基于LBP和GLCM的煤岩图像特征提取与识别方法_王超.pdf

Vol.51No.4 Apr. 2020 Safety in Coal Mines 第 51 卷第 4 期 2020 年 4 月 煤矿的安全、 高效、 自动化开采是煤矿开采的重 要研究方向[1]。为保证煤矿生产质量的安全性， 煤矿 开采时， 最好做到没有工作人员的自动化开采[2-4]。 现有的采煤工作设备不能自动识别煤块与岩石， 导 致正常生产时，不得不安排工作人员在回采工作面 进行辅助工作[5-7]。 煤岩识别问题直接关系到实现煤矿无人化开 采。目前， 天然 γ 射线法、 红外线法、 紫外线法、 雷达 探测法、超声波等常规煤岩识别检测方法因为受到 煤矿开采工作面的地质条件， 以及煤矿工艺限制， 没 能成功应用到实际煤矿开采中[8]。 在实际煤矿的开采过程中，通过对煤矿拍摄界 面进行实时处理，提取图像特征用做煤岩识别的方 法， 可以大大提高煤矿开采效率， 更便于调整采煤机 截割滚筒采煤高度[9-10]。为此提出一种基于 LBP 和 GLCM 的煤岩图像特征提取与识别方法，通过 LBP 基于 LBP 和 GLCM 的煤岩图像特征提取 与识别方法 王超， 张强 （中国矿业大学 （北京） 机电与信息工程学院， 北京 100083） 摘要 针对煤矿开采工作面无人化要求， 提出一种基于 LBP 和 GLCM 的煤岩图像特征提取与 识别方法。采用 LBP 算法判断煤块与岩石纹理存在差异性， 然后通过 GLCM 实现煤块与岩石图 像在水平、 直角、 45、 135方向上的灰度共生矩阵， 并完成对能量、 熵值、 对比度、 逆差分矩等 4 个 煤岩图像纹理特征参数提取。试验表明 LBP 算法在检测煤块与岩石局部纹理特征差异的过程 中， 具有一定的高效性， 但存在不足， 后续通过 GLCM 提取的煤岩图像特征参数， 可以找到适用 于煤岩分类的特征参数， 增加煤岩识别的鲁棒性。 关键词 无人开采； 煤岩图像特征； LBP； GLCM； 纹理差异性 中图分类号 TD679文献标志码 A文章编号 1003－496X （2020 ） 04－0129-04 Coal Rock Image Feature Extraction and Recognition Based on LBP and GLCM WANG Chao, ZHANG Qiang （Department of Mechanical, Electrical and Ination Engineering, China University of Mining and Technology（Beijing） , Beijing 100083, China） Abstract Aiming at the unmanned requirements of coal mining face, a for extracting and identifying coal rock image features based on LBP and GLCM is proposed. The LBP algorithm is used to judge the difference of the rock texture of the coal block. Then, the GLCM is used to realize the gray level co-occurrence matrix of the coal block rock image in the horizontal, right angle, 45 degrees and 135 degrees directions, and the energy, entropy value, contrast and inverse difference moment are completed. Extraction of texture feature parameters of four coal rock images such as partial moment. Experiments show that the LBP algorithm has certain efficiency in detecting the difference of local texture characteristics between coal and rock, but there are some shortcomings. The characteristic parameters of coal and rock image extracted by GLCM can be found to find the characteristic parameters suitable for coal and rock classification to increase the robustness of coal rock identification. Key words unmanned mining; coal and rock image feature; LBP; GLCM; texture difference between coal and rock DOI10.13347/ki.mkaq.2020.04.028 王超， 张强．基于 LBP 和 GLCM 的煤岩图像特征提取与识别方法 ［J］ ．煤矿安全， 2020， 51 （4） 129-132. WANG Chao, ZHANG Qiang. Coal Rock Image Feature Extraction and Recognition Based on LBP and GLCM ［J］ . Safety in Coal Mines, 2020, 51 （4） 129-132.