王 超，張 強(qiáng)

（中國(guó)礦業(yè)大學(xué)（北京）機(jī)電與信息工程學(xué)院，北京 100083）

煤礦的安全、高效、自動(dòng)化開采是煤礦開采的重要研究方向[1]。為保證煤礦生產(chǎn)質(zhì)量的安全性，煤礦開采時(shí)，最好做到?jīng)]有工作人員的自動(dòng)化開采[2-4]。現(xiàn)有的采煤工作設(shè)備不能自動(dòng)識(shí)別煤塊與巖石，導(dǎo)致正常生產(chǎn)時(shí)，不得不安排工作人員在回采工作面進(jìn)行輔助工作[5-7]。

煤巖識(shí)別問題直接關(guān)系到實(shí)現(xiàn)煤礦無人化開采。目前，天然γ 射線法、紅外線法、紫外線法、雷達(dá)探測(cè)法、超聲波等常規(guī)煤巖識(shí)別檢測(cè)方法因?yàn)槭艿矫旱V開采工作面的地質(zhì)條件，以及煤礦工藝限制，沒能成功應(yīng)用到實(shí)際煤礦開采中[8]。

在實(shí)際煤礦的開采過程中，通過對(duì)煤礦拍攝界面進(jìn)行實(shí)時(shí)處理，提取圖像特征用做煤巖識(shí)別的方法，可以大大提高煤礦開采效率，更便于調(diào)整采煤機(jī)截割滾筒采煤高度[9-10]。為此提出一種基于LBP 和GLCM 的煤巖圖像特征提取與識(shí)別方法，通過LBP算法和GLCM 配合使用，判斷煤巖差異性的同時(shí)，確定適用于煤巖識(shí)別分類的特征參數(shù)，進(jìn)一步提高煤巖識(shí)別的高效性和魯棒性。

1 局部二值模式煤巖圖像紋理特征

1.1 LBP描述算子

1 幀圖像區(qū)域可以簡(jiǎn)單分為中心區(qū)域和鄰域。圖像中心區(qū)域?qū)?yīng)的像素值和鄰域?qū)?yīng)的像素值一一比較，若圖像中心區(qū)域像素值大于鄰域像素值，將鄰域像素值對(duì)應(yīng)位置記為1，反之，記為0。LBP 描述算子就是對(duì)上述產(chǎn)生的0 和1 按照進(jìn)制轉(zhuǎn)換關(guān)系完成編碼，轉(zhuǎn)換為具有此幀圖像紋理特征的數(shù)字信息的一種算子。

若此幀圖像鄰域內(nèi)對(duì)應(yīng)存在N 個(gè)像素點(diǎn)，則在進(jìn)行進(jìn)制編碼時(shí)有2N種編碼模式。

1.2 基于LBP的局部紋理特征提取

LBP 算法局部紋理特征提取如下：

式中:（xc,yc）為1 幀圖像的中心區(qū)域像素坐標(biāo)；ic為1 幀圖像中像素點(diǎn)對(duì)應(yīng)的灰度值；ip為1 幀圖像鄰域中第p 個(gè)像素點(diǎn)對(duì)應(yīng)的灰度值；S 為函數(shù)。

LBP 提取過程如圖1。

圖1 LBP 提取過程Fig.1 LBP extraction process

LBP 描述子在計(jì)算過程中缺少中心像素對(duì)應(yīng)灰度的相關(guān)計(jì)算，從數(shù)據(jù)整合的角度看是不完整的，現(xiàn)有改進(jìn)的LBP 算法效果又不是十分顯著。因此后續(xù)采用GLCM 算法對(duì)煤巖圖像進(jìn)行全局特征紋理提取，彌補(bǔ)LBP 算法自身的缺陷，提高煤巖識(shí)別的魯棒性。

2 GLCM煤巖圖像全局紋理特征

N×N 為二維煤巖圖像大小，（x，y） 為此圖像中任意一點(diǎn)坐標(biāo)。點(diǎn)（x，y）與圖像中任意固定點(diǎn)形成點(diǎn)對(duì)（一般選取附近點(diǎn)），相對(duì)該固定點(diǎn)發(fā)生移動(dòng)，會(huì)得到不同的點(diǎn)對(duì)，點(diǎn)對(duì)的灰度值為（g1，g2）。

將煤巖圖像（x，y）空間坐標(biāo)灰度化，轉(zhuǎn)化為“灰度對(duì)”（g1，g2）的描述方式，對(duì)煤巖圖像灰度矩陣做歸一化處理。

式中: P（g1，g2）為灰度對(duì)歸一化概率分布函數(shù);N（g1，g2）為此灰度對(duì)出現(xiàn)的次數(shù)；θ 為圖像中任意一點(diǎn)（x，y）和圖像中任意固定點(diǎn)連線與坐標(biāo)軸橫軸的夾角；N 為灰度值的級(jí)數(shù)，即N 個(gè)像素點(diǎn)。

