一種基于bp神經(jīng)網(wǎng)絡的煤巖圖像識別方法
【專利摘要】一種基于BP神經(jīng)網(wǎng)絡的煤巖圖像識別方法，通過對煤巖圖像進行Daubechies小波變換分解，從而抽取圖像紋理特征信息構(gòu)造紋理特征向量。為了更有效的提取圖像紋理特征，同時減少特征向量的維數(shù)，采用分解尺度等級為3，同時采用BP神經(jīng)網(wǎng)絡作為分類器。本發(fā)明計算速度快、準確率高，適用于復雜環(huán)境下煤巖圖像的自動分類，可有效提高該類圖像的識別準確率。
【專利說明】一種基于BP神經(jīng)網(wǎng)絡的煤巖圖像識別方法
【技術(shù)領域】
[0001]本發(fā)明屬于計算機圖像處理與模式識別領域，是一種利用圖像紋理特征信息對煤巖圖像進行特征抽取，并用神經(jīng)網(wǎng)絡等對特征向量進行分類的方法。
【背景技術(shù)】
[0002]在煤礦井下開采過程中，需要準確識別煤層和巖層，以此來控制采煤機搖臂的升降，從而避免切割至頂?shù)装鍘r石。目前，我國主要采用保守開采的方式，實際采出率低，造成了嚴重的資源浪費。而現(xiàn)在的技術(shù)水平也很難對剩余的大量煤炭資源進行二次開采，因此開發(fā)煤巖識別技術(shù)具有重要意義。
[0003]從20世紀50年代起，美國等世界主要產(chǎn)煤國越來越重視煤巖識別領域的研究。例如:基于煤巖自然Y射線輻射特性的傳感器法，此法通過Y射線在煤層和巖層的不同衰減規(guī)律，從而對煤層和巖層進行識別。該方法要求頂板巖石必須具有放射性元素，因此對于放射性元素較少的砂巖頂板則無法應用，限制了其在我國大面積推廣。
[0004]中國專利CNi01922290公開的煤巖界面識別方法，雖然能自動識別出煤巖，但是存在如下問題:第一，高壓水射流會造成采煤現(xiàn)場排水困難；第二，被煤層或巖層反射的反射流對噴嘴形成的不同作用力很難準確感知。
[0005]Pesaresi利用不同尺度的開、閉運算構(gòu)造了圖像的形態(tài)學剖面，并利用神經(jīng)網(wǎng)絡對多尺度形態(tài)學特征進行分類，他認為開、閉運算運用于圖像，可以檢測出比鄰域更暗或更亮的結(jié)構(gòu)單元。Benediktsson提出了差分形態(tài)學剖面的概念，用相鄰尺度間開、閉運算結(jié)果的差作為圖像新的結(jié)構(gòu)特征，并用BP神經(jīng)網(wǎng)絡對該結(jié)構(gòu)特征進行分類。這些方法都是利用一定區(qū)域圖像的灰度分布特征來提取特征信息，使得圖像細節(jié)得不到充分表達，影響了圖像分類精度。

【發(fā)明內(nèi)容】

[0006]為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡的煤巖圖像識別方法。
[0007]本發(fā)明的技術(shù)方案如下:
[0008]一種基于BP神經(jīng)網(wǎng)絡的煤巖圖像識別方法，
[0009]包括以下步驟:
[0010]I)選擇A幅煤巖訓練樣品圖像，B幅待分類煤巖測試樣品圖像，其中B小于A ；
[0011]2)將第I)步的訓練樣品圖像和待分類測試樣品圖像進行三級Daubechies小波變換；
[0012]3)對訓練樣品圖像和待分類測試樣品圖像抽取紋理特征信息；
[0013]4)對訓練樣品圖像和待分類測試樣品圖像構(gòu)造紋理特征向量；
[0014]5)將訓練樣品圖像的紋理特征向量輸入分類器，分類器為BP神經(jīng)網(wǎng)絡；
[0015]6)對分類器進行設置和訓練，然后輸入待分類測試樣品圖像紋理特征向量進行分類，得到最后的識別結(jié)果。
[0016]所述第3)步抽取紋理特征信息包括:
[0017]計算每個子帶的熵和均值，分別記為E和M，將同一子帶的E與M的比值E/Μ作為特征子向量；對于分解變換得到的LH、HH、HL子帶，計算其由灰度共生矩陣所衍生出來的角二階矩和對比度，分別將角二階矩和對比度記為α和β，并構(gòu)造特征子向量，由式(I)計算:
【權(quán)利要求】
1.一種基于BP神經(jīng)網(wǎng)絡的煤巖圖像識別方法，其特征在于，包括以下步驟: .1)選擇A幅煤巖訓練樣品圖像，B幅待分類煤巖測試樣品圖像，其中B小于A; .2)將第I)步的訓練樣品圖像和待分類測試樣品圖像進行三級Daubechies小波變換； .3)對訓練樣品圖像和待分類測試樣品圖像分別抽取紋理特征信息； .4)對訓練樣品圖像和待分類測試樣品圖像分別構(gòu)造紋理特征向量； .5)將訓練樣品的紋理特征向量輸入分類器，分類器為BP神經(jīng)網(wǎng)絡； .6)對分類器進行設置和訓練，然后輸入待分類測試樣品圖像紋理特征向量進行分類，得到最后的識別結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第3)步抽取紋理特征信息包括: 計算每個子帶的熵和均值，分別記為E和M，將同一子帶的E與M的比值E/Μ作為特征子向量；對于分解變換得到的LH、HH、HL子帶，計算其由灰度共生矩陣所衍生出來的角二階矩和對比度，分別將角二階矩和對比度記為α和β，并構(gòu)造特征子向量，由式(I)計算:
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第4)步構(gòu)造紋理特征向量包括: 對于Daubechies小波變換分解尺度等級為3的樣品圖像，用一個融合19個參數(shù)的向量F=(E/M，η)作為樣品圖像的特征向量，其中子向量E/Μ為
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述每個子帶的熵、均值、對比度和角二階矩的計算方法包括: 熵由式⑵計算:

【文檔編號】G06K9/46GK103530621SQ201310535559
【公開日】2014年1月22日 申請日期:2013年11月4日 優(yōu)先權(quán)日:2013年11月4日
【發(fā)明者】孫繼平, 佘杰 申請人:中國礦業(yè)大學(北京)