CN105184300A - 一种基于图像lbp的煤岩识别方法 - Google Patents
一种基于图像lbp的煤岩识别方法 Download PDFInfo
- Publication number
- CN105184300A CN105184300A CN201510547509.2A CN201510547509A CN105184300A CN 105184300 A CN105184300 A CN 105184300A CN 201510547509 A CN201510547509 A CN 201510547509A CN 105184300 A CN105184300 A CN 105184300A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- lbp
- coal
- msubsup
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 230000004044 response Effects 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 20
- 239000003245 coal Substances 0.000 claims description 100
- 230000008569 process Effects 0.000 claims description 20
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000003921 particle size analysis Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
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
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、....、yk表示;
(2)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、....、yk应用MBi-LBP8,2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、....、mk1和y11、y21、y31、....、yk1;
(3)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、...、yk应用MB2-LBP8,2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、....、mk2和y12、y22、y32、....、yk2;
(4)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、...、yk应用MB3-LBP8,2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、....、mk3和y13、y23、y33、...yk3。
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:Gm 45、Gm 90、Gm 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Gm 45、Gm 90、Gm 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Gm 45、Gm 90、Gm 135的能量的均值a1和方差b1;
(3)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 135的熵的均值a2和方差b2;
(4)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 135的惯性矩的均值a3和方差b3;
(5)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 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-LBP8,2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-LBP8,2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-LBP8,2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Ti={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Si={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、...、mk的特征矩阵T1、T2、T3、...、Tk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、...、yk的特征矩阵S1、S2、S3、...、Sk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 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 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LBP8,2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、....、mk表示,所述的岩样本图像集用y1、y2、y3、....、yk表示;
(2)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、....、yk应用MB1-LBP8,2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、....、mk1和y11、y21、y31、....、yk1;
(3)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、...、yk应用MB2-LBP8,2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、....、mk2和y12、y22、y32、....、yk2;
(4)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、...、yk应用MB3-LBP8,2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、....、mk3和y13、y23、y33、...yk3。
所述的应用MB1-LBP8,2、MB2-LBP8,2、MB3-LBP8,2算子的具体过程如下:
(1)样本图像mi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LBP8,2算子计算,得到LBP响应图像mi1、mi2、mi3;
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:Gm 45、Gm 90、Gm 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Gm 45、Gm 90、Gm 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Gm 45、Gm 90、Gm 135的能量的均值a1和方差b1;
(3)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 135的熵的均值a2和方差b2;
(4)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 135的惯性矩的均值a3和方差b3;
(5)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 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:
(2)熵:
(3)惯性矩: 其中k=|g1-g2|;
(4)相关:
其中,
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-LBP8,2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-LBP8,2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-LBP8,2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Ti={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Si={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、...、Tk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、...、yk的特征矩阵S1、S2、S3、...、Sk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 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 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、....、mk表示,所述的岩样本图像集用y1、y2、y3、....、yk表示;
(2)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、....、yk应用MB1-LBP8.2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、....、mk1和y11、y21、y31、....、yk1;
(3)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、...、yk应用MB2-LBP8.2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、....、mk2和y12、y22、y32、....、yk2;
(4)对所述煤样本图像集m1、m2、m3、...、mk和岩样本图像集y1、y2、y3、...、yk应用MB3-LBP8.2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、....、mk3和y13、y23、y33、...yk3。
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:Gm 45、Gm 90、Gm 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Gm 45、Gm 90、Gm 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Gm 45、Gm 90、Gm 135的能量的均值a1和方差b1;
(3)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 135的熵的均值a2和方差b2;
(4)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 135的惯性矩的均值a3和方差b3;
