王征 汪梅

摘 要：為研究無明確特征模式的煤塵顆粒圖像特性，以某煤礦煤樣為研究對象，按國標標準運用粉塵采樣器對粉塵溢散源處顆粒物進行多點采樣。采用多決策屬性約簡模糊粗糙集3個階段即提出隸屬度模型、實現(xiàn)屬性約簡、確定最大信息熵閾值分割對顆粒形態(tài)特征機理進行分析。首先建立粉塵圖像各像素點對應的模糊類別隸屬度模型，利用多分段函數(shù)確定隸屬度;分析煤粉塵圖像灰度特征并將其作為條件屬性，確定條件屬性的模糊依賴度，獲取最優(yōu)值并提取模糊屬性約簡，進行目標及背景區(qū)域的模糊下近似和模糊上近似劃分;最后建立煤粉塵顆粒的信息熵模型，存儲信息熵并實現(xiàn)對分割閾值的提取。結(jié)果表明：依據(jù)模糊屬性約簡的互異重要度可實現(xiàn)多屬性約簡;并確定煤粉塵圖像模塊區(qū)域的最大信息熵分割閾值。所建立模型可刪除冗余屬性，選擇出對分類更為重要的屬性，并通過屬性約簡完成特征選擇分類。

關鍵詞：安全科學與工程;圖像灰度特征;信息熵;模糊類別隸屬度;多屬性約簡

中圖分類號：TD 76 ? 文獻標志碼：A

DOI：10.13800/j.cnki.xakjdxxb.2019.0421 ? 文章編號：1672-9315（2019）04-0713-07

Abstract：To investigate imagery characteristics of coal dust particles without clear characteristic mode，coal samples from a coal mine were taken as research objects，and the dust sampler was used to conduct particles multi point sampling at dust spill source according to the international standard.The multi decision attribute reduction fuzzy rough set，including three stages of the membership model，realizing attribute reduction，and determinating maximum information entropy threshold segmentation，are adopted to analyze the particle morphology characteristics.The corresponding fuzzy degree membership model was established for dust image pixels and meanwhile the membership coefficient was determined by multi segment function.In additon，the gray feature of coal dust image was analyzed and used as conditional attribute so that the fuzzy dependence of conditional attribute can be determined to obtain its maximum value and extract the fuzzy attribute reduction.At the same time the fuzzy lower approximation and the upper approximation in the target and its background regions were divided.Finally the information entropy model of coal dust particles was established with the information entropy stored and its corresponding segmentation threshold extracted.The results show that multi attribute reduction can be realized according to the mutual importance of fuzzy attribute reduction;and the maximum information entropy segmentation threshold of coal dust image module area is determined.The established model，therefore，can delete the redundant attributes，select more important classification attributes，and complete the feature selection classification through attribute reduction.

Key words：safety science and engineering;image grey feature;information entropy;fuzzy membership;multi attribute reduction

0 引 言

近幾年，隨著國家與有關專家對大規(guī)模煤炭開采所引發(fā)的煤礦環(huán)境污染等問題的重視，以圖像信息為基礎的煤塵識別技術(shù)憑借其高效的視覺化、智能礦山系統(tǒng)等優(yōu)勢，在國內(nèi)外礦山已獲得更深入的研究[1-3]。圖像視覺特性信息技術(shù)在解決煤礦安全可靠性不高的同時，也為現(xiàn)場惡劣環(huán)境難適應及煤塵爆炸危害難預測等問題的解決提供了有效的途徑。但粉塵的檢測機理十分復雜，其決定因素很多，導致煤塵檢測結(jié)果具有很大隨機性。因此，在粉塵顆粒物特性參數(shù)檢測中，運用了不同研究方法進行分析。電感應法由脈沖數(shù)目確定顆粒的數(shù)量，由電位差變化幅度測量顆粒的體積。但該方法獲得的是顆粒尺寸的二次信息，須通過轉(zhuǎn)換獲得顆粒的實際尺寸信息[4]。對于密度不大且形狀為球形的粉塵顆粒，運用光散射法，通過光強分析，可獲得粒子直徑及濃度，但對于形狀不規(guī)則的煤塵顆粒，若運用光散射法，由于煤礦的地質(zhì)結(jié)構(gòu)和綜放面煤層強度系數(shù)不同，且煤塵對光的吸收和散射存在差異，因此檢測結(jié)果會出現(xiàn)偏差[5-7]。

