CN107169524A - 基于完备局部二值模式重构残差的煤岩识别方法 - Google Patents
基于完备局部二值模式重构残差的煤岩识别方法 Download PDFInfo
- Publication number
- CN107169524A CN107169524A CN201710397517.2A CN201710397517A CN107169524A CN 107169524 A CN107169524 A CN 107169524A CN 201710397517 A CN201710397517 A CN 201710397517A CN 107169524 A CN107169524 A CN 107169524A
- Authority
- CN
- China
- Prior art keywords
- coal
- rock
- update
- dictionary
- row
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于完备局部二值模式重构残差的煤岩识别方法。在样本训练阶段,通过相机拍摄、子图截取、灰度化等一系列处理得到多幅煤炭样本子图和多幅岩石样本子图,提取每幅子图的归一化多尺度完备局部二值模式特征向量,对这些特征向量进行判别式字典学习,得到煤炭类别综合型字典、岩石类别综合型字典、煤炭类别解析型字典和岩石类别解析型字典;在煤岩识别阶段,通过一系列处理得到未知类别样本子图,提取未知类别样本子图的归一化多尺度完备局部二值模式特征向量。通过比较采用不同类别字典重构未知类别样本子图的特征向量所造成的残差大小判断未知类别样本所属的煤岩类别。本发明可靠性好,正确识别率高,软硬件实现容易。
Description
技术领域
本发明涉及基于完备局部二值模式重构残差的煤岩识别方法,属于图像识别技术领域。
背景技术
煤岩识别是指通过各种技术手段自动判别煤炭和岩石。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和岩石,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。从20世纪50年代开始,南非、澳大利亚、德国、美国、中国等世界主要产煤国家对煤岩识别方法展开了一系列研究,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。然而这些方法均存在以下共性问题:(1)需要在现有设备上安装部署各种传感器,相关装置结构复杂,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,发现煤炭和岩石在颜色、光泽、纹理等方面存在较大差异。当通过现有的数字摄像机对煤炭和岩石进行成像时,煤炭和岩石的视觉信息就必然会隐藏在采集得到的数字图像中,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和岩石。现有的基于图像处理的煤岩识别方法在鲁棒性、识别率等方面还存在着较大的提升空间。
发明内容
为了克服现有煤岩识别方法存在的不足,本发明提出基于完备局部二值模式重构残差的煤岩识别方法,该方法具有实时性强、识别率高、稳健性好等优点,有助于提高现代煤矿的生产效率和安全程度。
本发明所述的煤岩识别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:
RS1.在样本训练阶段,采集m幅煤炭样本图像和m幅岩石样本图像,截取不含非煤岩背景的子图并对它们进行灰度化处理,处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和s1,s2,…,sm;
RS2.设定采样半径r=1和采样邻域数p=8,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量y1,y2,…,ym∈R1×200和z1,z2,…,zm∈R1×200;
RS3.设定采样半径r=2和采样邻域数p=16,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量α1,α2,…,αm∈R1 ×648和β1,β2,…,βm∈R1×648;
RS4.设定采样半径r=3和采样邻域数p=24,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量η1,η2,…,ηm∈R1 ×1352和μ1,μ2,…,μm∈R1×1352;
RS5.分别构建c1,c2,…,cm和s1,s2,…,sm的最终特征列向量x1=[y1,α1,η1]T,x2=[y2,α2,η2]T,…,xm=[ym,αm,ηm]T∈R2200×1和xm+1=[z1,β1,μ1]T,xm+2=[z2,β2,μ2]T,…,x2m=[zm,βm,μm]T∈R2200×1,其中T为转置运算;
