基于小波變換的煤巖惰質組顯微圖像分類

王培珍，殷子睆，丁海濤，武天元，張代林

(1.安徽工業(yè)大學a.電氣與信息工程學院，b.煤的潔凈轉化與綜合利用安徽省重點實驗室安徽馬鞍山243002；2.東南大學自動化學院，南京210096)

基于小波變換的煤巖惰質組顯微圖像分類

王培珍1a，殷子睆1a，丁海濤1a，武天元2，張代林1b

(1.安徽工業(yè)大學a.電氣與信息工程學院，b.煤的潔凈轉化與綜合利用安徽省重點實驗室安徽馬鞍山243002；2.東南大學自動化學院，南京210096)

在分析煤巖惰質組各組分顯微圖像特點的基礎上，提出一種基于小波變換的煤巖惰質組顯微組分自動分類方法。首先用離散小波變換對煤巖顯微圖像進行分解，根據分解所得的水平、垂直、對角3個方向小波系數(shù)設計描述其紋理屬性的特征量；通過對特征量的分析，選取水平方向能偏、對角方向方差特征量以及圖像的亮度比等特征量構成特征向量集；采用支持向量機對惰質組各組分進行分類，獲得對其7類典型組分的較為理想的分類效果。與其他同類方法的實驗結果比較表明，本文特征量選取與分類方案在分類效果上具有明顯的優(yōu)勢。

煤；顯微圖像；小波變換；支持向量機

研究表明，煤巖的顯微組分與煤的反應性、黏結性、對CO的吸附性能、熱破碎性質等直接相關[1-3]。因此，實現(xiàn)煤巖顯微組分的自動分類與識別對于煤性能的界定具有重要的意義。鑒于目前廣泛使用的煤巖顯微組分測度定量法存在結果受測量者影響且工作量大等問題，已有學者嘗試對煤巖顯微圖像進行自動分析。如阮曉東等[4]依據輪廓判斷煤巖中圓形顆粒的存在；陳洪博等[5]根據煤巖顯微圖像中的灰度信息，建立了測定煤巖顯微組分反射率的相關模型；王培珍等[6-7]對SUSAN算法進行改進，提取出可表征煤巖顯微組分殼質組中滲出瀝青體的銳角角點，并采用結構元的方法提取煤巖顯微組分的輪廓特征。小波變換由于具有平移、伸縮不變性，使其具有對信號的自適應性，近年來在圖像分類與識別中得到廣泛應用[8-9]。惰質組是煤巖顯微結構的重要組成部分，包括篩狀絲質體、星狀絲質體、半絲質體、粗粒體、微粒體、菌類體、碎屑惰質體等組分。分析表明，煤巖顯微組分具有明顯的紋理特征[9]，建立在小波變換基礎上的特征量能很好地描述圖像的這一紋理特征信息[10]。本文針對惰質組內各組分的特點，采用Daubechies小波對其顯微圖像進行分解，提取基于其小波系數(shù)的紋理特征量，并采用支持向量機分類器構建分類器組，實現(xiàn)煤巖顯微結構中惰質組的自動分類。

1 惰質組的顯微圖像特點

惰質組包含7種顯微組分：篩狀絲質體、星狀絲質體、半絲質體、菌類體、粗粒體、微粒體、碎屑惰質體，其典型圖像如圖1所示。

圖1 惰質組各顯微組分典型圖像Fig.1 Typical microscopic images of macerals in inertinite

絲質體是植物細胞保留較好的惰質組分，其中：篩狀絲質體中細胞結構完好；星狀絲質體細胞壁經擠壓致破碎；半絲質體細胞結構保存較差，細胞壁膨脹。菌類體由真菌遺體形成，多呈單細胞結構。粗粒體無細胞結構，呈不規(guī)則塊狀。微粒體粒徑較小。碎屑惰質體是惰質組其它組分的碎片。由圖1可以看出，盡管惰質組中各組分形態(tài)各異，但存在明顯的紋理特征，且顆粒狀、條紋狀紋理特征并存，尺度變化較大。小波變換具有多尺度等特點，因此，文中在對惰質組顯微圖像進行多分辨小波分析的基礎上進行紋理分析。

2 特征提取

2.1 紋理特征提取

2.1.1 二維離散小波變換

設f(x1,x2)為二維圖像信號，0≤x1≤M-1,0≤x2≤N-1，M，N分別為圖像的寬與高。采用二維離散小波對其進行分析，令Ψj,nˉ(x1,x2)為尺度伸縮和平移下的小波函數(shù)，滿足

則f(x1,x2)的二維離散小波變換為

2.1.2 二維多分辨率小波分解

在可分離的情況下，二維多分辨小波分解[11-12]可分兩步進行：首先沿x1方向分別用高通和低通濾波器組對f(n1,n2)分解，將其分解成平滑逼近和細節(jié)這兩部分；然后對這兩個部分再沿x2方向分別用和作類似分解，共得到4路輸出，其中經2次低通濾波器處理后得f(n1,n2)的第一級平滑逼近A1f(n1,n2)，反映2個方向的低頻分量，其余三路輸出分別為：反映水平方向的低頻分量和垂直方向的高頻分量；反映水平方向的高頻分量和垂直方向的低頻分量；，反映2個方向的高頻分量。二維小波分解濾波器組如圖2。