上述研究鑒于技術(shù)手段以及研究角度的局限，并沒有系統(tǒng)地分析粉塵顆粒物特性表現(xiàn)。隨著研究手段不斷發(fā)展，以圖像信息為基礎的粉塵識別技術(shù)具有直接觀察在不同粒度下的粉塵顆粒形狀的優(yōu)勢。Grasa等針對圖像區(qū)域內(nèi)灰度相似性及不連續(xù)性提出將粉塵圖像按不同特性進行區(qū)域劃分，并對顆粒目標點的特性參數(shù)測量及特征提取，這對研究人員進一步研究煤塵圖像具有一定參考價值[8]。Baldevbhai等提出在圖像空間中對不同圖像信噪比運用模糊聚類算法，由于對圖像的對比度分布性能敏感性好，可產(chǎn)生很好的分割效果，但該方法忽略圖像的細節(jié)信息，對灰度值差異不大的圖像目標間或灰度值存在相互重疊區(qū)域的情況，分割效果不佳[9]。以上研究成果更多地考慮到圖像灰度的空間分布信息，大大提高了圖像分割的準確度，但是終究無法達到理想狀況，面對各種圖像分類，運用某種單一算法缺乏通用性。因此，采用合理的研究手段對圖像空間信息下煤塵顆粒物表現(xiàn)出來的微觀特性進行有效解釋是必須討論的問題[10-13]。

結(jié)合圖像空間學和微觀學研究發(fā)現(xiàn)，煤塵顆粒物特性信息屬于非線性和不確定性建模問題，圖像識別的難點在于對冗余特征剔除的準確度。文中從微觀角度對煤塵顆粒物的圖像特性機理展開研究。多屬性約簡為這類問題提供了新的解決思路?；趫D像灰度特征空間區(qū)域信息劃分，考慮了分類屬性重要度的選擇，以圖像像素點的模糊類別隸屬度、圖像灰度特征對應的模糊依賴度入手，構(gòu)建屬性約簡信息熵數(shù)學模型，依據(jù)所構(gòu)建模型對煤塵顆粒特性信息表征進行合理解釋，為后期重疊顆粒分離進行了先期理論和試驗驗證，對煤粉塵顆粒識別提供依據(jù)[14-17]。

1 屬性約簡圖像特征空間模型機理分析

1.1 決策信息系統(tǒng)屬性約簡的建立

將樣本圖像設為對象，各種特征設為條件屬性，類別結(jié)果設為決策屬性，可形成決策表。對有用特征的提取過程實質(zhì)就是對決策表中屬性的約簡過程。通過離散化處理獲得的決策表可作為用邏輯關系處理的一組公式，并對公式和規(guī)則進行判別是否具有矛盾性以此確定其相容性，屬性約簡是以決策表的相容性為基礎[19-20]。

根據(jù)圖像中對象或區(qū)域的顏色、形狀、紋理和空間位置等重要的圖像信息特征來進行分析和檢索，獲取圖像的有用信息，實現(xiàn)對圖像的識別。圖像特征的選取通過反復試驗，在極大似然分類精度原則下從10多種特征中確定了用于分類的6個特征，經(jīng)比較確定為一組對分割精度較為敏感的有效特征信息。設灰度均值、灰度方差、對比度、紋理均值、粗糙度、均勻度6個特征信息表示條件屬性A.由于這些特征值為連續(xù)值，因此通過相應算法進行離散化處理。通過獲取有效特征信息，確定目標類別屬性即決策屬性C，實現(xiàn)對圖像的識別[21-22]。

