一種煤和煤矸石圖像識別的新方法

余樂

（工業(yè)智能化技術(shù)與系統(tǒng)福建省高校工程研究中心，華僑大學(xué)，泉州 362021）

一種煤和煤矸石圖像識別的新方法

余樂

（工業(yè)智能化技術(shù)與系統(tǒng)福建省高校工程研究中心，華僑大學(xué)，泉州 362021）

構(gòu)造一種基于非線性灰度壓縮擴階共生矩陣的煤和煤矸石圖像識別的新方法，用于對煤礦成分中的煤和煤矸石進行紋理數(shù)據(jù)分析并分選。采用對原有圖像0-255級灰度信息前部分進行灰度級壓縮，并在該部分進行灰度級擴階，其剩余灰度部分保持原灰度級不變并且不作處理，并計算在此處理情況下4個不相關(guān)紋理特征值：能量、熵、慣性矩、相關(guān)性。實驗結(jié)果表明，該方法比常規(guī)灰度共生矩陣、間隔灰度壓縮擴階共生矩陣具有更高的區(qū)分度，對煤和煤矸石分選的正確率能達到92.5%。

0 引言

煤和煤矸石分選是煤炭工業(yè)的重要環(huán)節(jié)，可以使資源獲得合理利用。我國現(xiàn)有的洗煤廠多采用的是跳汰選煤和重介選煤，這些方法生產(chǎn)工藝復(fù)雜，生產(chǎn)費用高，設(shè)備維修量大[1-2]；國內(nèi)雖有韓城某礦業(yè)利用x射線分離煤矸項目試驗取得初步成功，但是x射線對人體不安全。近些年來，人們采用圖像處理與模式識別的方法對煤矸石分選進行了深入的研究[3]，如采用灰度信息和紋理分析的方法已取得了一定的成果。前者利用圖像灰度直方圖分布及灰度均值等對圖像信息進行識別[4-6]，但受光照影響較大且在煤矸分選中的識別率很有限；后者是對圖像灰度空間分布模式的提取和分析，在遙感圖像、醫(yī)療圖像分割和處理方面及計算機視覺領(lǐng)域有廣泛的應(yīng)用。紋理分析方法可以歸納為：統(tǒng)計方法、結(jié)構(gòu)（幾何）方法、模型方法以及基于數(shù)學(xué)變換（信號處理）的方法[7]。灰度共生矩陣是一種基于統(tǒng)計的紋理特征提取方法，提供了圖像灰度方向、間隔和變化幅度的信息，文獻[8-9]均采用該方法進行煤矸識別的研究，其不足之處在于此方法沒有完全抓住局部灰度的圖形特點，因此對于較大的局部，此方法的效果不太理想。文獻[10]提出了一種間隔灰度壓縮擴階共生矩陣的方法進行煤矸區(qū)分，此方法在常規(guī)灰度共生矩陣的基礎(chǔ)上進行部分壓縮和保留的綜合處理方式，提高了煤矸區(qū)分的正確率，但其不足之處在于識別率雖在常規(guī)共生矩陣基礎(chǔ)上有所提升但幅度有限。

本文基于煤和煤矸石紋理特征差異，提出了一種用于煤矸石分選的非線性灰度壓縮擴階共生矩陣的方法，只對局部灰度級進行灰度壓縮與擴階共生矩的計算，具有較高的識別率，計算量小，適用性較高。

1 非線性灰度壓縮擴階共生矩陣基本原理

1.1 灰度共生矩陣

該理論Haralick于1973年首先提出[11]?；叶裙采仃嚸枋龅氖悄撤较蛏祥g隔一定距離的一對像素點灰度出現(xiàn)的統(tǒng)計規(guī)律。

數(shù)學(xué)定義為：灰度共生矩陣是從圖像灰度為i的像元（位置為（x，y））出發(fā)，統(tǒng)計與其距離為 d，灰度為 j的像元（x+Dx，y+Dy）同時出現(xiàn)的頻度 P（i，j，d，θ）。