移动扫码阅读 129 ChaoXing 第 51 卷第 4 期 2020 年 4 月 Safety in Coal Mines Vol.51No.4 Apr. 2020 算法和 GLCM 配合使用，判断煤岩差异性的同时， 确定适用于煤岩识别分类的特征参数，进一步提高 煤岩识别的高效性和鲁棒性。 1局部二值模式煤岩图像纹理特征 1.1LBP 描述算子 1 帧图像区域可以简单分为中心区域和邻域。 图像中心区域对应的像素值和邻域对应的像素值一 一比较，若图像中心区域像素值大于邻域像素值， 将邻域像素值对应位置记为 1， 反之， 记为 0。 LBP 描 述算子就是对上述产生的 0 和 1 按照进制转换关系 完成编码，转换为具有此帧图像纹理特征的数字信 息的一种算子。 若此帧图像邻域内对应存在 N 个像素点， 则在 进行进制编码时有 2N种编码模式。 1.2基于 LBP 的局部纹理特征提取 LBP 算法局部纹理特征提取如下 LBP{xc,yc} p-1 0 ∑2 p S （ip-ic）（1） 式中 （xc,yc） 为 1 帧图像的中心区域像素坐标； ic 为 1 帧图像中像素点对应的灰度值； ip为 1 帧图像 邻域中第 p 个像素点对应的灰度值； S 为函数。 S （x） 1x≥0 0els ｛ e （2） LBP 提取过程如图 1。 LBP 描述子在计算过程中缺少中心像素对应灰 度的相关计算，从数据整合的角度看是不完整的， 现有改进的 LBP 算法效果又不是十分显著。因此后 续采用 GLCM 算法对煤岩图像进行全局特征纹理 提取， 弥补 LBP 算法自身的缺陷， 提高煤岩识别的 鲁棒性。 2GLCM 煤岩图像全局纹理特征 NN 为二维煤岩图像大小，（x， y） 为此图像中 任意一点坐标。 点 （x， y） 与图像中任意固定点形成点 对 （一般选取附近点） ， 相对该固定点发生移动， 会 得到不同的点对， 点对的灰度值为 （g1， g2） 。 将煤岩图像 （x， y） 空间坐标灰度化， 转化为 “灰 度对”（g1， g2） 的描述方式， 对煤岩图像灰度矩阵做归 一化处理。 P （g1， g2） N （g1， g2） R R N （N-1）θ0或 θ90 （N-1） 2 θ45或 θ135 ｛ （3） 式中 P （g1， g2） 为灰度对归一化概率分布函数; N （g1， g2） 为此灰度对出现的次数； θ 为图像中任意一 点 （x， y） 和图像中任意固定点连线与坐标轴横轴的 夹角； N 为灰度值的级数， 即 N 个像素点。 为提高煤岩图像识别的分辨效率，采用 GLCM 的能量、 熵、 对比图、 逆差分矩 4 种参数提取煤岩图 像全局特征[11]。 用 G （i， j） 表示 kk 阶共生矩阵， G 表 示灰度共生矩阵常用的特征， 4 种参数表示如下[12-15] 1） 能量 ASM。反映煤岩图像纹理粗细程度以及 灰度分布的均匀程度。 ASM＝ k i1 ∑ k j1 ∑（G （i， j） ） 2 （4） 2） 熵 ENT。表示煤岩图像中纹理的复杂程度。 ENT＝－ k i1 ∑ k j1 ∑G （i， j） lgG （i， j）（5 ） 3） 对比度 CON。反映煤岩图像的纹理沟纹深浅 程度。 CON k-1 n0 ∑n2 i-jn ∑G （i， j｛｝） （6） 4） 逆差分矩 IDM。 反映煤岩图像纹理的同质性， 度量煤岩图像纹理局部变化量。 IDM k i1 ∑ k j1 ∑ G （i， g） 1 （i－j） 2 （7） 基于 GLCM 全局纹理信息提取过程如图 2。 3试验与分析 为充分验证 LBP 算法的高效性以及 GLCM 的 鲁棒性。 设计采用 4 种煤岩样本进行试验。 煤块样本 如图 3， 岩石样本如图 4。 3.1 LBP 煤岩识别试验 利用 LBP 算法对煤块样本和岩石样本分别进 行局部纹理提取。基于 LBP 煤块局部纹理特征提取 如图 5， 基于 LBP 岩石局部纹理特征提取如图 6。 通过图 5 和图 6 可以知道，煤块局部纹理特征 不一， 表面不整齐， 沟壑明显； 岩石局部纹理特征基 图 1LBP 提取过程 Fig.1LBP extraction process 130 ChaoXing Vol.51No.4 Apr. 2020 Safety in Coal Mines 第 51 卷第 4 期 2020 年 4 月 图 5基于 LBP 煤块局部纹理特征提取 Fig.5Coal block local texture feature extraction based on LBP 图 6基于 LBP 岩石局部纹理特征提取 Fig.6Rock local texture feature extraction based on LBP 图 4岩石样本 Fig.4Rock samples 本一致， 平整光滑， 没有明显沟壑。可以完成煤岩识 别的初步检测。但是图 5 （c）中烟煤局部特征趋于 光滑， 较难通过视野分辨其和岩石差异。 3.2GLCM 煤岩识别试验 基于 GLCM 的煤块特征信息提取见表 1, 基于 GLCM 的岩石特征信息提取见表 2。 为了便于比较煤块岩石 4 种参数，对数据进行 均值计算和方差计算 x n i 1 ∑xi n ,σ 2 n i 1 ∑（xi－x） 2 n （8） 图 2GLCM 全局纹理信息提取流程 Fig.2GLCM global texture ination extraction process 图 3煤块样本 Fig.3Coal samples 样本ASMENTCONIDM 焦煤0.494 15011.035 11.367 693.491 83 褐煤0.571 27512.248 03.231 113.161 37 烟煤0.423 05912.661 310.453 202.925 00 无烟煤0.371 10612.818 15.673 883.009 58 表 1基于 GLCM 的煤块特征信息提取 Table 1Coal block feature ination extraction