基于LBP和GLCM的煤岩图像特征提取与识别方法

王 超，张 强

（中国矿业大学（北京）机电与信息工程学院，北京 100083）

煤矿的安全、高效、自动化开采是煤矿开采的重要研究方向[1]。为保证煤矿生产质量的安全性，煤矿开采时，最好做到没有工作人员的自动化开采[2-4]。现有的采煤工作设备不能自动识别煤块与岩石，导致正常生产时，不得不安排工作人员在回采工作面进行辅助工作[5-7]。

煤岩识别问题直接关系到实现煤矿无人化开采。目前，天然γ 射线法、红外线法、紫外线法、雷达探测法、超声波等常规煤岩识别检测方法因为受到煤矿开采工作面的地质条件，以及煤矿工艺限制，没能成功应用到实际煤矿开采中[8]。

在实际煤矿的开采过程中，通过对煤矿拍摄界面进行实时处理，提取图像特征用做煤岩识别的方法，可以大大提高煤矿开采效率，更便于调整采煤机截割滚筒采煤高度[9-10]。为此提出一种基于LBP 和GLCM 的煤岩图像特征提取与识别方法，通过LBP算法和GLCM 配合使用，判断煤岩差异性的同时，确定适用于煤岩识别分类的特征参数，进一步提高煤岩识别的高效性和鲁棒性。

1 局部二值模式煤岩图像纹理特征

1.1 LBP描述算子

1 帧图像区域可以简单分为中心区域和邻域。图像中心区域对应的像素值和邻域对应的像素值一一比较，若图像中心区域像素值大于邻域像素值，将邻域像素值对应位置记为1，反之，记为0。LBP 描述算子就是对上述产生的0 和1 按照进制转换关系完成编码，转换为具有此帧图像纹理特征的数字信息的一种算子。

若此帧图像邻域内对应存在N 个像素点，则在进行进制编码时有2N种编码模式。

1.2 基于LBP的局部纹理特征提取

LBP 算法局部纹理特征提取如下：

式中:（xc,yc）为1 帧图像的中心区域像素坐标；ic为1 帧图像中像素点对应的灰度值；ip为1 帧图像邻域中第p 个像素点对应的灰度值；S 为函数。

LBP 提取过程如图1。

图1 LBP 提取过程Fig.1 LBP extraction process

LBP 描述子在计算过程中缺少中心像素对应灰度的相关计算，从数据整合的角度看是不完整的，现有改进的LBP 算法效果又不是十分显著。因此后续采用GLCM 算法对煤岩图像进行全局特征纹理提取，弥补LBP 算法自身的缺陷，提高煤岩识别的鲁棒性。

2 GLCM煤岩图像全局纹理特征

N×N 为二维煤岩图像大小，（x，y） 为此图像中任意一点坐标。点（x，y）与图像中任意固定点形成点对（一般选取附近点），相对该固定点发生移动，会得到不同的点对，点对的灰度值为（g1，g2）。

将煤岩图像（x，y）空间坐标灰度化，转化为“灰度对”（g1，g2）的描述方式，对煤岩图像灰度矩阵做归一化处理。

式中: P（g1，g2）为灰度对归一化概率分布函数;N（g1，g2）为此灰度对出现的次数；θ 为图像中任意一点（x，y）和图像中任意固定点连线与坐标轴横轴的夹角；N 为灰度值的级数，即N 个像素点。

为提高煤岩图像识别的分辨效率，采用GLCM的能量、熵、对比图、逆差分矩4 种参数提取煤岩图像全局特征[11]。用 G（i，j）表示 k×k 阶共生矩阵，G 表示灰度共生矩阵常用的特征，4 种参数表示如下[12-15]:

1）能量ASM。反映煤岩图像纹理粗细程度以及灰度分布的均匀程度。

2）熵ENT。表示煤岩图像中纹理的复杂程度。

3）对比度CON。反映煤岩图像的纹理沟纹深浅程度。

4）逆差分矩IDM。反映煤岩图像纹理的同质性，度量煤岩图像纹理局部变化量。

基于GLCM 全局纹理信息提取过程如图2。

3 试验与分析

为充分验证LBP 算法的高效性以及GLCM 的鲁棒性。设计采用4 种煤岩样本进行试验。煤块样本如图3，岩石样本如图4。

3.1 LBP煤岩识别试验

利用LBP 算法对煤块样本和岩石样本分别进行局部纹理提取。基于LBP 煤块局部纹理特征提取如图5，基于LBP 岩石局部纹理特征提取如图6。

图2 GLCM 全局纹理信息提取流程Fig.2 GLCM global texture information extraction process

图3 煤块样本Fig.3 Coal samples

图4 岩石样本Fig.4 Rock samples

通过图5 和图6 可以知道，煤块局部纹理特征不一，表面不整齐，沟壑明显；岩石局部纹理特征基本一致，平整光滑，没有明显沟壑。可以完成煤岩识别的初步检测。但是图5（c）中烟煤局部特征趋于光滑，较难通过视野分辨其和岩石差异。

图5 基于LBP 煤块局部纹理特征提取Fig.5 Coal block local texture feature extraction based on LBP

图6 基于LBP 岩石局部纹理特征提取Fig.6 Rock local texture feature extraction based on LBP

3.2 GLCM煤岩识别试验

基于GLCM 的煤块特征信息提取见表1, 基于GLCM 的岩石特征信息提取见表2。

表1 基于GLCM 的煤块特征信息提取Table 1 Coal block feature information extraction based on GLCM

为了便于比较煤块岩石4 种参数，对数据进行均值计算和方差计算:

表2 基于GLCM 的岩石特征信息提取Table 2 Rock feature information extraction based on GLCM

式中:xi为4 种特征参数样本值；n 为 4 种特征参数样本数量为 4 种特征参数样本均值；σ2为 4种特征参数样本方差值。

煤块和岩石 ASM、ENT、CON、IDM 均值见表3，煤块和岩石 ASM、ENT、CON、IDM 方差见表4。

表3 煤块、岩石参数均值表Table 3 Coal and rock parameters mean value table

表4 煤块、岩石参数方差表Table 4 Coal and rock parameter variance table

通过matlab 对煤块、岩石特征参数均值和方差值进行绘图分析（图略），并结合表3 和表4 可得：

1）特征参数均值不足以做煤岩识别。

2）ASM 与 ENT 方差值差异明显。煤块样本ASM 方差值是岩石样本的5 倍左右，岩石样本ENT方差值是煤块样本的4 倍左右。岩石样本ENT 方差值明显高于煤块样本，可以做煤岩识别参考数值。

4 结 语

通过OpenCV 计算机视觉库，采用LBP 算法判断煤块和岩石局部特征存在差异。通过GLCM 对煤块和岩石图像进一步处理，分别实现水平、垂直、45°、135° 4 个方向的灰度共生矩阵，提取能量、熵值、对比度、逆差分矩等4 个典型煤岩图像特征参数，发现其中ASM、ENT 方差值较适用于煤岩识别。