張 煒，付 元，劉 昕

（1.北京理工大學，北京 100081；2.煤炭科學技術研究院有限公司，北京 100013；3.煤科院節(jié)能技術有限公司，北京 100013）

智能化是礦山技術發(fā)展的最高形式，煤巖識別是實現無人化綜采工作面重要的核心技術之一，隨著民用圖像處理識別技術的飛速發(fā)展，應用于煤巖邊界精準識別成為研究熱點，但是距離將該項技術轉化為成熟的煤巖識別解決方案，并實際應用于智能開采中，還有很多需要突破的技術瓶頸，其中煤巖圖像處理的算法及模型就是技術瓶頸之一[1]。

國內外多位學者應用不同的技術研究煤巖識別，通過雷達探測、煤巖反射識別煤巖分類[2]特性，在20世紀90年代可實現將部分煤巖粗放型分類識別，但煤及巖石種類繁多，不同介質反射情況不同，識別效果不直觀、不精確，且也會因煤巖介質的不同而區(qū)別巨大[3-5]，此類識別技術對智能化開采缺乏推廣應用的精準技術支撐。

近年來在應用圖像處理技術的煤巖識別研究方面取得了一系列成果[6-7]，但主要集中在從煤巖性狀、機理上對煤巖分析，鮮有學者對工作面的實際煤巖分界圖像進行分析建模研究[8-9]。為此，在前人提出的煤巖識別技術的基礎上，著重研究煤礦綜采工作面的煤巖界面識別問題，根據煤巖基本特征、性狀、區(qū)別，從圖像邊緣和灰度閾值的研究角度出發(fā)，研究煤巖分界識別的可行性[10-12]。

1 灰度共生均值的聚類煤巖識別算法

1.1 聚類煤巖識別算法

聚類分析法為多變量數據分析統(tǒng)計技術，是一種非監(jiān)督式的數據分析工具，將沒有事先分類的樣本，由分析系統(tǒng)自動對所有樣本分類識別。常被應用于模糊模式識別、海量數據分析提??；通過分層聚類和迭代聚類，進行群分析、點群分析。聚類分析算法應用于煤巖識別，設煤巖分界相似度為統(tǒng)計量，以此為劃分類型依據。將每類相似度高的圖像邊界聚合為一類，并設定變量迭代，直到把所有統(tǒng)計量聚合收斂[13]。聚類分析方法及算法包括K-MEANS、KMEDOIDS、CLARANS的3種算法。

采用K-MEDOIDS算法，K-MEDOIDS算法是基于有序樣品劃分的重疊聚類方法，定義樣本不同數據特征向量、類型、標度等的多樣性空間屬性距離函數的相似度，擬定初始聚類中心后，衡量有序樣本數據點之間的Euclidean距離相似度。根據距離最小的原則，依次選出n類分類對象，將動態(tài)聚類對象Mp和模糊聚類對象Mq歸并為一新類有重聚類Mr，不停迭代計算Mp、Mq、Mr新特征值及聚類中心之間的距離，直至實現聚類中心收斂，區(qū)分出煤巖分解特征值最優(yōu)分類結果。

煤巖分界圖像選取n個任意樣本，設定所有medoids分界點的總樣本為M，煤巖分界圖像被劃分為k個子樣本C，Ci為其中任一樣本；選擇k個聚類中心Cj（E），其中：j的取值范圍為1-k，每個點aj的medoids分界點與聚類中心b的分界點距離為Cb（其中：b的取值范圍為1-k），則medoids的聚類中心收斂為：

1.2 灰度共生均值的圖像提取

針對開采工作面采集到的煤巖圖像，提取煤巖圖像分界的紋理特征，通過計算出灰度共生矩陣（GLCM,Gray-level co-occurrence matrix），提取煤巖邊界的方向、相鄰間隔、變化幅度等綜合特征值、排列規(guī)則。先對具有相似度高的灰度值進行像素塊分割，每個像素塊灰度值局部內有變化，偏離點的灰度共生矩陣發(fā)散，其偏離對角線的間隔幅度變化值增大。進一步細分割像素區(qū)域，直至其每個分割像素區(qū)域的灰度共生矩陣對角線間隔幅度趨于相似[14-15]。

