煤与矸石图像灰度信息和纹理特征的提取研究

(1.太原理工大学机械电子工程研究所，山西太原 030024； 2.太原理工大学新型传感器与智能控制教育部与山西省重点实验室，山西太原 030024)

摘要：针对现有大多数煤与矸石图像识别方法只单一地利用灰度均值和灰度方差进行识别，存在识别准确度和效率不高等问题，提出了一种煤与矸石图像灰度信息和纹理特征提取方法。该方法提取具有代表性的特征参数，如灰度均值、平滑度及灰度共生矩阵的能量、对比度、相关性、熵等，作为识别煤与矸石的重要依据。Matlab仿真分析结果表明，以上特征参数可以有效地描述煤与矸石的图像特征，可为煤与矸石的自动识别与分选提供重要参考依据。

关键词：煤与矸石识别；图像处理；灰度信息；纹理特征；灰度均值；平滑度；灰度共生矩阵；对比度

0 引言

煤与矸石分选是煤炭生产的重要环节，夹杂在煤中的矸石不仅对煤的质量有影响，且在燃烧时对环境造成严重污染。传统的煤与矸石分选方法为机械分选和人工分选。机械分选为目前常用的选煤方法，其技术比较成熟,但其设备庞大，工艺复杂，水资源浪费严重[1]。人工分选方法存在操作环境差、生产效率低等缺点[2]。近年来，随着计算机与机器视觉技术的发展，基于图像处理的煤矸自动识别技术也得到了快速发展。马宪民等[3]利用模式识别技术研究了煤与矸石的识别，将煤与矸石的均值和方差作为识别依据，但其只是在理论上进行讨论。于国防等[4]研究了不同光照条件下的基于灰度均值和方差的煤矸识别，选取有代表性的块煤和矸石作为研究对象，但该研究具有局限性，需在特定条件下才能实现煤与矸石的分选。苏金宝等[5]对图像预处理进行了进一步研究，以便能更好地提取煤与矸石的灰度均值与方差。在这些研究中，大多是对煤与矸石图像的灰度直方图信息进行了研究，在识别过程中只单一地利用灰度均值和灰度方差进行识别，识别准确度和效率不高。为此，本文提出了一种煤与矸石图像的灰度信息和纹理特征提取方法，并将其应用到煤与矸石的识别中。该方法首先利用CCD工业摄像头采集煤与矸石的原始图像，然后利用Matlab软件对图像进行预处理，并提取煤与矸石图像的灰度特征和纹理特征参数，最后选取有代表性的特征参数作为煤与矸石识别的重要依据。

1 煤与矸石的识别过程与实验条件

首先利用CCD工业摄像机采集煤与矸石的原始图像，利用图像采集卡将图像传输到计算机中，然后利用Matlab软件对采集的图像进行一定的预处理，最后对预处理的图像进行特征提取，即进行灰度特征和纹理特征参数提取，分析参数并选取有代表性的参数作为识别依据，最后通过分类器进行识别。

本文实验所用的煤与矸石样本取自神华神东洗选中心煤制油选煤厂，其命名方式如下：煤块1号样品命名为M1，煤块2号样品命名为M2，依此类推。矸石1号样品命名为G1，矸石2号样品命名为G2，依此类推。工业摄像机型号为MV-VS030FM-L，CCD感光元件，采集的原始图像分辨率为640×480，像素尺寸为5.6 μm。利用Matlab软件对图像进行分析时，将原始图像截取为尺寸大小为200×200像素的图像，即采集的煤与矸石原始图像的中心位置。

2 图像预处理

图像在获取、转换和传送过程中，常会受到外部环境和成像设备等一定程度噪声干扰的影响，使图像质量下降[6]。因此，在对煤与矸石图像进行特征提取与分析之前一定要进行图像预处理，以便获得高质量的清晰图像。煤矿生产环境恶劣、灰尘大、光线弱，采集的图像噪声干扰大，主要为点状噪声和脉冲颗粒噪声，针对此种噪声,本文采用自适应中值滤波器进行降噪，既可以滤除噪声，又可以保证图像边缘的清晰。原图像f(x,y)经过自适应中值滤波预处理后得到的处理图像为

式中：g(x,y)为噪声图像在点(x,y)上的值；

为g(x,y)的噪声方差；mN表示在Sxy上像素点的局部均值，Sxy表示自适应滤波器作用的局部区域；

表示在Sxy上像素点的局部方差。

3 特征参数提取

一般情况下，煤的颜色呈亮黑色，而矸石呈灰白色，在同一光线照射下，煤块在小部分区域会出现反光亮点，而矸石整体区域为灰色[7]。因此，煤与矸石的灰度概率分布有很大的不同，通常煤的灰度级比较低，而矸石的灰度级较高。从这个差异上可知，煤与矸石的灰度直方图不同。描述直方图分布形状的一种主要方法是计算它的中心距[8-9]，其定义为