式中θ為共生矩陣的生成方向，通常取0°、45°、90°、135°方向。

Haralick提出了用于分析灰度共生矩陣的14個特征值，其中有4個是不相關(guān)的[12]，這4個更能體現(xiàn)圖像紋理特征，它們分別是：

（1）能量：表征圖像灰度分布與紋理粗細。公式如下：

（2）熵：表征圖像紋理復(fù)雜程度。是圖像信息量的一種表現(xiàn)形式。公式如下：

（3）慣性矩：表征圖像清晰程度與紋理溝紋深淺。公式如下：

（4）相關(guān)性：表征圖像紋理的主方向。度量灰度共生矩陣在行或列方向上的相似程度。公式如下：

1.2 非線性灰度壓縮擴階共生矩陣

在進行共生矩陣相關(guān)特征值計算的時候為減小計算量需對圖像灰度級進行壓縮，即灰度壓縮。圖像像素為 M×N，G 為該圖像中像素點（x，y）的灰度值，L（本文樣本為8位圖像，L為0-255或1-256）級灰度壓縮為Lp（Lp

式中，u的取值范圍為Int（[l，L/Lp）），Int為取整[4]，n的取值范圍為（1，Lp）。

擴階，即在已壓縮灰度級Lp的基礎(chǔ)上進行級數(shù)擴展。這么做的目的就是為了融合進行灰度級壓縮時部分未進行壓縮的那部分灰度信息。那么此時的灰度級上限 l所處范圍（Lp，L）。

非線性，此處對非線性的定義有點類似局部灰度處理。即對圖像灰度級0-255中的前部分（例如0-32或者0-127）進行灰度壓縮與擴階處理，而對其剩余部分（灰度33-355，128-255）不作任何處理。通過選定最佳范圍可以達到比較好的效果。

非線性灰度壓縮擴階共生矩陣與間隔灰度壓縮擴階共生矩陣的不同之處在于是0-255級壓縮擴階還是0-x（x<255）壓縮擴階。

2 分類實驗及結(jié)果

2.1 樣本采集及圖像預(yù)處理

本文實驗煤和煤矸石樣本采集環(huán)境為：室內(nèi)，Stingray F504C工業(yè)相機，Computar M3514-MP鏡頭，沃德普環(huán)形高亮無影光源，光源高度、亮度保持一致。煤和煤矸石照片各104張，C表示煤，G表示煤矸石，采集的樣本圖片像率大小為1280×960。如圖1所示。

圖1 煤和煤矸石采樣圖片

圖2 樣本圖像預(yù)處理流程圖

圖3 樣本預(yù)處理

圖像預(yù)處理首先對采樣圖片進行灰度化，然后采用OTSU自動閾值法通過自適應(yīng)閾值將圖像分為背景和目標兩部分，然后再對圖像進行二值化、開閉運算等，最后將二值化圖像與原灰度圖進行匹配，以此作為灰度和紋理分析的圖片樣本。如圖2為圖像預(yù)處理流程圖。

2.2 灰度分析

由于煤和煤矸石的灰度方差關(guān)系不易確定[12]而灰度均值較方差而言更具比較性，本文灰度分析針對的是對灰度均值進行灰度數(shù)據(jù)分析。提取100張煤和100張煤矸石灰度均值分布如圖4所示。圖中平行于水平軸的實線為煤和煤矸石灰度均值分割閾值，通過觀察上圖可以看出將灰度信息作為煤和煤矸石圖像識別的效果很一般，實驗結(jié)果表明，灰度均值作為特征值的煤矸識別率只有68.5%。

2.3 共生矩陣分析

本文共生矩陣分析針對的是對慣性矩均值和能量均值兩個參數(shù)互補進行紋理特征分析。對于100張煤和100張煤矸石樣本分別計算各自的常規(guī)共生矩陣慣性矩（和能量）、間隔灰度壓縮擴階共生矩陣[13]慣性矩（和能量）以及本文提出的非線性灰度壓縮共生矩陣慣性矩（和能量）。如表2所示為從煤和煤矸石中各自隨機抽取的3張樣本的數(shù)據(jù)結(jié)果。

