*安徽省高校省级自然科学研究项目（KJ2012B062）基于图像纹理的煤岩识别研究*章华，李振璧，姜媛媛（安徽理工大学电气与信息工程学院，安徽淮南232001）摘要：煤岩识别对实现采掘面无人开采具有重要的意义。由于煤、岩石在纹理上的巨大差别，提出了基于图像纹理的煤岩识别研究。利用灰度共生矩阵(GLCM)分别对煤、岩石图像纹理进行特征提取，然后再应用RBF神经网络分析处理所得到的纹理特征数据，进而实现对煤岩的分类识别，通过验证，该方法准确率高，操作简单，值得推广。关键词：纹理；煤岩识别；灰度共生矩阵；RBF神经网络中图分类号：P618文献标志码：A文章编号：1008－8725（2015）07－0120－02StudyonCoalandRockIdentificationBasedonImageTextureZHANGHua,LIZhen-bi,JIANGYuan-yuan(CollegeofElectricalandInformationEngineering,AnhuiUniversityofScienceandTechnology,Huainan232001,China)Abstract:Coalandrockidentificationisofgreatsignificancetotherealizationofunmannedminingsuracemining.Becuaseofthegreatdifferenceinthetextureonthecoalandrock,putforwardtheresearchofcoalandrockidentificationbasedonimagetexture.Usinggraylevelco-occurrencematrix(GLCM)respectivelyforfeatureextractionofcoalandrocktexture.ThenapplyRBFneuralnetworkanalysisandprocesstheobtainedtexturedatas,andthenrealizetheidentificationofcoalandrock,throughtheverification,themethodishighaccuracy,simpleoperation,worthyofpromotion.Keywords:texture;coalandrockrecognition;graylevelco-occurrencematrix;RBFneuralnetwork0引言近年来，煤矿事故频发，且多发生在采掘工作面，为了减少煤矿事故，真正实现采掘工作面无人开采，对煤岩的准确识别显得尤为重要。煤的种类主要有烟煤、无烟煤，煤层中的岩石主要是页岩和砂岩。传统的煤岩识别方法如红外探测法、震动检测法存在识别率不高、实用性不强等缺点。而煤和岩石在纹理上差别大，有较为明显的区分，若从煤和岩石图像的纹理上来分析，就能更好地在宏观和微观上来对煤和岩石进行更为精准地识别和区分。灰度共生矩阵是对纹理图像灰度变化的二阶统计函数，能很好地反映纹理图像中灰度的反复交替变化。RBF神经网络能以任意精度逼近任何非线性函数，是连续函数的最佳逼近。与传统的BP神经网络比较，RBF神经网络能克服其容易陷入局部极小的问题，且训练速度比BP算法提高上千倍，实时性高。所以本文采用灰度共生矩阵（GLCM）和RBF神经网络相结合对煤岩图像纹理的分类识别进而实现煤岩识别。1纹理特征量的提取纹理是物质的一种本质属性，图像的纹理特征反映了图像灰度的局部模式和排列规则，是对图像中信息的一种定量描述。灰度共生矩阵是关于像素之间的距离和方向的矩阵函数，对于一个有N个离散灰度级组成的图像f（x，y），灰度共生矩阵f（i，j，d，θ）的元素是指灰度值分别为i，j的像素对在f（x，y）图像上按一定位置算子Q（d，θ）出现的次数，灰度共生矩阵能很好地反映纹理图像的空间相关性，能够很全面地对反映图像特征的纹理特征值进行提取。为了更直观地看到灰度共生矩阵对图像纹理的描述，将其归一化处理P^（i，j，d，θ）=P（i，j，d，θ）S（1）式中S———灰度共生矩阵中所有元素之和。Haralick提出了用于分析灰度共生矩阵的14个特征值，其中有4个是不相关的，这4个特征值精度较高，且计算方便，分别是：（1）角二阶矩对图像灰度的分布均匀程度和纹理粗细程度的描述，公式如下M=N-1i=0ΣN-1j=0Σ[P^（i，j，d，θ）]2（2）（2）对比度对图像的清晰度和纹理沟纹的深浅程度的描述，公式如下G=N-1x=0Σx2{N-1i=0ΣN-1j=0ΣP^（i，j，d，θ）}（3）（3）相关性反映了灰度共生矩阵中的元素在行列方向上的相似程度，公式如下B=N-1i=0ΣN-1j=0ΣijP^（i，j，d，θ）-u1u2σ12σ22（4）doi:10.13301/j.cnki.ct.2015.07.044煤炭技术CoalTechnologyVol.34No.07Jul.2015第34卷第07期2015年07月120中国煤炭期刊网 www.chinacaj.net

