煤巖顯微組分中滲出瀝青體角點特征檢測方法

王培珍，杜存鈴，孫 瑞，周 芳，張代林

(安徽工業(yè)大學(xué)a.電氣與信息工程學(xué)院；b.煤的潔凈轉(zhuǎn)化與綜合利用安徽省重點實驗室，安徽馬鞍山243000)

煤巖顯微組分中滲出瀝青體角點特征檢測方法

王培珍a，杜存鈴a，孫 瑞a，周 芳a，張代林b

(安徽工業(yè)大學(xué)a.電氣與信息工程學(xué)院；b.煤的潔凈轉(zhuǎn)化與綜合利用安徽省重點實驗室，安徽馬鞍山243000)

滲出瀝青體是煤巖顯微結(jié)構(gòu)中殼質(zhì)組的重要組分之一。根據(jù)煤顯微圖像滲出瀝青體具有的尖角特點，提出1種基于銳角特征的滲出瀝青體檢測方法。該方法在SUSAN算法的基礎(chǔ)上改進(jìn)而來，將SUSAN算法中模板圓的半徑設(shè)置為r，動態(tài)改變r值，檢測被模板圓覆蓋的目標(biāo)面積是否小于某一設(shè)定的閾值，如果是，則中心點判斷為角點，同時估算出角點對應(yīng)的角度數(shù)。檢測結(jié)果表明，采用本文方法能夠準(zhǔn)確檢測出滲出瀝青體中所含的尖角，從而對相應(yīng)組分作出判斷。相比于其它方法，本文提出的方法算法簡單、抗干擾性能較好。

煤；顯微組分；滲出瀝青體；尖角；檢測

煤巖顯微組分按其原始基質(zhì)、成因條件、鏡下特征、表現(xiàn)形狀及其性質(zhì)分為鏡質(zhì)組、惰質(zhì)組、殼質(zhì)組[1-2]，其構(gòu)成對煤的反應(yīng)性、CO的吸附性能、熱破碎性質(zhì)等有重要影響[3-5]。滲出瀝青體是煤巖殼質(zhì)組中的重要成分之一，其分布是分析煤的成因及其與油氣生成關(guān)系的重要依據(jù)[6]，因此煤顯微圖像中滲出瀝青體的檢測對于煤性能的進(jìn)一步分析具有重要意義。

目前，煤巖組分分析主要還是人工憑借專家知識完成，費(fèi)時、費(fèi)力，且對技術(shù)人員的煤巖知識要求高。為了實現(xiàn)煤巖顯微組分的自動分類，已有研究者嘗試用圖像的方法對煤巖顯微組分進(jìn)行分析，如劉小除等[7]嘗試通過對煤巖顯微圖像綜合特征值進(jìn)行邏輯判斷來實現(xiàn)煤巖顯微圖像的模式分類，但只實現(xiàn)了煤中鏡質(zhì)組與非鏡質(zhì)組的區(qū)分；丁華等[8]借助巖石圖像分析軟件，將以往定性鑒別特征的指標(biāo)定量化，但沒有對煤巖組分進(jìn)行更深入的形態(tài)特征研究，得出的數(shù)據(jù)在實際識別中可操作性不強(qiáng)；張代林等[9]曾利用Optimas 6.5軟件對所采集煤光片圖像進(jìn)行分析，通過亮度信息估算各顯微組分的面積，并對單種煤煤巖顯微組分進(jìn)行測定，但由于僅依賴于亮度信息，準(zhǔn)確性不高，且受閾值影響大。近年來，本課題組采用結(jié)構(gòu)元實現(xiàn)煤顯微結(jié)構(gòu)惰質(zhì)組部分組分的提取[10]，并基于圓形LBP均勻模式對煤鏡質(zhì)體顯微組分紋理特征進(jìn)行分析[11]，以此實現(xiàn)鏡質(zhì)組中類別的分類。而對于煤顯微結(jié)構(gòu)中三大組分之一的殼質(zhì)組的分析鮮見報道。

滲出瀝青體明顯的標(biāo)志是具有楔形的尖角結(jié)構(gòu)，其尖角可以作為檢測該組分的重要特征量。對于尖角的檢測，顧俊俊等[12]曾采用區(qū)域標(biāo)記的方法檢測火災(zāi)中火焰尖角，但該算法不具備旋轉(zhuǎn)不變性，不適合本研究中任意方向都可能出現(xiàn)尖角的情況。Harris等[13]提出了Harris角點檢測算法，該算法無法區(qū)分凸角與凹角，因此亦難以適應(yīng)本研究的要求。Smith等[14]提出的SUSAN算法通過計算模板圓覆蓋的區(qū)域內(nèi)與圓心灰度差在閾值之內(nèi)像素點的個數(shù)，確定當(dāng)前點是否是角點，但是由于閾值的選取直接影響檢測的結(jié)果，檢測出的角點可能是圖像的毛刺、或者是噪聲，結(jié)果不夠準(zhǔn)確。針對滲出瀝青體具有尖角，且尖角范圍在35°～85°之間的特點，文中提出1種改進(jìn)的SUSAN角點檢測算法，通過SUSAN算法中模板圓半徑的動態(tài)變化判斷角點的存在及其角度，藉此判定滲出瀝青體的存在。