RS6.分别构建煤炭训练样本特征矩阵Xc=[x1,x2,…,xm]∈R2200×m和岩石训练样本特征矩阵Xs=[xm+1,xm+2,…,x2m]∈R2200×m;
RS7.设置正则化参数λ1,λ2,迭代次数K和字典原子数τ,其中0<λ1<1,0<λ2<1,15≤K≤50,0<τ≤m,对Xc和Xs进行判别式字典学习,得到煤炭类别综合型字典Dc、岩石类别综合型字典Ds、煤炭类别解析型字典Tc和岩石类别解析型字典Ts;
RS8.在煤岩识别阶段,采集未知类别样本图像,截取不含非煤岩背景的子图并对它进行灰度化处理,处理后的未知类别子图记为q;
RS9.设定采样半径r=1和采样邻域数p=8,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量vq∈R1×200;
RS10.设定采样半径r=2和采样邻域数p=16,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量δq∈R1×648;
RS11.设定采样半径r=3和采样邻域数p=24,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量θq∈R1×1352;
RS12.构建q的最终特征列向量xq=[vq,δq,θq]T∈R2200×1,其中T为转置运算;
RS13.如果满足||xq-DcTcxq||2≤||xq-DsTsxq||2,那么判定q为煤炭;否则,判定q为岩石,其中||·||2为向量的2–范数。
步骤RS7所述的判别式字典学习包括以下步骤:
RS701.从Xc中随机地抽取τ列构建煤炭类别综合型字典Dc∈R2200×τ,从Xs中随机地抽取τ列构建岩石类别综合型字典Ds∈R2200×τ,从Xc中随机地抽取τ列再通过转置运算构建煤炭类别解析型字典Tc∈Rτ×2200,从Xs中随机地抽取τ列再通过转置运算构建岩石类别解析型字典Ts∈Rτ×2200,然后分别对Dc,Ds,Tc和Ts进行逐列归一化处理;
RS702.构建数据矩阵Qc∈R2200×2200并通过Qc=(λ1XcXc T+λ2XsXs T+0.00001I2200)-1初始化,构建数据矩阵Qs∈R2200×2200并通过Qs=(λ1XsXs T+λ2XcXc T+0.00001I2200)-1初始化,其中I2200为2200阶单位矩阵,T为转置运算,–1为求逆运算;
RS703.构建煤炭样本稀疏编码矩阵Uc∈Rτ×m并通过Uc=(Dc TDc+λ1Iτ)-1(Dc T+λ1Tc)Xc初始化,构建岩石样本稀疏编码矩阵Us∈Rτ×m并通过Us=(Ds TDs+λ1Iτ)-1(Ds T+λ1Ts)Xs初始化,其中T为转置运算,–1为求逆运算,Iτ为τ阶单位矩阵;
RS704.定义迭代序号b并初始化为0;
RS705.通过Tc=λ1UcXc TQc更新Tc,通过Ts=λ1UsXs TQs更新Ts;
RS706.把数学描述为
的优化问题记为Problem1,用Problem1的解D*∈R2200×τ更新Dc,其中||·||F为矩阵的Frobenius范数,||·||2为向量的2–范数,为D*的第i列,i为D*的列标号,i=1,2,…,τ;
RS707.把数学描述为
的优化问题记为Problem2,用Problem2的解更新Ds,其中||·||F为矩阵的Frobenius范数,||·||2为向量的2–范数,为的第j列,j为的列标号,j=1,2,…,τ;
RS708.分别通过Uc=(Dc TDc+λ1Iτ)-1(λ1Tc+Dc T)Xc和Us=(Ds TDs+λ1Iτ)-1(λ1Ts+Ds T)Xs更新Uc和Us,其中T为转置运算,–1为求逆运算,Iτ为τ阶单位矩阵;
RS709.迭代序号b自增1;
RS710.如果满足b<K,那么执行步骤RS705–RS710;否则,执行步骤RS711;
RS711.完成字典学习,输出Dc,Ds,Tc和Ts。
步骤RS706所述Problem1的求解包括以下步骤:
RS70601.定义变量ε1并初始化为1.000,构建数据矩阵D*∈R2200×τ并通过D*=Dc初始化;
RS70602.构建临时数据矩阵A1∈R2200×τ并通过A1=Dc初始化,构建临时数据矩阵B1∈R2200×τ并初始化为零矩阵,构建临时数据矩阵H1∈R2200×τ并初始化为零矩阵;
RS70603.通过H1=[XcUc T+ε1(A1-B1)](UcUc T+ε1Iτ)-1更新H1,其中Iτ为τ阶单位矩阵,T为转置运算,–1为求逆运算;
RS70604.通过A1=B1+H1更新A1;
RS70605.对A1中2–范数大于1的列进行2–范数归一化处理;
RS70606.用(B1+H1-A1)的计算结果更新B1;
RS70607.用(1.25×ε1)的计算结果更新ε1;
