基于聯(lián)合紋理特征的煤巖顯微組分MSVM分類.pdf

1、煤巖顯微組分分析技術(shù)是進(jìn)行煤炭分析研究的一項(xiàng)重要技術(shù)手段，為煤炭焦化、氣化等行業(yè)提供重要的指導(dǎo)依據(jù)。但是傳統(tǒng)的煤巖顯微組分分析系統(tǒng)以其系統(tǒng)自動化程度偏低、成本耗費(fèi)較高、嚴(yán)重依賴研究人員專業(yè)技能嫻熟程度以及主觀性較為明顯的缺點(diǎn)制約著煤巖顯微組分分析的實(shí)時(shí)性、客觀性需求。因此，本文將數(shù)字圖像處理技術(shù)應(yīng)用到煤巖顯微組分分析領(lǐng)域，對煤巖顯微組分的分類和識別進(jìn)行研究，研究成果將為改善傳統(tǒng)煤巖顯微組分分析系統(tǒng)以及提高其系統(tǒng)自動化程度與分析效率做出貢

2、獻(xiàn)。本文主要做了以下幾方面工作。
　　(1)煤巖顯微圖像中劃痕與孔洞等噪聲的去除。在粉煤光片的制備過程中，劃痕和孔洞等噪聲會不可避免地出現(xiàn)，這些噪聲會影響識別煤巖顯微組分的正確性，在預(yù)處理過程中必須予以去除。分析了焦化廠提供的大量顯微圖像發(fā)現(xiàn)劃痕特征多為深淺、粗細(xì)、長短有所差異的直線形式，基于此，本文實(shí)驗(yàn)對比了基于灰度圖像數(shù)學(xué)形態(tài)學(xué)方法、基于鄰近區(qū)域均值取代方法以及傳統(tǒng)FMM(Fast Marching Method)及其改進(jìn)算法

3、修復(fù)圖像中劃痕的效果，發(fā)現(xiàn)改進(jìn)后的FMM算法不但能夠有效去除圖像中劃痕，而且還能夠保護(hù)及模擬原始圖像中的紋理，效果明顯好于其他方法。對于顯微圖像中的孔洞，本文采用了基于灰度圖像數(shù)學(xué)形態(tài)學(xué)重建方法，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)其能夠有效填充孔洞。
　　(2)煤巖顯微組分紋理特征提取。煤巖顯微組分的紋理是典型的自然紋理，具有較大的隨機(jī)性與復(fù)雜性。RILBP(Rotation Local Binary Pattern)特征提取技術(shù)能夠有效保持

4、圖像發(fā)生旋轉(zhuǎn)的情況下圖像紋理特征不改變以及對于明暗噪聲有較好的抗干擾能力，但是具有較高的特征維數(shù)，GLCM(Grey Level Co-occurrence Matrix)的抗干擾以及抗旋轉(zhuǎn)性能力不足，但是其特征具有較低的維數(shù)。因此，本文提出一種融合RILBP與GLCM獲取煤巖顯微組分紋理特征的方法，能夠在滿足較低特征維數(shù)的前提下，紋理特征還具有抗旋轉(zhuǎn)性與抗干擾性。實(shí)驗(yàn)對比三種方法提取煤巖顯微組分紋理特征的結(jié)果，發(fā)現(xiàn)RILBP-GLCM

5、方法獲取的特征能夠使其組分內(nèi)具有較低的波動性，其特征提取效果好于RILBP和GLCM方法。
　　(3)煤巖顯微組分分類。本文采用多分類支持向量機(jī)(Multi-classification Support Vector Machine，MSVM)來對煤巖顯微圖像中的鏡質(zhì)組、惰質(zhì)組、殼質(zhì)組、礦物質(zhì)以及背景進(jìn)行分類。采集了1134幅煤巖顯微圖像，其中把401幅作為訓(xùn)練樣本，733幅作為測試樣本，分別應(yīng)用 RILBP、GLCM和RILBP