基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法
2023-09-18 21:33:35 1
基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法
【專利摘要】本發明公開了一種基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法，該方法用緊鄰域像素灰度聯合分布特徵來描述煤、巖圖像特徵信息，用學習向量量化方法抽取煤巖特徵信息空間關鍵字向量，用關鍵字向量直方圖表徵煤巖在不同形態下的模式；在識別時，待識別圖像用與訓練圖像同樣的方法抽取圖像特徵信息和建立直方圖，然後和訓練階段學習到的模式進行比較，用G統計來度量，用最近鄰準則來識別。該方法用了煤、巖在不同照度、不同視點下的圖像作為訓練樣本，受照度和成像視點變化影響小，識別率高，穩定性好。
【專利說明】基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法
【技術領域】
[0001]本發明涉及一種基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法，屬於圖像識別【技術領域】。
【背景技術】
[0002]煤巖識別即用一種方法自動識別出煤巖對象為煤或巖石。在煤炭生產過程中，煤巖識別技術可廣泛應用於滾筒採煤、掘進、放頂煤開採、原煤選矸石等生產環節，對於減少採掘工作面作業人員、減輕工人勞動強度、改善作業環境、實現煤礦安全高效生產具有重要意義。
[0003]已有多種煤巖識別方法，如自然Y射線探測法、雷達探測法、應力截齒法、紅外探測法、有功功率監測法、震動檢測法、聲音檢測法、粉塵檢測法、記憶截割法等，但這些方法存在以下問題:①需要在現有設備上加裝各類傳感器獲取信息，導致裝置結構複雜，成本高。②採煤機滾筒、掘進機等設備在生產過程中受力複雜、振動劇烈、磨損嚴重、粉塵大，傳感器部署比較困難，容易導致機械構件、傳感器和電氣線路受到損壞，裝置可靠性差。③對於不同類型機械設備，傳感器的最佳類型和信號拾取點的選擇存在較大區別，需要進行個性化定製，系統的適應性差。
[0004]通過對煤、巖石塊狀樣本的觀察，發現煤和巖石的表面紋理在粗糙程度、稀疏程度、紋理變化的均勻性、溝紋的深淺等方面都有很大差異，據此，利用煤巖圖像紋理特徵來識別煤巖的方法已提出，如基於灰度共生統計特徵的煤巖識別方法，灰度共生統計方法將煤巖紋理表面看作二維紋理來處理，而事實上煤巖紋理表面凹凸不平，具有典型的三維紋理特徵，三維紋理表面當視點和照度發生變化時，視覺表面會發生很大的變化。在煤炭生產中需要煤、巖識別的工作場合如工作面、掘進面等，照度變化往往很平常，成像傳感器的視點也在較大範圍內變化，而二維紋理模型對照度、視點變化不具備魯棒性，因而識別不穩定，識別率不高。
[0005]需要一種解決或至少改善現有技術中固有的一個或多個問題的煤巖識別方法，以提高煤巖識別率和識別穩定性。
【發明內容】
[0006]因此，本發明的目的在於提供一種基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法，該識別方法受照度和成像視點變化影響小，能夠實時、自動地識別出當前煤、巖石對象是煤或是巖石，為自動化採掘、自動化放煤、自動化選矸等生產過程提供了可靠的煤巖識別信息。
[0007]根據一種實施例形式，提供一種基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法，包括如下步驟:
[0008]A.將採集的煤、巖樣本圖像進行預處理並分成訓練集SET_A和測試集SET_B
[0009]將採集的每一張煤、巖樣本圖像，在圖像的中心截取像素大小為N的子圖像，並將每張子圖像的灰度歸一化為零均值和單位方差(若是彩色圖像先轉換成灰度圖像)，選擇處理過的一部分圖像作為訓練集SET_A，別一部分作為測試集SET_B ；
[0010]B.提取訓練集SET_A和測試集SET_B中圖像的特徵信息向量
[0011]分別提取訓練集SET_A和測試集SET_B中每張煤圖像I。和每張巖圖像Ii的特徵信息向量{xj。和{Xih，所述特徵信息向量Xi e Rn為該圖像中像素(i，J.) € {y/n/2,s/N - y/n/2)的緊鄰域內的η個像素灰度的聯合分布，即Xi= U1,..,Ii為像素(i，j)的灰度值，
