃、m₃₃、....、m_k3和y₁₃、y₂₃、y₃₃、...y_k3。

所述的步骤C中，得到所述LBP响应图像灰度共生矩阵具体过程如下：

(1)对LBP响应图像的灰度级进行压缩，将LBP响应图像的灰度级压缩至16级；

(2)分别计算LBP响应图像的灰度共生矩阵，取距离为1，角度分别0、45、90和135；

(3)对(2)生成的共生矩阵进行归一化处理；

(4)则每一LBP响应图像则可分别得到灰度共生矩阵：G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵。

所述的步骤D中，得到所述LBP响应图像灰度共生矩阵的统计参数的具体过程如下：

(1)分别计算每一LBP响应图像的灰度共生矩阵G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的能量E₀、E₄₅、E₉₀和E₁₃₅，熵H₀、H₄₅、H₉₀和H₁₃₅，惯性矩I₀、I₄₅、I₉₀和I₁₃₅，相关C₀、C₄₅、C₉₀和C₁₃₅；

(2)求LBP响应图像的G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的能量的均值a₁和方差b₁；

(3)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的熵的均值a₂和方差b₂；

(4)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的惯性矩的均值a₃和方差b₃；

(5)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的相关的均值a₄和方差b₄；

(6)将得到的a₁、b₁、a₂、b₂、a₃、b₃、a₄和b₄组成特征向量Q＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}。

所述的步骤E中，得到所述煤样本灰度图像和岩样本的灰度图像的特征矩阵的具体过程如下：

(1)将应用MB₁-LBP_8，2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₁＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(2)将应用MB₂-LBP_8，2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₂＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(3)将应用MB₃-LBP_8，2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₃＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(4)得到所述煤样本图像集岩样本图像集中每一样本图像的特征矩阵为T_i＝{Q₁，Q₂，Q₃}，其中i＝1，2，3..k，岩样本图像集中每一样本图像的特征矩阵为S_i＝{Q₁，Q₂，Q₃}，其中i＝1，2，3..k。

所述的步骤F中，得到所述煤样本灰度图像集和岩样本的灰度图像集的模板特征矩阵的具体过程如下：

(1)计算煤样本图像集m₁、m₂、m₃、...、m_k的特征矩阵T₁、T₂、T₃、...、T_k的均值矩阵该均值矩阵M即为煤样本图像集的模板特征矩阵；

(2)计算岩样本图像集y₁、y₂、y₃、...、y_k的特征矩阵S₁、S₂、S₃、...、S_k的均值矩阵该均值矩阵Y即为岩样本图像集的模板特征矩阵。

所述的步骤G中，得到所述煤样本灰度图像集和岩样本的灰度图像集的模板特征矩阵的具体过程如下：

(1)将M、T代入匹配公式 $r=\frac{{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^{2}m(s,t)f(s,t)}{{{[\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{m}^2(s,t)\·{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{f}^2(s,t)]}^{1/2}},$ 其中m(s，t)表示煤的模板特征矩阵M中(s，t)处元素的值，f(s，t)表示待识别图像特征矩阵T中的(s，t)处元素的值；

(2)步骤(1)得到的r值赋予r(M，T)，表示待识别图像与煤图像的匹配度；

(3)将Y、T代入匹配公式 $r=\frac{{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^{2}y(s,t)f(s,t)}{{{[\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{y}^2(s,t)\·{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{f}^2(s,t)]}^{1/2}},$ 其中y(s，t)表示岩的模板特征矩阵Y中(s，t)处元素的值，f(s，t)表示待识别图像特征矩阵T中的(s，t)处元素的值；

(4)步骤(3)得到的r值赋予r(Y，T)，表示待识别图像与岩图像的匹配度。

本发明所达到的有益效：

现有的LBP与灰度共生矩阵的融合方法，都是分别提取图像LBP纹理特征和提取图像灰度共生矩阵纹理特征，然后将这些特征串联起来用于煤岩识别。现有的融合方法增加了特征的数量，使得煤岩识别需要很高的计算量；本发明方法提出的LBP与灰度共生矩阵的融合方法是先获取图像的LBP响应图像，然后提取LBP响应图像的灰度共生矩阵的纹理特征，本发明方法的特征数量相比现有的融合方法提取的特征数量较少，但是兼顾了图像LBP纹理特征和提取图像灰度共生矩阵纹理特征，降低了煤岩识别的计算量，使得煤岩识别实时性得到进一步的提高。

