X射線煤矸識(shí)別過(guò)程中圖像分割精度研究

尹建強(qiáng)，朱金波，曾秋予，楊晨光，張 勇，史苘檜

(安徽理工大學(xué) 材料科學(xué)與工程學(xué)院，安徽 淮南 232001)

煤矸分離是煤炭生產(chǎn)中必不可少的環(huán)節(jié)，傳統(tǒng)的排矸方法有人工排矸、跳汰排矸、重介質(zhì)排矸。人工排矸工作條件艱苦，人力成本大，效率低，排矸精度低，跳汰排矸和重介質(zhì)排矸消耗水資源巨大，環(huán)境污染嚴(yán)重[1-3]。X射線分選是以X成像技術(shù)為基礎(chǔ)[4]，采用圖像分析或者視覺(jué)計(jì)算方法從圖像上獲得礦物信息[5]，如何準(zhǔn)確地獲得礦物信息是近年來(lái)國(guó)內(nèi)外學(xué)者不斷研究的課題。

郝稱意等[5]在煤粒檢測(cè)的過(guò)程中首先使用邊緣檢測(cè)和形態(tài)學(xué)方法進(jìn)行煤粒圖像的分割試驗(yàn)，最后選擇分水嶺算法作為圖像分割方法，成功實(shí)現(xiàn)了煤粒圖像檢測(cè)。王仁寶等[6]對(duì)PAL.KING模糊邊緣檢測(cè)算法進(jìn)行改進(jìn)，提出了一種新的邊緣提取算子，并以此為基礎(chǔ)提出了煤和矸石自動(dòng)分選系統(tǒng)。張澤琳等[7]在粗粒煤堆密度組成估計(jì)的研究中，通過(guò)對(duì)比多種增強(qiáng)圖像和邊緣檢測(cè)的方法，提出一種將對(duì)比度受限自適應(yīng)直方圖均衡法(CLAHE)和 SUSAN 邊緣檢測(cè)算法相結(jié)合的方法，結(jié)果表明，該方法有效防止了過(guò)分割和前分割的現(xiàn)象。張景飛[8]等在對(duì)灰度區(qū)域不明顯的煤樣SEM圖像的分割研究過(guò)程中，提出了K均值聚類算法和形態(tài)學(xué)相結(jié)合的分割算法，并與其他算法作比較，結(jié)果表明此算法的匹配率最高。

1 試驗(yàn)準(zhǔn)備

選取四種礦物為研究對(duì)象，用五種分割算法對(duì)圖像進(jìn)行分割，對(duì)每種算法分割效果做出評(píng)價(jià)，最后得出分割精度最高的算法，為后續(xù)智能分選提供良好的預(yù)處理?xiàng)l件。

將礦物原料用液壓制樣機(jī)制成相同大小及密度的礦物壓片。將礦物壓片放入智能分選機(jī)的帶式輸送機(jī)上，經(jīng)過(guò)成像系統(tǒng)后計(jì)算機(jī)保存低能區(qū)、高能區(qū)兩幅圖像，利用MATLAB軟件實(shí)現(xiàn)圖像的分割。成像系統(tǒng)主要由X射線發(fā)生器、傳感器等組成，如圖1所示。工作原理為：X射線發(fā)生器發(fā)出X射線，在穿過(guò)帶式輸送機(jī)上的礦物后發(fā)生衰減，一部分能量被礦物和帶式輸送機(jī)吸收，一部分穿過(guò)礦物和帶式輸送機(jī)被傳感器接收，并轉(zhuǎn)換成電信號(hào)，再由計(jì)算機(jī)處理得到最后的成像圖片。

圖1 智能煤矸分選機(jī)成像系統(tǒng)示意圖

試驗(yàn)所用的材料見(jiàn)表1。

表1 試驗(yàn)材料

2 圖像分割算法原理

圖像分割是一種能夠?qū)?shù)字圖像分割成不同區(qū)域的技術(shù)手段，也是圖像處理的先決條件。它可以根據(jù)圖像中某一相同性質(zhì)，如灰度、顏色、紋理等，將這些具有相同性質(zhì)的集合提取出來(lái)。在此用五種不同的圖像分割算法對(duì)石墨、蒙脫石、高嶺土、石英四種純礦物在X射線下的成像進(jìn)行分割，其算法流程框圖如圖2所示。

