CN117011302B - 一种基于煤矸识别的智能干选系统 - Google Patents
一种基于煤矸识别的智能干选系统 Download PDFInfo
- Publication number
- CN117011302B CN117011302B CN202311286581.5A CN202311286581A CN117011302B CN 117011302 B CN117011302 B CN 117011302B CN 202311286581 A CN202311286581 A CN 202311286581A CN 117011302 B CN117011302 B CN 117011302B
- Authority
- CN
- China
- Prior art keywords
- coal gangue
- sub
- block
- image
- gangue
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 337
- 238000000926 separation method Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/507—Summing image-intensity values; Histogram 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (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
本发明涉及使用直方图技术的图像增强技术领域,具体涉及一种基于煤矸识别的智能干选系统。该系统包括数据获取模块用于获取待识别的煤矸图像;煤矸子块获取模块用于获取煤矸子块;数据处理模块用于筛选出每个煤矸子块的最优的高斯分布曲线;图像增强模块,用于将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像;煤矸识别模块,用于获取待识别的煤矸图像中的煤矸区域。本发明通过对煤矸增强图像进行煤矸区域识别,避免了因为煤矸块内灰度不一致时分割无法准确识别的问题,提高了对煤炭中煤矸的识别的准确性。
Description
技术领域
本发明涉及使用直方图技术的图像增强技术领域,具体涉及一种基于煤矸识别的智能干选系统。
背景技术
煤炭资源是重要的能源组成,对工业的发展有着重要的支撑作用,在经济组成中占据着极其重要的位置。煤矸是煤炭资源开采和加工过程中产生的固体废物,煤炭中掺杂的煤矸发热值低,会影响煤炭的发热量,而且燃烧时会释放污染环境的有害气体,故煤矸识别是煤炭生产过程中的重要环节之一,对提升煤炭使用效率具有着重要意义。
目前,常见的对煤炭中的煤矸进行识别的方法为对煤矸图像中边缘像素点的灰度值进行调整,进而提高煤矸边缘的亮度,实现对煤矸图像的增强。由于煤矸块内的灰度值较为混乱,故在对煤矸图像进行边缘检测的时候,存在将非煤矸边缘的像素点误判为煤矸边缘的像素点,进而对其进行增强,导致对煤炭中煤矸的识别效果较差。
发明内容
为了解决对煤炭中煤矸的识别效果较差的技术问题,本发明的目的在于提供一种基于煤矸识别的智能干选系统,所采用的技术方案具体如下:
数据获取模块,用于获取待识别的煤矸图像;
煤矸子块获取模块,用于分割煤矸图像,得到初始子块;根据每个初始子块内像素值的波动情况得到煤矸子块;
数据处理模块,用于不断增强煤矸子块的灰度直方图;根据每次增强后每个煤矸子块的灰度直方图构建每次增强后每个煤矸子块的高斯分布曲线;根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线;
图像增强模块,用于将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像;
煤矸识别模块,用于分割煤矸增强图像,得到待识别的煤矸图像中的煤矸区域。
优选的,所述根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线,包括:
根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,确定每次增强后每个煤矸子块的拟合误差;
对拟合误差进行拟合,得到拟合曲线段,获取拟合曲线段的第一个极小值点;将第一个极小值点对应的拟合误差的高斯分布曲线作为最优高斯分布曲线。
优选的,所述根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,确定每次增强后每个煤矸子块的拟合误差,包括:
计算每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的差值的平方,作为灰度值的误差差值;将灰度值的实际频率作为误差差值的权重,对每个煤矸子块中灰度值的误差差值进行加权求和,得到每个煤矸子块的拟合误差。
优选的,所述根据每个初始子块内像素值的波动情况得到煤矸子块,包括:
获取每个初始子块内像素值的方差;根据初始子块对应的方差,得到煤矸子块。
优选的,所述根据初始子块对应的方差,得到煤矸子块,包括:
保留方差大于预设波动阈值的初始子块,作为中间子块;合并相邻的中间子块,得到煤矸子块。
