doi:10.11799/ce201508034收稿日期:2015－03－11基金项目:国家自然科学基金重点项目(51134024);国家高技术研究发展计划(863)项目(2012AA062203)作者简介:江静(1979－)，女，江苏连云港人，副教授，美国特拉华大学访问学者，研究方向:工作面煤岩边界识别，图像处理与分析，E－mail:jiangjing@cumtb.edu.cn。引用格式:江静，张雪松．煤岩图像边界的K－means识别算法［J］．煤炭工程，2015，47(8):106－109．煤岩图像边界的K－means识别算法江静1，2，张雪松3，4(1.北京联合大学信息学院，北京100101;2.华北科技学院机电学院，河北三河065201;3.中国科学院光电研究院，北京100094;4.中国电子科技集团光电研究院光电信息控制和安全技术重点实验室，河北三河065201)摘要:提出了一种基于K－means的煤岩边界提取算法。运用小波变换提取出煤岩图像中大尺度特征，以剔除其杂散纹理和噪声对后续聚类过程的影响;采用K－means算法完成煤岩边界分布的聚类;并利用Canny算子提取出二值聚类图像的边缘，引入图像形态学中的腐蚀与膨胀运算，关联相邻分段边界并平滑边界。仿真图像与真实煤岩边界图像的实验结果表明，与直接K－means和Meanshift等图像分割算法相比，该算法能够更为精确完整地提取出真实的煤岩分界。关键词:煤岩界面识别;K－means;Canny边缘检测;腐蚀与膨胀中图分类号:TD679文献标识码:A文章编号:1671－0959(2015)08-0106-04Coal－ＲockImageBoundaryUsingK－meansＲecognitionAlgorithmJIANGJing1，2，ZHANGXue－song3，4(1.CollegeofInformationTechnology，BeijingUnionUniversity，100101，China;2.SchoolofMechanical－ElectronicEngineering，NorthChinaInstituteofScienceandTechnology，Sanhe065201，China;3.AcademyofOpto－Electronics，ChineseAcademyofScience，Beijing100094，China;4.Electro－opticalInformationSecurityControlLaboratory，AcademyofElectro－OpticsofChinaElectronicsTechnologyGroup，Sanhe065201，China)Abstract:AK－meansbasedalgorithmwasproposedtoidentifythecoal－rockimageboundary．Wavelettransformwasusedtoextractlarge－scalefeaturesincoal－rockimages，eliminatespurioustexturesandimagingnoiseandfacilitatethesubsequentclusteringprocess．TheK－meansalgorithmwasappliedtocompletetheclusteringofcoal－rockimageboundarydistribution．Finally，imageedgeswereextractedfromtheclusteredbinaryimageusingCannyoperator，andtwoimagemorphologicaloperators，erosionanddilation，wereusedtoconnectadjacentsegmentsandsmooththeboundaries．Theexperimentalresultsofsimulatedandrealimagesshowthat，thealgorithmisaccuratetoextractthetruecoal－rockboundaries，comparedwiththedirectK－meansandMean－shiftimagesegmentationalgorithms．Theproposedalgorithmismorepromisingtotheautonomouslongarmminingapplications．Keywords:coal－rockimageboundaryrecognition;K－means;Cannyedgedetection;erosionanddilation1概述煤矿井下长壁开采工作面［1］，一般是通过调节采煤机滚筒高度，尽量避免截割顶底板岩石。