式中：L为灰度级数目；为图像灰度级的一个离散随机变量，i=0，1，…，L-1；m为灰度均值；n为矩的阶；p(zi)为灰度级zi出现的概率的估值。

(1) 灰度均值：反映一幅图像中的平均灰度值。灰度均值表达式为

(2) 方差：反映一幅图像的灰度在数值上的离散分布情况。灰度方差表达式为

(3) 平滑度：描述区域中灰度的相对平滑度。对于灰度差异较大的区域其值为0，灰度一致的区域其值为1。平滑度表达式为

(4) 三阶矩：描述图像直方图分布的不对称程度，歪斜度越大表明直方图的分布越不对称，反之直方图分布对称。三阶矩表达式为

(5) 一致性：反映灰度分布的均匀程度，灰度分布均匀时能量较大，反之较小。一致性表达式为

纹理是一种反映图像中某一区域的灰度级分布的属性。Haralick提出的灰度共生矩阵是用来描述纹理特征的常用方法。灰度共生矩阵P(i,j,d,θ)(i,j分别表示一幅图像中不同位置的灰度值，d为距离，θ为方向)是图像灰度在方向、相邻间隔、变化幅度上的综合信息反映，通过它能够分析和理解图像的局部模式及它们的排列规则[10-12]。灰度共生矩阵主要影响因素有窗口大小h、方向θ、距离d和灰度级数L。通常方向θ取值为0，45，90，135°，d=1。通过煤和矸石的灰度共生矩阵可以提取出能量、对比度、熵、相关性等特征参数，并将其作为图像的纹理特性描述[13-15]。

(1) 能量：是指灰度共生矩阵中各元素值的平方和，其反映了图像纹理的灰度变化稳定程度、图像灰度分布均匀程度和纹理粗细度。能量值大，表明灰度分布不均匀，纹理更加粗糙。能量表达式为

(2) 对比度：用来度量矩阵中的值如何分布及图像中局部变化的多少，反映了图像的清晰程度和纹理的沟纹深浅程度。纹理的沟纹越浅，则反差越小，图像越模糊；相反，对比度越大，则纹理沟纹越深，图像更加清晰。对比度表达式为

(3) 相关性：用来度量图像的灰度级在行或列方向上的相似程度，其值反映了图像的局部灰度相关性，值越大，则相关性也越大。相关性表达式为

式中：u1为变量i的均值

u2为变量j的均值

为变量i的方差

量j的方差

(4) 熵:反映了图像所包含信息量的随机性。当灰度共生矩阵中所有元素的值均相等或者像素值表现出最大的随机性时，熵最大；熵值描述了图像灰度分布的复杂程度，熵值越小，图像越简单；反之，图像越复杂。熵的表达式为

本文首先对煤与矸石图像分别求得4个方向上的能量、对比度、相关性、熵的各个特征值，然后对每个方向上的特征值求平均值,以消除生成方向的影响。最后将4个方向上的能量、对比度、相关性、熵的各自平均值作为描述煤与矸石图像特征的值。

4 实验结果与分析

经过图像预处理后的煤与矸石的图像如图2所示，其大小为640×480。

(b) 矸石

图2 煤与矸石原始图像

截取的200×200的煤与矸石图像及其灰度直方图如图3、图4所示。

从图3、图4可知，煤与矸石的灰度直方图有差异，煤的灰度级较低，而矸石的灰度级较高。根据式(2)—式(7),表1、表2分别列举了基于灰度直方图提取的5幅煤与矸石图像的特征参数值。

从表1、表2可以看出，基于灰度直方图提取的参数中，煤与矸石图像在灰度均值、灰度方差、平滑度及歪斜度上有明显的差异，而在一致性上差别不大。以上数据只是5幅图像的数据，不具有代表性，需要对大量图像进行实验。本文选取50幅煤与矸石图像进行实验，通过大量实验数据得出，煤的灰度均值范围为30～60，方差为25～35，平滑度在0.015左右，歪斜度的均值在1.0以上；而矸石的灰度均值范围为50～90，方差为15～28，平滑度为0.004左右，歪斜度在1.0以下。根据以上数据可以看出，煤与矸石在灰度均值与灰度方差有一定的重合，因此，单方面利用灰度信息对煤与矸石进行识别，其识别精度不高。但是,可以把煤与矸石图像的灰度均值、平滑度和歪斜度作为煤与矸识别的参考参数，之后与纹理特征参数相融合进行识别。