u1=N-1i=0ΣiN-1j=0ΣP^（i，j，d，θ），u2=N-1i=0ΣjN-1j=0ΣP^（i，j，d，θ）σ12=N-1i=0Σ（i-u1）2N-1j=0ΣP^（i，j，d，θ）σ22=N-1i=0Σ（i-u2）2N-1j=0ΣP^（i，j，d，θ）（4）熵对纹理复杂度的描述，公式如下H=-N-1i=0ΣN-1j=0ΣP^（i，j，d，θ）logP^（i，j，d，θ）（5）结合实际，利用灰度共生矩阵从13幅煤图像和13幅岩石图像分别提取角二阶矩、对比度、相关性和熵4个纹理特征值如表1、表2所示。表1煤纹理特征值表2岩石纹理特征值2煤岩纹理的识别（1）RBF神经网络原理RBF神经网络是一种3层前向网络，第1层是输入层，由信号源节点组成；第2层为隐含层，其对应的变换函数是一种局部分布的非线性函数；第3层为输出层，网络的输出是隐单元输出的线性加权，如图1所示。输入层隐含层输出层图1RBF神经网络结构图其中φj=exp（-||x-cj||22bj2），j=1，2，…，m（6）RBF神经网络的映射关系为yk=mj=1Σwjkφjk=1，2，…，n（7）x为输入矢量，cj为第j个径向基函数中心，φj为隐含层第j个神经元的输出，bj为第j个基函数的宽度参数，wjk为网络的权系数。（2）样本的训练与测试由灰度共生矩阵提取的煤岩图像纹理的有4个特征数值，故RBF神经网络的输入层神经元个数为4，网络的输出是对煤和岩的识别，故是一维的，输出1表示煤，输出0表示岩石。表1中煤的纹理特征值13组数据中的1~8组作为煤的图像模式的训练样本集，表2中岩石的纹理特征值13组数据中的1~8组作为岩石的图像模式的训练样本集，将训练样本数据归一化，归一化到[0，1]，然后分别输入RBF神经网络。RBF神经网络初始参数设置为:学习效率值η=0.02，目标误差值ε=10-4。计算过程由matlab软件中神经网络工具箱实现，经493次训练后误差为0.00006，降到了目标误差以内，将此时的网络参数保存，然后，再将表1和表2中剩余的9~13组的测试数据归一化后分别对应输入各自训练成熟的网络，其输出值与近似值如表3所示，测试结果与实际完全相符合，错判率为0，证明能准确地对煤岩进行分类识别。表3纹理特征数据经RBF神经网络的测试结果3结语结合煤矿实际，根据煤和岩石在图像纹理上的较大差别，建立了灰度共生矩阵（GLCM）和RBF神经网络相结合的煤岩识别新方法，利用灰度共生矩阵在纹理特征提取上的优越性，分别对13幅煤和岩石的纹理图像提取角二阶矩、对比度、相关性和熵这4个纹理特征值。然后利用RBF神经网络对提取煤和岩石图像纹理的特征量分别进行训练和测试。最后，所得结果与实际完全相符合，说明了该方法对煤岩识别的准确性高，且操作简单，速度快，有一定的推广应用前景。参考文献：［1］张万枝，王增才.基于视觉技术的煤岩特征分析与识别［J］.煤炭技术，2014，33（10）：272-274.［2］张顶学，刘新芝，关治洪.RBF神经网络算法及其应用［J］.石油化工高等学校学报，2007（3）:86-88.［3］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）：657-660.［4］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.［5］焦蓬蓬，郭依正，刘丽娟，等.灰度共生矩阵纹理特征提取的Mat-lab实现［J］.计算机科学与发展，2012，22（11）：169-171，175.作者简介：章华（1990-），安徽安庆人，硕士研究生，研究方向：数字图像处理，电子信箱：zhua0209@163.com.责任编辑：张欣收稿日期：2014－12－26实际值近似值1.002310.997810.976311.100510.897510.129700.006200.107300.210100.09410煤输出结果岩石第34卷第07期Vol.34No.07基于图像纹理的煤岩识别研究———章华，等特征值MGBH10.002378.5965-8.78542.989020.003877.5848-2.47942.877530.005780.5237-4.53212.865740.006464.8395-3.60732.337150.004899.1653-6.30052.2485760.001892.3814-6.77493.651170.002594.7754-2.78544.306080.003339.1124-4.89532.679890.005588.7428-1.11322.4763100.006588.74233.45672.1129110.004068.0008-6.15642.3649120.003195.1146-2.98042.5002130.006060.2211-2.19832.2291特征值MGBH10.0051411.1120-2.38442.334020.0061280.4456-6.20012.300130.0055380.0011-4.56242.403040.0064240.8394-1.60702.342150.0078231.1687-4.31792.256060.0035340.7543-1.68242.656670.0065275.0139-1.28002.335980.0080400.2050-4.40032.254890.0054360.7695-1.12392.4090100.0069361.7890-2.45802.3849110.0079211.1946-3.17292.3649120.0058379.0546-4.60802.5937130.0072230.4177-2.60012.4538x1x2xnw11y2yny1wmnφ1φ2φ3φm121中国煤炭期刊网 www.chinacaj.net