CN105447517A - 基于稀疏编码的空域金字塔匹配识别煤岩的方法 - Google Patents

Abstract

本发明公开了一种基于稀疏编码的空域金字塔匹配识别煤岩的方法，该方法从煤岩图像数据中学习煤岩的结构基元，所学习到结构基元捕捉到了煤岩图像本质的结构特征，进一步考虑了不同尺度下煤岩结构的空域信息，因而具有很强的鉴别能力和对成像环境变化的鲁棒性，从而使得该方法具有很高的识别稳定性和识别正确率，能为自动化采掘、自动化放煤、自动化选矸等生产过程提供可靠的煤岩识别信息。

Description

基于稀疏编码的空域金字塔匹配识别煤岩的方法

技术领域

本发明涉及一种基于稀疏编码的空域金字塔匹配识别煤岩的方法，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或者实现无人化作业、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。

有多种方法已应用于煤岩识别，如自然γ射线探测、雷达探测、应力截齿、红外探测、有功功率监测、震动检测、声音检测、粉尘检测、记忆截割等，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。

为解决上述问题，图像技术也越来越受到重视并研发了一些基于图像技术的煤岩识别方法，然而已有方法都是用人工主观设计的图像特征或者图像特征的组合来进行煤岩识别，人工设计的特征往往并不能准确抓住煤岩图像本质结构致使对因成像条件变化引起的图像数据变化不具有具鲁棒性，因而在识别稳定性和识别正确率上还有很大的不足。

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稀疏编码的空域金字塔匹配识别煤岩的方法，该方法从煤岩图像数据中学习煤岩的结构基元，所学习到结构基元捕捉到了煤岩图像本质的结构特征，进一步考虑了不同尺度下煤岩结构的空域信息，因而具有很强的鉴别能力和对成像环境变化的鲁棒性，从而使得该方法具有很高的识别稳定性和识别正确率，能为自动化采掘、自动化放煤、自动化选矸等生产过程提供可靠的煤岩识别信息。

根据一种实施例形式，提供一种基于稀疏编码的空域金字塔匹配识别煤岩的方法，包括如下步骤：

A.采集若干张已知煤和岩对象的图像；

B.以相同的方法抽取每张图像的特征[x₁，x₂，...x_N]＝X∈R^p×N，p为特征维数，N为所有特征个数；

C.用抽取的煤和岩图像的特征x_i通过解优化问题

求出煤和岩图像的基元矩阵D＝[d₁，d₂，...d_K]∈R^p×K；

D.将每一张煤岩样本图像分成2^l×2^ll＝0，1，2的块，对每一尺度下的每一图像块：

1)用与B相同的方法抽取图像块特征；

2)用步骤C中求得的D表达所抽取的每一个特征y_i，通过解优化问题

$v_i^{*}=\arg {\min }_{v_i}\frac{1}{2}\left|\right|y_i-{\mathrm{Dv}}_i|{|}_2^2+\mathrm{\λ}|\left|v_i\right|{|}_1$ 求出每一个特征的系数 $v_i^{*}={\[v_{i1},v_{i2},...v_{iK}\]}^T,$ 所有特征系数构成矩阵V，取矩阵V中每一行的最大值即z_k＝max{|u_1，k|，|u_2，k|，...，|u_t，k|}，构成该图像块的表达，其中t为特征个数；

E.将每一张图像在不同尺度下的图像块的表达级联构成该图像的表达；

F.用样本图像的图像表达训练二分类线性支撑向量机分类器，得到分类器模型参数；

G.对于待识别的煤岩图像，用与步骤D和E相同的方法求出图像表达，用训练好的分类器进行分类识别。

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原理示意图。

图2是本发明图像金字塔示意图。

具体实施方案

图1是本发明所述煤岩识别方法的原理示意图，主要包含3层：图像层，编码层及池化层，图像层给编码层提供输入，本实施例用从灰度图像中抽取sift图像特征集合作为输入；编码层计算每个图像特征用从煤岩图像混合数据中学习到的K个基元表达时的表达系数，本实施例用l₁-norm优化计算表达系数，所得的系数非零元素很少，称为稀疏编码；池化层计算所有表达系数的统计特性进而获得输入图像的特征表达，本实施例采用了图像在空域金字塔上的极大值统计特性即在不同尺度上不同位置处的极大值。具体方法如下：

A.从煤岩识别任务的现场如采煤工作面采集若干煤和岩的图像，去掉背景，将所有图像统一缩放到300*300像素大小；

B.抽取每张图像的特征[x₁，x₂，...x_N]＝X∈R^p×N，p为特征维数，N为所有特征个数；抽取方法是以16*16像素，步长8像素样本图像中滑动采样图像块，再抽取每个图像块的sift特征；