圖2 分割算法流程框圖

2.1 迭代式閾值分割

首先設(shè)定一個(gè)閾值差Δt0(Δt0<1)，然后將圖像的平均灰度值作為初始閾值T0，用T0分割圖像，ATk為灰度值大于T0的部分，BTk為灰度值小于T0的部分，分別計(jì)算出兩部分的平均灰度值μ(ATk)、μ(BTk)及新的閾值[9]：

(1)

式中：Tk+1為最優(yōu)分割閾值。重復(fù)以上過(guò)程，直至Tk+1∈[Δt0：1]。

2.2 OTSU閾值分割

該算法是尋找最優(yōu)閾值分割圖像，使得兩部分像素區(qū)分度最大，即類間方差最大[10]

g=ω1ω2(μ1-μ2)2，

(2)

式中：g為類間方差；ω1為背景像素占比；ω2為前景像素占比；μ1為背景的平均灰度值；μ2為前景的平均灰度值。

2.3 全局閾值分割

該算法選用灰度直方圖雙峰之間的波谷對(duì)應(yīng)的像素值作為全局閾值[11]。其公式如下：

(3)

式中：μ(x,y)為分割后圖像的灰度值，1為黑，0為白；g(x,y)為點(diǎn)(x,y)的像素值；T為全局閾值。

2.4 最大熵閾值分割法

該算法是以分割后的圖像熵來(lái)確定分割閾值，背景和前景對(duì)應(yīng)的熵表示如下[12]：

(4)

式中：p0(q)、p1(q)分別為q閾值分割的背景和前景像素的累計(jì)概率。在該閾值下，圖像總熵為：

H(q)=H0(q)+H1(q)。

(5)

2.5 交叉閾值分割法

該算法原理是計(jì)算出兩個(gè)區(qū)域之間的信息理論距離[13]。圖像重建后的函數(shù)形式可由3個(gè)未知的參數(shù)確定：

gi∈{μ1,u2}，

(6)

(7)

(8)

式中：gi為重建后圖像上i點(diǎn)的灰度；μ1為原圖像中最大灰度值；u2為原圖像中最小灰度值；μ1(t)和μ2(t)為重建后兩部分圖像的信息熵；N1和N2分別為兩個(gè)區(qū)域內(nèi)的像素點(diǎn)個(gè)數(shù)；ti為每一次重建所選擇的閾值；fi為重建后圖像上i點(diǎn)的灰度。則信息理論距離為：

(9)

閾值可選取為t0=min[η(t)]。

3 礦物圖像分割過(guò)程

首先將四種礦物樣品放入煤矸智能分選機(jī)，樣品經(jīng)過(guò)成像系統(tǒng)后保存圖片大小為768×1 000的高能區(qū)、低能區(qū)兩張圖片，成像后如圖3所示。

圖3 四種礦物在X射線下的成像

然后將原圖像進(jìn)行人工分割得到標(biāo)準(zhǔn)分割圖像如圖4所示，再利用標(biāo)準(zhǔn)分割圖像和各算法分割圖像的對(duì)比反映各算法的分割效果，通過(guò)MATLAB中3種標(biāo)準(zhǔn)評(píng)價(jià)指標(biāo)DICE、RVD、VOE來(lái)對(duì)分割效果進(jìn)行評(píng)價(jià)，以下是各礦物試驗(yàn)結(jié)果如圖5所示，途中從左至右分別為迭代式閾值分割，OTSU閾值分割，全局閾值分割，最大熵閾值分割，交叉閾值分割。

圖4 標(biāo)準(zhǔn)分割圖像

圖5 各礦物五項(xiàng)閾值分割圖

4 數(shù)據(jù)分析

為了能夠客觀地得出各個(gè)算法的精度，需要采用客觀的評(píng)價(jià)標(biāo)準(zhǔn)，DICE、RVD、VOE評(píng)價(jià)指標(biāo)為常見(jiàn)的三種標(biāo)準(zhǔn)評(píng)價(jià)指標(biāo)。

(10)

(11)

(12)

式中：fgt為標(biāo)準(zhǔn)分割圖像，fseg為算法分割圖像，DICE完美分割值為1，RVD完美分割值為0，VOE完美分割值為0。利用MATLAB得到每幅圖片的評(píng)價(jià)指標(biāo)如圖6所示。

圖6 各圖像的指標(biāo)值

從四種礦物的分割圖可以看出，石墨和石英在高能區(qū)礦物信息保留較好易被分割，低能區(qū)下圖像噪點(diǎn)分布不均且礦物信息被噪點(diǎn)覆蓋，難以識(shí)別；高嶺土和蒙脫石在低能區(qū)下信息保留全面，基本可以達(dá)到標(biāo)準(zhǔn)分割，高能區(qū)圖像噪點(diǎn)較多，但礦物信息保留基本完整。