灰度共生矩陣提取及計算的主要過程為：

1）圖像紋理變化的度量閾值，直接反應圖像灰度分布均勻特性、紋理相似的精細度，考慮到井下開采工作面粉塵、光線弱等復雜圖像狀況，將煤、巖石、開采設備的圖像灰度橫向分為i個不同的經度、縱向分為j個緯度（為避免灰度共生矩陣計算量太大，i、j的取值范圍一般為2～4）。

3）判別慣性矩相關性。分割的像素區(qū)域在i、j方向，度量空間共生矩陣元素的相似度相關值越小，煤巖圖像分界的紋理特征、慣性矩也越小，相關性越大，得出相似最佳度閾值，來計算出度量空間灰度共生矩陣元素在i、j方向上的相似程度，相關值與灰度矩陣具有高度相關性；當慣性矩元素值均勻相等時，相關值大，矩陣像元值相差很大則相關值小，灰度共生矩陣離散，煤巖識別度低。

2 多尺度分解變換的煤巖紋理特征抽取方法

2.1 煤巖圖像多尺度分解后特征抽取

多尺度分解是面向對象的圖像分解算法，煤巖圖像中的邊界分解是依據圖像分析和特征提取分解而確定的，通過多尺度策略對煤巖分界像素空間的關聯性自適應模擬，提出煤巖圖像去噪評估的保真度效果，其空間相關性尺度與前文設定好的聚類中心收斂、灰度共生矩陣相一致[16]。隨圖像分解經緯尺度越大，圖像多尺度細節(jié)信息越詳細，煤巖紋理特征準確率也越高。對于多尺度最佳分解效果，目前并沒有定性定量的理論依據，其優(yōu)化尺度一般根據煤巖分界紋理特征的區(qū)分度確定。

煤巖圖像的多尺度特征值選擇、分解變換的煤巖紋理特征抽取步驟為：

1）選定煤巖圖像區(qū)分度較大的區(qū)域，分解煤巖圖像的空間方向性及像素多尺度特點，提取多尺度表達的相關性指標。

2）引入“亞像素”跨尺度分析方法，提取煤巖分界的多尺度聯合分量，重建煤巖分界灰度尺度的垂直、水平、對角共生矩陣等細節(jié)參數（包括均值、方差、斜方差、中心收斂值）。在同一分解尺度下完成跨尺度聯合提取，垂直分量計量絕對值大于水平方向和對角方向；水平分量各統(tǒng)計量的絕對值大于垂直和對角2個方向，絕對值都隨著分解層數增加而增大[17]。

3）煤巖分界分解區(qū)域內灰度變化最明顯的地方是提取的多尺度共生矩陣的極值點，也是煤巖分界有代表性的特征值。增加多尺度的分解層數，極值點集中的圖像頂端變得平緩，經過多角度、多層次的分解后，完成抽取煤巖圖像分界的有效特征量。

4）選取區(qū)分度為3提取分析不同區(qū)域煤巖分界紋理特征，建立煤巖圖像多尺度特征值數據庫，抽取跨尺度的均值、方差、斜方差、中心收斂值，以及總均值和總方差，構造煤巖圖像多尺度特征向量。為達到更高識別率，重復以上步驟1）～步驟3），提高區(qū)分度為4提取不同區(qū)域煤巖分界紋理特征。

2.2 紋理特征的煤巖識別提取

煤巖分界的紋理特性不是基于像素點的特征定義，而是反映紋理空間結構的差異特征值，包含分解區(qū)域的多個像素點區(qū)域中統(tǒng)計計算結果的表面性質。不同于灰度共生特性，出現局部偏差而無法匹配成功，在模式匹配中，區(qū)域性紋理特征具有較大優(yōu)越性。因此，煤巖分界紋理特征有效提取、構建一致性和差異性較好的紋理特征空間，對于精準煤巖識別具有重要價值。

常用的紋理特征提取方法為2類：統(tǒng)計方法和信號處理法。采用統(tǒng)計方法完成煤巖識別的紋理特征提取，包括局部灰度統(tǒng)計量、Gabor濾波器分組、分形模型、灰度共生矩陣、局部傅立葉變換等。

