[发明专利]一种煤和矸石的图像识别方法

说明书

技术领域

本发明涉及一种图像识别方法，尤其是一种基于计算机的煤和矸石的图像自动识别方法。

背景技术

在煤炭生产和加工过程中会产生大量的矸石，传统的重介法、跳汰法等分选方法设备庞大、水污染严重，对工人健康及环境都造成很大的危害，因此制造现代化的自动分选设备是非常必要的。而制造自动分选设备的前提就是寻找出煤和矸石的显著区别。在目前公开的分选方法中，最主要的就是基于伽玛射线以及双能伽玛射线探测技术的煤和矸石分选方法，目前涉及基于图像处理的煤和矸石分选大致分两种，一种是基于图像的灰度直方图的识别方法，另外一种是基于图像灰度共生矩阵的识别方法，但其识别率低。

发明内容

技术问题：本发明的目的是针对已有技术中存在的问题，提供一种识别率高的煤和矸石的图像自动识别方法。 

技术方案：本发明的煤和矸石的图像识别方法，包括以下步骤：

a．利用电子摄像装置拍摄煤试样与矸石试样的数字图片，通过矩阵实验室计算机编程对拍摄的煤试样和矸石试样的数字图片进行图像处理，去除噪音；

b．对处理过的煤试样和矸石试样图片提取灰度直方图的5个特征参数，并提取灰度共生矩阵的11个特征参数；

c．通过主成分分析法对提取的16个特征参数进行降维处理，选取每块煤或矸石的5个主成分特征参数；

d．确定BP神经网络算法的输入层、隐含层和输出层的神经元个数，调节各层之间的连接函数，输入煤或矸石的5个主成分特征参数即可实现煤和矸石的图像识别。

所述对处理过的煤和矸石图像提取灰度直方图的5个特征参数为平均值、方差、偏度、峰度、能量；所述对处理过的煤和矸石图像提取灰度共生矩阵的11个特征参数为对比度、相关、熵、逆差矩、能量、中值、协方差、反差、差异性、二阶矩、自相关。

有益效果：本发明通过煤和矸石图像的灰度与纹理特征实现煤和矸石的自动识别与分选，应用目前较成熟的BP神经网络算法对煤和矸石进行识别，对煤和矸石图片进行处理以及应用计算机进行智能识别和分选。BP神经网络算法有较好的模式识别能力和学习能力，可根据现有的资料进行自适应学习、训练，并利用BP神经网络函数对网络进行初始化、仿真和训练，得到较精确的煤和矸石识别结果。选取煤和矸石的试样若干，提取每个试样的5个主成分特征参数对神经网络进行训练，达到训练要求的误差。在训练好的BP神经网络中，输入任何一张由煤或矸石数字图片中提取的5个主成分参数，即可从输出层得出识别的结果，有助于煤和矸石的分选，提高煤的品质。其识别率高，易操作。

附图说明

    图1是本发明的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步的描述：

本发明的煤和矸石的图像识别方法，利用电子摄像装置拍摄煤试样与矸石试样的数字图片，通过矩阵实验室计算机编程对拍摄的煤试样和矸石试样的数字图片进行图像处理，统一图片尺寸、对图片进行中值滤波，以消除在图像传输、转换过程中产生的噪声；对处理过的煤试样和矸石试样图片提取灰度直方图的5个特征参数，对处理过的煤和矸石图像提取灰度直方图的5个特征参数为平均值、方差、偏度、峰度、能量；灰度直方图表示数字图片中某一灰度级出现的频数，显示出图像的灰度范围、灰度级的大致分布情况。同时提取灰度共生矩阵的11个特征参数，对处理过的煤和矸石图像提取灰度共生矩阵的11个特征参数为对比度、相关、熵、逆差矩、能量、中值、协方差、反差、差异性、二阶矩、自相关，其中二阶矩、对比度、熵、方差和逆差矩主要是灰度共生矩阵进行纹理分析的主要参数。由于上述灰度直方图和灰度共生矩阵的特征参数共有16个，过于冗杂，且处理起来不方便，通过采用主成分分析法对提取的16个特征参数进行降维处理，设置主成分的累积方差贡献率为90%，将16个特征参数通过线性变换选出主要的5个主成分特征参数，这5个主成分特征参数是原16个特征参数的线性组合，从而使每张数字图片原来提取的16个特征参数综合用5个主成分特征参数代替，这5个主成分特征参数最大限度的表征了原16个特征参数的数据特征，这5个主成分特征参数即是煤和矸石的图像识别的基础。最后，设定BP神经网络算法的输入层、隐含层和输出层神经元的个数，调节各层之间连接函数，输出层中煤和矸石分别用“1”和“0”表征，输入选取的煤或矸石的5个主成分特征参数即可实现煤和矸石的图像识别。