优选的,所述不断增强煤矸子块的灰度直方图,包括:
利用直方图均衡化算法,不断增强煤矸子块的灰度直方图。
优选的,所述将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像,包括:
对于每个煤矸子块,将每个煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到每个煤矸子块的增强灰度直方图;根据每个煤矸子块的增强灰度直方图得到煤矸图像的煤矸增强图像。
优选的,所述分割煤矸增强图像,得到待识别的煤矸图像中的煤矸区域,包括:
对煤矸增强图像进行阈值分割,得到待识别的煤矸图像中的煤矸区域。
优选的,所述获取待识别的煤矸图像,包括:
通过图像采集设备,获取待识别的初始煤矸图像,对初始煤矸图像进行灰度化处理,得到待识别的煤矸图像。
优选的,所述初始子块为正方形的子块。
本发明实施例至少具有如下有益效果:
本发明涉及使用直方图技术的图像增强技术领域。该系统包括煤矸子块获取模块,实现对煤矸图像的各个初始子块进行分析得到煤矸子块,得到的煤矸子块为煤炭中的煤矸的概率较大,后续对煤矸子块进行增强,能够更好的突先出煤矸子块的特征,以便于对煤矸区域的更准确的识别。数据处理模块,通过不断增强煤矸子块的灰度直方图,得到每次增强后煤矸子块的高斯分布曲线,对高斯分布曲线进行误差分析,进而得到每个煤矸子块的最优的高斯分布曲线,因为想要尽可能的保持增强前后煤矸子块的灰度特征趋近于一致,故这里根据高斯分布曲线上灰度值对应的频率和灰度值的实际频次之间的误差,实现对最优的高斯分布曲线的选取,该最优的高斯分布曲线则是增强效果最好的高斯分布曲线。故将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,则可以得到增强效果最好的煤矸增强图像,便于后续对煤矸增强图像进行煤矸区域识别。本发明通过对煤矸图像进行增强得到煤矸增强图像,对煤矸增强图像进行煤矸区域识别,避免了因为煤矸块内灰度不一致时分割无法准确识别的问题,提高了对煤炭中煤矸的识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于煤矸识别的智能干选系统的系统框图;
图2为本发明一个实施例所提供的一种基于煤矸识别的智能图像增强系统的系统框图。
具体实施方式
基于煤矸识别的智能干选系统实施例:
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于煤矸识别的智能干选系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于煤矸识别的智能干选系统的具体实施方法,该方法适用于对煤炭中的煤矸识别的场景。该场景下图像采集设备可为相机,通过相机获取待识别的初始煤矸图像,以实现对初始煤矸图像进行后续分析。为了解决对煤炭中煤矸的识别效果较差的技术问题。本发明通过对煤矸图像进行增强得到煤矸增强图像,对煤矸增强图像进行煤矸区域识别,避免了因为煤矸块内灰度不一致时分割无法准确识别的问题,提高了对煤炭中煤矸的识别的准确性。
下面结合附图具体地说明本发明所提供的一种基于煤矸识别的智能干选系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于煤矸识别的智能干选系统的系统框图,该系统包括以下模块:
数据获取模块10,用于获取待识别的煤矸图像。
通过图像采集设备,获取待识别的初始煤矸图像。对初始煤矸图像进行灰度化处理,得到煤矸图像。
煤矸子块获取模块20,用于分割煤矸图像,得到初始子块;根据每个初始子块内像素值的波动情况得到煤矸子块。
为了识别出煤矸图像中的煤矸块,如直接对煤矸图像使用现有的自适应阈值分割的方法进行分割,由于煤矸块内灰度值混乱不一致,导致分割后的煤矸块不完整,后续不能对煤矸进行识别。因此本发明通过对煤矸图像分块使用直方图均衡化算法对分块进行增强,使煤矸块的灰度值趋近于一致,灰度特性更加明显,再对增强后的图像进行阈值分割,根据煤矸的灰度特征进行煤矸识别。
对于煤矸图像来说,由于煤矸块内部的灰度混乱不一致,对其煤矸图像进行自适应阈值分割后,会出现煤矸块的分割不完整现象,导致无法识别出煤矸,故通过对煤矸图像进行分块处理,对于每个初始子块内的像素值方差进行分析,筛除掉位于背景区域的子块,再将剩余相邻的各个子块进行合并,得到煤矸子块。需要说明的是,对于相邻的中间子块,合并相邻的中间子块,将合并后的中间子块,作为煤矸子块;对于与其他中间子块不相邻的中间子块,直接将中间子块作为煤矸子块。
由于煤矸图像中背景区域的灰度值的差异较小,而煤矸区域的灰度值差异大,分割煤矸图像,得到初始子块。故对煤矸图像进行N×N像素的分块处理,得到M个初始子块,也即每个子块的大小为N×N,该初始子块即为正方形的子块。在本发明实施例中设置N的大小为5,在其他实施例中由实施者根据实际情况进行设定。需要说明的是,对煤矸图像从左到右,从上到下进行初始子块划分,对于最右侧或最下侧不能构成N×N大小的初始子块的行或列,进行删除。
