Relief-MRMR-SVM在煤矸图像分类的研究.docxVIP

? ? Relief-MRMR-SVM在煤矸图像分类的研究 ? ? 张释如，朱 萌 (西安科技大学 通信与信息工程学院，陕西 西安 710054) 煤矸分选是将煤和矸石在采煤或洗煤过程中分选出来。传统方法有人工法、跳汰法、浮选法等。近几年陆续提出了基于射线和图像的方法，前者速度快，但难以控制且辐射强度大[1]。随着机器视觉技术成为矿物识别的研究热点，基于图像的方法得到了迅速发展[2]，但仍存在一些问题。一方面利用煤矸图像空间域信息，在特定环境可进行有效分类，但模型稳定性有待改进；另一方面利用图像特征提取方法结合机器学习，一定条件下能解决煤矸分类问题，但有效的特征较难确定，且模型泛化能力较差[3]。 为改进这些问题，相关研究[4-7]采用深度学习的目标检测算法及图像分类方法实现了多目标图像中煤矸的自动分类。然而，在该领域已有的煤矸特征提取及选择方法仍存在一些问题[8，9]。DOU[10]等提取了19个煤矸图像特征，利用SVM识别最优特征构造分类模型，验证了模型的分类效果，但特征提取及选择工作上仍存在局限：提取的特征可能存在冗余而影响特征表达、消耗更多时间；特征选择只使用Relief，而单一特征选择算法不能得到最优子集[11]。故本文做出了改进。特征提取方面，引入了LBP(Local Binary Patterns，局部二值模式)局部纹理特征，并与GLCM(Gray Level Co-occurrence Matrix，灰度共生矩阵)全局特征结合能更好地表达图像纹理[12]；特征选择方面，提出了一种结合Relief、MRMR(Max-Relevance and Min-Redundancy，最大相关最小冗余)及SVM的混合式特征选择方法。在两个煤矸数据集进行多次试验，验证了该方法的有效性。 1 特征提取 机器视觉的煤矸自动分选中，特征提取是后续工作的基础，故提取纹理和颜色特征为主要分类依据。 1.1 纹理特征 GLCM能较好地反映图像灰度关于方向和像素间隔的信息，但缺乏局部特征的描述，LBP从局部像素描述纹理，将二者结合能提高煤矸分类的准确性[13]。故共提取了4个GLCM和10个LBP纹理特征。采用4个间隔像素和角度的GLCM，提取了角二阶矩(ASM)、对比度(CON)、逆差矩(HOMO)、熵(ENT)的煤矸图像纹理特征，由式(1)-式(4)给出定义。 角二阶矩反映纹理粗细，值越大则纹理越粗。 (1) 对比度反映图像清晰度及纹理强弱，值越大则纹理沟纹越深、图像越清晰。 (2) 逆差矩是图像局部灰度均衡性的度量，值越大表示局部灰度变化越小。 (3) 熵反映图像纹理复杂度，值越大纹理越复杂。 (4) 式中，i，j表示图像中任意两点的灰度值；p(i，j)表示i，j同时出现的概率；L表示灰度最大取值。 LBP通过比较图像任意一点与周围点的灰度值大小表征局部纹理。圆形LBP的定义由式(5)给出。 (5) 式中，s(x)为单位阶跃函数；R为邻域半径；P为等间隔分布在半径为R的圆上的邻域像素点的个数，gc为邻域中心点的灰度值；gp是周围邻域点的灰度值。 对圆形LBP降维处理得到等价LBP，其使用较少的模式数可表达图像的大部分纹理，在特征提取中应用广泛。故采用了半径为1，邻域像素数为8的等价LBP，提取过程为：①将图像每个像素依次看作中心点，与周围8个像素点的灰度值比较，若大于中心点像素值，则标记该像素点为1，否则为0。经比较得到8位二进制数，即是该中心点的LBP编码值；②统计图像中所有LBP编码值出现的频次，并对编码区间等间隔量化成10段，得到LBP直方图，10个区间对应10个LBP特征。 1.2 颜色特征 采用HSV颜色空间的色相(H)、饱和度(S)和明度(V)分量的三阶矩，提取了9个颜色矩特征，由式(6)-式(8)计算。另外，灰度分量的三阶矩也可以作为颜色特征，式(9)给出计算。因此，共提取12个颜色特征。 (6) (7) (8) Gary=0.2989R+0.5870G+0.1141B (9) 式中，pi，j表示彩色图像的第i个颜色通道中灰度为j的像素出现的概率；N表示图像的像素个数。 另外，式(9)给出灰度分量的计算，提取它的3阶矩也作为颜色特征，因此共提取12个颜色特征。 综上，对煤和矸石图像共提取26个特征用于分类，其中包含14个纹理和12个颜色特征见表1。 表1 煤和矸石图像表面特征提取 2 特征选择 特征选择通过剔除数据集冗余的特征，以减少特征数量、提高模型精确度。通常，特征选择方法分为两类[14]：过滤式方法，先按某种规则过滤初始特征，再用过滤后的特征训练学习器；封装式方法，使用学习器的性能作为特征选择的评价依据，选出最有利于学习器性能的特征子集[15]。 2.1 Relief算法 Relief算法是一种多变量过滤式