基于Tamura纹理特征的煤岩壳质组显微组分分类

2018-11-01王培珍杜存铃张代林

安徽工业大学学报（自然科学版） 2018年2期

王培珍，任将，杜存铃，张代林

(安徽工业大学a.电气与信息工程学院；b.煤的洁净转化与综合利用安徽省重点实验室；c.冶金减排与资源综合利用教育部重点实验室，安徽马鞍山 243032)

煤岩不同显微组分的构成与其性质直接相关，因此实现煤岩显微组分的自动分类与识别对煤岩工艺性质的界定具有重要意义。煤岩的显微组分来源多样，在漫长的形成过程中受多种因素干扰，其形态结构各异且较为复杂[1]。目前，已有学者对煤显微图像分类问题进行研究，并取得一定进展。如阮晓东等[2]通过提取煤岩显微图像中区域的轮廓，根据轮廓的交点判断有重叠的圆形颗粒，分析煤岩显微组分的形貌；尹文花[3]通过显微组分灰度值的分布测算煤岩显微图像中相应组分含量，由于灰度值仅为煤岩显微组分的特征之一，且存在不同组分灰度值相近甚至相同的情况，致使测定的准确性不高；王素婷等[4]提取煤岩显微图像的局部二值模式(LBP)和灰度共生矩阵(GLCM)特征，采用支持向量机对煤岩显微组分大类别进行分类，但分类正确率有待提高。王培珍等[5-7]对于煤岩显微图像分析与识别进行了较为系统的研究，如采用改进的圆形LBP均匀模式对煤显微图像的纹理特征进行分析；采用小波变换将煤岩惰质组显微图像进行分解，提取不同尺度下的纹理特征并对其进行有效分类；采用主成分分析法对由灰度分布特征量和基于灰度共生矩阵的纹理特征量构成的煤岩镜质组初始特征量集进行抽取，并构建支持向量机对其分类，取得了一定的效果。壳质组是煤岩三大显微组分之一，主要来源于高等植物的角质层、木栓层等稳定成分或藻类等微生物的降解物[1]，形貌复杂多样，本课题组[8]通过改进传统的SUSAN(Univalue Segment Assimilating Nuclues)算法，对其显微组分之一的析出沥青体的锐角角点进行检测，该方法可将析出沥青体从其它组分中分离出来。壳质组中其它组分的有效分类还鲜见报道。壳质组显微组分存在明显的纹理特征(随机纹理)，且不同组分间纹理存在一定差异。鉴于Tamura纹理与人类视觉感知相吻合[9-10]，在表征随机纹理时有其独特的特点，本文采用Tamura纹理描述方法对壳质组显微图像中典型组分特征量进行提取，并构建支持向量机分类器对其进行分类，以探索对煤岩壳质组显微组分进行有效分类的新方法。

1 壳质组显微图像的特点

壳质组显微组分类别较多，包括孢子体、角质体、木栓质体、树皮体、树脂体、藻类体、沥青质体、渗出沥青质体、荧光体、碎屑体等[11]。但某些组分较少出现，因此文中选择较为典型的角质体、藻类体、树皮体3类显微组分为对象，其显微图像如图1。

形成角质体植物的叶、枝、茎等表皮组织会产生分泌物(角质)，这些分泌物经煤化作用后形成较为稳定的组分[12]，其显微图像在垂直层理的切面中呈长条状，且外缘平滑內缘呈锯齿状，如图1(a)；藻类体来源于藻类，其形状亦类似于藻类，呈锯齿状、海绵状或其它不规则形状，如图1(b)中颜色较亮的不规则区域；树皮体由植物的茎和根等外部栓质化组织形成，大多呈扁平的长方形或砖形，排列比较规则，如图1(c)。综合图1可看出，煤岩壳质组显微组分的自然形貌具明显的纹理结构，且不同组分间纹理具一定的差异。

图1 3类典型壳质组显微图像Fig.1 Microscopic images of three kinds of typical macerals of exinite

