基于小波变换的煤岩惰质组显微图像分类

王培珍，殷子睆，丁海涛，武天元，张代林

(1.安徽工业大学a.电气与信息工程学院，b.煤的洁净转化与综合利用安徽省重点实验室安徽马鞍山243002；2.东南大学自动化学院，南京210096)

基于小波变换的煤岩惰质组显微图像分类

王培珍1a，殷子睆1a，丁海涛1a，武天元2，张代林1b

(1.安徽工业大学a.电气与信息工程学院，b.煤的洁净转化与综合利用安徽省重点实验室安徽马鞍山243002；2.东南大学自动化学院，南京210096)

在分析煤岩惰质组各组分显微图像特点的基础上，提出一种基于小波变换的煤岩惰质组显微组分自动分类方法。首先用离散小波变换对煤岩显微图像进行分解，根据分解所得的水平、垂直、对角3个方向小波系数设计描述其纹理属性的特征量；通过对特征量的分析，选取水平方向能偏、对角方向方差特征量以及图像的亮度比等特征量构成特征向量集；采用支持向量机对惰质组各组分进行分类，获得对其7类典型组分的较为理想的分类效果。与其他同类方法的实验结果比较表明，本文特征量选取与分类方案在分类效果上具有明显的优势。

煤；显微图像；小波变换；支持向量机

研究表明，煤岩的显微组分与煤的反应性、黏结性、对CO的吸附性能、热破碎性质等直接相关[1-3]。因此，实现煤岩显微组分的自动分类与识别对于煤性能的界定具有重要的意义。鉴于目前广泛使用的煤岩显微组分测度定量法存在结果受测量者影响且工作量大等问题，已有学者尝试对煤岩显微图像进行自动分析。如阮晓东等[4]依据轮廓判断煤岩中圆形颗粒的存在；陈洪博等[5]根据煤岩显微图像中的灰度信息，建立了测定煤岩显微组分反射率的相关模型；王培珍等[6-7]对SUSAN算法进行改进，提取出可表征煤岩显微组分壳质组中渗出沥青体的锐角角点，并采用结构元的方法提取煤岩显微组分的轮廓特征。小波变换由于具有平移、伸缩不变性，使其具有对信号的自适应性，近年来在图像分类与识别中得到广泛应用[8-9]。惰质组是煤岩显微结构的重要组成部分，包括筛状丝质体、星状丝质体、半丝质体、粗粒体、微粒体、菌类体、碎屑惰质体等组分。分析表明，煤岩显微组分具有明显的纹理特征[9]，建立在小波变换基础上的特征量能很好地描述图像的这一纹理特征信息[10]。本文针对惰质组内各组分的特点，采用Daubechies小波对其显微图像进行分解，提取基于其小波系数的纹理特征量，并采用支持向量机分类器构建分类器组，实现煤岩显微结构中惰质组的自动分类。

1 惰质组的显微图像特点

惰质组包含7种显微组分：筛状丝质体、星状丝质体、半丝质体、菌类体、粗粒体、微粒体、碎屑惰质体，其典型图像如图1所示。

图1 惰质组各显微组分典型图像Fig.1 Typical microscopic images of macerals in inertinite

丝质体是植物细胞保留较好的惰质组分，其中：筛状丝质体中细胞结构完好；星状丝质体细胞壁经挤压致破碎；半丝质体细胞结构保存较差，细胞壁膨胀。菌类体由真菌遗体形成，多呈单细胞结构。粗粒体无细胞结构，呈不规则块状。微粒体粒径较小。碎屑惰质体是惰质组其它组分的碎片。由图1可以看出，尽管惰质组中各组分形态各异，但存在明显的纹理特征，且颗粒状、条纹状纹理特征并存，尺度变化较大。小波变换具有多尺度等特点，因此，文中在对惰质组显微图像进行多分辨小波分析的基础上进行纹理分析。