RS70608.若满足其中||·||F为矩阵的Frobenius范数,则用H1的值更新D*,然后执行步骤RS70603–RS70608;否则,用H1的值更新D*,然后执行步骤RS70609;
RS70609.完成Problem1的求解,返回Problem1的解D*。
步骤RS707所述Problem2的求解包括以下步骤:
RS70701.定义变量ε2并初始化为1.000,构建数据矩阵并通过初始化;
RS70702.构建临时数据矩阵A2∈R2200×τ并通过A2=Ds初始化,构建临时数据矩阵B2∈R2200×τ并初始化为零矩阵,构建临时数据矩阵H2∈R2200×τ并初始化为零矩阵;
RS70703.通过H2=[XsUs T+ε2(A2-B2)](UsUs T+ε2Iτ)-1更新H2,其中Iτ为τ阶单位矩阵,T为转置运算,–1为求逆运算;
RS70704.通过A2=B2+H2更新A2;
RS70705.对A2中2–范数大于1的列进行2–范数归一化处理;
RS70706.用(B2+H2-A2)的计算结果更新B2;
RS70707.用(1.25×ε2)的计算结果更新ε2;
RS70708.若满足其中||·||F为矩阵的Frobenius范数,则用H2的值更新然后执行步骤RS70703–RS70708;否则,用H2的值更新然后执行步骤RS70709;
RS70709.完成Problem2的求解,返回Problem2的解
附图说明
图1是基于完备局部二值模式重构残差的煤岩识别方法的基本流程图;
图2是本发明所述判别式字典学习的基本流程图;
图3是本发明所述求Problem1的解D*的基本流程图;
图4是本发明所述求Problem2的解的基本流程图;
具体实施方式
在对我国河南、山西、陕西等地主要煤种和岩种的图像进行实验分析的基础上,本发明提出了基于完备局部二值模式重构残差的煤岩识别方法,该方法可以有效判别煤炭和岩石。
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。
参照图1,基于完备局部二值模式重构残差的煤岩识别方法的具体步骤如下:
SS1.在样本训练阶段,采集m幅煤炭样本图像和m幅岩石样本图像,截取不含非煤岩背景的子图并对它们进行灰度化处理,处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和s1,s2,…,sm;
SS2.设定采样半径r=1和采样邻域数p=8,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量y1,y2,…,ym∈R1×200和z1,z2,…,zm∈R1×200;
SS3.设定采样半径r=2和采样邻域数p=16,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量α1,α2,…,αm∈R1 ×648和β1,β2,…,βm∈R1×648;
SS4.设定采样半径r=3和采样邻域数p=24,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量η1,η2,…,ηm∈R1 ×1352和μ1,μ2,…,μm∈R1×1352;
SS5.分别构建c1,c2,…,cm和s1,s2,…,sm的最终特征列向量x1=[y1,α1,η1]T,x2=[y2,α2,η2]T,…,xm=[ym,αm,ηm]T∈R2200×1和xm+1=[z1,β1,μ1]T,xm+2=[z2,β2,μ2]T,…,x2m=[zm,βm,μm]T∈R2200×1,其中T为转置运算;
SS6.分别构建煤炭训练样本特征矩阵Xc=[x1,x2,…,xm]∈R2200×m和岩石训练样本特征矩阵Xs=[xm+1,xm+2,…,x2m]∈R2200×m;
SS7.设置正则化参数λ1,λ2,迭代次数K和字典原子数τ,其中0<λ1<1,0<λ2<1,15≤K≤50,0<τ≤m,对Xc和Xs进行判别式字典学习,得到煤炭类别综合型字典Dc、岩石类别综合型字典Ds、煤炭类别解析型字典Tc和岩石类别解析型字典Ts;
SS8.在煤岩识别阶段,采集未知类别样本图像,截取不含非煤岩背景的子图并对它进行灰度化处理,处理后的未知类别子图记为q;
SS9.设定采样半径r=1和采样邻域数p=8,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量vq∈R1×200;
SS10.设定采样半径r=2和采样邻域数p=16,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量δq∈R1×648;
SS11.设定采样半径r=3和采样邻域数p=24,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量θq∈R1×1352;
SS12.构建q的最终特征列向量xq=[vq,δq,θq]T∈R2200×1,其中T为转置运算;