进一步的,根据每个初始子块内像素值的波动情况得到煤矸子块,具体地:获取每个初始子块内像素值的方差,该方差反映了初始子块内的波动情况,初始子块内像素点的像素值差异越大,则对应的波动越大,方差越大,反之,初始子块内像素点的像素值差异越小,则对应的波动越小,当初始子块的方差突然增大时,反映初始子块处于灰度值相差较大的两个区域的分界处或者煤矸区域,对方差较大的子块进行保留。具体地,保留方差大于预设波动阈值的初始子块,作为中间子块;合并相邻的中间子块,得到煤矸子块,该煤矸子块即为较大的初次识别得到的煤矸块。在本发明实施例中预设波动阈值的取值为0.5,在其他实施例中由实施者根据实际情况调整该取值。
数据处理模块30,用于不断增强煤矸子块的灰度直方图;根据每次增强后每个煤矸子块的灰度直方图构建每次增强后每个煤矸子块的高斯分布曲线;根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线。
根据煤矸子块获取模块20得到了煤矸图像中的煤矸子块,由于煤矸石内的灰度值混乱差异大,故对此进行分割后无法直接识别出煤矸,因此需要对获得的煤矸子块进行增强。故本发明根据煤矸块的灰度直方图拟合高斯分布曲线,将各个煤矸子块的原始的灰度直方图通过直方图均衡化算法映射到拟合的高斯分布曲线的置信区间内,来实现对煤矸子块的增强,并实现对煤矸图像的增强,使得煤矸块的灰度值趋近于一致,其灰度特性更加明显,便于分割增强后的煤矸增强图像,使得能够直接对煤矸进行识别。
对煤矸图像进行分块分析后,获得不同的煤矸子块之后,以像素点的灰度值为横坐标,灰度值概率为纵轴,绘制出各个煤矸子块对应的灰度直方图。
由先验知识可知,煤块的颜色更黑,其灰度级更低,而矸石颜色偏灰白,灰度级较高,再结合煤矸子块的灰度直方图可知,灰度直方图中频率较大的灰度值为该煤矸子块的灰度特性,故对各个煤矸子块的灰度直方图不断进行均衡化增强,也即利用直方图均衡化算法,不断增强煤矸子块的灰度直方图,使煤矸子块的灰度值趋近于子块的灰度特性,让其灰度特性更加明显,高斯分布呈钟型,两头低,中间高,满足以上对增强后灰度直方图的设置要求,因此使各煤矸子块的灰度直方图按照高斯分布概率密度函数分布。
根据每次增强后每个煤矸子块的灰度直方图构建每次增强后每个煤矸子块的高斯分布曲线,具体地:根据最小乘法及每个煤矸子块的灰度直方图的特征拟合出每个煤矸子块的高斯分布曲线。这样拟合所得的高斯分布曲线的灰度值区间范围较大,无法使各煤矸子块的灰度特性更加明显。根据煤矸子块的灰度图像和灰度直方图可知,煤矸子块中频率较大的灰度值是其主要的灰度特性,需要重点关注,故通过对所得的误差乘上较大的权重,使得拟合后曲线的分布更加贴近于原灰度直方图中频率较大的部分,而频率较小的灰度值大致为煤矸子块中噪点,故无需过多关注,因此乘以较小的权重。这样拟合得到的高斯分布曲线的灰度值区间较小,其高斯分布曲线对应的标准差也变得更小,能够使煤矸子块的灰度值更加趋近一致,灰度特性更加明显。故为了寻找每个煤矸子块的最优的高斯分布曲线,通过计算每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线。
根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线,具体地:
根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,确定每次增强后每个煤矸子块的拟合误差;对拟合误差进行拟合,得到拟合曲线段,获取拟合曲线段的第一个极小值点;将第一个极小值点对应的拟合误差的高斯分布曲线作为最优高斯分布曲线。需要说明的是,在不断增强煤矸子块的灰度直方图时,直至获取对应的拟合曲线段的第一个极小值点,停止对煤矸子块的灰度直方图的增强,即此时第一个极小值点在拟合曲线段上的也即为最小值点,将该极小值点对应的高斯分布曲线记为最优高斯分布曲线。
根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,确定每次增强后每个煤矸子块的拟合误差,具体地:
计算每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的差值的平方,作为灰度值的误差差值;将灰度值的实际频率作为误差差值的权重,对每个煤矸子块中灰度值的误差差值进行加权求和,得到每个煤矸子块的拟合误差。
该拟合误差的计算公式为:
其中,为拟合误差;/>为煤矸子块内灰度值的数量;/>为煤矸子块内第i个灰度值在高斯分布曲线中对应的频率;/>为煤矸子块内第i个灰度值对应的实际频率;/>为煤矸子块中第i个灰度值对应的实际频率。
其中,由于需要对灰度直方图中频率较大的灰度值的误差乘上较大的权重,对灰度直方图中频率较小的灰度值的误差乘上较小的权重,故在本发明实施例中直接将灰度直方图中灰度值的实际频率作为高斯分布曲线中对应的频率和实际频率的误差的权重。而灰度值在高斯分布曲线中对应的频率和灰度值对应的实际频率的差值反映了对煤矸子块增强后得到的高斯分布曲线的误差程度,当灰度值在高斯分布曲线中对应的频率和灰度值对应的实际频率的差值越大,则反映对煤矸子块此次增强后得到的高斯分布曲线的误差越大,反之,当灰度值在高斯分布曲线中对应的频率和灰度值对应的实际频率的差值越小,则反映对煤矸子块此次增强后得到的高斯分布曲线的误差越小。