2 特征提取

基于人类对纹理视觉感知的心理学研究，Tamura等[9]提出一种纹理特征的描述方法，其中定义了6个用于描述纹理的特征量，分别为粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线像度(linelikeness)、规则度(regularity)和粗略度(roughness)。粗略度是粗糙度和对比度两个属性的合成。故文中采用粗糙度、对比度、方向度、线像度和规则度等5个特征量对壳质组显微组分进行描述与分析。

2.1 特征量的构建

2.1.1 粗糙度

粗糙度反映图像灰度变化的剧烈程度，纹理基元尺寸越大则感觉越粗糙，其定义如下。

计算图像中以坐标(x,y)为中心、大小为2k×2k的活动窗口(如1×1，2×2，…，32×32，窗口以中每个像元的灰度均值Ak(x,y)，

其中：(i,j)表示邻域中像元的位置；g(i,j)表示位于(i,j)处像元的灰度值；k确定参与均值计算的像素范围。

对于每个像元，分别计算其在水平及垂直方向上互不重叠的活动窗口之间的平均灰度差Ek,v,Ek,h，

对于每一个像元，寻找最优的尺寸Skbest=2k，使其平均灰度值E值达到最大Ekbest。

粗糙度Fcrs定义为整幅图像中各像元最优尺寸Skbest的平均值，

其中M和N分别表示图像宽度和高度。

2.1.2 对比度

对比度反映灰度图像中最暗和最亮灰度的层级，其差异范围的大小决定对比度的大小，此外灰度级的动态范围、边缘的尖锐程度、模式的重复周期等也会影响对比度。对比度Fcon定义为

其中：σ表示图像灰度值的均方差；α4表示图像灰度统计量的峰态，α4=μ4/σ4；μ4表示四阶矩均值。

2.1.3 方向度

方向度描述纹理沿某方向集中的强度。方向度的计算基于每个像素点的梯度向量，该向量的模和方向分别定义为

其中Δh和Δv分别为(x,y)处水平与垂直方向灰度差分，分别如下所示的2个3×3的模板计算。

量化各像素点的方向角θ值，统计其相应方向角上边缘像素数量Nθ(i)，挑选出边缘强度(模)大于预定阈值的边缘像素点，设其数量为Nθ(φ)，则相应方向上的直方图HD(φ)为

其中φ=0,1,2,…,n-1。则方向度定义为

其中：np为峰的数量；wp为围绕该角度峰值与谷值之间的范围；r为与角度θ量化水平相关的归一化因子；φp为第p个峰值的位置。

2.1.4 线像度

线像度Flin表示图像纹理是否具有线性结构，定义如下

其中：Pd(i,j)表示相距为d的一组元素、方向编码分别为i，j时出现的次数；m表示划分角度的数目，文中取16。

2.1.5 规则度

纹理具有重复排列的自然景象，其规则度往往难以用数学公式表示。若图像中存在与整幅图像纹理特征不一致的局部区域纹理特征，则图像的规则度减弱。所以可通过对原图像分区后每个子图像属性方差来测度纹理的规则度，这里考虑子图像的4个特征来衡量纹理的规则度Freg。

其中：η为标准化因子；σcrs，σcon，σdir，σlin分别为Fcrs，Fcon，Fdir，Flin的标准方差。

2.2 样本特征数据分析

壳质组显微图像样本由光度计在油浸反光下获取。分别选取角质体、藻类体、树皮体80幅显微图像，按照2.1中关于Tamura纹理的定义分别计算上述3类壳质组典型显微组分的5个特征量。由于篇幅所限，表1仅给出其中5组典型样本数据。