SS13.如果满足||xq-DcTcxq||2≤||xq-DsTsxq||2,那么判定q为煤炭;否则,判定q为岩石,其中||·||2为向量的2–范数。
参照图2,步骤SS7所述的判别式字典学习的具体步骤如下:
SS701.从Xc中随机地抽取τ列构建煤炭类别综合型字典Dc∈R2200×τ,从Xs中随机地抽取τ列构建岩石类别综合型字典Ds∈R2200×τ,从Xc中随机地抽取τ列再通过转置运算构建煤炭类别解析型字典Tc∈Rτ×2200,从Xs中随机地抽取τ列再通过转置运算构建岩石类别解析型字典Ts∈Rτ×2200,然后分别对Dc,Ds,Tc和Ts进行逐列归一化处理;
SS702.构建数据矩阵Qc∈R2200×2200并通过Qc=(λ1XcXc T+λ2XsXs T+0.00001I2200)-1初始化,构建数据矩阵Qs∈R2200×2200并通过Qs=(λ1XsXs T+λ2XcXc T+0.00001I2200)-1初始化,其中I2200为2200阶单位矩阵,T为转置运算,–1为求逆运算;
SS703.构建煤炭样本稀疏编码矩阵Uc∈Rτ×m并通过Uc=(Dc TDc+λ1Iτ)-1(Dc T+λ1Tc)Xc初始化,构建岩石样本稀疏编码矩阵Us∈Rτ×m并通过Us=(Ds TDs+λ1Iτ)-1(Ds T+λ1Ts)Xs初始化,其中T为转置运算,–1为求逆运算,Iτ为τ阶单位矩阵;
SS704.定义迭代序号b并初始化为0;
SS705.通过Tc=λ1UcXc TQc更新Tc,通过Ts=λ1UsXs TQs更新Ts;
SS706.把数学描述为
的优化问题记为Problem1,用Problem1的解D*∈R2200×τ更新Dc,其中||·||F为矩阵的Frobenius范数,||·||2为向量的2–范数,为D*的第i列,i为D*的列标号,i=1,2,…,τ;
SS707.把数学描述为
的优化问题记为Problem2,用Problem2的解更新Ds,其中||·||F为矩阵的Frobenius范数,||·||2为向量的2–范数,为的第j列,j为的列标号,j=1,2,…,τ;
SS708.分别通过Uc=(Dc TDc+λ1Iτ)-1(λ1Tc+Dc T)Xc和Us=(Ds TDs+λ1Iτ)-1(λ1Ts+Ds T)Xs更新Uc和Us,其中T为转置运算,–1为求逆运算,Iτ为τ阶单位矩阵;
SS709.迭代序号b自增1;
SS710.如果满足b<K,那么执行步骤SS705–SS710;否则,执行步骤SS711;
SS711.完成字典学习,输出Dc,Ds,Tc和Ts。
参照图3,求步骤SS706所述Problem1的解D*的具体步骤如下:
SS70601.定义变量ε1并初始化为1.000,构建数据矩阵D*∈R2200×τ并通过D*=Dc初始化;
SS70602.构建临时数据矩阵A1∈R2200×τ并通过A1=Dc初始化,构建临时数据矩阵B1∈R2200×τ并初始化为零矩阵,构建临时数据矩阵H1∈R2200×τ并初始化为零矩阵;
SS70603.通过H1=[XcUc T+ε1(A1-B1)](UcUc T+ε1Iτ)-1更新H1,其中Iτ为τ阶单位矩阵,T为转置运算,–1为求逆运算;
SS70604.通过A1=B1+H1更新A1;
SS70605.对A1中2–范数大于1的列进行2–范数归一化处理;
SS70606.用(B1+H1-A1)的计算结果更新B1;
SS70607.用(1.25×ε1)的计算结果更新ε1;
SS70608.若满足其中||·||F为矩阵的Frobenius范数,则用H1的值更新D*,然后执行步骤SS70603–SS70608;否则,用H1的值更新D*,然后执行步骤SS70609;
SS70609.完成Problem1的求解,返回Problem1的解D*。
参照图4,求步骤SS707所述Problem2的的解的具体步骤如下:
SS70701.定义变量ε2并初始化为1.000,构建数据矩阵并通过初始化;
SS70702.构建临时数据矩阵A2∈R2200×τ并通过A2=Ds初始化,构建临时数据矩阵B2∈R2200×τ并初始化为零矩阵,构建临时数据矩阵H2∈R2200×τ并初始化为零矩阵;
SS70703.通过H2=[XsUs T+ε2(A2-B2)](UsUs T+ε2Iτ)-1更新H2,其中Iτ为τ阶单位矩阵,T为转置运算,–1为求逆运算;
SS70704.通过A2=B2+H2更新A2;
SS70705.对A2中2–范数大于1的列进行2–范数归一化处理;
SS70706.用(B2+H2-A2)的计算结果更新B2;
SS70707.用(1.25×ε2)的计算结果更新ε2;
SS70708.若满足其中||·||F为矩阵的Frobenius范数,则用H2的值更新然后执行步骤SS70703–SS70708;否则,用H2的值更新然后执行步骤SS70709;
SS70709.完成Problem2的求解,返回Problem2的解