得到每个煤矸子块的拟合误差之后,对拟合误差进行拟合,得到拟合曲线段,获取拟合曲线段的第一个极小值点;将第一个极小值点对应的拟合误差的高斯分布曲线作为最优高斯分布曲线。这里将第一个极小值点对应的拟合误差的高斯分布曲线作为最优的高斯分布曲线是因为需要使得高斯分布曲线符合灰度值趋近于灰度直方图特征,使得增强前后每个煤矸子块内的灰度特征趋近于一致性,在最大程度保持原始的煤矸图像的灰度特征的同时实现对煤矸图像的增强。
图像增强模块40,用于将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像。
将各个煤矸子块的原灰度直方图通过直方图均衡化算法映射到拟合的高斯分布曲线的灰度值区间内,来实现对煤矸子块图像的增强。
通过数据处理模块30可得到最优的高斯分布曲线,最优的高斯分布曲线对应有均值μ和方差σ;对于高斯分布而言,随机变量落在区间(μ-3σ,μ+3σ)以外的概率是非常小的,在实际问题中会认为对应的事件不会发生,故可以把置信区间(μ-3σ,μ+3σ)看作是随机变量实际可能的取值区间,也即拟合的高斯分布曲线的灰度值区间为(μ-3σ,μ+3σ)。将煤矸子块的灰度直方图通过直方图均衡化算法映射到最优的高斯分布曲线的置信曲线(μ-3σ,μ+3σ)中。也即对于每个煤矸子块,将每个煤矸子块的灰度直方图映射到每个煤矸子块对应的最优的高斯分布曲线的置信区间中,得到每个煤矸子块的增强灰度直方图。根据每个煤矸子块的增强灰度直方图得到煤矸图像的煤矸增强图像。
煤矸识别模块50,用于分割煤矸增强图像,得到待识别的煤矸图像中的煤矸区域。
根据数据处理模块30和图像增强模块40实现了结合灰度特性对获得的煤矸子块进行增强,得到煤矸增强图像。进一步的,对煤矸增强图像进行阈值分割,识别出煤矸图像中煤矸对应的煤矸区域。可知每块的颜色更黑,其灰度值较低,而煤矸颜色偏灰白,灰度值较高,对其灰度特性增强后使煤矸块的颜色更趋近于一致,使用大津法对煤矸增强图像进行阈值分割,得到待识别的煤矸图像中的煤矸区域,其中,阈值分割后得到二值图像,二值图像中的黑色块为煤块,白色块为煤矸。
综上所述,本发明涉及使用直方图技术的图像增强技术领域。该系统包括数据获取模块用于获取待识别的煤矸图像;煤矸子块获取模块用于获取煤矸子块;数据处理模块用于筛选出每个煤矸子块的最优的高斯分布曲线;图像增强模块,用于将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像;煤矸识别模块,用于获取待识别的煤矸图像中的煤矸区域。本发明通过对煤矸图像进行增强得到煤矸增强图像,对煤矸增强图像进行煤矸区域识别,避免了因为煤矸块内灰度不一致时分割无法准确识别的问题,提高了对煤炭中煤矸的识别的准确性。
基于煤矸识别的智能图像增强系统实施例:
现有的对图像增强的方法为对煤矸图像直接进行增强,利用现有技术对煤矸图像进行整体增强,该方法不仅会对煤矸区域增强,同时还会对煤炭区域进行增强,由于该方法是对煤矸图像整体进行增强,进而在增强之后,难以实现对煤矸区域的凸显,对煤矸图像中煤矸区域的增强效果较差。为了解决利用现有技术对煤矸图像进行增强,对煤矸图像中煤矸区域的增强效果较差的问题,本实施例提供一种基于煤矸识别的智能图像增强系统。请参阅图2,其示出了一种基于煤矸识别的智能图像增强系统的系统框图,该系统包括以下模块:
数据获取模块10,用于获取待识别的煤矸图像;
煤矸子块获取模块20,用于分割煤矸图像,得到初始子块;根据每个初始子块内像素值的波动情况得到煤矸子块;
数据处理模块30,用于不断增强煤矸子块的灰度直方图;根据每次增强后每个煤矸子块的灰度直方图构建每次增强后每个煤矸子块的高斯分布曲线;根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线;
图像增强模块40,用于将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像。
其中,数据获取模块10~图像增强模块40在上述基于煤矸识别的智能干选系统实施例中已给出了详细说明,不再赘述。
该基于煤矸识别的智能图像增强系统涉及图像增强技术领域,该系统包括煤矸子块获取模块,实现对煤矸图像的各个初始子块进行分析得到煤矸子块,得到的煤矸子块为煤炭中的煤矸的概率较大,后续对煤矸子块进行增强,能够更好的突先出煤矸子块的特征,以便于对煤矸区域的更准确的识别。数据处理模块,通过不断增强煤矸子块的灰度直方图,得到每次增强后煤矸子块的高斯分布曲线,对高斯分布曲线进行误差分析,进而得到每个煤矸子块的最优的高斯分布曲线,因为想要尽可能的保持增强前后煤矸子块的灰度特征趋近于一致,故这里根据高斯分布曲线上灰度值对应的频率和灰度值的实际频次之间的误差,实现对最优的高斯分布曲线的选取,该最优的高斯分布曲线则是增强效果最好的高斯分布曲线。故将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,则可以得到对煤矸区域增强效果最好的煤矸增强图像。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种基于煤矸识别的智能干选系统,其特征在于,该系统包括以下模块:
数据获取模块,用于获取待识别的煤矸图像;
煤矸子块获取模块,用于分割煤矸图像,得到初始子块;根据每个初始子块内像素值的波动情况得到煤矸子块;
