基于紧邻域像素灰度联合分布特征的煤岩识别方法

摘要

本发明公开了一种基于紧邻域像素灰度联合分布特征的煤岩识别方法，该方法用紧邻域像素灰度联合分布特征来描述煤、岩图像特征信息，用学向量量化方法抽取煤岩特征信息空间关键字向量，用关键字向量直方图表征煤岩在不同形态下的模式；在识别时，待识别图像用与训练图像同样的方法抽取图像特征信息和建立直方图，然后和训练阶段学到的模式进行比较，用G统计来度量，用最近邻准则来识别。该方法用了煤、岩在不同照度、不同视点下的图像作为训练样本，受照度和成像视点变化影响小，识别率高，稳定性好。

主权项

一种基于紧邻域像素灰度联合分布特征的煤岩识别方法，其特征在于，包括以下步骤：A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B将采集的每一张煤、岩样本图像，在图像的中心截取像素大小为N的子图像，并将每张子图像的灰度归一化为零均值和单位方差，选择处理过的一部分图像作为训练集SET_A，另一部分作为测试集SET_B；B.提取训练集SET_A和测试集SET_B中图像的特征信息向量分别提取训练集SET_A和测试集SET_B中每张煤图像I_c和每张岩图像I_r的特征信息向量{x_i}_c和{x_i}_r，所述{x_i}_c和{x_i}_r中的特征信息向量x_i∈Rⁿ为该图像中像素的紧邻域内的n个像素灰度的联合分布，即x_i＝{I₁，...，I_n‑1，I_i}，I_i为像素(i，j)的灰度值，I₁，...，I_n‑1为像素(i，j)邻域像素的灰度值，将x_i归一化；C.从图像特征信息向量空间中提取K个关键字向量{w₁，w₂，...，w_K}，w_s∈Rⁿ利用训练集中的特征信息向量{{x_i}_c，{x_i}_r}_{SET_A}，首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位，再用LVQ2训练算法对关键字向量位置进行细调节，用测试集SET_B特征信息向量{{x_i}_c，{x_i}_r}_{SET_B}对LVQ2的训练结果进行精度测试，直至所提取的K个关键字向量{w₁，w₂，...，w_K}满足识别精度要求为止；D.将煤、岩模式用关键字向量直方图表征从训练集SET_A中分别选取煤、岩图像各M张，将选定的每一张图像的特征信息向量x_i用与其最邻近的关键字向量标注，计算每个关键字向量出现的次数，作相对该图像总标注像素的归一化直方图，煤图像的归一化直方图用H_c表示，岩图像的归一化直方图用H_r表示，煤模式为所选定的M张煤图像的归一化直方图H_c的集合，即{H_c}_M，岩模式为所选定的M张岩图像的归一化直方图H_r的集合，即{H_r}_M；E.识别待识别图像给定待识别图像，在图像的中心截取像素大小为N的子图像，并将子图像的灰度归一化为零均值和单位方差，记处理过后的子图像为I_x，用与步骤B中相同的方法提取I_x的特征信息向量{x_i}_x，用与D中相同的方法对x_i进行标注，计算I_x关键字归一化直方图H_x，用对数似然率即G统计度量H_x与煤和岩石模式距离，计算公式如下：$G(H_x,H)=\underset{k=1}{\overset{K}{\Sigma }}{H}_{xk}\log H_k,H\in \{{\left\{H_c\right\}}_M,{\left\{H_r\right\}}_M\}$其中，H_xk为待识别图像第k个关键字向量的概率，H_k为煤模式或者岩模式第k个关键字向量的概率，使G(H_x，H)最大的模式即为待识别图像模式。