现有的滚筒调高控制往往依赖于人眼目测的方法来判断煤岩界线，由工人确定采煤机滚筒当前状态(割煤或割岩)，而后调整滚筒的垂直位置。由于井下工作面照度低，能见度差，加上粉尘弥散，人眼难以准确把握采煤机的截割状态，不能及时调节滚筒高度。如果滚筒截割位置偏高，容易造成顶板岩石被截割混入原煤，降低煤品质量;反之，如果滚筒位置较低，则容易造成顶煤残留过厚，降低回采率［2］。鉴于此，长壁开采工作面迫切需要实现采煤机滚筒的自动调高控制。所谓自动调高，就是滚筒可以根据煤层走势及顶底板的变化规律自动调节其工作高度，不再依赖于人眼确定煤层与岩层的边界。近年来，学者们在煤岩识别领域做了大量的研究工601第47卷第8期煤炭工程COALENGINEEＲINGVol.47，No.8中国煤炭期刊网 www.chinacaj.net

作［3－5］。自然伽玛射线法，通过放置放射性物质来测量射线穿透煤层的衰减率，计算煤层厚度。该技术在应用中要求顶底板围岩必须含有放射性物质，且需要预留一定厚度的顶煤。振动频率法［6］，通过检测滚筒的工作频率，确定采煤机当前截割的是边界岩石还是煤层。该方法需要在工作面挂载多个传感器，实用性差。雷达电磁波法［7，8］，通过天线发送脉冲信号，该信号在穿透煤层与岩层时会发生衰减，测量接收端电磁波的衰减情况，可以确定煤层的厚度。该方法探测范围较小，当顶煤厚度增加时，信号衰减严重，甚至失真。红外探测法［9］，截割过程中当传感器检测到辐射强度的显著变化，说明截齿已切入岩层。光学成像法［10］，理论上讲，煤与岩具有不同的成像纹理和灰度特性，引入光学成像设备和图像分析设备，可以显著提高图像的成像质量，甚至可以穿透井下粉尘和水雾。但是，该方法在井下煤岩界面识别方面，尚无成熟的算法［11］。因此，寻求一种有效的煤岩界面识别方法，是实现采煤机滚筒自动调高控制的关键。2煤岩边界提取算法2.1煤岩边界大尺度特征提取考虑到煤岩图像的边界信息主要集中在图像的低频部分，煤岩图像识别关键是利用Harr小波函数保留图像的低频信息，同时去除高频部分。算法首先选择小波基函数db1对二维原始图像信号进行N层分解，N取值为2。其中，小波函数db1就是daubechies小波系中的Haar小波。依次针对图像中的行和列进行二维小波分解与重构，同时可以在不显著降低图像质量的前提下对原始图像去噪，获得煤岩边界大尺度特征，如图1所示。图1煤岩边界大尺度图像特征图1中煤面与岩面原始图像均来自中国神华神东煤炭集团大柳塔煤矿大柳塔井52303综采工作面，利用仿真软件，构造煤－岩图像的合成边界，如图1第一行所示。图中:(a)煤－岩边界，表示上部为岩层，下部为煤层的直线煤岩边界;(b)岩－煤－岩边界，表示顶底部均为岩层，中间为煤层的直线煤岩边界;(c)煤－岩交叉斜线边界，表示煤层与岩层的对角斜线边界;(d)煤－岩直线闭合边界，表示内部为岩面，外部为煤面的全包围直线边界;(e)煤－岩曲线闭合边界，表示内部为煤面，外部为岩面的全包围曲线边界;(f)煤－岩曲线边界，表示左上角为岩面，其他为煤面图像的局部边界。图1第二行表示小波处理保留边界的低频信息，获得大尺度图像特征。2.2K－means聚类处理均值聚类算法(K－meansclusteringalgorithm)，简称K－means。算法将任意i组对象分为K个点群(K＜＜i)，通过计算K点附近数据对象的平均值，促使点群具有较高的相似度。点群的平均值可表示为:μk=∑ni=11{c(i)=k}x(i)∑ni=11{c(i)=k}(1)式中，c(i)表示数据点i与K类中距离最近的点群，i=1，…，n。μk表示点群中心。循环迭代，直到准则函数收敛，确保各个点群内部的均方误差总和最小。本文将煤岩边界图像进行K－means聚类，如图2第一行所示。图2中可以明显看出，直接K－means变换是根据图像灰度信息直接聚类，结果存在大量孤立点和杂散边界。经过小波变换后，提取目标图像的大尺寸特征，再进行K－means聚类，可以得到较好的视觉效果，如图2第二行所示。图2直接K－means聚类与小波变换后的聚类结果2.3边界提取与拟合煤岩边界提取主要是通过标识出煤层与岩层界面图像中亮度变化明显的点，获得边界。本文采用Canny多级边缘检测算子进行煤岩边界提取，首先通过高斯滤波器完成图像去噪，计算煤岩图像梯度幅值和方向。其次，设置两类阈值，通常高值阈值用于检测低敏感图像边界，低值阈值用于检测高敏感图像边界，遍历整个的边缘，通过迭代查找图像梯度的局部最值，弥补检测到的边缘间隙。然后，算法依次连接煤岩二值图像边界的像素点，构成列表。计算各像素间的连接线逼近真实边界的拟合误差，当误差超过设定值的允许范围，则剔除该边界点。边界提取结果如图3所示。图3煤岩边界提取结果与拟合结果图3第一行表示直接提取的边界轮廓，图3中第二行将K－means处理后的二值图像进行边界拟合，采用Canny算子，运用两类阈值处理图像梯度，选择低值阈值为0.1，高值阈值为0.4，分别用于检测强信号边界和弱信号边界。7012015年第8期煤炭工程研究探讨中国煤炭期刊网 www.chinacaj.net

