基于图像特征的煤与矸石识别算法研究

发布时间：2017-05-15 21:22

  本文关键词：基于图像特征的煤与矸石识别算法研究，由笔耕文化传播整理发布。

【摘要】：煤炭是一种基础能源,在一次能源消费结构中所占据的比重约为70%,在今后很长的阶段里,仍占据首要位置。煤炭中混杂的矸石,含碳量低、发热量小,不但降低煤的质量,降低燃烧效率,而且燃烧时释放的有害物质会加重环境污染。煤与矸石的分选是解决该难题最有效的方式,是煤矿生产进程中不可或缺的步骤,因此,煤与矸石的识别具有及其重要的现实意义。大多数煤矿仍采用人工识别法识别煤与矸石,但这种方法的识别率低,井下工作条件恶劣,不利于工作人员的身心健康。本课题针对目前煤与矸石识别现状中存有的不足,把数字图像处理技术与模式识别原理应用到煤与矸石的自动识别当中,能够为今后的进一步研究以及将其应用于实际系统当中提供可靠的理论基础。本课题针对煤与矸石图像,提出了灰度共生矩阵与小波变换相结合的算法提取纹理特征,采用粒子群算法优化参数之后的支持向量机进行识别分类。本课题提取了煤与矸石图像的灰度均值和方法作为灰度特征,分析了灰度共生矩阵和小波变换各自的原理,并采用灰度共生矩阵提取了煤与矸石图像的对比度、相关性、能量、熵作为纹理特征,采用Symlet4小波对煤与矸石图像进行三层分解,提取了每层子图像的均值、方差、能量作为纹理特征,在分析支持向量机原理、核函数以及参数对识别性能影响的基础上,采用粒子群算法优化参数,通过优化后的支持向量机对所提取的灰度和纹理结合的特征进行识别判断图像是煤还是矸石,并在MATLAB上验证算法的可行性和有效性,证实了提出的算法具有较高的识别率。
【关键词】：煤与矸石 模式识别 纹理特征 特征提取 支持向量机
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ533;TD849.5;TP391.41
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-17
• 1.1 课题研究背景及意义11-13
• 1.2 国内外研究现状13-15
• 1.2.1 国外研究现状13-14
• 1.2.2 国内研究现状14-15
• 1.3 本课题主要研究内容及组织结构15-16
• 1.3.1 主要研究内容15
• 1.3.2 组织结构15-16
• 1.4 本章小结16-17
• 第2章 数字图像处理的相关技术17-30
• 2.1 图像灰度化17-18
• 2.2 图像平滑18-21
• 2.3 图像锐化21-24
• 2.4 图像分割24-29
• 2.5 本章小结29-30
• 第3章 基于煤与矸石图像特征的提取算法30-42
• 3.1 灰度特征提取30-31
• 3.2 纹理特征提取31-40
• 3.2.1 灰度共生矩阵31-34
• 3.2.2 小波变换34-36
• 3.2.3 基于灰度共生矩阵的纹理特征提取36-37
• 3.2.4 基于小波变换的纹理特征提取37-40
• 3.2.5 基于灰度共生矩阵与小波变换结合的纹理特征提取40
• 3.3 灰度特征与纹理特征相结合提取40-41
• 3.4 本章小结41-42
• 第4章 基于参数优化的支持向量机算法42-52
• 4.1 支持向量机简述42
• 4.2 支持向量机原理42-47
• 4.2.1 线性可分情况43-45
• 4.2.2 线性不可分情况45-46
• 4.2.3 非线性可分情况46-47
• 4.3 核函数的选择及参数的影响47-49
• 4.3.1 核函数的选择47-48
• 4.3.2 参数的影响48-49
• 4.4 参数优化的支持向量机算法49-51
• 4.4.1 参数优化思想49-50
• 4.4.2 参数优化算法50-51
• 4.5 本章小结51-52
• 第5章 煤与矸石图像特征的识别算法仿真52-61
• 5.1 煤与矸石图像灰度特征的识别算法仿真52-53
• 5.2 煤与矸石图像纹理特征的识别算法仿真53-58
• 5.2.1 基于灰度共生矩阵的纹理特征的识别53-55
• 5.2.2 基于小波变换的纹理特征的识别55-57
• 5.2.3 基于灰度共生矩阵与小波变换结合的纹理特征的识别57-58
• 5.3 煤与矸石图像灰度特征与纹理特征相结合的识别算法仿真58-59
• 5.4 识别算法的仿真结果比较59-60
• 5.5 本章小结60-61
• 总结61-63
• 致谢63-64
• 参考文献64-68
• 作者简介68-69
• 攻读硕士学位期间发表的论文和科研成果69-70

【参考文献】

中国期刊全文数据库 前10条

1 邵俊虎;赵人达;徐腾飞;;支持向量机和粒子群优化的可靠度算法[J];辽宁工程技术大学学报(自然科学版);2015年08期

2 吕杰;;基于支持向量机的作物叶绿素含量反演模型[J];测绘科学;2015年09期

3 任国贞;江涛;;基于灰度共生矩阵的纹理提取方法研究[J];计算机应用与软件;2014年11期

4 张万枝;王增才;;基于视觉技术的煤岩特征分析与识别[J];煤炭技术;2014年10期

5 张世杰;陈泽华;;基于梯度下降算法的煤矸石分割识别方法[J];煤矿机械;2014年08期

6 赵珊;;中国煤炭资源现状及建议[J];广州化工;2014年15期

7 侯群群;王飞;严丽;;基于灰度共生矩阵的彩色遥感图像纹理特征提取[J];国土资源遥感;2013年04期

8 甄宗坤;岳建平;;基于LOG算子和灰度共生矩阵的影像纹理特征提取[J];测绘通报;2013年09期

9 王祥瑞;;煤矿矸石自动分选中图像处理与识别技术的应用[J];煤炭技术;2012年08期

10 陈美龙;戴声奎;;基于GLCM算法的图像纹理特征分析[J];通信技术;2012年02期

中国博士学位论文全文数据库 前2条

1 徐龙江;井下鼠笼式选择性煤矸分离装备关键技术研究[D];中国矿业大学;2012年

2 刘瑜;井下冲撞式煤矸分离中颗粒动力学行为研究[D];中国矿业大学;2011年

中国硕士学位论文全文数据库 前10条

1 贾明灿;基于隐患分析的煤矿安全评价算法研究[D];河北工程大学;2014年

2 陈运贵;利用数字图像处理技术监测隧道变形的探索研究[D];广东工业大学;2014年

3 杨海;SVM核参数优化研究与应用[D];浙江大学;2014年

4 林霞;浮选泡沫图像纹理特征提取研究及应用[D];中南大学;2013年

5 马昊伟;基于激光检测技术的干法选煤系统的探索性研究[D];陕西科技大学;2012年

6 杨波;基于图像处理技术的纸病在线检测[D];陕西科技大学;2012年

7 陆晓峰;基于纹理特征分析的地基云图分类识别[D];南京信息工程大学;2011年

8 贺晓建;基于多分辨率分析及灰度共生矩阵的掌纹特征提取算法研究[D];中北大学;2011年

9 梁澈;粗糙集理论在煤矸石图像识别技术中的应用[D];西安科技大学;2010年

10 葛静祥;图像纹理特征提取及分类算法研究[D];天津大学;2010年

  本文关键词：基于图像特征的煤与矸石识别算法研究，由笔耕文化传播整理发布。

，

本文编号：368925