從五種算法分割效果可以看出，迭代式閾值分割和最大熵閾值分割算法對(duì)礦物分割的精度最高，指標(biāo)點(diǎn)均集中在完美分割值算法附近其中迭代式閾值分割算法受到礦物種類影響較大，而最大熵閾值分割算法基本不受礦物種類影響，對(duì)煤和矸石的信息提取具有參考價(jià)值。

取各礦物高、低能區(qū)的指標(biāo)計(jì)算其均值，統(tǒng)計(jì)成表并且轉(zhuǎn)化成箱型圖如圖7所示。圖7中從左到右依次為迭代式閾值分割、OTSU閾值分割、全局閾值分割、最大熵閾值分割和交叉閾值分割五種算法。

圖7 五項(xiàng)閾值分割算法評(píng)價(jià)指標(biāo)

從圖中可以看出，迭代式閾值分割算法和最大熵閾值分割算法兩組數(shù)據(jù)整體接近最佳分割值，但是最大熵閾值分割算法的指標(biāo)離散化程度明顯低于迭代式分割算法，指標(biāo)更加集中，說(shuō)明最大熵閾值分割算法精度高于迭代式分割算法。交叉閾值分割算法指標(biāo)整體距最佳分割值差距較大，且離散程度大，受各種噪聲影響較大，分割效果差。OTSU閾值分割算法和全局閾值分割效果介于迭代式閾值分割和最大熵閾值分割算法，優(yōu)于交叉閾值分割算法。

5 煤和矸石圖像分割

通過(guò)試驗(yàn)數(shù)據(jù)分析得出各個(gè)分割算法的精度，為了使結(jié)果更加具有客觀性，用各分割算法對(duì)煤和矸石圖像進(jìn)行分割，結(jié)果如圖8所示。

圖8中從左至右依次為迭代式閾值分割、OTSU閾值分割、全局閾值分割、最大熵閾值分割、交叉熵閾值分割的結(jié)果。從結(jié)果來(lái)看，前者分割效果總體優(yōu)于后者分割效果。原因是由于單一礦物各原子類別單一，分布規(guī)律且均勻，X射線透過(guò)礦物衰減程度基本一致，圖像上目標(biāo)礦物區(qū)域灰度級(jí)較為平均，在閾值分割過(guò)程中灰度變化較小，各圖像分割結(jié)果差別較大。而煤矸石由于礦物組分較多，各部位X射線衰減程度不同，圖像灰度差距較大，在分割過(guò)程中可選擇多個(gè)灰度級(jí)比較，各圖像分割結(jié)果較為均勻。

圖8 煤和矸石五項(xiàng)閾值算法分割結(jié)果

從各算法分割結(jié)果可以看出，迭代式閾值分割、OTSU閾值分割、最大熵閾值分割對(duì)煤和矸石圖像分割效果較好，而全局閾值分割、交叉閾值分割效果較差。其與各礦物圖像分割標(biāo)準(zhǔn)結(jié)果基本一致，說(shuō)明最大熵閾值分割法對(duì)礦物圖像分割的精度最高。

6 結(jié)論

通過(guò)對(duì)X射線煤矸智能分選中煤和矸石信息提取精度問(wèn)題進(jìn)行了試驗(yàn)研究，應(yīng)用圖像分割技術(shù)對(duì)四種不同礦物圖像進(jìn)行分割，并用煤和矸石驗(yàn)證試驗(yàn)結(jié)果，對(duì)大量試驗(yàn)數(shù)據(jù)進(jìn)行分析，得到以下結(jié)論：

(1)在煤矸石智能分選過(guò)程中，基于灰度直方圖的閾值分割技術(shù)能夠提高礦物信息的提取精度，分割效果總體上煤矸石優(yōu)于單一礦物。

(2)在經(jīng)過(guò)DICE、RVD、VOE三個(gè)評(píng)價(jià)指標(biāo)進(jìn)行綜合評(píng)價(jià)后得出最大熵閾值分割算法對(duì)于四種礦物具有較高的分割精度，能夠清楚的將目標(biāo)礦物和背景分割開來(lái)，保證計(jì)算機(jī)對(duì)礦物信息提取的準(zhǔn)確性。

(3)迭代式閾值分割法和最大熵閾值分割法對(duì)煤和矸石的分割效果較好，在煤矸石智能分選領(lǐng)域中，可考慮使用最大熵閾值分割處理煤矸圖像。