圖2 二維小波分解濾波器組Fig.2 Filter group of two-dimensional wavelet decomposition

2.1.3 基于小波分解的紋理特征提取

對圖像進行L級二維離散小波變換，每個尺度下有3個方向的子帶，記為Wl,k(i,j)，表示尺度為l、方向為k的小波系數(shù)，其中：l=1，2，…；k=1，2，3。對每個子帶Wl,k(i,j)分別定義其能量El,k(μ)和能量偏差El,k(σ):

圖像經過1級小波分解后得到3個方向子帶。對于每個子帶提取能量、能偏、方差、均值等4個特征量，1級分解可得到共12個特征量。

Harr小波和Daubechies小波均為簡單的正交小波，Harr小波不連續(xù)，而Daubechies小波(db)是緊正交集連續(xù)的正交小波，故本文選擇db5對圖像進行分解。通過對特征量的提取與分析，選取對組分可分性較強的2個特征量：水平方向的能量偏差El,1(σ)和對角方向的方差σl,3，如圖3所示。

圖3 紋理特征量分布Fig.3 Distribution of texture features

從圖3(a)可以看出，水平能量偏差El,1(σ)可以將粗粒體與星狀絲質體或粗粒體與半絲質體有效區(qū)分，但對于其他組分該特征量效果不好。圖3(b)中篩狀絲質體與菌類體的對角方差σl,3分布平穩(wěn)，但其他組分該特征波動較大。

2.2 亮度比特征量提取

專家經驗表明，亮度是區(qū)分煤巖顯微組分的重要依據之一?？紤]到成像時照明條件的差異，本文設計亮度比r作為另一特征量，其定義為圖像灰度值滿足一定范圍內的像素數(shù)占整幅圖像的百分比。

其中：m(i)表示像素值為i的像素數(shù)；g為閾值。

2.3 特征量分析

為了尋找可對惰質組各顯微組分進行分類的有效特征組合，采用亮度比與紋理特征共同構成特征向量集。首先提取亮度比特征量（如圖4(a)所示），可以看出其可作為區(qū)分粗粒體和微粒體的有效特征量。將粗粒體和微粒體區(qū)分之后，再對剩余的5類組分進行分析，其El,1(σ)分布如圖4(b)，據此可將菌類體有效分離，同時半絲質體和星狀絲質體混合組分也被分出。半絲質體和星狀絲質體的亮度比特征量分布如圖4(c)，此時再根據亮度比將半絲質體和星狀絲質體分離。最后剩下篩狀絲質體和碎屑惰質體，其σl,3分布如圖4(d)，據此可對二者進行劃分。

圖4 特征量分析Fig.4 Feature analysis

3 分類器

支持向量機(SVM)是針對小樣本分類問題的有效方法[13-14]，鑒于本文樣本數(shù)據并不十分充裕，結合特征數(shù)據分析的結果，采用支持向量機構建組合分類器，以實現(xiàn)惰質組各顯微組分的分類。組合分類器的結構與分類過程如圖5，其中①代表粗粒體，②代表微粒體，③代表菌類體，④代表半絲質體，⑤代表星狀絲質體，⑥代表篩狀絲質體，⑦代表碎屑惰質體。

組合分類器中，支持向量機由下式所述優(yōu)化問題實現(xiàn)，

其中：w為系數(shù)矩陣；ξq為松弛變量；C為懲罰系數(shù)，體現(xiàn)SVM對錯分樣本的懲罰程度。

4 實驗結果及分析

算法在VC++6.0環(huán)境下編程實現(xiàn)。實驗中每類顯微組分各選取50幅典型圖像作為訓練樣本，圖像大小為180×170；測試圖像各30幅。亮度比的計算中，閾值g取150；懲罰系數(shù)C取0.1。表1～4為采用單個SVM分類器對某些特定類別進行分類的結果。其中：表1為采用亮度比對粗粒體和微粒體的分類準確率；表2為采用El,1(σ)對菌類體的分類結果；表3為采用亮度比特征對半絲質體和星狀絲質體進行區(qū)分的結果；表4為采用σl,3特征分類器對篩狀絲質體和碎屑惰質體的分類結果。

圖5 組合分類器結構圖Fig.5 Structure of combined classifier

表1 采用亮度比對粗、微粒體的分類準確率Tab.1 Classification accuracy of coarse grain and microsomal by brightness ratio

表2 采用El,1(σ)對菌類體的分類準確率Tab.2 Classification accuracy of sclerotinite byEl,1(σ)

表3 采用亮度比對星狀、半絲質體的分類準確率Tab.3 Classification accuracy of stellate fusinite and semifusinite by brightness ratio

表4 采用σl,3對篩狀絲質體與碎屑惰質體的分類準確率Tab.4 Classification accuracy of cribriform fusinite and Inertodetrinite byσl,3