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 (4)
1.基于完备局部二值模式重构残差的煤岩识别方法,其特征在于,包括以下步骤:
QS1.在样本训练阶段,采集m幅煤炭样本图像和m幅岩石样本图像,截取不含非煤岩背景的子图并对它们进行灰度化处理,处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和s1,s2,…,sm;
QS2.设定采样半径r=1和采样邻域数p=8,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量y1,y2,…,ym∈R1×200和z1,z2,…,zm∈R1×200;
QS3.设定采样半径r=2和采样邻域数p=16,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量α1,α2,…,αm∈R1×648和β1,β2,…,βm∈R1×648;
QS4.设定采样半径r=3和采样邻域数p=24,分别提取c1,c2,…,cm和s1,s2,…,sm的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量η1,η2,…,ηm∈R1×1352和μ1,μ2,…,μm∈R1×1352;
QS5.分别构建c1,c2,…,cm和s1,s2,…,sm的最终特征列向量x1=[y1,α1,η1]T,x2=[y2,α2,η2]T,…,xm=[ym,αm,ηm]T∈R2200×1和xm+1=[z1,β1,μ1]T,xm+2=[z2,β2,μ2]T,…,x2m=[zm,βm,μm]T∈R2200×1,其中T为转置运算;
QS6.分别构建煤炭训练样本特征矩阵Xc=[x1,x2,…,xm]∈R2200×m和岩石训练样本特征矩阵Xs=[xm+1,xm+2,…,x2m]∈R2200×m;
QS7.设置正则化参数λ1,λ2,迭代次数K和字典原子数τ,其中0<λ1<1,0<λ2<1,15≤K≤50,0<τ≤m,对Xc和Xs进行判别式字典学习,得到煤炭类别综合型字典Dc、岩石类别综合型字典Ds、煤炭类别解析型字典Tc和岩石类别解析型字典Ts;
QS8.在煤岩识别阶段,采集未知类别样本图像,截取不含非煤岩背景的子图并对它进行灰度化处理,处理后的未知类别子图记为q;
QS9.设定采样半径r=1和采样邻域数p=8,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量vq∈R1×200;
QS10.设定采样半径r=2和采样邻域数p=16,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量δq∈R1×648;
QS11.设定采样半径r=3和采样邻域数p=24,提取q的带有旋转不变特性和均匀特性的归一化完备局部二值模式特征行向量θq∈R1×1352;
QS12.构建q的最终特征列向量xq=[vq,δq,θq]T∈R2200×1,其中T为转置运算;
QS13.如果满足||xq-DcTcxq||2≤||xq-DsTsxq||2,那么判定q为煤炭;否则,判定q为岩石,其中||·||2为向量的2–范数。
2.根据权利要求1所述的基于完备局部二值模式重构残差的煤岩识别方法,其特征在于,所述判别式字典学习包括以下步骤:
LS701.从Xc中随机地抽取τ列构建煤炭类别综合型字典Dc∈R2200×τ,从Xs中随机地抽取τ列构建岩石类别综合型字典Ds∈R2200×τ,从Xc中随机地抽取τ列再通过转置运算构建煤炭类别解析型字典Tc∈Rτ×2200,从Xs中随机地抽取τ列再通过转置运算构建岩石类别解析型字典Ts∈Rτ×2200,然后分别对Dc,Ds,Tc和Ts进行逐列归一化处理;
LS702.构建数据矩阵Qc∈R2200×2200并通过Qc=(λ1XcXc T+λ2XsXs T+0.00001I2200)-1初始化,构建数据矩阵Qs∈R2200×2200并通过Qs=(λ1XsXs T+λ2XcXc T+0.00001I2200)-1初始化,其中I2200为2200阶单位矩阵,T为转置运算,–1为求逆运算;
LS703.构建煤炭样本稀疏编码矩阵Uc∈Rτ×m并通过Uc=(Dc TDc+λ1Iτ)-1(Dc T+λ1Tc)Xc初始化,构建岩石样本稀疏编码矩阵Us∈Rτ×m并通过Us=(Ds TDs+λ1Iτ)-1(Ds T+λ1Ts)Xs初始化,其中T为转置运算,–1为求逆运算,Iτ为τ阶单位矩阵;
LS704.定义迭代序号b并初始化为0;
LS705.通过Tc=λ1UcXc TQc更新Tc,通过Ts=λ1UsXs TQs更新Ts;
LS706.把数学描述为
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<msup>
<mi>D</mi>
<mo>*</mo>