C.用抽取的煤和岩图像的sift特征x_i通过解优化问题

求出煤和岩图像的基元矩阵D＝[d₁，d₂，...d_K]∈R^p×K，K取200大小；求解方法可采用交替最小化D和U的方法，即按下列步骤进行处理：

C1.给D赋初值，设置迭代次数；

C2.固定D，用求出所有图像特征的稀疏系数U；

C3.固定U，求

C4.C2和C3交替进行直到迭代结束。

步骤C2的优化可用近似梯度算法，对每一个图像特征x_i对应的系数u_i采用下列步骤优化：

1.给系数u赋初值，设置迭代次数；

2.在每一次迭代：

u←u+ξD^T(x-Du)，ξ为迭代步长；

$u\[k\]=\left\{\begin{array}{cc}u\[k\]-\mathrm{\λ}& ifu\[k\]\≥\mathrm{\λ}\\ u\[k\]+\mathrm{\λ}& ifu\[k\]\≤-\mathrm{\λ}\\ 0& otherwise\end{array}\right.,$ λ为给定的参数，k为基元元素索引；

3.重复2直到迭代结束。

步骤C3的优化可采用块坐标下降算法，用下列步骤优化：

1.B←XU^T，C←UU^T

2.Fork＝1，2，...，K

$d_k\←\frac{1}{C\[k,k\]}(b_k-{\mathrm{Dc}}_k)+d_k,$

$d_k\←\frac{1}{max\left(\right|\left|d_k\right|{|}_2),1)}{d}_k$

3.重复2直到收敛。

D.将每一张煤岩样本图像分成2^l×2^ll＝0，1，2的块，当l＝0时有1块，即原图像大小，

当l＝1有4块，当l＝2时有16块，共计21块，如图2所示。对每一图像块：

1)用与B相同的方法抽取图像块sift特征；

2)用步骤C中求得的D表达所抽取的每一个sift特征y_i，通过解优化问题

$v_i^{*}=\arg {\min }_{v_i}\frac{1}{2}\left|\right|y_i-{\mathrm{Dv}}_i|{|}_2^2+\mathrm{\λ}|\left|v_i\right|{|}_1$ 求出每一个sift特征的系数 $v_i^{*}={\[v_{i1},v_{i2},...v_{iK}\]}^T,$ 系数向量中的元素对应基元矩阵D中的元素对sift特征的响应，所有sift特征的系数构成矩阵V，取矩阵V中每一行的最大值即z_k＝max{|u_1，k|，|u_2，k|，...，|u_t，k|}，构成该图像块的表达，其中t为该图像块sift特征个数；

E.将每一张图像的21个图像块的表达级联构成该图像的表达，即每张图像的特征维数为4200；

F.用样本图像的图像表达训练二分类线性支撑向量机分类器，即分类器核函数k(z_i，z_j)＝<z_i，z_j>，<·>表示内积操作，z_i，z_j表示两个不同的样本，得到分类器模型参数；

G.对于待识别的煤岩图像，用与步骤D和E相同的方法求出图像表达，用训练好的分类器进行分类识别。

Claims (1)

1.一种基于稀疏编码的空域金字塔匹配识别煤岩的方法，其特征在于包括以下步骤：

A.采集若干张已知煤和岩对象的图像；

B.以相同的方法抽取每张图像的特征[x₁，x₂，...x_N]＝X∈R^p×N，p为特征维数，N为所有特征个数；

C.用抽取的煤和岩图像的特征x_i通过解优化问题

求出煤和岩图像的基元矩阵D＝[d₁，d₂，...d_K]∈R^{p ×K}；

D.将每一张煤岩样本图像分成2^l×2^ll＝0，1，2的块，对每一尺度下的每一图像块：

1)用与B相同的方法抽取图像块特征；

2)用步骤C中求得的D表达所抽取的每一个特征y_i，通过解优化问题

$v_i^{*}=\arg {\min }_{v_i}\frac{1}{2}\left|\right|y_i-{\mathrm{Dv}}_i|{|}_2^2+\mathrm{\&lambda;}|\left|v_i\right|{|}_1$ 求出每一个特征的系数 $v_i^{*}={\&lsqb;v_{i1},v_{i2},...v_{iK}\&rsqb;}^T,$ 所有特征系数构成矩阵V，取矩阵V中每一行的最大值即z_k＝max{|u_1，k|，|u_2，k|，...，|u_t，k|}，构成该图像块的表达，其中t为特征个数；

E.将每一张图像在不同尺度下的图像块的表达级联构成该图像的表达；

F.用样本图像的图像表达训练二分类线性支撑向量机分类器，得到分类器模型参数；

G.对于待识别的煤岩图像，用与步骤D和E相同的方法求出图像表达，用训练好的分类器进行分类识别。