其中,根据每个初始子块内像素值的波动情况得到煤矸子块,包括:获取每个初始子块内像素值的方差;保留方差大于预设波动阈值的初始子块,作为中间子块;合并相邻的中间子块,得到煤矸子块;
数据处理模块,用于不断增强煤矸子块的灰度直方图;根据每次增强后每个煤矸子块的灰度直方图构建每次增强后每个煤矸子块的高斯分布曲线;根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线;
其中,根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,筛选出每个煤矸子块的最优的高斯分布曲线,包括:根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,确定每次增强后每个煤矸子块的拟合误差;对拟合误差进行拟合,得到拟合曲线段,获取拟合曲线段的第一个极小值点;将第一个极小值点对应的拟合误差的高斯分布曲线作为最优高斯分布曲线;
其中,根据每次增强后每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的误差,确定每次增强后每个煤矸子块的拟合误差,包括:计算每个煤矸子块中灰度值在高斯分布曲线中对应的频率和灰度值的实际频率之间的差值的平方,作为灰度值的误差差值;将灰度值的实际频率作为误差差值的权重,对每个煤矸子块中灰度值的误差差值进行加权求和,得到每个煤矸子块的拟合误差;图像增强模块,用于将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像;
煤矸识别模块,用于分割煤矸增强图像,得到待识别的煤矸图像中的煤矸区域。
2.根据权利要求1所述的一种基于煤矸识别的智能干选系统,其特征在于,所述不断增强煤矸子块的灰度直方图,包括:
利用直方图均衡化算法,不断增强煤矸子块的灰度直方图。
3.根据权利要求1所述的一种基于煤矸识别的智能干选系统,其特征在于,所述将煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到煤矸图像的煤矸增强图像,包括:
对于每个煤矸子块,将每个煤矸子块的灰度直方图映射到最优的高斯分布曲线的置信区间中,得到每个煤矸子块的增强灰度直方图;根据每个煤矸子块的增强灰度直方图得到煤矸图像的煤矸增强图像。
4.根据权利要求1所述的一种基于煤矸识别的智能干选系统,其特征在于,所述分割煤矸增强图像,得到待识别的煤矸图像中的煤矸区域,包括:
对煤矸增强图像进行阈值分割,得到待识别的煤矸图像中的煤矸区域。
5.根据权利要求1所述的一种基于煤矸识别的智能干选系统,其特征在于,所述获取待识别的煤矸图像,包括:
通过图像采集设备,获取待识别的初始煤矸图像,对初始煤矸图像进行灰度化处理,得到待识别的煤矸图像。
6.根据权利要求1所述的一种基于煤矸识别的智能干选系统,其特征在于,所述初始子块为正方形的子块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286581.5A CN117011302B (zh) | 2023-10-08 | 2023-10-08 | 一种基于煤矸识别的智能干选系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286581.5A CN117011302B (zh) | 2023-10-08 | 2023-10-08 | 一种基于煤矸识别的智能干选系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011302A CN117011302A (zh) | 2023-11-07 |
CN117011302B true CN117011302B (zh) | 2024-01-09 |
Family
ID=88574747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311286581.5A Active CN117011302B (zh) | 2023-10-08 | 2023-10-08 | 一种基于煤矸识别的智能干选系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011302B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853933B (zh) * | 2024-03-07 | 2024-05-17 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447915A (zh) * | 2018-10-29 | 2019-03-08 | 北京康拓红外技术股份有限公司 | 基于特征模型建立与伽马灰度校正的线扫描图像质量提升方法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN110675443A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的煤块面积检测方法 |