從表1～4可以看出，采用單個分類器對顯微組分進行一對一分類時，分類準確率幾乎在90%以上，只有半絲質體的分類準確率稍低。表5給出了采用本文提出的組合分類方法對惰質組各顯微組分一次性進行分類的結果。為比較分類器的選擇對分類結果的影響，表5同時給出了采用最小距離分類器、分類流程不變的分類結果。從表5可以看出，采用SVM分類的準確率普遍高于最小距離分類器，這里因為當特征量上下波動時，選取最小距離時容易出現(xiàn)誤分。而無論特征量分布波動范圍如何，只要在SVM最優(yōu)平面的一側都可以正確區(qū)分。

5 結 語

對煤巖顯微組分惰質組顯微圖像進行離散小波分解再提取紋理特征量，并結合亮度比構建特征量集，通過分析和篩選特征量，采用支持向量機分類器進行分類，獲得了對于惰質組7種組分的較為理想的分類效果。本文方法可推廣于煤巖顯微組分惰質組之外的組分分類，同時也為通過研究煤巖的顯微組分自動分類來探究煤的工藝性能提供了新的參考和思路。

表5 最小距離組合分類器與SVM組合分類器分類準確率/%Tab.5 classificationaccuracyofminimumdistanceclassifier and SVM classifier/%

[1]李訓明，水恒福.煤的可溶組分對粘結性的影響[J].燃料與化工，2006,37(2)∶6-8.

[2]YANG J L,STANSBERRY P G,ZONDLO J W.Characteristics and carbonization behaviors of coal extracts[J].Fuel Processing Technology,2002,79(1)∶207-215.

[3]孫慶雷，李文，李保慶.神木煤顯微組分半焦的氣化特性和氣化動力學研究[J].煤炭學報，2002,27(1)∶92-96.

[4]阮曉東,趙文峰.煤粉顯微圖像中重疊顆粒識別的方法[J].煤炭學報,2005,30(6)∶769-771.

[5]陳洪博，白向飛，李振濤，等.圖像法測定煤巖組分反射率工作曲線的建立與應用[J].煤炭學報,2014,39(3)∶562-567.

[6]王培珍，杜存鈴，孫瑞，等.煤巖顯微組分中滲出瀝青體角點特征檢測方法[J].安徽工業(yè)大學學報(自然科學版)，2015,32(4)∶376-380.

[7]王培珍，丁海濤，劉純利，等.基于結構元的煤顯微圖像輪廓提取算法[J].煤炭學報，2014,39(S1)∶285-288.

[8]LO S C,LI H A,FREESMAN W T.Optimization of wavelet decomposition for image compression and feature preservation[J].IEEE Transactions on Medical Imaging,2003,22(9)∶1141-1151.

[9]ARIVAZHAGAN S,GANESAN L.Texture classification using wavelet transform[J].Pattern Recognition Letters,2003,24(9/10)∶1513-1521.

[10]王培珍，董雙，張代林，等.基于圓形LBP均勻模式的煤鏡質體顯微組分紋理分析[J].安徽工業(yè)大學學報(自然科學版)，2014,31(2)∶47-151.

[11]劉俊梅.基于小波變換的圖像紋理特征提取技術[J].計算機工程與設計，2007,28(13)∶3141-3144.

[12]PRADHAN P S,KING R L.Estimation of the number of decomposition levels for a wavelet-based multiresolution multisensor image fusion[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(12)∶3674-3686.

[13]YU H,ZHAO H.Research on multi-classification based on support vector machines[J].Computer Engineering andApplications, 2008,44(7)∶185-189.

[14]KANG S,LI J,LIU M,et al.Prediction based on support vector machine for travel choice of high-speed railway passenger in China[C]//Proceedings of 2011 International Conference on Management Science and Engineering.Rome,Italy∶ICMSE，2011∶28-33.

責任編輯：何莉

MicroscopicImage Classification ofInertinite of CoalBasedonWavelet Transform

WANG Peizhen1a,YIN zihuan1a,DING Haitao1a,WU Tianyuan2,ZHANG Dailin1b
(1.a.School of Electrical and Information Engineering,b.Anhui Key Laboratory of Clean Conversion and Utilization,Anhui University of Technology,Ma'anshan 243002,China；2.School ofAutomation,Southeast University,Nanjing 210096,China)

On the basis of analyzing the characteristics of microscopic images of inertinite in coal,an automatic classification method for macerals in inertinite of coal based on wavelet transform was proposed.Firstly,the coal microscopic image was decomposed with discrete wavelet transform,features from coefficients corresponding to three directions (horizontal,vertical and diagonal)were designed,which were employed to characterize the texture feature.After comprehensively analyzing these features,energy deviation of horizontal,variance of diagonal,as well as brightness ratio of the image were selected to build a feature set.Then,a class of support vector machine(SVM)based classifiers were constructed,and 7 macerals of inertinite were classified.By comparing the results of the proposed method with those of others,it shows that the proposed method of feature selection and classifier has distinct advantage in classification accuracy.

coal;microscopic image;wavelet transform;support vector machine

TQ 533.6；TP 391.4

A

10.3969/j.issn.1671-7872.2016.03.015

2016-05-07

國家自然科學基金項目(51574004)；安徽省自然科學基金項目(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(2016)03-0278-06