1.2 屬性約簡算法描述

通過下述算法可實現(xiàn)對決策表的屬性約簡。

輸入：決策表T={U，A∪C，V，f}，其中U表示論域，A，C分別對應為條件屬性集和決策屬性集。

輸出：決策表的相對屬性約簡。

3 實驗結(jié)果與分析

為了驗證文中提出的信息熵多屬性約簡模型及其性能反應的合理性，首先采用文獻[24]、文獻[25]及IEMAR算法對比展示，依據(jù)30組不同類別的煤塵圖像作為訓練樣本，類別按照取像光源、取像時段、取像溫度不同條件劃分，對不同粒度大小的煤塵顆粒圖像特性信息進行識別。每組取像20幅圖片，限于篇幅，僅列出部分樣本。在Pentium Dual Core G3420CPU，4GRAM的PC機、OlympusBX41通過Olympus BX41顯微放大裝置獲取圖像（顯微放大倍數(shù)：目鏡×10，物鏡×10）以及Matlab2014b軟件環(huán)境下，實驗對象取自某煤礦選煤廠采集的不同粒度大小的煤塵圖像，像素大小均為512×512.煤塵粒度> 200 μm如圖1（a）所示，75 μm <煤塵粒度 < 200 μm如圖2（a）所示，煤塵粒度< 75 μm如圖3（a）所示。并通過幾種不同的算法對圖像進行分割，分割效果分別如圖1，圖2，圖3中（b）、（c）、（d）所示。

從表1可以得出，文中提出算法與其他同類方法相比，融合了信息系統(tǒng)中的模糊性和粗糙性形成的模糊分類規(guī)則，具有更強的泛化能力，而且提高了搜索效率，并在一定程度上使得圖像分割的有效性和魯棒性得到保證。從權(quán)衡分割精度同計算效率的角度考慮，文中算法是一種實用有效的圖像分割算法。無論在閾值還是分割性能指標上都擁有顯著的優(yōu)勢，能滿足精確分割的要求，這也為煤塵圖像處理的后續(xù)研究提供精確數(shù)據(jù)。

4 結(jié) 論

1）屬性約簡數(shù)據(jù)庫模型對連續(xù)數(shù)值離散化處理后消失的屬性有序關系可提供很好的借鑒。分析表明屬性約簡模型的建立極大程度上降低了因?qū)傩缘挠行蜿P系消失而導致連續(xù)值屬性信息丟失造成的影響。而模型結(jié)構(gòu)的半序關系在一定程度上可使得信息的丟失量降低。

2）煤塵圖像的有效獲取受到多種因素的影響，比如監(jiān)控環(huán)境中空間、濕度、氣流等，目前的研究多關注的是外在環(huán)境參數(shù)的影響規(guī)律，忽略了包含內(nèi)在因素等其他因素的影響效應，有待進一步研究。

3）煤塵粒度、粒度分布和煤塵濃度是煤塵爆炸的關鍵因素，而對煤塵圖像進行圖像特性機理分析是研究煤塵粒度、粒度分布和煤塵濃度，解決煤塵檢測問題的關鍵。目前對煤塵顆粒群的宏觀問題研究較多，后期研究可考慮對微觀尺度下的煤塵顆粒研究，以期提高識別精度。

參考文獻（References）：

[1] 王國法，趙國瑞，任懷偉.智慧煤礦與智能化開采關鍵核心技術(shù)分析[J].煤炭學報，2019，44（1）：34-41.

WANG Guo fa，ZHAO Guo rui，REN Huai wei. Analysis on key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society，2019，44（1）：34-41.

[2]韓建國.神華智能礦山建設關鍵技術(shù)研發(fā)與示范[J].煤炭學報，2016，41（12）：3181-3189.

HAN Jian guo.Key technology research and demonstration of intelligent mines in Shenhua Group[J].Journal of China Coal Society，2016，41（12）：3181-3189.

[3]WANG Guo fa，XU Yong xiang，REN Huai wei.Intelligent and ecological coal mining as well as clean utilization technology in China：review and prospects[J].International Journal of Mining Science and Technology，2019，29（2）：161-169.

[4]陳建閣.交流耦合式電荷感應法粉塵濃度檢測技術(shù)研究[D].北京：煤炭科學研究總院，2014.

CHEN Jian ge.Research on detection technology of AC coupled charge induction dust concentration[D].Beijing：China Coal Research Institute，2014.

[5]Okpeafoh S A，Anthony J M，Jan S.Modelling of artefacts in estimations of particle size of needle like particles from laser diffraction measurements[J].Chemical Engineering Science，2017，158：445-452.

[6]Milana I，Igor B，Milica V，et al.Size and shape particle analysis by applying image analysis and laser diffraction inhalable dust in a dental laboratory[J].Measurement，2015，66：109-117.

[7]陳繼民，陳鶴天.激光在粉塵檢測領域的進展與應用[J].應用激光，2018，38（3）：496-501.

CHEN Ji min，CHEN He tian.The development and application of laser in dust detection[J].Applied Laser，2018，38（3）：496-501.