1 SUSAN算法改進(jìn)

1.1 SUSAN算法

SUSAN算法由Smith和Brady首先提出，其基本依據(jù)是圖像中同一區(qū)域的內(nèi)部特征(通常指灰度值)是一致的或相近的。通過圓形模板在圖像上移動進(jìn)行像素點灰度匹配，若模板內(nèi)的像素點灰度值與模板中心像素點灰度值之差小于給定的門限，則認(rèn)為該點與中心點是同值的，由滿足該條件的像素點組成的區(qū)域稱為吸收核值相似區(qū)USAN(Univalue Segment Assimilating Nucleus)。USAN的6種典型形狀如圖1，其中圖1(a)中核心點在USAN區(qū)域內(nèi)，圖1(b)中核心點在邊緣，圖1(c)～(e)中核心點即角點，圖1(f)中核心點則可能是噪聲。小模板檢測靈敏度高、耗時短但誤檢率高；大模板檢測準(zhǔn)確度高、誤檢率低但較費(fèi)時。綜合考慮，文中采用37像素點模板，如圖2。

為了計算圖像中每個像素點的USAN值，以模板遍歷圖像，并且在每個位置上比較模板內(nèi)各像素點灰度值與模板核心處像素點的灰度值。相似性比較函數(shù)如式(1)。

式中：c(x,O)即以O(shè)為核心的圓模板內(nèi)的任意像素點x是否屬于USAN的判別值；Ix表示核心點鄰域內(nèi)像素點的灰度值；IO表示核心點的灰度值；T為灰度差閾值。每個像素點的USAN區(qū)域大小最終可由式(2)給出

根據(jù)式(3)可得該像素點的初始角點響應(yīng)值，其中m表示閾值，一般取值為。

由此看出，區(qū)域越小，初始角點響應(yīng)越大，該點越可能為角點。

1.2 算法改進(jìn)

從SUSAN算法可以看出，算法中模板圓的大小以及設(shè)置的閾值直接影響檢測結(jié)果。滲出瀝青體圖像所含的是凸角，角度范圍在35°～85°之間(對實際圖像分析所得)，如圖3所示，陰影部分是滲出瀝青體所含的凸角。改進(jìn)的算法在于：角點的檢測過程中，當(dāng)模板圓的中心移動到圖4所示的O點時，若模板圓的半徑為初始值r1，則計算被模板圓覆蓋的區(qū)域面積S1，根據(jù)面積與角度的換算關(guān)系(r為當(dāng)前半徑)，可得當(dāng)前區(qū)域?qū)?yīng)的角度θ1，判斷θ1是否在35°～85°之間，如果不在，那么當(dāng)前點就不是符合條件的角點；否則，增大r1，至r2時，被模板圓覆蓋的面積為S1+S2，計算對應(yīng)的角度θ2，判斷是否符合要求。同理依次增大直徑直到r4時，被覆蓋的面積為S1+S2+S3+S4，對應(yīng)的角度θ4若不在35°～85°之間，則取當(dāng)前點對應(yīng)的角度，為迭代過程中角度的平均值，以提高角度計算的準(zhǔn)確性。

2 實驗與結(jié)果分析

2.1 算法方案

改進(jìn)的SUSAN算法尖角檢測步驟為：

1)圖像預(yù)處理 分別將圖像灰度化、二值化后，取出圖像中較大的連通區(qū)域，對此區(qū)域進(jìn)行填充孔洞，然后進(jìn)行膨脹、腐蝕；

2)初始值確定 采用基本的SUSAN算法，得到k個初始角點。初始化i(當(dāng)前第i個角點)，模板圓半徑的增加值Δr，角度允許的浮動值w，模板圓的半徑r以及當(dāng)前角度值的序號 j，初始標(biāo)志位flag為0(flag為1表示是角點，為0表示不是角點)；