based on GLCM 131 ChaoXing 第 51 卷第 4 期 2020 年 4 月 Safety in Coal Mines Vol.51No.4 Apr. 2020 表 2基于 GLCM 的岩石特征信息提取 Table 2Rock feature ination extraction based on GLCM 样本ASMENTCONIDM 变质岩0.240 49714.933 408.965 242.499 07 沉积岩0.320 98812.411 702.966 003.113 30 砂岩0.282 49613.707 005.592 692.769 64 岩浆岩0.318 11714.248 107.642 232.663 58 式中xi为 4 种特征参数样本值； n 为 4 种特征 参数样本数量； x 为 4 种特征参数样本均值； σ 2 为 4 种特征参数样本方差值。 煤块和岩石 ASM、 ENT、 CON、 IDM 均值见表 3， 煤块和岩石 ASM、 ENT、 CON、 IDM 方差见表 4。 通过 matlab 对煤块、 岩石特征参数均值和方差 值进行绘图分析 （图略） ， 并结合表 3 和表 4 可得 1） 特征参数均值不足以做煤岩识别。 2） ASM 与 ENT 方差值差异明显。煤块样本 ASM 方差值是岩石样本的 5 倍左右， 岩石样本 ENT 方差值是煤块样本的 4 倍左右。 岩石样本 ENT 方差 值明显高于煤块样本， 可以做煤岩识别参考数值。 4结语 通过OpenCV 计算机视觉库，采用 LBP 算法判 断煤块和岩石局部特征存在差异。通过 GLCM 对煤 块和岩石图像进一步处理，分别实现水平、垂直、 45、 135 4 个方向的灰度共生矩阵，提取能量、 熵 值、对比度、逆差分矩等 4 个典型煤岩图像特征参 数， 发现其中 ASM、 ENT 方差值较适用于煤岩识别。 参考文献 ［1］ 李建民， 耿清友， 周志坡．我国煤矿综采技术应用现状 与发展 ［J］ ．煤炭科学技术， 2012， 40 （10） 55－60． ［2］ 孙继平．煤矿安全生产监控与通信技术 ［J］ ．煤炭学报， 2010， 35 （11） 1925－1929． ［3］ 孙继平．煤矿物联网特点与关键技术研究 ［J］ ．煤炭学 报， 2011， 36 （1） 167－171． ［4］ 孙继平．煤矿事故特点与煤矿通信、 人员定位及监视 新技术 ［J］ ．工矿自动化， 2015， 41 （2） 1－5． ［5］ 孙继平， 陈浜．基于小波域非对称广义高斯模型的煤 岩识别算法 ［J］ ．煤炭学报， 2015， 40 （S2） 568－575． ［6］ 孙继平， 佘杰．基于小波的煤岩图像特征抽取与识别 ［J］ ．煤炭学报， 2013， 38 （10） 1900－1904． ［7］ Wang Jinhua. Development and prospect on fully mecha nized miningin Chinese coal mines［J］ . International Journal of Coal Science and Technology, 2014, 1（3） 253-260． ［8］ 黄韶杰， 刘建功．基于高斯混合聚类的煤岩识别技术 研究 ［J］ ．煤炭学报， 2015， 40 （S2） 576－582． ［9］ 孙继平．基于图像识别的煤岩界面识别方法研究 ［J］ ． 煤炭科学技术， 2011， 39 （2） 77－79． ［10］ Bugaighis M M. Exchange of censorship types and its impact on the estimation of parameters of a Weibull Regression model ［J］ . IEEE Transactions onReliability, 1995, 44 （3） 496-499. ［11］ 陈雪鑫， 卜庆凯， 曹帅帅．基于 LBP 和 GLCM 的水果 分类算法研究 ［J］ ．电子元器件与信息技术， 2019 （1 ） 8－14． ［12］ 薄华， 马缚龙， 焦李成．图像纹理的灰度共生矩阵计 算问题的分析 ［J］ ．电子学报， 2006 （1） 155－158． ［13］ 苑丽红， 付丽， 杨勇， 等．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. ［14］ 白雪冰， 王克奇， 王辉．基于灰度共生矩阵的木材纹 理分类方法的研究 ［J］ ．哈尔滨工业大学学报， 2005 （12） 1667－1670． ［15］ 高程程， 惠晓威．基于灰度共生矩阵的纹理特征提取 ［J］ ．计算机系统应用， 2010， 19 （6） 195－198． 作者简介 王超 （1996） ， 黑龙江大庆人， 在读硕士 研究生，研究方向为井下无人开采方面的煤岩图像特征提 取与识别方法。 （收稿日期 2019-07-19； 责任编辑 李力欣） 样本ASM 均值ENT 均值CON 均值IDM 均值 岩石0.290 524 513.825 050 06.291 540 02.761 397 5 煤块0.464 897 512.190 625 05.181 470 03.146 945 0 样本ASM 方差ENT 方差CON 方差IDM 方差 岩石0.001 064 140.854 726 265.130 160 700.098 751 58 煤块0.005 679 800.238 447 44 11.595 606 70 0.046 820 62 表 3煤块、 岩石参数均值表 Table 3Coal and rock parameters mean value table 表 4煤块、 岩石参数方差表 Table 4Coal and rock parameter variance table 132 ChaoXing