</msup>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<msup>
<mi>D</mi>
<mo>*</mo>
</msup>
<msub>
<mi>U</mi>
<mi>c</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>&le;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>&tau;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
的优化问题记为Problem1,用Problem1的解D*∈R2200×τ更新Dc,其中||·||F为矩阵的Frobenius范数,||·||2为向量的2–范数,为D*的第i列,i为D*的列标号,i=1,2,…,τ;
LS707.把数学描述为
的优化问题记为Problem2,用Problem2的解更新Ds,其中||·||F为矩阵的Frobenius范数,||·||2为向量的2–范数,为的第j列,j为的列标号,j=1,2,…,τ;
LS708.分别通过Uc=(Dc TDc+λ1Iτ)-1(λ1Tc+Dc T)Xc和Us=(Ds TDs+λ1Iτ)-1(λ1Ts+Ds T)Xs更新Uc和Us,其中T为转置运算,–1为求逆运算,Iτ为τ阶单位矩阵;
LS709.迭代序号b自增1;
LS710.如果满足b<K,那么执行步骤LS705–LS710;否则,执行步骤LS711;
LS711.完成字典学习,输出Dc,Ds,Tc和Ts。
3.根据权利要求2所述的基于完备局部二值模式重构残差的煤岩识别方法,其特征在于,所述Problem1的求解包括以下步骤:
LS70601.定义变量ε1并初始化为1.000,构建数据矩阵D*∈R2200×τ并通过D*=Dc初始化;
LS70602.构建临时数据矩阵A1∈R2200×τ并通过A1=Dc初始化,构建临时数据矩阵B1∈R2200×τ并初始化为零矩阵,构建临时数据矩阵H1∈R2200×τ并初始化为零矩阵;
LS70603.通过H1=[XcUc T+ε1(A1-B1)](UcUc T+ε1Iτ)-1更新H1,其中Iτ为τ阶单位矩阵,T为转置运算,–1为求逆运算;
LS70604.通过A1=B1+H1更新A1;
LS70605.对A1中2–范数大于1的列进行2–范数归一化处理;
LS70606.用(B1+H1-A1)的计算结果更新B1;
LS70607.用(1.25×ε1)的计算结果更新ε1;
LS70608.若满足其中||·||F为矩阵的Frobenius范数,则用H1的值更新D*,然后执行步骤LS70603–LS70608;否则,用H1的值更新D*,然后执行步骤LS70609;
LS70609.完成Problem1的求解,返回Problem1的解D*。
4.根据权利要求2所述的基于完备局部二值模式重构残差的煤岩识别方法,其特征在于,所述Problem2的求解包括以下步骤:
LS70701.定义变量ε2并初始化为1.000,构建数据矩阵并通过初始化;
LS70702.构建临时数据矩阵A2∈R2200×τ并通过A2=Ds初始化,构建临时数据矩阵B2∈R2200×τ并初始化为零矩阵,构建临时数据矩阵H2∈R2200×τ并初始化为零矩阵;
LS70703.通过H2=[XsUs T+ε2(A2-B2)](UsUs T+ε2Iτ)-1更新H2,其中Iτ为τ阶单位矩阵,T为转置运算,–1为求逆运算;
LS70704.通过A2=B2+H2更新A2;
LS70705.对A2中2–范数大于1的列进行2–范数归一化处理;
LS70706.用(B2+H2-A2)的计算结果更新B2;
LS70707.用(1.25×ε2)的计算结果更新ε2;
LS70708.若满足其中||·||F为矩阵的Frobenius范数,则用H2的值更新然后执行步骤LS70703–LS70708;否则,用H2的值更新然后执行步骤LS70709;
LS70709.完成Problem2的求解,返回Problem2的解
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710397517.2A CN107169524B (zh) | 2017-05-31 | 2017-05-31 | 基于完备局部二值模式重构残差的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710397517.2A CN107169524B (zh) | 2017-05-31 | 2017-05-31 | 基于完备局部二值模式重构残差的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169524A true CN107169524A (zh) | 2017-09-15 |
