基于多核学习的煤岩图像特征融合与识别方法

2019-06-11李望发

电子技术与软件工程 2019年7期

文/李望发

煤矿井下的人员安全问题一直是煤炭科学关注的焦点，随着科技的发展，采掘自动化和无人化是煤炭开采技术的方向。目前有基于物理的雷达、射线和红外探测等方法，但是这类方法识别不稳定，识别率低。基于视觉的煤岩识别技术具有实时监控、非接触式、易于实施等优点，引起众多学者关注。文献[1]通过提取煤岩图像的不同尺度下的小波系数的均值、方差和角二阶矩等信息进行级联，然后采用SVM分类器进行分类，但是计算量大；文献[2]提取煤岩图像曲波变换的不同层的系数进行级联，然后采用SVM分类器进行识别，但是识别率不高；文献[3]采用自学习字典结合局部约束线性编码进行特征提取，然后用SVM分类器进行识别，提高了识别率，但是耗时较长。SVM分类器是煤岩识别中常用的分类器，但是SVM分类器存在鲁棒性差的问题，特别是在多种特征融合的识别中如果只进行特征的平行拼接，会造成煤岩特征表达不够充分。

近年来，多核学习是机器学习领域研究的热点问题之一，在模式识别、目标检测等有着广泛的应用。特别是当训练样本数据异构、样本分布不均时，用单个核函数构建的支持向量机不能有效地解决分类问题，而多核学习能有效结合多种核函数种类和参数的优点，提高泛化分类能力。

笔者提出基于多核学习的煤岩图像特征融合与识别方法，采用不同的核组合对不同的特征进行多核学习，从而进行特征融合，而不是原来的特征直接级联，对于每个特征，训练出最佳的SVM核组合以及各自的核权重，构成每个特征的核矩阵，最后将每个核矩阵组合起来再进行多核权重学习，得到二级权重，最后将学习得到的权重与对应的核矩阵相乘再求和，构成最终的核矩阵，对测试样本的特征进行多核SVM分类。如图1所示。

图1：所提出方法的总体框架

1 多核支持向量机方法

1.1 多核学习原理

多核学习（multiple kernel learning）是支持向量机的的扩展，是鲁棒性和灵活性更强的基于核的学习模型，将数据投影到不同的核空间进行映射，能使数据在新的合成的空间进行更好的表达，从而提高分类精度。多核学习的重点是如何学习到各个核的权重系数，一般模型为优化分类器中核的线性组合：

其中主要算法有：基于半定规划（SPD）的多核学习算法、基于二次约束型二次规划（QCQP）的多核学习算法、基于半无限线性规划（SILP）的多核学习算法、基于超核（Hyperkernels）的多核学习算法、简单的多核学习算法（Simple MKL）、基于分组Lasso多核学习算法。本文采用简单的多核学习算法（Simple MKL），因为其收敛快，计算复杂度低和相对成熟。简单的多核学习（Simple MKL）将多核学习问题转化为光滑且凸的优化问题，然后采用迭代的方法先固定dm然后结合支持向量机训练算法构建分类超平面，根据梯度下降方向更新dm。Simple MKL将多核学习问题转化为如下优化问题：

图2：煤岩样本图像

式（4）的拉格朗日函数为：

表1：不同的特征融合方法的正确识别率

表2：不同煤岩识别方法的正确识别率

图3：传统MKL方法与传统SVM方法比较

将（6）代入（5），则对偶问题为：

将（7）代入（2），最终得到的优化公式如下：

1.2 多特征融合多核学习

上面的优化问题只是针对单组数据进行的多核学习，在多种特征的图像中，通过简单的级联不能充分表达煤岩图像特征，针对上述问题，本文提出基于多核学习的煤岩图像特征融合方法，在第一种特征中用一组核学习，得到对应的一组权重参数，在第二种特征值用一组核学习，得到另一组权重参数，然后将两种参数分别代入到对应的核矩阵组成新的矩阵，再进行多核学习，从而得到第三组权重，在测试阶段，三组权重组合成新的多核SVM分类器，进行识别。