图3 大小为200×200的煤图像及其直方图

图4 大小为200×200的矸石图像及其直方图

表1 基于灰度直方图提取的煤的特征参数值

表2 基于灰度直方图提取的矸石的特征参数值

根据式(8)—式(11)，表3、表4分别例举了基于灰度共生矩阵提取的5幅煤与矸石图像的纹理特征参数值。

表3 基于灰度共生矩阵提取的煤的纹理特征参数值

表4 基于灰度共生矩阵提取的矸石的纹理特征参数值

从表3、表4可以看出，煤与矸石图像的能量、对比度和相关性具有明显的差异，因此，可以将它们作为识别的特征参数。

将基于灰度直方图与基于灰度共生矩阵提取的特征参数进行结合，对煤与矸石进行识别。选取50幅煤与矸石图像，其中训练样本数为30，测试样本数为20。测试结果见表5。

表5 煤与矸石测试结果

从表5可以看出，在结合了基于灰度直方图和基于灰度共生矩阵提取的特征参数时，煤与矸石的识别率达到了90%以上。

5 结语

通过对煤与矸石图像进行预处理，分别基于灰度直方图和灰度共生矩阵对图像提取特征参数。由实验数据可知，煤与矸石图像的灰度直方图在灰度均值、灰度方差、平滑度及歪斜度上有明显差异，而两者的纹理特征在能量、对比度和相关性上有显著差异。因此，可以将以上特征参数作为煤与矸石的

识别依据。实验结果表明，灰度信息和纹理特征能够很好地描述煤与矸石的特征，对实现煤与矸石自动识别与分选具有重要的参考意义。

[1] 张友军.国内外选煤技术与装备的现状及发展趋势[J].选煤技术,2011(1):70-72.

[2] 张礼平.加大手选拣矸力度的经济效益分析[J].煤质技术,2008(5):17-18.

[3] 马宪民,蒋勇.煤与矸石识别的数字图像处理方法探讨[J].煤矿机电,2004(5):9-11.

[4] 于国防,邹士威,秦聪.图像灰度信息在煤矸石自动分选中的应用研究[J].工矿自动化,2012,38(2):36-39.

[5] 苏宝金,陈波,贺靖峰,等.煤与矸石灰度直方图的差异研究[J].洁净煤技术,2011,17(6):96-98.

[6] 夏德深.现代图像处理技术与应用[M].南京：东南大学出版社,2001:49-54.

[7] 何敏,王培培,蒋慧慧.基于SVM和纹理的煤和煤矸石自动识别[J].计算机工程与设计,2012,33(3):1117-1121.

[8] GONZALEZ R C,WOODS R E.数字图像处理[M].2版.阮秋琦，阮宇智，译.北京：电子工业出版社,2007.

[9] 闫敬文.数字图像处理:MATLAB版[M].北京：国防工业出版社,2011.

[10] SOLTANIAN-ZADEH H,RAFIEE-RAD F,SIAMAK P D.Comparison of multiwavelet,wavelet,Haralick,and shape features for microcalcification classification in mammograms[J].Pattern Recognition,2004,37(10):1973-1986.

[11] 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.

[12] 任国贞,江涛.基于灰度共生矩阵的纹理提取方法研究[J].计算机应用与软件,2014(11):190-192.

[13] 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,2005,37(12):1667-1670.

[14] HOBSON D M,CARTER R M,YAN Y,et al.Differentiation between coal and stone through image analysis of texture features[C]∥IEEE International Workshop on Imaging Systems and Techniques,2007:1-4.

[15] CHEN Q,ZHAO J,FANG C H,et al.Feasibility study on identification of green,black and Oolong teas using near-infrared reflectance spectroscopy based on support vector machine(SVM)[J].Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy,2007,66(3):568-574.

Research on extraction of image gray information and texture features of coal and gangue image

(1.Electronic and Mechanical Research Institute, Taiyuan University of Technology, Taiyuan 030024, China; 2.Key Lab of Advanced Transducers and Intelligent Control System, Ministry of Education and Shanxi Provence, Taiyuan University of Technology, Taiyuan 030024, China)

Abstract：In view of problems of low identification accuracy and efficiency existed in most recognition method of coal and gangue image which only used gray mean and gray variance, an extraction method of gray information and texture features of coal and gangue image was proposed. The representative feature parameters such as gray average, smoothness and energy, contrast, correlation, entropy of gray co-occurrence matrix are extracted, which are taken as the important basis for identification of coal and gangue. Matlab simulation results show that the gray information and the texture feature can well describe characteristics of the coal and the gangue image, which can provide an important reference for automatic identification and separation of coal and gangue.

Key words：coal and gangue identification; image process; gray information; texture feature; gray mean; smoothness; gray co-occurrence matrix; contrast

作者简介：谭春超(1992-)，男，吉林长春人，硕士研究生，主要研究方向为机电系统及生产过程智能控制，E-mail:386858243@qq.com。通信作者：杨洁明(1956-)，女，山西太谷人，教授，博士，主要研究方向为机电系统及生产过程智能控制，E-mail:jmyang666@163.com。

网络出版地址：http://kns.cnki.net/kcms/detail/32.1627.TP.20170328.1713.007.html

谭春超，杨洁明.煤与矸石图像灰度信息和纹理特征的提取研究[J].工矿自动化，2017,43(4)：27-31.