基于字典学习的煤岩图像特征提取与识别方法

发布时间：2020-11-15 14:21

　　 现今的煤岩图像识别方法取得了一些阶段性的成果,但还无法满足实际需求。为了挖掘新的煤岩图像识别方法,研究了基于字典学习的煤岩图像特征提取与识别技术,提出用字典学习算法提取煤岩图像特征。字典学习算法采用随机选择的方法对字典进行初始化和更新。结合分类算法对煤岩图像进行分类识别,结果表明:通过字典学习,能简单有效表达煤岩图像的特征信息,获得了较高的识别率,且该特征提取方式具有较好的发展前景。研究结果可为煤岩界面的自动识别提供新的思路和方法。
【部分图文】：

?蹋?该过程所对应的字典学习优化问题可描述为:minD，X{‖Y－DX‖2F}s.t.?i，‖xi‖0≤T0(1)式中，Y为煤岩图像信号矩阵;xi为稀疏矩阵X中某一列向量;‖·‖F为F范数;‖·‖0为L0范数;T0为设定的初始值，与稀疏度有关。为求解上述优化问题，K－SVD算法采用两步迭代方法，依次固定字典D和稀疏矩阵X其中之一，循环迭代的求解另一变量直到收敛或达到预定迭代次数。因而求解分两个阶段:一是稀疏编码阶段，即固定字典D，用OMP算法［18－20］求解稀疏矩阵X，具体求解过程参考图1，图中步骤(3)是求残差r的最强相关列的列标号，步骤(4)是用最小二乘法求解每个样本图像y的表示系数x，步骤(5)是更新残差r，步骤(6)是迭代终止条件;二是字典更新阶段，即用稀疏矩阵X逐列更新字典D。假设要更新字典D的第k列dk，令稀疏矩阵X中与dk相乘的第k行为xkT，则目标函数可重写为‖Y－DX‖2F=‖Y－∑qj=1djxjT‖2F=‖(Y－∑j≠kdjxjT)－dkxkT‖2F=‖Ek－dkxkT‖2F(2)式中，Ek=Y－∑j≠kdjxjT表示去掉原子dk的成分在所有样本中造成的误差。图1稀疏编码算法流程Fig.1Processofsparsecodingalgorithm为保证稀疏性，不能直接对Ek进行SVD分解更新字典，需要对Ek和xkT做变换。Ek→EＲk，xkT→xkＲ，xkＲ表示去除xkT中零元素，只保留非零元素，EＲk表示只保留Ek中对应dk与xkT中非零元素乘积的那些项。这样，原目标函数可转化为‖EＲk－dkxkＲ‖22，其中F范3191

初始化和更新顺序所得到的结果往往有较大差异。本文在字典初始化时从训练样本中随机选择若干个样本作为字典的原子，字典在更新时按列随机更新原子，通过多次迭代，选择最佳的字典，使得煤岩识别率最高。2煤岩图像的识别2.1样本集以及测试环境选择208个样本，烟煤、无烟煤、页岩和砂岩每类52张图像，随机从每类中选择39张放入训练集，剩余13张用作测试。这里，将烟煤和无烟煤作为一类，代表煤;将砂岩和页岩作为一类，代表岩。同时，仅做煤岩二分类，每一张煤岩样本图像大小均为48×48，格式为png，灰度级为256。图2不同光照下的煤岩样本图像Fig.2Coal-rocksampleimagesunderdifferentilluminationconditions矿井下采集煤岩图像受环境影响，煤岩图像的质量主要受光照强度、矿尘干扰、机械振动等因素影响。本文并未研究这些因素的具体影响，只是在不同光照强度下采集煤岩样本图像进行实验。如图2所示，图中砂岩、无烟煤、烟煤、页岩各4张图像，均是不同光照强度下采集的，并且，光照强度的变化范围并不大。本文所有的实验数据均是在Matlab7.10.0(Ｒ2010a)上测试得到的。2.2样本图像预处理训练集中每一张样本图像按列相连拉成一列，组成训练样本矩阵，训练样本矩阵的每一列代表一张样本图像。训练样本矩阵用PCA算法［22－24］进行降维，得到特征空间矩阵E，样本图像均值向量m，以及降维后的训练样本矩阵。经测试，降维时保留所有非零奇异值对应的特征向量，能得到较好的分类效果。对降维后的训练样本矩阵进行归一化处理，得矩阵Y，归一化即使得矩阵Y的每一个列向量的模为1。同样的，将所有测试图像拉成一列，组成测试样本矩阵A，并将A投影到特征空间E上，得矩阵B。投影公式如下:B=ET(A－M)，M=［m，m，…，m］(

