一种煤和煤矸石图像识别的新方法

余乐

（工业智能化技术与系统福建省高校工程研究中心，华侨大学，泉州 362021）

一种煤和煤矸石图像识别的新方法

余乐

（工业智能化技术与系统福建省高校工程研究中心，华侨大学，泉州 362021）

构造一种基于非线性灰度压缩扩阶共生矩阵的煤和煤矸石图像识别的新方法，用于对煤矿成分中的煤和煤矸石进行纹理数据分析并分选。采用对原有图像0-255级灰度信息前部分进行灰度级压缩，并在该部分进行灰度级扩阶，其剩余灰度部分保持原灰度级不变并且不作处理，并计算在此处理情况下4个不相关纹理特征值：能量、熵、惯性矩、相关性。实验结果表明，该方法比常规灰度共生矩阵、间隔灰度压缩扩阶共生矩阵具有更高的区分度，对煤和煤矸石分选的正确率能达到92.5%。

0 引言

煤和煤矸石分选是煤炭工业的重要环节，可以使资源获得合理利用。我国现有的洗煤厂多采用的是跳汰选煤和重介选煤，这些方法生产工艺复杂，生产费用高，设备维修量大[1-2]；国内虽有韩城某矿业利用x射线分离煤矸项目试验取得初步成功，但是x射线对人体不安全。近些年来，人们采用图像处理与模式识别的方法对煤矸石分选进行了深入的研究[3]，如采用灰度信息和纹理分析的方法已取得了一定的成果。前者利用图像灰度直方图分布及灰度均值等对图像信息进行识别[4-6]，但受光照影响较大且在煤矸分选中的识别率很有限；后者是对图像灰度空间分布模式的提取和分析，在遥感图像、医疗图像分割和处理方面及计算机视觉领域有广泛的应用。纹理分析方法可以归纳为：统计方法、结构（几何）方法、模型方法以及基于数学变换（信号处理）的方法[7]。灰度共生矩阵是一种基于统计的纹理特征提取方法，提供了图像灰度方向、间隔和变化幅度的信息，文献[8-9]均采用该方法进行煤矸识别的研究，其不足之处在于此方法没有完全抓住局部灰度的图形特点，因此对于较大的局部，此方法的效果不太理想。文献[10]提出了一种间隔灰度压缩扩阶共生矩阵的方法进行煤矸区分，此方法在常规灰度共生矩阵的基础上进行部分压缩和保留的综合处理方式，提高了煤矸区分的正确率，但其不足之处在于识别率虽在常规共生矩阵基础上有所提升但幅度有限。

本文基于煤和煤矸石纹理特征差异，提出了一种用于煤矸石分选的非线性灰度压缩扩阶共生矩阵的方法，只对局部灰度级进行灰度压缩与扩阶共生矩的计算，具有较高的识别率，计算量小，适用性较高。

1 非线性灰度压缩扩阶共生矩阵基本原理

1.1 灰度共生矩阵

该理论Haralick于1973年首先提出[11]。灰度共生矩阵描述的是某方向上间隔一定距离的一对像素点灰度出现的统计规律。

数学定义为：灰度共生矩阵是从图像灰度为i的像元（位置为（x，y））出发，统计与其距离为 d，灰度为 j的像元（x+Dx，y+Dy）同时出现的频度 P（i，j，d，θ）。

式中θ为共生矩阵的生成方向，通常取0°、45°、90°、135°方向。

Haralick提出了用于分析灰度共生矩阵的14个特征值，其中有4个是不相关的[12]，这4个更能体现图像纹理特征，它们分别是：

（1）能量：表征图像灰度分布与纹理粗细。公式如下：

（2）熵：表征图像纹理复杂程度。是图像信息量的一种表现形式。公式如下：

（3）惯性矩：表征图像清晰程度与纹理沟纹深浅。公式如下：

（4）相关性：表征图像纹理的主方向。度量灰度共生矩阵在行或列方向上的相似程度。公式如下：

1.2 非线性灰度压缩扩阶共生矩阵

在进行共生矩阵相关特征值计算的时候为减小计算量需对图像灰度级进行压缩，即灰度压缩。图像像素为 M×N，G 为该图像中像素点（x，y）的灰度值，L（本文样本为8位图像，L为0-255或1-256）级灰度压缩为Lp（Lp