導向度均值μ為：

直方圖熵AH為：

式中：M、N為選取煤巖分界典型圖像提取紋理特性的橫、縱分割值；L為分型矩陣階數；δ為分型矩陣典型特征值均衡系數；f（i，j）為分型模型對紋理特性提取函數；h（L）分型矩陣對圖像灰度共生的特征函數。

3 煤巖識別模型優(yōu)化

3.1 煤巖圖像灰度“相似性”度量模型

采集工作面煤巖分界圖像，根據已經提取煤巖的灰度共生矩陣、紋理特征值，建立去噪后的“相似度”度量模型，首先賦予初始值初步判定模型樣本，確定模型初始值；為提升模型“自學習”樣本初值，可將支架與煤壁頂板識別分界圖像作為為煤巖識別線；然后選定煤巖紋理分界明顯圖像樣本特征值，賦予模型完成“自學習”樣本修正；若煤巖圖像其他提取的特征值表述效果較為接近，出現局部收斂，表明“相似性”模型具有較好的合理性。另外，在對煤巖圖像分解之前，需先對部分圖像的灰度值亮點噪，否則會影響模型樣本“自學習”校正。

3.2 層次聚類煤巖識別模型

層次聚類模型（Hierarchical Clustering Model）是將數據對象組成聚類集合，采用距離矩陣作為聚類模型標準，自上而下逐步凝聚，一般由K個聚類數目組成，合并最小相異度節(jié)點矩陣，以遞減方式凝聚層次聚類迭代，設定終止條件，并不斷地重新定位新的集合，基于簇族互聯性合并成聚類樹（Clustering Feature Tree），形成多階段動態(tài)模型層次聚類；從聚類煤巖識別算法的源數據對象中抽取隨機樣本集P，設定完整樣本中一共有m個數據點，基于層次聚類的K個聚類數目，樣本集合P分解為k個劃分后的子樣本，滿足概率分布函數p（k），則形成由K個層次的聚類模型。

依據制定的收縮因子逐步向聚類中心收斂，重復迭代完成模型“自學習”修正。

4 煤巖識別優(yōu)化模型流程

借助聚類基本理論，分析煤巖分界圖像灰度共生矩陣及紋理特征值，初步實現煤巖分類及分解背景信息識別。通過多尺度共生矩陣、對角共生矩陣等細節(jié)參數，采用層次聚類煤巖識別模型的區(qū)域增長方法，剔除無效參數及特征值信息，減弱無效數據對分類和精準識別帶來的不利影響[18-19]。煤巖識別對2組圖像進行多尺度分解方法特征抽取，構造相應的特征向量，并將數據隨機分為2組，1組為“自學習”訓練樣本，用于確定識別閥值和權值，另1組為測試樣本，用來測試分類性能。煤巖識別優(yōu)化模型流程圖如圖1。

圖1 煤巖識別優(yōu)化模型流程圖Fig.1 Flow chart of coal and rock identification optimization model

5 結 語

1）研究灰度共生均值算法的聚類煤巖識別算法，形成煤巖圖像分界、灰度閾值、紋理特征提取方法，聚類的煤巖識別方案，提高煤煤礦綜采工作面采煤機截煤過程中的煤巖識別方法普遍存在效果欠佳、穩(wěn)定性差、應用范圍小等問題。

2）研究多尺度分解變換的煤巖紋理特征抽取方法、煤巖圖像“亮點噪聲”分析及處理技術，構建分塊區(qū)域煤巖分界數據的圖像采高模型；建立煤礦綜采工作面與采煤聯動的控制模型；評估定義煤巖圖像識別去噪效果的保真度方法，構造均值紋理導向度和方差紋理導向度。

3）提出一種煤巖圖像的識別方法，煤巖界面識別圖像改進型配準、煤巖識別時間復雜度分析、不同距離、角度煤巖分界二維模型分析，提高煤巖識別準確率，為工作面煤巖精確區(qū)分、減少采煤機截割巖引起的故障和安全問題，提升開采自動化精準性提供識別理論基礎。