表2 灰度共生矩陣慣性矩

由表2可以看出煤的慣性矩均值在進行灰度壓縮擴階之后遠大于常規(guī)慣性矩均值，而作非線性處理之后慣性矩均值則變化不大。通過圖4可以看出進行間隔灰度壓縮與擴階之后，煤的慣性矩大大增加而煤矸石的慣性矩則相反使得它們之間的差距變大從而使得分選更容易，顯而易見，擴階之后對煤矸的正確分選有了很大程度的提升。雖然經(jīng)非線性灰度壓縮擴階后慣性矩與常規(guī)共生矩陣慣性矩在數(shù)據(jù)上變化不大，但是通過圖4還是可以看出很多原本不能識別的也能正確識別出來。

實驗結(jié)果表明，常規(guī)灰度共生矩慣性矩的煤矸分選率為74.5%（其中煤81%，煤矸石68%），此時灰度公共矩陣處理情況為：256級壓縮到16級，u=4，未擴階。間隔灰度壓縮擴階共生矩陣慣性矩的煤矸分選率為86.0%（其中煤88.0%，煤矸石84.0%），擴階共生矩陣處理情況為：256級壓縮到8級，u=8，擴階為32級。非線性擴階共生矩陣的煤矸分選率為92.5%（其中煤97%，

圖4 煤與煤矸石灰度均值分布

經(jīng)計算可得煤與煤矸石均值具體數(shù)據(jù)分布如表1所示。煤矸石88%），非線性擴階共生矩陣處理情況為：0-63級壓縮到8級，u=1，擴階為16級。3種情況下其慣性矩分布曲線如圖5所示。

表1 煤與矸石灰度均值分布

圖5 灰度共生矩陣慣性矩分布曲線

而對于進行非線性灰度壓縮擴階處理之后的慣性矩均值跟常規(guī)共生慣性矩的差別不大，所以此時慣性矩作為煤矸分選的特征參數(shù)效果可能不會很好，在此情況下，使用能量作為特征參數(shù)進行分析，如表3所示為灰度共生矩陣的能量。

表3 灰度共生矩陣能量

由表3計算可得m/n的值相對較大的時候可以判定為煤，而m/n的值相對較小的時候可以判定為煤矸石。實驗結(jié)果表明，非線性灰度壓縮擴階共生矩陣能量的煤矸分選率為93.0%。

2.4 非線性灰度擴階共生矩陣分析

由于在灰度分析中，煤矸石的灰度均值最大值達到120.0276，如表1數(shù)據(jù)所示，這說明有用灰度信息大部分集中于前面部分，所以為了提取有用信息，在進行非線性灰度擴階的時候考慮的最大灰度級為128級。為了計算方便、提高運算實時性，本文只對0-127級與0-63級進行灰度壓縮與擴階，壓縮等級分為8級、16級，擴階等級分為16級、32級。u分為 1、4、8；不同情況下的最好分選率如表4所示。

表4 不同情況下的識別率

大量數(shù)據(jù)表明在L、Lp及u三者分別保持一樣而l不同的時候，分選率保持一致。由上表可以看出非線性灰度擴階共生矩陣最好分選率為92.5%，此時數(shù)據(jù)處理情況為：0-63級壓縮為8級，其余灰度級不變，擴階為16級（為計算量更?。瑄=1。

2.5 識別結(jié)果

綜合上面幾種情況的分析結(jié)果可以得到如下表5所示不同情況的煤矸分選率。

表5 不同情況下的煤矸分選率

表5結(jié)果表明，本文所提出的方法具有更高的煤矸分選率。

3 結(jié)語

本文在綜合幾種常用方法的基礎(chǔ)上提出基于非線性灰度擴階共生矩陣的煤矸分選方法，通過大量的實驗數(shù)據(jù)證明了本文方法的可靠性、分選率的高效性。但本文也有很多不足之處，例如本文樣本在強光照下采集，沒有考慮在不同光照強度對實驗數(shù)據(jù)的影響；沒有結(jié)合SVM、神經(jīng)網(wǎng)絡(luò)等進行進一步深入研究。

參考文獻：

[1]何敏，王培培，蔣慧慧.基于SVM和紋理的煤和煤矸石自動識別[J].計算機工程與設(shè)計，2012，33（3）:1117-1121.