3)角度計算 依次將模板圓的中心移至第i個角點的位置，計算被模板圓覆蓋區(qū)域的面積，據(jù)此面積計算當(dāng)前角的度數(shù)θi,j。判斷θi,j是否在35°～85°之間，并且在(θi,j-1±w)范圍之內(nèi)(j≠1時)。如果是，flag=1，跳到步驟4）。否則若i是最后1個點，則算法結(jié)束，反之i=i+1，flag=0，j=0，計算下一個初始角點的度數(shù)，重新執(zhí)行步驟3)。

4)迭代 增大模板圓的半徑r=r+Δr，j=j+1,flag=1，至步驟3)。

算法流程如圖5。

2.2 算法驗證

選擇標(biāo)準(zhǔn)的五角星圖像對算法的準(zhǔn)確性進(jìn)行測試。五角星圖像大小為355×408，單位是像素，如圖6(a)。圖中每個角的度數(shù)按照從上至下、從左至右的順序依次為45°，35°，34°，43°，42°，如圖6(b)。改進(jìn)SUSAN算法的模板圓初始半徑r=38像素，半徑增加值Δr=40像素，允許的浮動值w=3像素。圖6(c)是用文獻(xiàn)[12]中算法檢測的結(jié)果，只檢測出朝上的1個尖角。圖6(d)是用Harris算法檢測的結(jié)果，共檢測出10個角。圖6(e)是用SUSAN算法檢測的結(jié)果，共檢測出8個角。圖6(f)是用本文算法檢測的結(jié)果，共檢測出5個角，角度分別是46°，35°，35°，44°，42°。

從檢測結(jié)果可以看出，用文獻(xiàn)[12]中算法、Harris算法以及SUSAN算法檢測角點時，檢測出角的數(shù)目與實際值差距大，這主要是文獻(xiàn)[12]中的算法將整個圖像標(biāo)記為不同的區(qū)域，而且標(biāo)記區(qū)域時有方向性(自上而下)，導(dǎo)致除朝上的尖角外，其它指向的尖角無法正確識別。Harris算法根據(jù)水平軸及豎直軸方向的像素變化率來確定角點，導(dǎo)致無法區(qū)分凸角和凹角，所以多檢測出5個凹角；用SUSAN算法檢測尖角時，模板圓的大小以閾值設(shè)置的大小影響檢測結(jié)果。用本文算法檢測出的五角星的5個尖角位置準(zhǔn)確，而且每個角的度數(shù)與實際接近，誤差約1°。從檢測結(jié)果還可以看出，本文算法具有很好的旋轉(zhuǎn)不變性，這為滲出瀝青體中任意方向尖角的檢測提供了保障。

2.3 滲出瀝青體的檢測

選取2幅典型的滲出瀝青體圖像，分別記為滲出瀝青體1和2，大小分別為257×166和484×317，以像素為單位。改進(jìn)的SUSAN算法中，模板初始半徑r=35，半徑增加值Δr=40，允許的浮動值w=3。

圖7為滲出瀝青體1的檢測結(jié)果。圖7(a)中滲出瀝青體有2個角，從上至下依次為35°，65°，如圖7(b)；圖7(c)是用文獻(xiàn)[12]中算法的檢測結(jié)果，雖然顯示了2個角，但是第二個角不是目標(biāo)角；圖7(d)是用Harris算法檢測的結(jié)果，共檢測出64個角點(“＋”表示角點，左上角為部分截圖放大，下同)；圖7(e)是用SUSAN算法檢測的結(jié)果，共檢測出69個角點；圖7(f)是用本文算法檢測尖角的結(jié)果，共檢測出2個角，分別是35°，66°。圖8(a)為滲出瀝青體2原圖及檢測結(jié)果，2個角由上而下依次為76°，40°，如圖8(b)；圖8(c)是用文獻(xiàn)[12]中算法檢測的尖角，雖然顯示了2個角，但是2個角都不是目標(biāo)角；圖8(d)是用Harris算法檢測的結(jié)果，共檢測出119個角點；圖8(e)是用SUSAN算法檢測的結(jié)果，共檢測出29個角點；圖8(f)是用本文算法檢測尖角的結(jié)果，共檢測出2個角，角度分別是78°，40°。

從實驗結(jié)果可以看出：用文獻(xiàn)[12]中算法、Harris算法以及SUSAN算法檢測尖角時，檢測到角的位置以及數(shù)量與實際差距大；而用本文算法檢測的角的度數(shù)與真實很接近，誤差約2°。與上述3種算法相比，本文算法顯示出較高的準(zhǔn)確性與穩(wěn)定性。

綜上分析可看出：本文算法不僅可以準(zhǔn)確檢測出規(guī)則圖形的尖角位置(如五角星)，還可比較準(zhǔn)確地給出尖角度數(shù)；在檢測滲出瀝青體這種不規(guī)則圖形的尖角時，可不考慮尖角的方向，且可有效地濾除毛刺點。表明本算法具有旋轉(zhuǎn)不變性和良好的抗噪性能。