附图说明：

通过以下说明，附图实施案例变得显而已见，其仅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是本发明所述MB₁、MB₂、MB₃算子的计算图；

图3是本发明所述LBP_8，2算子的计算图。

具体实施方式

一种基于LBP的煤岩识别方法，包括以下步骤(流程见图1)：

A.在相同成像条件下，分别采集一组已知煤样本灰度图像集和岩样本的灰度图像集；

B.对所述的煤样本图像集和岩样本图像集分别应用3类MB-LBP(Multi-BlockLocalBinaryPattern，多块局部二值模式)算子，得到所述煤样本图像集和岩样本图像集的LBP(LocalBinaryPattern，局部二值模式)响应图像；

C.计算所述煤样本图像集和岩样本图像集的LBP响应图像的灰度共生矩阵

D.分别求LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差作为最终8纹理特征，并组成特征向量；

E.对所述煤样本灰度图像集和岩样本的灰度图像集分别得到的特征向量进行汇总，分别得到所述煤样本灰度图像集和岩样本的灰度图像集的特征矩阵；

F.分别计算所述煤样本灰度图像集和岩样本的灰度图像集的特征矩阵的均值矩阵，得到煤的模板特征矩阵和岩的模板特征矩阵；

G.对于待识别图像x，经过步骤B、C、D、E得到特征矩阵T，将M、T代入匹配公式，得到待识别图像与煤图像的匹配度和待识别图像与岩图像的匹配度；

H.比较两类匹配度的大小，判断待识别图像是煤图像还是岩图像。

步骤B中，所述煤样本图像集和岩样本图像集的LBP响应图像的具体过程如下：

(1)所述的煤样本图像集用m₁、m₂、m₃、....、m_k表示，所述的岩样本图像集用y₁、y₂、y₃、....、y_k表示；

(2)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、....、y_k应用MB₁-LBP_8，2算子，即以像素块大小为1×1的邻域为8、半径为2的圆形邻域的LBP算子，得到一类LBP响应图像m₁₁、m₂₁、m₃₁、....、m_k1和y₁₁、y₂₁、y₃₁、....、y_k1；

(3)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、...、y_k应用MB₂-LBP_8，2算子，即以像素块大小为2×2的邻域为8、半径为2的圆形邻域的LBP算子，得到二类LBP响应图像m₁₂、m₂₂、m₃₂、....、m_k2和y₁₂、y₂₂、y₃₂、....、y_k2；

(4)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、...、y_k应用MB₃-LBP_8，2算子，即以像素块大小为3×3的邻域为8、半径为2的圆形邻域的LBP算子，得到三类LBP响应图像m₁₃、m₂₃、m₃₃、....、m_k3和y₁₃、y₂₃、y₃₃、...y_k3。

所述的应用MB₁-LBP_8，2、MB₂-LBP_8，2、MB₃-LBP_8，2算子的具体过程如下：

(1)样本图像m_i表示为A；

(2)对样本图像A中的2×2大小的像素块经过无重叠区域的采样，每个像素块的采样值是2×2大小的像素块的均值，得到图像B；

(3)步骤(2)像素块的均值的计算公式是：

(4)对样本图像A中的3×3大小的像素块经过无重叠区域的采样，每个像素块的采样值是3×3大小的像素块的均值，得到图像C；

(5)步骤(3)像素块的均值的计算公式是：

(6)分别对图像A、B、C应用LBP_8，2算子计算，得到LBP响应图像m_i1、m_i2、m_i3；

步骤C中，所述LBP响应图像灰度共生矩阵具体过程如下：

(1)对LBP响应图像的灰度级进行压缩，将LBP响应图像的灰度级压缩至16级；

(2)分别计算LBP响应图像的灰度共生矩阵，取距离为1，角度分0，45，90，135；

(3)对(2)生成的共生矩阵进行归一化处理；

(4)则每一LBP响应图像则可分别得到灰度共生矩阵：G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵；