為提高煤巖圖像識(shí)別的分辨效率，采用GLCM的能量、熵、對(duì)比圖、逆差分矩4 種參數(shù)提取煤巖圖像全局特征[11]。用 G（i，j）表示 k×k 階共生矩陣，G 表示灰度共生矩陣常用的特征，4 種參數(shù)表示如下[12-15]:

1）能量ASM。反映煤巖圖像紋理粗細(xì)程度以及灰度分布的均勻程度。

2）熵ENT。表示煤巖圖像中紋理的復(fù)雜程度。

3）對(duì)比度CON。反映煤巖圖像的紋理溝紋深淺程度。

4）逆差分矩IDM。反映煤巖圖像紋理的同質(zhì)性，度量煤巖圖像紋理局部變化量。

基于GLCM 全局紋理信息提取過程如圖2。

3 試驗(yàn)與分析

為充分驗(yàn)證LBP 算法的高效性以及GLCM 的魯棒性。設(shè)計(jì)采用4 種煤巖樣本進(jìn)行試驗(yàn)。煤塊樣本如圖3，巖石樣本如圖4。

3.1 LBP煤巖識(shí)別試驗(yàn)

利用LBP 算法對(duì)煤塊樣本和巖石樣本分別進(jìn)行局部紋理提取?；贚BP 煤塊局部紋理特征提取如圖5，基于LBP 巖石局部紋理特征提取如圖6。

圖2 GLCM 全局紋理信息提取流程Fig.2 GLCM global texture information extraction process

圖3 煤塊樣本Fig.3 Coal samples

圖4 巖石樣本Fig.4 Rock samples

通過圖5 和圖6 可以知道，煤塊局部紋理特征不一，表面不整齊，溝壑明顯；巖石局部紋理特征基本一致，平整光滑，沒有明顯溝壑?？梢酝瓿擅簬r識(shí)別的初步檢測(cè)。但是圖5（c）中煙煤局部特征趨于光滑，較難通過視野分辨其和巖石差異。

圖5 基于LBP 煤塊局部紋理特征提取Fig.5 Coal block local texture feature extraction based on LBP

圖6 基于LBP 巖石局部紋理特征提取Fig.6 Rock local texture feature extraction based on LBP

3.2 GLCM煤巖識(shí)別試驗(yàn)

基于GLCM 的煤塊特征信息提取見表1, 基于GLCM 的巖石特征信息提取見表2。

表1 基于GLCM 的煤塊特征信息提取Table 1 Coal block feature information extraction based on GLCM

為了便于比較煤塊巖石4 種參數(shù)，對(duì)數(shù)據(jù)進(jìn)行均值計(jì)算和方差計(jì)算:

表2 基于GLCM 的巖石特征信息提取Table 2 Rock feature information extraction based on GLCM

式中:xi為4 種特征參數(shù)樣本值；n 為 4 種特征參數(shù)樣本數(shù)量為 4 種特征參數(shù)樣本均值；σ2為 4種特征參數(shù)樣本方差值。

煤塊和巖石 ASM、ENT、CON、IDM 均值見表3，煤塊和巖石 ASM、ENT、CON、IDM 方差見表4。

表3 煤塊、巖石參數(shù)均值表Table 3 Coal and rock parameters mean value table

表4 煤塊、巖石參數(shù)方差表Table 4 Coal and rock parameter variance table

通過matlab 對(duì)煤塊、巖石特征參數(shù)均值和方差值進(jìn)行繪圖分析（圖略），并結(jié)合表3 和表4 可得：

1）特征參數(shù)均值不足以做煤巖識(shí)別。

2）ASM 與 ENT 方差值差異明顯。煤塊樣本ASM 方差值是巖石樣本的5 倍左右，巖石樣本ENT方差值是煤塊樣本的4 倍左右。巖石樣本ENT 方差值明顯高于煤塊樣本，可以做煤巖識(shí)別參考數(shù)值。

4 結(jié) 語

通過OpenCV 計(jì)算機(jī)視覺庫，采用LBP 算法判斷煤塊和巖石局部特征存在差異。通過GLCM 對(duì)煤塊和巖石圖像進(jìn)一步處理，分別實(shí)現(xiàn)水平、垂直、45°、135° 4 個(gè)方向的灰度共生矩陣，提取能量、熵值、對(duì)比度、逆差分矩等4 個(gè)典型煤巖圖像特征參數(shù)，發(fā)現(xiàn)其中ASM、ENT 方差值較適用于煤巖識(shí)別。