3 結(jié) 論

在分析SUSAN角點檢測算法優(yōu)缺點的基礎(chǔ)上，提出了1種改進(jìn)的算法。實驗結(jié)果表明，改進(jìn)的算法在檢測滲出瀝青體圖像中的尖角時，能夠準(zhǔn)確地檢測出凸型尖角角點的位置，效果相比于文獻(xiàn)[12]中的算法、Harris算法以及SUSAN算法有顯著提高，并能相對準(zhǔn)確地估算出尖角的度數(shù)，可為滲出瀝青體的判別提供可靠依據(jù)。

[1]韓德馨.中國煤巖學(xué)[M].北京：中國礦業(yè)大學(xué)出版社，1995:276-322.

[2]中國煤田地質(zhì)總局.中國煤巖學(xué)圖鑒[M].北京：中國礦業(yè)大學(xué)出版社，1996:356-408.

[3]王月紅，郭立穩(wěn)，張九零，等.開灤煤顯微組分結(jié)構(gòu)特征與吸附CO的關(guān)系[J].遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版)，2010, 29(3):373-376.

[4]丁華，姜英，李文華，等.煤及其顯微組分熱解特性研究[J].煤質(zhì)技術(shù)，2009(S1):1-5.

[5]Machnikowska H,KrztońA,Machnikowski J.The characterization of coal macerals by diffuse reflectance infrared spectroscopy[J].Fuel,2002,81(2):245-252.

[6]徐松善，于長春.對煤中滲出瀝青體的初步認(rèn)識[J].煤炭技術(shù)，2008,27(6):12-15.

[7]劉小除，尹文義，胡德生，等.一種快速煤巖顯微圖像模式分類方法[J].中國圖像圖形學(xué)報，2003,8(z1):680-683.

[8]丁華，張宇宏，白向飛，等.煤中有機(jī)顯微組分自動識別初步研究[J].煤質(zhì)技術(shù)，2009,5(1):1-5.

[9]張代林，任世彪.圖像分析法測定煤的顯微組分[J].煤炭科學(xué)技術(shù)，2003,31(6):23-58.

[10]王培珍，丁海濤，劉純利，等.基于結(jié)構(gòu)元的煤顯微圖像輪廓提取算法[J].煤炭學(xué)報，2014,39(S1):285-288.

[11]王培珍，董雙，張代林，等.基于圓形LBP均勻模式的煤鏡質(zhì)體顯微組分紋理分析[J].安徽工業(yè)大學(xué)學(xué)報(自然科學(xué)版)，2014,31(2):147-151.

[12]顧俊俊，趙敏，吳毅杰，等.早期火災(zāi)火焰尖角計算算法的研究[J].青島大學(xué)學(xué)報(工程技術(shù)版),2010,25(1):24-27.

[13]Harris C,Stephens M.A combined corner and edge detector[C]//Fourth Alvey Vision Conference.Manchester,Britain, 1988:147-151.

[14]Smith S M,Brady J M.SUSAN:A new approach to low level image processing[J].International Journal of Computer Vision, 1997,23(1):45-78.

責(zé)任編輯：何莉

Corner Feature Detection of Exsudatinite in Macerals of Coal

WANG Peizhena,DU Cunlinga,SUN Ruia,ZHOU Fanga,ZHANG Dailinb
(a.School of Electrical and Information Engineering;b.Anhui Key Laboratory of Clean Conversion and Utlization,Anhui University of Technology,Ma'anshan 243000,China)

Exsudatinite is an important component of exinite in coal microstructure.According to the sharp characteristics of exsudatinite,an exsudatinite detection method based on sharp angle feature is proposed.The method is modified from SUSAN algorithm,setting the SUSAN template circle radius to be r,increasing the r value gradually,and detecting whether the target area covered by template circle is less than a threshold that is set in advance.If it is,then the center is determined to be the angular point,and the angle corresponding to the angular point is estimated.Experimental results indicate that the proposed method can accurately detect the angles contained in exsudatinite,and the corresponding component is also judged.Compared with other methods,the proposed method is simpler and with good anti-noise performance.

coal;maceral;exsudatinite;acute angle;detection

TQ553.6；TP391.4

A

10.3969/j.issn.1671-7872.2015.04.010

2015-01-28

國家自然科學(xué)基金項目(51574004,50874001)；安徽省自然科學(xué)基金項目(1208085ME67)

王培珍(1966-)，女，安徽涇縣人，博士，教授，主要研究方向為圖像處理與模式識別。

1671-7872(2015)-04-0348-06