式中，u的取值范围为Int（[l，L/Lp）），Int为取整[4]，n的取值范围为（1，Lp）。

扩阶，即在已压缩灰度级Lp的基础上进行级数扩展。这么做的目的就是为了融合进行灰度级压缩时部分未进行压缩的那部分灰度信息。那么此时的灰度级上限 l所处范围（Lp，L）。

非线性，此处对非线性的定义有点类似局部灰度处理。即对图像灰度级0-255中的前部分（例如0-32或者0-127）进行灰度压缩与扩阶处理，而对其剩余部分（灰度33-355，128-255）不作任何处理。通过选定最佳范围可以达到比较好的效果。

非线性灰度压缩扩阶共生矩阵与间隔灰度压缩扩阶共生矩阵的不同之处在于是0-255级压缩扩阶还是0-x（x<255）压缩扩阶。

2 分类实验及结果

2.1 样本采集及图像预处理

本文实验煤和煤矸石样本采集环境为：室内，Stingray F504C工业相机，Computar M3514-MP镜头，沃德普环形高亮无影光源，光源高度、亮度保持一致。煤和煤矸石照片各104张，C表示煤，G表示煤矸石，采集的样本图片像率大小为1280×960。如图1所示。

图1 煤和煤矸石采样图片

图2 样本图像预处理流程图

图3 样本预处理

图像预处理首先对采样图片进行灰度化，然后采用OTSU自动阈值法通过自适应阈值将图像分为背景和目标两部分，然后再对图像进行二值化、开闭运算等，最后将二值化图像与原灰度图进行匹配，以此作为灰度和纹理分析的图片样本。如图2为图像预处理流程图。

2.2 灰度分析

由于煤和煤矸石的灰度方差关系不易确定[12]而灰度均值较方差而言更具比较性，本文灰度分析针对的是对灰度均值进行灰度数据分析。提取100张煤和100张煤矸石灰度均值分布如图4所示。图中平行于水平轴的实线为煤和煤矸石灰度均值分割阈值，通过观察上图可以看出将灰度信息作为煤和煤矸石图像识别的效果很一般，实验结果表明，灰度均值作为特征值的煤矸识别率只有68.5%。

2.3 共生矩阵分析

本文共生矩阵分析针对的是对惯性矩均值和能量均值两个参数互补进行纹理特征分析。对于100张煤和100张煤矸石样本分别计算各自的常规共生矩阵惯性矩（和能量）、间隔灰度压缩扩阶共生矩阵[13]惯性矩（和能量）以及本文提出的非线性灰度压缩共生矩阵惯性矩（和能量）。如表2所示为从煤和煤矸石中各自随机抽取的3张样本的数据结果。

表2 灰度共生矩阵惯性矩

由表2可以看出煤的惯性矩均值在进行灰度压缩扩阶之后远大于常规惯性矩均值，而作非线性处理之后惯性矩均值则变化不大。通过图4可以看出进行间隔灰度压缩与扩阶之后，煤的惯性矩大大增加而煤矸石的惯性矩则相反使得它们之间的差距变大从而使得分选更容易，显而易见，扩阶之后对煤矸的正确分选有了很大程度的提升。虽然经非线性灰度压缩扩阶后惯性矩与常规共生矩阵惯性矩在数据上变化不大，但是通过图4还是可以看出很多原本不能识别的也能正确识别出来。

实验结果表明，常规灰度共生矩惯性矩的煤矸分选率为74.5%（其中煤81%，煤矸石68%），此时灰度公共矩阵处理情况为：256级压缩到16级，u=4，未扩阶。间隔灰度压缩扩阶共生矩阵惯性矩的煤矸分选率为86.0%（其中煤88.0%，煤矸石84.0%），扩阶共生矩阵处理情况为：256级压缩到8级，u=8，扩阶为32级。非线性扩阶共生矩阵的煤矸分选率为92.5%（其中煤97%，

图4 煤与煤矸石灰度均值分布

经计算可得煤与煤矸石均值具体数据分布如表1所示。煤矸石88%），非线性扩阶共生矩阵处理情况为：0-63级压缩到8级，u=1，扩阶为16级。3种情况下其惯性矩分布曲线如图5所示。