为直观分析样本数据的分布特点及特征量的可区分性，对于每类组分选取30个样本绘制其特征量的分布，结果如图2。由图2可看出：粗糙度作为特征量具有一定的可区分性，从小到大排序依次是角质体、树皮体、藻类体，主要原因在于角质体线性纹理比较细密，粗糙度较小，树皮体存在块状的纹理区域，相比于角质体粗糙度要大一些，而藻类体图像中有大量的藻类状区域，粗糙度最大；藻类体与角质体的对比度特征数据间有较多的交错；角质体由于纹理具明显的方向性，其方向度值较大，与其它两类组分具有明显的可区分性；线像度对于3个类别组分具有较好的区分性；对于3类组分来说，规则度分布相互交错，可区分性较差。综上所述，采用Tamura方法对煤岩壳质组纹理特征进行描述时，粗糙度、线像度对3类组分具有较好的可区分性；对比度、方向度次之；而规则度的可区分性较差，本文的后续工作中舍弃该特征量。

表1 壳质组典型显微组分特征量Tab.1 Texture features of typical macerals of exinite

图2 壳质组显微组分纹理特征分布Fig.2 Distribution of texture features of macerals of exinite

3 分类器的构建

支持向量机(Support Vector Machine,SVM)分类器以训练误差作为优化问题的条件，是目前解决小样本问题的最优分类方法之一，已在多领域的分类与预测问题中得到应用[13-14]。针对文中研究对象，构建支持向量机分类器对3类典型壳质组显微组分进行分类。

设有训练样本集{(xi,yi),i=1,2,...,l},xi∈RK表示样本数据，l表示集合中包含的样本个数，K为xi的维数，yi为xi的类别编号。最优超平面为ωTxi+b=0 (i=1,...,l)，ω和b分别为权重向量和偏置量。对于线性不可分问题，需满足

其中ζi为松弛变量，表示线性可分问题的偏离程度。为寻找可使训练样本错误分类误差最小的超平面，得以下优化问题

即寻找合适的权值向量ω，使φ(ω,ζ)最小，其中C为惩罚系数，表示对错分样本的惩罚程度。求解中，为实现非线性问题向线性问题的转化，引入核函数k(xi,x)，则上述二次型优化问题最终可表示为

其中λi为拉格朗日乘子。鉴于径向基函数(RBF)所需参数较少及对于缺少先验知识时所具备的良好性能，文中选择RBF核函数，形式为

其中γ为核参数，控制函数的径向作用范围。

4 实验结果与分析

实验过程中，选取壳质组3类典型显微组分样本各80幅，其中训练样本各50幅，测试样本各30幅，样本图像大小为100×100。

采用单个特征量进行分类，结果如表2。由表2可看出：粗糙度对于3类组分的分类准确率均达83%以上，其中角质体的分类准确率96.7%，这是因为角质体的粗糙度较小，其特征量与树皮体只有少量重叠，而树皮体粗糙度特征量分布介于角质体与藻类体之间，且与两者都有交错，故分类准确率较低；采用对比度特征量进行分类时，分类效果均不理想，主要原因在于3类组分对比度特征分布相互交织，可区分性差；采用方向度进行分类时，角质体与藻类体可有效区分出来，树皮体的特征值分布与其它两类都有重叠，分类效果较差；线像度对于3类组分的分类准确率均达82%以上，尤其是藻类体和树皮体均达96.7%，具有良好的区分度；采用规则度作为分类特征时，几乎不能进行有效区分，这与3类组分中规则度的分布相互交错有关。上述分类结果与2.2关于特征量分析结果相映衬。

分析表2知，仅用单特征量对3类组分进行分类，整体分类效果不理想。为此，采用特征量的组合对其进行分类实验。根据前述分析及单特征分类结果，线像度对3类组分具有较好的可区分性，故将线像度作为第一特征量与其它特征组合，组合特征量分类结果如表3。由表3可看出，采用多特征量进行分类时，分类的准确率明显提高。其中线像度、方向度两个特征量组合后分类效果最好，平均分类准确率达98.9%，这是因为3类典型组分中，线像度具有较好的可区分性，且方向度对于角质体、藻类体两类具有较强的可区分性，两个特征量组合后相得益彰，分类准确率大为提高。