I1,, Ilri為像素(i, j)鄰域像素的灰度值，將Xi歸一化；
[0012]C.從圖像特徵信息向量空間中提取K個關鍵字向量{w1; w2，...wK} , Wi e Rn
[0013]利用訓練集中的特徵信息向量{{Xi}c，{Xi}丄ET A，首先用OLVQl向量量化訓練算法對關鍵字向量位置進行粗定位，再用LVQ2訓練算法對關鍵字向量位置進行細調節，用測試集SET_B特徵信息向量{{Xi}。，{xj J的訓練結果進行精度測試，直至所提取的K個關鍵字向量滿足識別精度要求為止；
[0014]D.將煤、巖模式用關鍵字向量直方圖表徵
[0015]從訓練集SET_A中分別選取煤、巖圖像各M張，將選定的每一張圖像的特徵信息向量Xi用與其最鄰近的關鍵字向量標註，計算每個關鍵字向量出現的次數，作相對圖像總標註像素的歸一化直方圖，煤的M張圖像對應煤的M個模式伍丄，巖的M張圖像對應巖的M個模式{Hr}?；
[0016]Ε.識別未知煤巖對象圖像Ix
[0017]給定未知煤巖對象圖像Ix，用與步驟A相同的方法進行預處理，用與步驟B中相同的方法提取Ix的特徵信息IxJx，用與D中相同的方法對Xi進行標註，計算Ix關鍵字歸一化直方圖Hx，用對數似然率即G統計度量Hx與煤和巖石模式距離，計算公式如下:
【權利要求】
1.一種基於緊鄰域像素灰度聯合分布特徵的煤巖識別方法，其特徵在於，包括以下步驟: A.將採集的煤、巖樣本圖像進行預處理並分成訓練集SET_A和測試集SET_B 將採集的每一張煤、巖樣本圖像，在圖像的中心截取像素大小為N的子圖像，並將每張子圖像的灰度歸一化為零均值和單位方差(若是彩色圖像先轉換成灰度圖像)，選擇處理過的一部分圖像作為訓練集SET_A，別一部分作為測試集SET_B ； B.提取訓練集SET_A和測試集SET_B中圖像的特徵信息向量 分別提取訓練集SET_A和測試集SET_B中每張煤圖像I。和每張巖圖像Ir的特徵信息向量{xj。和kih，所述特徵信息向量Xi e Rn為該圖像中像素(i，j) e緊鄰域內的η個像素灰度的聯合分布，即Xi =IJ，Ii為像素(i，j)的灰度值，I1,, Ilri為像素(i, j)鄰域像素的灰度值，將Xi歸一化； C.從圖像特徵信息向量空間中提取K個關鍵字向量{w1;w2，...wK}, Wi e Rn 利用訓練集中的特徵信息向量{{Xi}。，Ix丄}SET—A，首先用OLVQl向量量化訓練算法對關鍵字向量位置進行粗定位，再用LVQ2訓練算法對關鍵字向量位置進行細調節，用測試集SET_B特徵信息向量{{Xi}。，{Xi}丄ETB對LVQ2的訓練結果進行精度測試，直至所提取的K個關鍵字向量滿足識別精度要求為止； D.將煤、巖模式用關鍵字向量直方圖表徵 從訓練集SET_A中分別選取煤、巖圖像各M張，將選定的每一張圖像的特徵信息向量Xi用與其最鄰近的關鍵字向量標註，計算每個關鍵字向量出現的次數，作相對圖像總標註像素的歸一化直方圖，煤的M張圖像對應煤的M個模式{H。} M，巖的M張圖像對應巖的M個模 式
{Hr} M ; Ε.識別未知煤巖對象圖像Ix 給定未知煤巖對象圖像Ix，用與步驟A相同的方法進行預處理，用與步驟B中相同的方法提取Ix的特徵信息向量IxJx，用與D中相同的方法對Xi進行標註，計算Ix關鍵字歸一化直方圖Hx，用對數似然率即G統計度量Hx與煤和巖石模式距離，計算公式如下:
2.根據權利要求1所述方法，其特徵在於步驟B中像素緊鄰域大小為以該像素為中心的3X3或5X5或7X7像素區域。
3.根據權利要求2所述方法，其特徵在於步驟B中像素緊鄰域大小為以該像素為中心的3X3像素區域。
4.根據權利要求1所述方法，其特徵在於步驟B中緊鄰域內像素灰度聯合分布歸一化方法為
5.根據權利要求1所述方法，其特徵在於步驟B中緊鄰域內像素灰度聯合分布歸一化方法為
6.根據權利要求1所述方法，其特徵在於步驟D中最鄰近關鍵字向量用餘弦函數度量
7.根據權利要求1所述方法，其特徵在於步驟D中最鄰近關鍵字向量用歐氏距離度量。
【文檔編號】G06K9/46GK103927528SQ201410184275
【公開日】2014年7月16日 申請日期:2014年5月5日 優先權日:2014年5月5日
【發明者】伍雲霞, 劉毅 申請人:中國礦業大學(北京)