此外，关联算法中舍弃了煤岩边界图像中轮廓小于10像素长的零星边缘，用直线段拟合煤岩图像边缘像素点，设置直线段与原始边界最大偏差5个像素点，构成连续的边界轮廓。2.4腐蚀与膨胀考虑到算法是基于煤岩灰度图像提取边界的，煤层与岩层的灰度值存在模糊区域，边界难以区分。图像的腐蚀过程可以消除零散且无意义的边界点，使边界向中心收缩。膨胀与腐蚀相反，是与边界接触的所有背景点合并到该边界中，是边界向外部扩张的过程。考虑到图像噪声，煤岩图像界面经过阈值处理后的边界往往平滑性较差的，边界区域存在导致边界不连续的噪声孔，煤面岩面的背景区域上分散着噪声颗粒形成的小边界。本文算法采用先腐蚀后膨胀的开运算过程，用来消除小边界、在纤细点处分离边界，填充边界不连续处的细小空洞，在平滑大块边界的同时并不明显改变边界像素面积。表达式如下:OPEN(I，B)=(IB)B=OＲmi，j=0ANDmi，j－0I(x+i，y+i)＆B(i，j[]{})＆B(i，j)(2)式中，I(x，y)表示输入的二值图像;B(i，j)表示结构元素的领域模板;、分别表示逻辑操作与运算、或运算。3工作面煤岩边界实验结果与分析3.1工作面煤岩真实边界图像考虑到煤矿井下高粉尘、低照度的特殊成像环境，真实工作面的煤岩边界图像质量与实验室的仿真图像还是存在一定的差别。本文分别对多层规则煤－岩边界、单层煤－岩不规则边界进行采样，获得边界的原始图像如图4第一行所示。其中，图像(a)、(b)表示多层规则煤－岩－煤－岩边界，图像(c)、(e)表示单层不规则煤－岩边界。运用本文提出的改进型均值聚类算法进行工作面煤岩界面识别，如图4第二行所示。图4原始图像与边界提取结果实验结果发现，改进型均值聚类识别算法更适用于多层规则边界图像(a)、(b)，识别率较高，如图4第二行前两幅图像所示。而对单层不规则煤－岩边界图像(c)、(e)的识别结果并不理想，边界不连续，需要算法进一步明确边界，如图4第二行后三幅图像所示。在此基础上，算法引入形态学中关于图像的腐蚀与膨胀，一方面将煤岩边缘的“毛刺”剔除，另一方面用于填充细小的分段边界，关联相邻边界，起到平滑边界的作用，实验结果如图5第三列所示。原图经过开运算后，一些孤立的小点被去掉了，而边界的总体位置和形状不受影响，拟合后的煤岩图像边界较为清晰，如图5最后一列所示。图5煤岩图像边界腐蚀与膨胀后的提取结果3.2与其他算法的比较实验中，为了验证本文提出的改进型均值聚类算法的有效性，通过与直接K－means变换、Meanshift变换进行煤岩边界图像比对，实验结果如图6所示。图6煤岩真实图像三种算法的边界提取结果从图6中第二列可以明显看出，直接K－means变换是根据聚类结果直接提取煤岩边界，存在大量杂散边界。主801研究探讨煤炭工程2015年第8期中国煤炭期刊网 www.chinacaj.net

要是由于该算法是一种基于图像灰度的方法，采集的煤岩真实图像中煤与岩的图像灰度范围有交叉，单纯的依赖于图像灰度进行聚类，必然导致边界杂乱。Meanshift变换存在假设前提，容易导致背景区域与目标区域混淆，出现不连续的零星边界，如图6第三列所示。本文提出的边界提取算法，获得的煤岩界线轮廓清晰，如图6最后一列所示。4结语本文在长壁开采工作面引入光学成像设备，提出了一种基于K－means的煤岩边界提取算法，实现煤岩界面的识别。采用K－means算法，完成煤岩信息聚类。运用Canny多级边缘检测算子，算法中引入了腐蚀与膨胀，关联相邻分段边界。最后，将煤岩边界图像的识别结果与直接K－means变换、Meansshift变换进行比较，结果表明本文算法具有更好的边界识别能力，同时具有保持图像边缘结构的特点，适用于自主煤岩界面提取的应用。目前，将图像识别法直接用于煤矿井下煤岩识别的实际工作中还有一定差距，主要是因为单纯的依靠灰度信息提取图像边界，不足以准确地描述煤岩边界图像特征，需要研究学者们结合图像纹理、图像形状进一步完善煤岩分界技术。参考文献:［1］鹿志发．现代化矿井的成功实践———神华集团大柳塔煤矿的中国第一长壁工作面［J］．煤炭科学技术，2002(30):8－10，75．［2］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(2):77－79．［3］Holman，DarrenWayne，MalcolmJ．McPherson，IanMortonLoomis．Undergroundthin－seamcoalmininginVirginia［C］．VirginiaCenterforCoalandEnergyＲesearchＲeport，1999．［4］Holman，DarrenW．