CN107169524B CN107169524B (zh) | 2020-05-22 |
Family
ID=59821729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710397517.2A Active CN107169524B (zh) | 2017-05-31 | 2017-05-31 | 基于完备局部二值模式重构残差的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169524B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299653A (zh) * | 2018-08-06 | 2019-02-01 | 重庆邮电大学 | 一种基于改进完备局部三值模式的人脸表情特征提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102880858A (zh) * | 2012-08-30 | 2013-01-16 | 中国矿业大学(北京) | 一种煤岩图像自动识别方法 |
CN103927514A (zh) * | 2014-04-09 | 2014-07-16 | 中国矿业大学(北京) | 一种基于随机局部图像特征的煤岩识别方法 |
CN103927553A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
CN104732239A (zh) * | 2015-04-08 | 2015-06-24 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN104966074A (zh) * | 2015-07-17 | 2015-10-07 | 中国矿业大学(北京) | 基于变换域广义伽玛分布的煤岩识别方法 |
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 |
CN105350963A (zh) * | 2015-12-01 | 2016-02-24 | 中国矿业大学(北京) | 一种基于相关性度量学习的煤岩识别方法 |
CN105938544A (zh) * | 2016-04-05 | 2016-09-14 | 大连理工大学 | 基于综合型线性分类器和解析型字典的行为识别方法 |
-
2017
- 2017-05-31 CN CN201710397517.2A patent/CN107169524B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102880858A (zh) * | 2012-08-30 | 2013-01-16 | 中国矿业大学(北京) | 一种煤岩图像自动识别方法 |
CN103927514A (zh) * | 2014-04-09 | 2014-07-16 | 中国矿业大学(北京) | 一种基于随机局部图像特征的煤岩识别方法 |
CN103927553A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
CN104732239A (zh) * | 2015-04-08 | 2015-06-24 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN104966074A (zh) * | 2015-07-17 | 2015-10-07 | 中国矿业大学(北京) | 基于变换域广义伽玛分布的煤岩识别方法 |
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 |
CN105350963A (zh) * | 2015-12-01 | 2016-02-24 | 中国矿业大学(北京) | 一种基于相关性度量学习的煤岩识别方法 |
CN105938544A (zh) * | 2016-04-05 | 2016-09-14 | 大连理工大学 | 基于综合型线性分类器和解析型字典的行为识别方法 |
Non-Patent Citations (5)
Title |
---|
CHEN CHEN 等: "Land-use scene classification using multi-scale completed local binary patterns", 《SIVIP》 * |
SUN JIPING 等: "Coal–rock interface detection on the basis of image texture features", 《INTERNATIONAL JOURNAL OF MINING SCIENCE AND TECHNOLOGY》 * |