上述步骤(1)、(2)、(3)、(4)、的实施过程如下：

(1)为了节省计算时间，一般对图像的灰度技术进行压缩，本发明中，将灰度级压缩至16级；

(2)取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g₁，g₂)；

(3)令点(x，y)在整个画面上移动，得到各种(g₁，g₂)，出现的总次数将它们归一化为出现的概率p(g₁，g₂)；

(4)当a＝1或-1，b＝0时，像素对是水平的，即角度为0；

(5)当a＝0，b＝1或-1时，像素对是垂直的，即角度为90；

(6)当a＝1，b＝1或a＝-1，b＝-1时，像素对是水平的，即角度为45；

(7)当a＝-1，b＝1或a＝1，b＝-1时，像素对是水平的，即角度为135；

步骤D中，得到所述LBP响应图像灰度共生矩阵的统计参数的具体过程如下：

(1)分别计算每一LBP响应图像的灰度共生矩阵G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的能量E₀、E₄₅、E₉₀和E₁₃₅，熵H₀、H₄₅、H₉₀和H₁₃₅，惯性矩I₀、I₄₅、I₉₀和I₁₃₅，相关C₀、C₄₅、C₉₀和C₁₃₅；

(2)求LBP响应图像的G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的能量的均值a₁和方差b₁；

(3)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的熵的均值a₂和方差b₂；

(4)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的惯性矩的均值a₃和方差b₃；

(5)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的相关的均值a₄和方差b₄；

(6)将得到的a₁、b₁、a₂、b₂、a₃、b₃、a₄和b₄组成特征向量Q＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}。

所述的能量、熵、惯性矩、相关的计算公式如下：

(1)能量： $E={\mathrm{\Σ}}_{g_1}{\mathrm{\Σ}}_{g_2}{\left[p(g_1,g_2)\right]}^2;$

(2)熵： $I=-{\mathrm{\Σ}}_{g_1}{\mathrm{\Σ}}_{g_2}p(g_1,g_2)\mathrm{lg\; p}(g_1,g_2);$

(3)惯性矩： $H={\mathrm{\Σ}}_{g_1}{\mathrm{\Σ}}_{g_2}{k}^{2}p(g_1,g_2),$ 其中k＝|g₁-g₂|；

(4)相关： $C=\frac{{\mathrm{\Σ}}_{g_1}{\mathrm{\Σ}}_{g_2}{g}_1{g}_{2}p(g_1,g_2)-u_x{u}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y};$

其中， $u_x={\mathrm{\Σ}}_{g_1}{g}_1{\mathrm{\Σ}}_{g_2}p(g_1,g_2),u_y={\mathrm{\Σ}}_{g_2}{g}_2{\mathrm{\Σ}}_{g_1}p(g_1,g_2),$

${{\mathrm{\σ}}_x}^2={\mathrm{\Σ}}_{g_1}{(g_1-u_x)}^2{\mathrm{\Σ}}_{g_2}p(g_1,g_2),{{\mathrm{\σ}}_y}^2={\mathrm{\Σ}}_{g_2}{(g_2-u_y)}^2{\mathrm{\Σ}}_{g_1}p(g_1,g_2);$

步骤E中，得到所述煤样本灰度图像和岩样本的灰度图像的特征矩阵的具体过程如下：

(1)将应用MB₁-LBP_8，2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₁＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(2)将应用MB₂-LBP_8，2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₂＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(3)将应用MB₃-LBP_8，2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₃＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(4)得到所述煤样本图像集岩样本图像集中每一样本图像的特征矩阵为T_i＝{Q₁，Q₂，Q₃}，其中i＝1，2，3..k，岩样本图像集中每一样本图像的特征矩阵为S_i＝{Q₁，Q₂，Q₃}，其中i＝1，2，3..k。

步骤F中，得到所述煤样本灰度图像集和岩样本的灰度图像集的模板特征矩阵的具体过程如下：

(1)计算煤样本图像集m₁、m₂、m₃、...、mk的特征矩阵T₁、T₂、T₃、...、T_k的均值矩阵该均值矩阵M即为煤样本图像集的模板特征矩阵；

(2)计算岩样本图像集y₁、y₂、y₃、...、y_k的特征矩阵S₁、S₂、S₃、...、S_k的均值矩阵该均值矩阵Y即为岩样本图像集的模板特征矩阵。

步骤G中，得到所述煤样本灰度图像集和岩样本的灰度图像集的模板特征矩阵的具体过程如下：

(1)将M、T代入匹配公式 $r=\frac{{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^{2}m(s,t)f(s,t)}{{{[\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{m}^2(s,t)\·{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{f}^2(s,t)]}^{1/2}},$ 其中m(s，t)表示煤的模板特征矩阵M中(s，t)处元素的值，f(s，t)表示待识别图像特征矩阵T中的(s，t)处元素的值；