字典D，以10次循环为基准，比较各次的煤岩识别率，选择识别率最高的那一次循环所得的字典D为该参数设置下的输出字典。调整各参数，选择识别率最高的某一参数设置下的输出字典作为最终的输出字典，称之为局部最佳字典。局部最佳字典并不是最好的字典，而是在一定条件下满足煤岩识别率要求的最佳字典。因而，达到相同识别率要求的局部最佳字典并不惟一，即达到相同识别率要求的参数设置并不惟一，本文所测得的煤岩识别率都是在一定条件下的局部最佳识别率。首先，讨论不同的字典初始化与更新方法对识别率的影响，如图3所示。图3表示同一参数条件下，不同的字典初始化与更新方法连续测10次得到的测试样本的识别率。这里，同一参数条件是指字典列数、稀疏误差、稀疏度和K都相同。由图可见，不同的字典初始化与更新方法对识别率的影响很大，识别率的波动达到了10%。在这10次得到识别率中，选取其中最高的那一次识别率作为这一参数条件下的识别率。如图中，在第6次时识别率最高，则将此次的识别率作为这一参数条件下的识别率，以下所有的测试样本识别率都是通过这种方式测得的。通过调整字典D相关参数以及分类器的K值，测得测试样本的识别率，以及煤岩识别时间，见表1。表中第1行数据中，测试样本识别率达到了96.154%，错误样本数为2(总测试样本数为52)，此时煤岩识别时间约为3s，而采煤机平均切割线速度一般约为7cm/s，认为3s的识别反应时间是可行的。此煤岩识别率也是本实验所测得的最高识别率，而达到此识别率要求的各参数并不惟一。不同的参数设置，得到不同的煤岩识别率，下面具体讨论一下各参数对识别率的影响。图3不同字典初化与更新下的识别率Fig.3Ｒecognitionrateunderdifferentdictionaryinitializationandupdate
【相似文献】

相关期刊论文 前5条

1 王朋;刘鹏;张春晶;吴锐;;一种纸币图像特征提取方法[J];黑龙江科技学院学报;2013年03期

2 王守琰,高志明,宋诗哲;实海试样腐蚀形貌图像特征提取及分析[J];腐蚀科学与防护技术;2001年S1期

3 黄勇;林春;张健;;基于PCA方法的强化木地板表面图像特征提取[J];林业机械与木工设备;2010年03期

4 李博,宋文爱,林敏;X射线胶片图像特征提取和量化方法[J];测试技术学报;2003年02期

5 ;[J];;年期

相关博士学位论文 前10条

1 黄晟;图像特征提取与分类超图的学习算法研究[D];重庆大学;2015年

2 刘茜;彩色人脸图像特征提取方法研究[D];南京邮电大学;2015年

3 王维刚;基于时频图像识别的旋转机械多特征融合故障诊断方法研究[D];哈尔滨工业大学;2016年

4 钱建军;人脸图像特征提取和分类的若干方法研究[D];南京理工大学;2014年

5 施展;图像特征提取与识别的迹空间投影方法研究[D];华南理工大学;2012年

6 伍爵博;基于云模型与数据场的图像特征提取研究[D];武汉大学;2010年

7 汤德俊;人脸识别中图像特征提取与匹配技术研究[D];大连海事大学;2013年

8 李勇智;图像特征提取方法及其在人脸识别中的应用[D];南京理工大学;2009年

9 刘高峰;极化SAR图像特征提取与分类方法研究[D];西安电子科技大学;2014年

10 黄志开;彩色图像特征提取与植物分类研究[D];中国科学技术大学;2006年

相关硕士学位论文 前10条

1 康欣;草本植物图像特征提取与分类研究[D];东北林业大学;2015年

2 初延亮;磁粉检测裂纹图像特征提取方法研究及实现[D];西南科技大学;2015年

3 王晓晓;基于拓扑结构的人脸图像特征提取及识别研究[D];青岛科技大学;2015年

4 孙洪飞;基于小波变换的图像特征提取方法研究[D];南京邮电大学;2015年

5 马利兴;基于图像特征提取的风电传动机械故障诊断技术研究[D];北京信息科技大学;2015年

6 张轶丞;基于视觉词袋的Visual-map图像特征提取与分类算法[D];哈尔滨工业大学;2016年

7 姜媛;极化SAR图像特征提取与分类方法研究[D];电子科技大学;2016年

8 陈锦;基于时频分析方法的单细胞图像特征提取及识别方法研究[D];广西师范大学;2016年

9 延伟东;图像特征提取方法的研究[D];西北工业大学;2007年

10 常昌;图像特征提取方法研究及应用[D];华中科技大学;2009年

本文编号：2884853