2 特征提取

2.1 纹理特征提取

2.1.1 二维离散小波变换

设f(x1,x2)为二维图像信号，0≤x1≤M-1,0≤x2≤N-1，M，N分别为图像的宽与高。采用二维离散小波对其进行分析，令Ψj,n¯(x1,x2)为尺度伸缩和平移下的小波函数，满足

则f(x1,x2)的二维离散小波变换为

2.1.2 二维多分辨率小波分解

在可分离的情况下，二维多分辨小波分解[11-12]可分两步进行：首先沿x1方向分别用高通和低通滤波器组对f(n1,n2)分解，将其分解成平滑逼近和细节这两部分；然后对这两个部分再沿x2方向分别用和作类似分解，共得到4路输出，其中经2次低通滤波器处理后得f(n1,n2)的第一级平滑逼近A1f(n1,n2)，反映2个方向的低频分量，其余三路输出分别为：反映水平方向的低频分量和垂直方向的高频分量；反映水平方向的高频分量和垂直方向的低频分量；，反映2个方向的高频分量。二维小波分解滤波器组如图2。

图2 二维小波分解滤波器组Fig.2 Filter group of two-dimensional wavelet decomposition

2.1.3 基于小波分解的纹理特征提取

对图像进行L级二维离散小波变换，每个尺度下有3个方向的子带，记为Wl,k(i,j)，表示尺度为l、方向为k的小波系数，其中：l=1，2，…；k=1，2，3。对每个子带Wl,k(i,j)分别定义其能量El,k(μ)和能量偏差El,k(σ):

图像经过1级小波分解后得到3个方向子带。对于每个子带提取能量、能偏、方差、均值等4个特征量，1级分解可得到共12个特征量。

Harr小波和Daubechies小波均为简单的正交小波，Harr小波不连续，而Daubechies小波(db)是紧正交集连续的正交小波，故本文选择db5对图像进行分解。通过对特征量的提取与分析，选取对组分可分性较强的2个特征量：水平方向的能量偏差El,1(σ)和对角方向的方差σl,3，如图3所示。

图3 纹理特征量分布Fig.3 Distribution of texture features

从图3(a)可以看出，水平能量偏差El,1(σ)可以将粗粒体与星状丝质体或粗粒体与半丝质体有效区分，但对于其他组分该特征量效果不好。图3(b)中筛状丝质体与菌类体的对角方差σl,3分布平稳，但其他组分该特征波动较大。

2.2 亮度比特征量提取

专家经验表明，亮度是区分煤岩显微组分的重要依据之一。考虑到成像时照明条件的差异，本文设计亮度比r作为另一特征量，其定义为图像灰度值满足一定范围内的像素数占整幅图像的百分比。

其中：m(i)表示像素值为i的像素数；g为阈值。

2.3 特征量分析

为了寻找可对惰质组各显微组分进行分类的有效特征组合，采用亮度比与纹理特征共同构成特征向量集。首先提取亮度比特征量（如图4(a)所示），可以看出其可作为区分粗粒体和微粒体的有效特征量。将粗粒体和微粒体区分之后，再对剩余的5类组分进行分析，其El,1(σ)分布如图4(b)，据此可将菌类体有效分离，同时半丝质体和星状丝质体混合组分也被分出。半丝质体和星状丝质体的亮度比特征量分布如图4(c)，此时再根据亮度比将半丝质体和星状丝质体分离。最后剩下筛状丝质体和碎屑惰质体，其σl,3分布如图4(d)，据此可对二者进行划分。

图4 特征量分析Fig.4 Feature analysis

3 分类器

支持向量机(SVM)是针对小样本分类问题的有效方法[13-14]，鉴于本文样本数据并不十分充裕，结合特征数据分析的结果，采用支持向量机构建组合分类器，以实现惰质组各显微组分的分类。组合分类器的结构与分类过程如图5，其中①代表粗粒体，②代表微粒体，③代表菌类体，④代表半丝质体，⑤代表星状丝质体，⑥代表筛状丝质体，⑦代表碎屑惰质体。