(5)求LBP响应图像的Gm 0、Gm 45、Gm 90、Gm 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-LBP8.2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-LBP8.2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-LBP8.2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Ti={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Si={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、...、mk的特征矩阵T1、T2、T3、...、Tk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、...、yk的特征矩阵S1、S2、S3、...、Sk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 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 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510547509.2A CN105184300A (zh) | 2015-09-01 | 2015-09-01 | 一种基于图像lbp的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510547509.2A CN105184300A (zh) | 2015-09-01 | 2015-09-01 | 一种基于图像lbp的煤岩识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184300A true CN105184300A (zh) | 2015-12-23 |
Family
ID=54906366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510547509.2A Pending CN105184300A (zh) | 2015-09-01 | 2015-09-01 | 一种基于图像lbp的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184300A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106006312A (zh) * | 2016-07-08 | 2016-10-12 | 钟林超 | 一种通过虹膜进行识别的电梯轿箱 |
CN106204842A (zh) * | 2016-07-08 | 2016-12-07 | 钟林超 | 一种通过虹膜进行识别的门锁 |
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 |
CN107239783A (zh) * | 2017-06-13 | 2017-10-10 | 中国矿业大学(北京) | 基于扩展局部二值模式和回归分析的煤岩识别方法 |
CN107590824A (zh) * | 2017-09-19 | 2018-01-16 | 北京科技大学 | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 |
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 |
CN108734158A (zh) * | 2017-04-14 | 2018-11-02 | 成都唐源电气股份有限公司 | 一种实时列车车号识别方法及装置 |
CN110927689A (zh) * | 2019-12-02 | 2020-03-27 | 福建省大气探测技术保障中心 | 基于lbp和glcm融合的气象雷达地物杂波识别方法 |
CN116188808A (zh) * | 2023-04-25 | 2023-05-30 | 青岛尘元科技信息有限公司 | 图像特征提取方法和系统、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289671A (zh) * | 2011-09-02 | 2011-12-21 | 北京新媒传信科技有限公司 | 提取图像纹理特征的方法和装置 |
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 |
CN102930253A (zh) * | 2012-10-31 | 2013-02-13 | 中国矿业大学(北京) | 一种基于图像离散多小波变换的煤岩识别方法 |
CN103207999A (zh) * | 2012-11-07 | 2013-07-17 | 中国矿业大学(北京) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 |
WO2014080305A2 (en) * | 2012-11-20 | 2014-05-30 | Koninklijke Philips N.V. | Integrated phenotyping employing image texture features. |
CN104751192A (zh) * | 2015-04-24 | 2015-07-01 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
-
2015
- 2015-09-01 CN CN201510547509.2A patent/CN105184300A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289671A (zh) * | 2011-09-02 | 2011-12-21 | 北京新媒传信科技有限公司 | 提取图像纹理特征的方法和装置 |
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 |
CN102930253A (zh) * | 2012-10-31 | 2013-02-13 | 中国矿业大学(北京) | 一种基于图像离散多小波变换的煤岩识别方法 |
CN103207999A (zh) * | 2012-11-07 | 2013-07-17 | 中国矿业大学(北京) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 |
WO2014080305A2 (en) * | 2012-11-20 | 2014-05-30 | Koninklijke Philips N.V. | Integrated phenotyping employing image texture features. |
CN104751192A (zh) * | 2015-04-24 | 2015-07-01 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
Non-Patent Citations (1)
Title |
---|
王昊鹏等: "基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别", 《农业工程学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106006312B (zh) * | 2016-07-08 | 2018-06-26 | 樱花电梯(中山)有限公司 | 一种通过虹膜进行识别的电梯轿箱 |
CN106204842A (zh) * | 2016-07-08 | 2016-12-07 | 钟林超 | 一种通过虹膜进行识别的门锁 |
CN106006312A (zh) * | 2016-07-08 | 2016-10-12 | 钟林超 | 一种通过虹膜进行识别的电梯轿箱 |
CN108734158B (zh) * | 2017-04-14 | 2020-05-19 | 成都唐源电气股份有限公司 | 一种实时列车车号识别方法及装置 |
CN108734158A (zh) * | 2017-04-14 | 2018-11-02 | 成都唐源电气股份有限公司 | 一种实时列车车号识别方法及装置 |
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 |
CN107239783A (zh) * | 2017-06-13 | 2017-10-10 | 中国矿业大学(北京) | 基于扩展局部二值模式和回归分析的煤岩识别方法 |
CN107239783B (zh) * | 2017-06-13 | 2020-09-18 | 中国矿业大学(北京) | 基于扩展局部二值模式和回归分析的煤岩识别方法 |
CN107590824A (zh) * | 2017-09-19 | 2018-01-16 | 北京科技大学 | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 |
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 |
CN110927689A (zh) * | 2019-12-02 | 2020-03-27 | 福建省大气探测技术保障中心 | 基于lbp和glcm融合的气象雷达地物杂波识别方法 |
CN116188808A (zh) * | 2023-04-25 | 2023-05-30 | 青岛尘元科技信息有限公司 | 图像特征提取方法和系统、存储介质及电子设备 |
CN116188808B (zh) * | 2023-04-25 | 2023-07-25 | 青岛尘元科技信息有限公司 | 图像特征提取方法和系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184300A (zh) | 一种基于图像lbp的煤岩识别方法 | |
CN102509087B (zh) | 一种基于图像灰度共生矩阵的煤岩识别方法 | |
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN112990227B (zh) | 掌子面地质检测方法 | |
CN104535356B (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
Huang et al. | Edge detection of ore and rock on the surface of explosion pile based on improved Canny operator | |
CN105447851A (zh) | 一种玻璃面板的音孔缺陷检测方法及系统 | |
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 | |
Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
Zhou et al. | An adaptive data driven model for characterizing rock properties from drilling data | |
CN107862675A (zh) | 一种用于电铲斗齿缺失的实时视觉检测方法 | |
CN104751192A (zh) | 基于图像块共生特征的煤岩识别方法 | |
CN116524017B (zh) | 一种用于矿山井下检测识别定位系统 | |
CN115131712B (zh) | 一种计算机视觉驱动的钻杆智能计数方法 | |
Fu et al. | Extended efficient convolutional neural network for concrete crack detection with illustrated merits | |
CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
CN115877400A (zh) | 基于雷达与视觉融合的巷道顶板支护钢带钻孔定位方法 | |
CN113569943B (zh) | 一种基于深度神经网络的渣片大块预警方法、系统及装置 | |
CN105096334B (zh) | 一种矿区监测方法和系统 | |
CN104751174A (zh) | 基于超向量编码的极化sar图像分类方法 | |
Ji et al. | Bucket teeth detection based on faster region convolutional neural network | |
Zhang et al. | Surface probability model for estimation of size distribution on a conveyor belt | |
CN116597305A (zh) | 一种露天矿区开发动态变化定量评价方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |
|
RJ01 | Rejection of invention patent application after publication |