[8]Grasa G，Abanades J C.A calibration procedure to obtain solid concentrations from digital images of bulk powders[J].Powder Technology，2001，114（1-3）：125-128.

[9]Baldevbhai P J，Anand R S.Color image segmentation for medical images using lab color space[J].Journal of Electronics and Communication Engineering，2012，1（2）：24-45.

[10]Wasswa W，Andrew W，Annabella H，et al.Cervical cancer classification from pap smears using an enhanced fuzzy C means algorithm[J].Informatics in Medicine Unlocked，2019，14：23-33.

[11]Hassanien A E，Soliman O S.Contrast enhancement of breast MRI images based on fuzzy type Ⅱ[C]//Soft Computing Models in Industrial and Environmental Applications，6th International Conference SOCO 2011，2011：77-83.

[12]Khairunnisa H，Nor A，Mat I.Adaptive fuzzy intensity measure enhancement technique for non uniform illumination and low contrast images[J].Signal，Image and Video Processing，2015，9（6）：1419-1442.

[13]Muhammad T，Malik J K.An intelligent mobile application for diagnosis of crop diseases in Pakistan using fuzzy inference system[J].Computers and Electronics in Agriculture，2018，153：1-11.

[14]Yongyingsakthavorn P，Vallikul P，F(xiàn)ungtammasan B，et al.Application of the maximum entropy technique in tomographic reconstruction from laser diffraction data to determine local spray drop size distribution[J].Experiments in Fluids，2007，42（3）：471-481.

[15]馬 翔，楚瑩瑩，陳允杰.基于空間信息熵活動輪廓模型的圖像分割[J].控制工程，2018，25（11）：2010-2016.

MA Xiang，CHU Ying ying，CHEN Yun jie.Medical image segmentation based on active contour model of spatial information entropy[J].Control Engineering of China，2018，25（11）：2010-2016.

[16]成 婷，張 擴，續(xù)欣瑩.鄰域粗糙集約簡算法在圖像特征選擇中的應用[J].現(xiàn)代電子技術(shù)，2018，41（21）：56-62.

CHENG Ting，ZHANG Kuo，XU Xin ying.Application of neighborhood rough set reduction algorithm in image feature selection[J].Modern Electronics Technique，2018，41（21）：56-62.

[17]郭 健，李 智.基于ICA閾值優(yōu)化耦合信息熵的邊緣提取算法[J].西南大學學報（自然科學版），2018，40（9）：150-155.

GUO Jian，LI Zhi.An edge extraction algorithm based on ICA threshold optimization and information entropy[J].Journal of Southwest University（Natural Science Edition），2018，40 （9）：150-155.

[18]YU Hai yan，ZHI Xiao bin，F(xiàn)AN Jiu lun.Image segmentation based on weak fuzzy partition entropy[J].Neurocomputing，2015，168（11）：994-1010.

[19]LIN Yao jin，LI Yu wen，WANG Chen xi，et al.Attribute reduction for multi label learning with fuzzy rough set[J].Knowledge Based Systems，2018，152：51-61.

[20]LI Hua，LI De yu，ZHAI Yan hui，et al.A novel attribute reduction approach for multi label data based on rough set theory[J].Information Sciences，2016，367-368：827-847.

[21]Hadi Y，Hamid M，Mohammad A E F，et al.Determining the fragmented rock size distribution using textural feature extraction of images[J].Powder Technology，2019，342：630-641.

[22]Andrea P，Massimo P，F(xiàn)abio L，et al.Dust detection and analysis in museum environment based on pattern recognition[J].Measurement，2015，66：62-72.

[23]Farid G L，Jair C，Asdr bal L，et al.Segmentation of images by color features：a survey[J].Neurocomputing，2018，292（5）：1-27.

[24]陳天華，王福龍.實時魯棒的特征點匹配算法[J].中國圖象圖形學報，2016，21（9）：1213-1220.

CHEN Tian hua，WANG Fu long.Real time robust feature point matching algorithm[J].Journal of Image and Graphics，2016，21（9）：1213-1220.

[25]李婷婷，江朝暉，饒 元，等.結(jié)合基因表達式編程與空間模糊聚類的圖像分割[J].中國圖象圖形學報，2017，22（5）：575-583.

LI Ting ting，JIANG Zhao hui，RAO Yuan，et al.Image segmentation based on gene expression programming and spatial fuzzy clustering[J].Journal of Image and Graphics，2017，22（5）：575-583.