(2)步骤(1)得到的r值赋予r(M，T)，表示待识别图像与煤图像的匹配度；

(3)将Y、T代入匹配公式 $r=\frac{{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^{2}y(s,t)f(s,t)}{{{[\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{y}^2(s,t)\·{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{f}^2(s,t)]}^{1/2}},$ 其中y(s，t)表示岩的模板特征矩阵Y中(s，t)处元素的值，f(s，t)表示待识别图像特征矩阵T中的(s，t)处元素的值；

(4)步骤(3)得到的r值赋予r(Y，T)，表示待识别图像与岩图像的匹配度。

步骤H中，判断待识别图像是煤图像还是岩图像的具体过程如下：

(1)若r(M，T)＞r(Y，T)，则待识别图像是煤的图像；

(2)若r(M，T)＜r(Y，T)，则待识别图像是岩的图像。

Claims (7)

1.一种基于图像LBP的煤岩识别方法，其特征在于，包括以下步骤：

A.在相同成像条件下，分别采集一组已知煤样本灰度图像集和岩样本的灰度图像集；

B.对所述的煤样本图像集和岩样本图像集分别应用3类MB-LBP算子，得到所述煤样本图像集和岩样本图像集的LBP响应图像；

C.计算所述煤样本图像集和岩样本图像集的LBP响应图像的灰度共生矩阵

D.分别求LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差作为最终8纹理特征，并组成特征向量；

E.对所述煤样本灰度图像集和岩样本的灰度图像集分别得到的特征向量进行汇总，分别得到所述煤样本灰度图像集和岩样本的灰度图像集的特征矩阵；

F.分别计算所述煤样本灰度图像集和岩样本的灰度图像集的特征矩阵的均值矩阵，根据均值矩阵得到煤的模板特征矩阵M和岩的模板特征矩阵Y；

G.对于待识别图像x，按照步骤B、C、D、E的方法，得到待识别图像x的特征矩阵T；

H.将M、T代入匹配公式，得到待识别图像与煤图像的匹配度r(M，T)，将Y、T代入匹配公式，得到待识别图像与岩图像的匹配度r(Y，T)；

I.比较两类匹配度的大小，若r(M，T)＞r(Y，T)，则待识别图像是煤的图像；若r(M，T)＜r(Y，T)，则待识别图像是岩的图像。

2.根据权利要求1所述的基于图像LBP的煤岩识别方法，其特征在于，所述的步骤B中，得到所述煤样本图像集和岩样本图像集的LBP响应图像的具体过程如下：

(1)所述的煤样本图像集用m₁、m₂、m₃、....、m_k表示，所述的岩样本图像集用y₁、y₂、y₃、....、y_k表示；

(2)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、....、y_k应用MB₁-LBP_8.2算子，即以像素块大小为1×1的邻域为8、半径为2的圆形邻域的LBP算子，得到一类LBP响应图像m₁₁、m₂₁、m₃₁、....、m_k1和y₁₁、y₂₁、y₃₁、....、y_k1；

(3)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、...、y_k应用MB₂-LBP_8.2算子，即以像素块大小为2×2的邻域为8、半径为2的圆形邻域的LBP算子，得到二类LBP响应图像m₁₂、m₂₂、m₃₂、....、m_k2和y₁₂、y₂₂、y₃₂、....、y_k2；

(4)对所述煤样本图像集m₁、m₂、m₃、...、m_k和岩样本图像集y₁、y₂、y₃、...、y_k应用MB₃-LBP_8.2算子，即以像素块大小为3×3的邻域为8、半径为2的圆形邻域的LBP算子，得到三类LBP响应图像m₁₃、m₂₃、m₃₃、....、m_k3和y₁₃、y₂₃、y₃₃、...y_k3。