ZHENHUA GUO 等: "A Completed Modeling of Local Binary Pattern Operator for Texture Classification", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
孙继平 等: "基于纹理和改进径向基网络的煤监控图像识别", 《煤炭科学技术》 * |
张万枝 等: "基于视觉技术的煤岩特征分析与识别", 《煤炭技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299653A (zh) * | 2018-08-06 | 2019-02-01 | 重庆邮电大学 | 一种基于改进完备局部三值模式的人脸表情特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107169524B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | Landslide detection from an open satellite imagery and digital elevation model dataset using attention boosted convolutional neural networks | |
CN108802840A (zh) | 基于人工智能深度学习的自动识别物体的方法及其装置 | |
Bhunia et al. | Indic handwritten script identification using offline-online multi-modal deep network | |
CN108985360A (zh) | 基于扩展形态学与主动学习的高光谱分类方法 | |
CN104504412A (zh) | 一种手写体笔划特征提取和识别方法及系统 | |
CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
CN108596952B (zh) | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 | |
CN111401426A (zh) | 基于伪标签学习的小样本高光谱图像分类方法 | |
CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
CN104751192A (zh) | 基于图像块共生特征的煤岩识别方法 | |
CN107169524A (zh) | 基于完备局部二值模式重构残差的煤岩识别方法 | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
CN102930291A (zh) | 用于图形图像的k近邻局部搜索遗传自动聚类方法 | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN110580463B (zh) | 单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法 | |
CN104778461A (zh) | 基于相似测度学习的煤岩识别方法 | |
CN107239783A (zh) | 基于扩展局部二值模式和回归分析的煤岩识别方法 | |
Pal et al. | A new bag-of-features method using biogeography-based optimization for categorization of histology images | |
CN110825896A (zh) | 一种商标检索系统及检索方法 | |
Sushma et al. | Kannada handwritten word conversion to electronic textual format using HMM model | |
CN114662594B (zh) | 一种目标特征识别分析系统 | |
Imran et al. | Image-based automatic energy meter reading using deep learning | |
CN113780284B (zh) | 一种基于目标检测和度量学习的logo检测方法 | |
US20210365745A1 (en) | Method and Apparatus for Implementing Automated Fossil Identification to Augment Biostratigraphy Workflows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |