基于LBP和GLCM的煤巖圖像特征提取與識別方法

王 超，張 強

（中國礦業大學（北京）機電與信息工程學院，北京 100083）

煤礦的安全、高效、自動化開采是煤礦開采的重要研究方向[1]。為保證煤礦生產質量的安全性，煤礦開采時，最好做到沒有工作人員的自動化開采[2-4]。現有的采煤工作設備不能自動識別煤塊與巖石，導致正常生產時，不得不安排工作人員在回采工作面進行輔助工作[5-7]。

煤巖識別問題直接關系到實現煤礦無人化開采。目前，天然γ 射線法、紅外線法、紫外線法、雷達探測法、超聲波等常規煤巖識別檢測方法因為受到煤礦開采工作面的地質條件，以及煤礦工藝限制，沒能成功應用到實際煤礦開采中[8]。

在實際煤礦的開采過程中，通過對煤礦拍攝界面進行實時處理，提取圖像特征用做煤巖識別的方法，可以大大提高煤礦開采效率，更便于調整采煤機截割滾筒采煤高度[9-10]。為此提出一種基于LBP 和GLCM 的煤巖圖像特征提取與識別方法，通過LBP算法和GLCM 配合使用，判斷煤巖差異性的同時，確定適用于煤巖識別分類的特征參數，進一步提高煤巖識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 幀圖像區域可以簡單分為中心區域和鄰域。圖像中心區域對應的像素值和鄰域對應的像素值一一比較，若圖像中心區域像素值大于鄰域像素值，將鄰域像素值對應位置記為1，反之，記為0。LBP 描述算子就是對上述產生的0 和1 按照進制轉換關系完成編碼，轉換為具有此幀圖像紋理特征的數字信息的一種算子。

若此幀圖像鄰域內對應存在N 個像素點，則在進行進制編碼時有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 幀圖像的中心區域像素坐標；ic為1 幀圖像中像素點對應的灰度值；ip為1 幀圖像鄰域中第p 個像素點對應的灰度值；S 為函數。

LBP 提取過程如圖1。

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

LBP 描述子在計算過程中缺少中心像素對應灰度的相關計算，從數據整合的角度看是不完整的，現有改進的LBP 算法效果又不是十分顯著。因此后續采用GLCM 算法對煤巖圖像進行全局特征紋理提取，彌補LBP 算法自身的缺陷，提高煤巖識別的魯棒性。

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坐標。點（x，y）與圖像中任意固定點形成點對（一般選取附近點），相對該固定點發生移動，會得到不同的點對，點對的灰度值為（g1，g2）。

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

式中: P（g1，g2）為灰度對歸一化概率分布函數;N（g1，g2）為此灰度對出現的次數；θ 為圖像中任意一點（x，y）和圖像中任意固定點連線與坐標軸橫軸的夾角；N 為灰度值的級數，即N 個像素點。

為提高煤巖圖像識別的分辨效率，采用GLCM的能量、熵、對比圖、逆差分矩4 種參數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 種參數表示如下[12-15]:

1）能量ASM。反映煤巖圖像紋理粗細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雜程度。

3）對比度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 試驗與分析

為充分驗證LBP 算法的高效性以及GLCM 的魯棒性。設計采用4 種煤巖樣本進行試驗。煤塊樣本如圖3，巖石樣本如圖4。

3.1 LBP煤巖識別試驗

利用LBP 算法對煤塊樣本和巖石樣本分別進行局部紋理提取。基于LBP 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。可以完成煤巖識別的初步檢測。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煤巖識別試驗

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，對數據進行均值計算和方差計算:

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 種特征參數樣本值；n 為 4 種特征參數樣本數量為 4 種特征參數樣本均值；σ2為 4種特征參數樣本方差值。

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、巖石參數均值表Table 3 Coal and rock parameters mean value table

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

通過matlab 對煤塊、巖石特征參數均值和方差值進行繪圖分析（圖略），并結合表3 和表4 可得：

1）特征參數均值不足以做煤巖識別。

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，可以做煤巖識別參考數值。

4 結 語

通過OpenCV 計算機視覺庫，采用LBP 算法判斷煤塊和巖石局部特征存在差異。通過GLCM 對煤塊和巖石圖像進一步處理，分別實現水平、垂直、45°、135° 4 個方向的灰度共生矩陣，提取能量、熵值、對比度、逆差分矩等4 個典型煤巖圖像特征參數，發現其中ASM、ENT 方差值較適用于煤巖識別。