其中T为特征种类数，λt为对应特征的核矩阵的权重，kt为特征t的核矩阵，K*为总的多特征多核SVM的核矩阵。将（1）代入（9），得到：

在训练时，先求出相应的dm，使然后令训练出λt，将dtm、λt代入（10），最后得到多特征融合的多核矩阵K。则由传统的SVM得到的最后的判决函数如下：

一般的多核学习方法在初始化阶段每个权重dm的值相等，为保证收敛速度，在开始我们随机产生和为1的权重dm，使收敛速度加快。

2 实验结果与分析

为验证所提出方法的有效性，以井下常见的烟煤、无烟煤和页岩、砂岩为研究对象进行仿真实验。本文涉及的方法均在MATLAB R2014a平台上进行实验验证，并在配置为Intel Core i5-3210M 、2.50 GHz CPU，4 GB RAM的PC机下运行。

2.1 样本集

实验样本选取不同光照、不同角度的烟煤、无烟煤、页岩和砂岩灰度图像各60幅，共240幅，分为煤（烟煤、无烟煤）和岩（页岩、砂岩）两类，图像大小为180×200，灰度级为256，图像格式为jpg格式。部分煤岩样本图像如图2所示。

2.2 特征表示

为了验证本文提出的多核学习算法的泛化能力，实验中采用以下3种底层纹理特征描述子对煤岩图像进行特征表示：

2.2.1 LBP特征

基本LBP算子特征提取。在3×3窗口内，以窗口中心像素灰度值为阈值，将相邻八个像素的灰度值与其进行比较，若某像素的灰度值大于阈值，则将该像素的位置标记为1，否则为0。这样3×3邻域内的8个像素经比较可产生8位二进制数,可提取到256维的LBP特征向量。

2.2.2 Gabor特征

Gabor特征是一种可以描述图像纹理信息的一种图像特征，选取5个尺度，6个方向进行特征计算，得到30维特征向量。

2.2.3 灰度共生矩阵（GLCM）特征原始图像灰度级数256级，为了减少计算量，压缩图像灰度级到16。步距d=1，分别计算0°、45°、90°、135°四个方向上的灰度共生矩阵，求每个方向灰度共生矩阵的能量、熵、惯性矩和相关，得到最终16维纹理特征。

2.2 参数设置

对于rbf核与poly核，找到最佳的参数为σ=0.75和d=2，本次实验取该两种核函数进行实验。

取煤岩样本的GLCM特征和LBP特征，取一半样本做训练集，剩下的做测试集，重复十次，取结果的平均值，得到结果如下：

由图3可看出，传统MKL的识别率优于传统的SVM方法。

传统的MKL只是SVM的多核扩展，本文提出的多特征多核支持向量机（feature fusion multiple kernel support vector machine）能对不同特征进行加权融合。然后我们对GLCM特征+SVM、LBP特征+SVM、本文提出的多特征融合多核SVM进行实验，并且两种特征都用最佳参数的核系数(GLCM特征的高斯核系数σ=[0.75,2]，多项式核系数d=2，LBP特征的高斯核σ=[0.5,2]，多项式核d=2)，取煤和岩样本各120张，每次实验中每种样本的数目依次为50、60、70、80、90，并从两种样本中取剩下图片中的30张作为测试样本。

从图4可以看出，在测试样本在70之前，多核多特征融合的学习方法明显优于单核的SVM方法，在测试样本为60个，也就是50%的样本数时识别率最高，达到98.33%。随着测试样本的增多，后期可能存在过拟合的风险，因此要控制测试样本的比例。

2.3 与其他特征融合方法的比较

通过2.1的方式构建训练集和测试集，做了10组实验，对实验结果取平均值。参与比较的是通过级联的特征融合与分类器融合，图像特征选择GLCM、Gabor、LBP。如表1所示。

通过与简单的空间级联方法的比较发现，多特征融合的多核学习方法的煤岩识别率高于通过级联的方法，表明从煤岩图像中提取来的不同特征，经过多核方法的融合，更能从图像中提取各种异构的特征，多核融合发掘图像的特征表达能力更强，从而提高识别率。基于不同特征组合的识别率分别提高了11.66%、7.50%、4.17%，说明简单的级联还不够充分挖掘煤岩的特征信息，若利用样本的类别的异构信息，则能更好地挖掘特征。