DevelopmentofanUndergroundAutoma-tedThin－SeamMiningMethod［D］．PHDdiss．，VirginiaPolytechnicInstituteandStateUniversity，1999．［5］Gupta，Ｒajender．Advancedcoalcharacterization:areview［J］．Energy＆Fuels，2007，21(2):451－460．［6］Stolarczyk，LarryG．，GeraldL．Stolarczyk，etal．HorizonSensorforAdvancedCoalExtraction［C］．NationalMiningAs-sociationMINExpoInternational96，1996．［7］Mowrey，GAＲYL．Anewapproachtocoalinterfacedetection:thein－seamseismictechnique［J］．IEEETransactionsonIn-dustryApplications，1988，24(4):660－665．［8］Ｒalston，JonathonC．，AndrewD．Strange．Developingselec-tiveminingcapabilityforlongwallshearersusingthermalinfrared－basedseamtracking［J］．InternationalJournalofMiningScienceandTechnology，2013，23(1):47－53．［9］任芳，杨兆建，熊诗波．国内外煤岩界面识别技术研究动态综述［J］．煤，2001(4):54－55．［10］田慧卿，魏忠义．基于图像识别技术的煤岩识别研究与实现［J］．西安工程大学学报，2012(5):657－659，660．［11］方新秋，何杰，郭敏江，等．煤矿无人工作面开采技术研究［J］．科技导报，2008，26(9):56－61．(责任编辑赵巧芝櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗)(上接第105页)断面观测线和任意方向观测线的概率积分法求参问题，且求取结果更加接近实测值，能够满足工程和实践应用需要，具有一定的推广应用价值。参考文献:［1］路璐，刘胜富．地表沉陷的概率积分法预计参数的回归分析［J］．矿业快报，2008(12):43－47．［2］邹友峰，邓喀中，马伟民．矿山开采沉陷工程［M］．徐州:中国矿业大学出版社，2003．［3］何国清，杨伦，凌赓娣，等．矿山开采沉陷学［M］．徐州:中国矿业大学出版社，1991．［4］陈勇，郭文兵，文运平．基于MATLAB求取地表移动预计参数的方法研究［J］．河南理工大学学报(自然科学版)，2009，28(6):714－718．［5］王明柱，郭广礼，王磊，等．基于岭估计的概率积分法预计参数的求取［J］．煤炭开采，2012，17(2):17－19．［6］查剑锋，冯文凯，朱晓峻．基于遗传算法的概率积分法预计参数反演［J］．采矿与安全工程学报，2008，28(4):654－659．［7］王瑞云．遗传算法求概率积分法预计参数程序设计［J］．安徽理工大学学报(自然科学版)，2013，33(1):67－71．［8］李亚东，曾凯．基于遗传算法的概率积分法预计参数求取方法研究［J］．城市勘测，2013，10(5):122－124．［9］杨帆，麻凤海．地表移动预计参数选取的神经网络法［J］．中国地质灾害与防治学报，2004，15(1):102－106．［10］郭文兵，邓喀中，邹友峰．概率积分法预计参数选取的神经网络模型［J］．中国矿业大学学报，2004，33(3):322－326．［11］胡奎．模矢法在求取地表移动预计参数中的应用［J］．能源技术与管理，2013，38(2):15－17．［12］柴华彬，邹友峰，郭文兵．用模糊模式识别确定开采沉陷预计参数［J］．煤炭学报，2005，30(6):701－704．［13］胡青峰，崔希民，李春意，等．基于Broyden算法的概率积分法预计参数求取方法研究［J］．湖南科技大学学报(自然科学版)，2009，24(1):5－8．［14］张广伟，李凤明，李树志，等．基于岩体破裂规律的下沉系数变化［J］．煤炭学报，2013，38(6):977－981．［15］国家煤炭工业局．建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规程［M］．北京:煤炭工业出版社，2000．［16］毛明楷，贾宝，梁晓莉，等．MATLAB在开采沉陷预计参数求取中的应用［J］．河南城建学院学报，2013，22(5):45－49．(责任编辑郭继圣)9012015年第8期煤炭工程研究探讨中国煤炭期刊网 www.chinacaj.net