CN110675343A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
CN111080661A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111881909A (zh) * | 2020-07-27 | 2020-11-03 | 精英数智科技股份有限公司 | 煤矸识别方法、装置、电子设备及存储介质 |
CN112200813A (zh) * | 2020-09-30 | 2021-01-08 | 中国矿业大学(北京) | 一种考虑照度因素的煤矸识别方法和系统 |
CN112330607A (zh) * | 2020-10-20 | 2021-02-05 | 精英数智科技股份有限公司 | 基于图像识别技术的煤矸识别方法、装置及系统 |
CN112318485A (zh) * | 2020-10-09 | 2021-02-05 | 中国矿业大学(北京) | 物体分选系统的图像处理方法、装置及物体分选系统 |
CN113435486A (zh) * | 2021-06-15 | 2021-09-24 | 西安科技大学 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
CN114066861A (zh) * | 2021-11-22 | 2022-02-18 | 安徽理工大学 | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 |
CN114240989A (zh) * | 2021-11-30 | 2022-03-25 | 中国工商银行股份有限公司 | 图像分割方法、装置、电子设备及计算机存储介质 |
CN114627109A (zh) * | 2022-04-26 | 2022-06-14 | 河北工程大学 | 基于图像增强和深度学习的煤矸分类识别方法与流程 |
CN114972922A (zh) * | 2022-05-31 | 2022-08-30 | 东北大学 | 基于机器学习的煤矸分选识别方法、装置及设备 |
CN116109644A (zh) * | 2023-04-14 | 2023-05-12 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
CN116310882A (zh) * | 2023-05-16 | 2023-06-23 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
CN116452506A (zh) * | 2023-03-13 | 2023-07-18 | 中国矿业大学(北京) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015013719A1 (en) * | 2013-07-26 | 2015-01-29 | Li-Cor, Inc. | Adaptive noise filter |
-
2023
- 2023-10-08 CN CN202311286581.5A patent/CN117011302B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN109447915A (zh) * | 2018-10-29 | 2019-03-08 | 北京康拓红外技术股份有限公司 | 基于特征模型建立与伽马灰度校正的线扫描图像质量提升方法 |
CN110675443A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的煤块面积检测方法 |
CN110675343A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
CN111080661A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111881909A (zh) * | 2020-07-27 | 2020-11-03 | 精英数智科技股份有限公司 | 煤矸识别方法、装置、电子设备及存储介质 |
CN112200813A (zh) * | 2020-09-30 | 2021-01-08 | 中国矿业大学(北京) | 一种考虑照度因素的煤矸识别方法和系统 |
CN112318485A (zh) * | 2020-10-09 | 2021-02-05 | 中国矿业大学(北京) | 物体分选系统的图像处理方法、装置及物体分选系统 |
CN112330607A (zh) * | 2020-10-20 | 2021-02-05 | 精英数智科技股份有限公司 | 基于图像识别技术的煤矸识别方法、装置及系统 |
CN113435486A (zh) * | 2021-06-15 | 2021-09-24 | 西安科技大学 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
CN114066861A (zh) * | 2021-11-22 | 2022-02-18 | 安徽理工大学 | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 |