3.根据权利要求1所述的基于图像LBP的煤岩识别方法，其特征在于，所述的步骤C中，得到所述LBP响应图像灰度共生矩阵具体过程如下：

(1)对LBP响应图像的灰度级进行压缩，将LBP响应图像的灰度级压缩至16级；

(2)分别计算LBP响应图像的灰度共生矩阵，取距离为1，角度分别0、45、90和135；

(3)对(2)生成的共生矩阵进行归一化处理；

(4)则每一LBP响应图像则可分别得到灰度共生矩阵：G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵。

4.根据权利要求1所述的基于图像LBP的煤岩识别方法，其特征在于，所述的步骤D中，得到所述LBP响应图像灰度共生矩阵的统计参数的具体过程如下：

(1)分别计算每一LBP响应图像的灰度共生矩阵G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的能量E₀、E₄₅、E₉₀和E₁₃₅，熵H₀、H₄₅、H₉₀和H₁₃₅，惯性矩I₀、I₄₅、I₉₀和I₁₃₅，相关C₀、C₄₅、C₉₀和C₁₃₅；

(2)求LBP响应图像的G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的能量的均值a₁和方差b₁；

(3)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的熵的均值a₂和方差b₂；

(4)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的惯性矩的均值a₃和方差b₃；

(5)求LBP响应图像的G_m ⁰、G_m ⁴⁵、G_m ⁹⁰、G_m ¹³⁵的相关的均值a₄和方差b₄；

(6)将得到的a₁、b₁、a₂、b₂、a₃、b₃、a₄和b₄组成特征向量Q＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}。

5.根据权利要求1所述的基于图像LBP的煤岩识别方法，其特征在于，所述的步骤E中，得到所述煤样本灰度图像和岩样本的灰度图像的特征矩阵的具体过程如下：

(1)将应用MB₁-LBP_8.2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₁＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(2)将应用MB₂-LBP_8.2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₂＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(3)将应用MB₃-LBP_8.2算子得到LBP响应图像的灰度共生矩阵的能量、熵、惯性矩、相关4个纹理参数的均值和标准差组成特征向量Q₃＝{a₁，b₁，a₂，b₂，a₃，b₃，a₄，b₄}；

(4)得到所述煤样本图像集岩样本图像集中每一样本图像的特征矩阵为T_i＝{Q₁，Q₂，Q₃}，其中i＝1，2，3..k，岩样本图像集中每一样本图像的特征矩阵为S_i＝{Q₁，Q₂，Q₃}，其中i＝1，2，3..k。

6.根据权利要求1所述的基于图像LBP的煤岩识别方法，其特征在于，所述的步骤F中，得到所述煤样本灰度图像集和岩样本的灰度图像集的模板特征矩阵的具体过程如下：

(1)计算煤样本图像集m₁、m₂、m₃、...、m_k的特征矩阵T₁、T₂、T₃、...、T_k的均值矩阵该均值矩阵M即为煤样本图像集的模板特征矩阵；

(2)计算岩样本图像集y₁、y₂、y₃、...、y_k的特征矩阵S₁、S₂、S₃、...、S_k的均值矩阵该均值矩阵Y即为岩样本图像集的模板特征矩阵。

7.根据权利要求1所述的基于图像LBP的煤岩识别方法，其特征在于，所述的步骤G中，得到所述煤样本灰度图像集和岩样本的灰度图像集的模板特征矩阵的具体过程如下：

(1)将M、T代入匹配公式 $r=\frac{{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^{2}m(s,t)f(s,t)}{{[{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{m}^2(s,t)\·{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{f}^2(s,t)]}^{1/2}},$ 其中m(s，t)表示煤的模板特征矩阵M中(s，t)处元素的值，f(s，t)表示待识别图像特征矩阵T中的(s，t)处元素的值；

(2)步骤(1)得到的r值赋予r(M，T)，表示待识别图像与煤图像的匹配度；

(3)将Y、T代入匹配公式 $r=\frac{{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^{2}y(s,t)f(s,t)}{{[{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{y}^2(s,t)\·{\mathrm{\Σ}}_{s=0}^7{\mathrm{\Σ}}_{t=0}^2{f}^2(s,t)]}^{1/2}},$ 其中y(s，t)表示岩的模板特征矩阵Y中(s，t)处元素的值，f(s，t)表示待识别图像特征矩阵T中的(s，t)处元素的值；

(4)步骤(3)得到的r值赋予r(Y，T)，表示待识别图像与岩图像的匹配度。