表1 煤与矸石灰度均值分布

图5 灰度共生矩阵惯性矩分布曲线

而对于进行非线性灰度压缩扩阶处理之后的惯性矩均值跟常规共生惯性矩的差别不大，所以此时惯性矩作为煤矸分选的特征参数效果可能不会很好，在此情况下，使用能量作为特征参数进行分析，如表3所示为灰度共生矩阵的能量。

表3 灰度共生矩阵能量

由表3计算可得m/n的值相对较大的时候可以判定为煤，而m/n的值相对较小的时候可以判定为煤矸石。实验结果表明，非线性灰度压缩扩阶共生矩阵能量的煤矸分选率为93.0%。

2.4 非线性灰度扩阶共生矩阵分析

由于在灰度分析中，煤矸石的灰度均值最大值达到120.0276，如表1数据所示，这说明有用灰度信息大部分集中于前面部分，所以为了提取有用信息，在进行非线性灰度扩阶的时候考虑的最大灰度级为128级。为了计算方便、提高运算实时性，本文只对0-127级与0-63级进行灰度压缩与扩阶，压缩等级分为8级、16级，扩阶等级分为16级、32级。u分为 1、4、8；不同情况下的最好分选率如表4所示。

表4 不同情况下的识别率

大量数据表明在L、Lp及u三者分别保持一样而l不同的时候，分选率保持一致。由上表可以看出非线性灰度扩阶共生矩阵最好分选率为92.5%，此时数据处理情况为：0-63级压缩为8级，其余灰度级不变，扩阶为16级（为计算量更小），u=1。

2.5 识别结果

综合上面几种情况的分析结果可以得到如下表5所示不同情况的煤矸分选率。

表5 不同情况下的煤矸分选率

表5结果表明，本文所提出的方法具有更高的煤矸分选率。

3 结语

本文在综合几种常用方法的基础上提出基于非线性灰度扩阶共生矩阵的煤矸分选方法，通过大量的实验数据证明了本文方法的可靠性、分选率的高效性。但本文也有很多不足之处，例如本文样本在强光照下采集，没有考虑在不同光照强度对实验数据的影响；没有结合SVM、神经网络等进行进一步深入研究。

参考文献：

[1]何敏，王培培，蒋慧慧.基于SVM和纹理的煤和煤矸石自动识别[J].计算机工程与设计，2012，33（3）:1117-1121.

[2]闫俊旭，李晔.图像处理在煤矸石识别系统中的应用[J].四川兵工学报，2009，30（11）:16-18.

[3]刘富强，钱建生，王新红，宋金铃.基于图像处理与识别技术的煤矿矸石自动分选[J].煤炭学报，2000，25（5）:534-537.

[4]于国防，邹士威，秦聪.图像灰度信息在煤矸石自动分选中的应用研究[J].工矿自动化，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]苏宝金，陈波，贺靖峰，梁浩楠，何亚群，贺琼琼，李康.煤与矸石灰度直方图的差异研究[J].洁净煤技术，2011，17（6）:96-98.

[7]刘龙飞，陈云浩，李京.遥感影像纹理分析方法综述与展望[J].遥感技术与应用，2003，18（6）:441-446.

[8]苑丽红，付丽，杨勇，苗静.灰度共生矩阵提取纹理特征的实验结果分析[J].计算机应用，2009，29（4）:1018-1021.

[9]张万枝，王增才.基于视觉技术的煤岩特征分析与识别[J].煤炭技术，2014，33（10）:272-274.

[10]于国防.煤矸区分中的间隔灰度压缩扩阶共生矩阵[J].中国图像图形学报，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]章华，李振璧，姜媛媛.基于图像纹理的煤岩识别研究[J].煤炭技术，2015，34（7）:120-121.

[13]于国防，邹士威，秦聪.图像灰度信息在煤矸石自动分选中的应用研究[J].工矿自动化，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%.

华侨大学研究生科研创新能力培育计划资助项目（No.1511422005）

余乐（1992-），男，湖北黄冈市人，在读硕士研究生，研究方向为机器视觉、图像处理与模式识别

2017-04-14

2017-06-11

1007-1423（2017）17-0066-05

10.3969/j.issn.1007-1423.2017.17.014

煤和煤矸石图像识别；特征提取；共生矩阵；非线性灰度压缩扩阶共生矩阵

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