CN114240989A (zh) * | 2021-11-30 | 2022-03-25 | 中国工商银行股份有限公司 | 图像分割方法、装置、电子设备及计算机存储介质 |
CN114627109A (zh) * | 2022-04-26 | 2022-06-14 | 河北工程大学 | 基于图像增强和深度学习的煤矸分类识别方法与流程 |
CN114972922A (zh) * | 2022-05-31 | 2022-08-30 | 东北大学 | 基于机器学习的煤矸分选识别方法、装置及设备 |
CN116452506A (zh) * | 2023-03-13 | 2023-07-18 | 中国矿业大学(北京) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
CN116109644A (zh) * | 2023-04-14 | 2023-05-12 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
CN116310882A (zh) * | 2023-05-16 | 2023-06-23 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
Non-Patent Citations (6)
Title |
---|
Adaptive image enhancement and particle size identification method based on coal and gangue;Qisheng Luo等;《Measurement Science and Technology》;第34卷(第10期);1-13 * |
Research on Improved Retinex-Based Image Enhancement Method for Mine Monitoring;Feng Tian等;《applied sciences》;第13卷(第4期);1-15 * |
Research on low illumination coal gangue image enhancement based on improved Retinex algorithm;Deyong Shang等;《International Journal of Coal Preparation and Utilization》;第43卷(第6期);999-1015 * |
基于机器学习的煤矸识别方法研究;田冬艳;《中国优秀硕士学位论文全文数据库 工程科技I辑》;第2023年卷(第2期);B021-1197 * |
差异光照对煤矸特征参数及识别精度影响研究;赵巧蓉;《中国优秀硕士学位论文全文数据库 工程科技I辑》;第2022年卷(第4期);B021-109 * |
矿井图像的去噪与增强算法研究;甘建旺;《中国优秀硕士学位论文全文数据库 工程科技I辑》;第2022年卷(第2期);B021-311 * |
Also Published As
Publication number | Publication date |
---|---|
CN117011302A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086714B (zh) | 表格识别方法、识别系统及计算机装置 | |
CN109271991B (zh) | 一种基于深度学习的车牌检测方法 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN117011302B (zh) | 一种基于煤矸识别的智能干选系统 | |
CN109034145B (zh) | 基于OpenCV的银行卡号识别方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN112418087B (zh) | 一种基于神经网络的水下视频鱼类识别方法 | |
US8630498B2 (en) | Methods and systems for detecting pictorial regions in digital images | |
CN102982534A (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN117036341A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN107545259A (zh) | 一种基于大津法的二维码重构方法 | |
CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN110175257B (zh) | 一种线稿图像匹配方法、电子设备、存储介质 | |
CN108711139B (zh) | 一种基于去雾ai图像分析系统和快速响应门禁控制方法 |
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 |