[2]閆俊旭，李曄.圖像處理在煤矸石識別系統(tǒng)中的應(yīng)用[J].四川兵工學(xué)報，2009，30（11）:16-18.

[3]劉富強，錢建生，王新紅，宋金鈴.基于圖像處理與識別技術(shù)的煤礦矸石自動分選[J].煤炭學(xué)報，2000，25（5）:534-537.

[4]于國防，鄒士威，秦聰.圖像灰度信息在煤矸石自動分選中的應(yīng)用研究[J].工礦自動化，2012，（2）:36-39.

[5]K.Guru Raghavendra Reddy，Prof.D.P.Tripathy.Separation of Gangue from Coal Based on Histogram Thresholding[J].IEEE，2013，1（4）:31-34.

[6]蘇寶金，陳波，賀靖峰，梁浩楠，何亞群，賀瓊瓊，李康.煤與矸石灰度直方圖的差異研究[J].潔凈煤技術(shù)，2011，17（6）:96-98.

[7]劉龍飛，陳云浩，李京.遙感影像紋理分析方法綜述與展望[J].遙感技術(shù)與應(yīng)用，2003，18（6）:441-446.

[8]苑麗紅，付麗，楊勇，苗靜.灰度共生矩陣提取紋理特征的實驗結(jié)果分析[J].計算機應(yīng)用，2009，29（4）:1018-1021.

[9]張萬枝，王增才.基于視覺技術(shù)的煤巖特征分析與識別[J].煤炭技術(shù)，2014，33（10）:272-274.

[10]于國防.煤矸區(qū)分中的間隔灰度壓縮擴階共生矩陣[J].中國圖像圖形學(xué)報，2012，17（8）:966-970.

[11]Haralick R M，Shanmugam K.Textural Features for Image Classification[J].IEEE Transactions on Systems，Man，and Cybernetics，1973，3（6）:610-621.

[12]章華，李振璧，姜媛媛.基于圖像紋理的煤巖識別研究[J].煤炭技術(shù)，2015，34（7）:120-121.

[13]于國防，鄒士威，秦聰.圖像灰度信息在煤矸石自動分選中的應(yīng)用研究[J].工礦自動化，2012（2）:36-39.

A New Method for Image Recognition of Coal and Coal Gangue

YU Le
（Engineering Research Center of Fujian Province Industrial Intelligent Technology and System，Huaqiao University，Quanzhou 362021）

Constructs a new method of coal and coal gangue image recognition based on non-linear gray-scale compression-expansion co-occurrence matrix,which is used to analyze and sort the coal and coal gangue in coal mine.The gray scale of the original image 0-255 gray level infor?mation is used to compress the gray scale of the original image,and the gray scale is extended in the part.The remaining gray scale is kept unchanged and not processed.In this case,four irrelevant texture eigenvalues:energy,entropy,moment of inertia,correlation.The experi?mental results show that the proposed method has a higher degree of discrimination than the conventional gray level co-occurrence matrix and the interval gray scale compression expansion covariance matrix,and the correct rate of coal and coal gangue sorting can reach 92.5%.

華僑大學(xué)研究生科研創(chuàng)新能力培育計劃資助項目（No.1511422005）

余樂（1992-），男，湖北黃岡市人，在讀碩士研究生，研究方向為機器視覺、圖像處理與模式識別

2017-04-14

2017-06-11

1007-1423（2017）17-0066-05

10.3969/j.issn.1007-1423.2017.17.014

煤和煤矸石圖像識別；特征提取；共生矩陣；非線性灰度壓縮擴階共生矩陣

Coal and Gangue Images Recognition;Feature Extraction;Co-Occurrence Matrix;Non-Linear Gray-Scale Compression-Expansion Co-Occurrence Matrix