组合分类器中，支持向量机由下式所述优化问题实现，

其中：w为系数矩阵；ξq为松弛变量；C为惩罚系数，体现SVM对错分样本的惩罚程度。

4 实验结果及分析

算法在VC++6.0环境下编程实现。实验中每类显微组分各选取50幅典型图像作为训练样本，图像大小为180×170；测试图像各30幅。亮度比的计算中，阈值g取150；惩罚系数C取0.1。表1～4为采用单个SVM分类器对某些特定类别进行分类的结果。其中：表1为采用亮度比对粗粒体和微粒体的分类准确率；表2为采用El,1(σ)对菌类体的分类结果；表3为采用亮度比特征对半丝质体和星状丝质体进行区分的结果；表4为采用σl,3特征分类器对筛状丝质体和碎屑惰质体的分类结果。

图5 组合分类器结构图Fig.5 Structure of combined classifier

表1 采用亮度比对粗、微粒体的分类准确率Tab.1 Classification accuracy of coarse grain and microsomal by brightness ratio

表2 采用El,1(σ)对菌类体的分类准确率Tab.2 Classification accuracy of sclerotinite byEl,1(σ)

表3 采用亮度比对星状、半丝质体的分类准确率Tab.3 Classification accuracy of stellate fusinite and semifusinite by brightness ratio

表4 采用σl,3对筛状丝质体与碎屑惰质体的分类准确率Tab.4 Classification accuracy of cribriform fusinite and Inertodetrinite byσl,3

从表1～4可以看出，采用单个分类器对显微组分进行一对一分类时，分类准确率几乎在90%以上，只有半丝质体的分类准确率稍低。表5给出了采用本文提出的组合分类方法对惰质组各显微组分一次性进行分类的结果。为比较分类器的选择对分类结果的影响，表5同时给出了采用最小距离分类器、分类流程不变的分类结果。从表5可以看出，采用SVM分类的准确率普遍高于最小距离分类器，这里因为当特征量上下波动时，选取最小距离时容易出现误分。而无论特征量分布波动范围如何，只要在SVM最优平面的一侧都可以正确区分。

5 结 语

对煤岩显微组分惰质组显微图像进行离散小波分解再提取纹理特征量，并结合亮度比构建特征量集，通过分析和筛选特征量，采用支持向量机分类器进行分类，获得了对于惰质组7种组分的较为理想的分类效果。本文方法可推广于煤岩显微组分惰质组之外的组分分类，同时也为通过研究煤岩的显微组分自动分类来探究煤的工艺性能提供了新的参考和思路。

表5 最小距离组合分类器与SVM组合分类器分类准确率/%Tab.5 classificationaccuracyofminimumdistanceclassifier and SVM classifier/%

[1]李训明，水恒福.煤的可溶组分对粘结性的影响[J].燃料与化工，2006,37(2)∶6-8.

[2]YANG J L,STANSBERRY P G,ZONDLO J W.Characteristics and carbonization behaviors of coal extracts[J].Fuel Processing Technology,2002,79(1)∶207-215.

[3]孙庆雷，李文，李保庆.神木煤显微组分半焦的气化特性和气化动力学研究[J].煤炭学报，2002,27(1)∶92-96.

[4]阮晓东,赵文峰.煤粉显微图像中重叠颗粒识别的方法[J].煤炭学报,2005,30(6)∶769-771.

[5]陈洪博，白向飞，李振涛，等.图像法测定煤岩组分反射率工作曲线的建立与应用[J].煤炭学报,2014,39(3)∶562-567.

[6]王培珍，杜存铃，孙瑞，等.煤岩显微组分中渗出沥青体角点特征检测方法[J].安徽工业大学学报(自然科学版)，2015,32(4)∶376-380.

[7]王培珍，丁海涛，刘纯利，等.基于结构元的煤显微图像轮廓提取算法[J].煤炭学报，2014,39(S1)∶285-288.

[8]LO S C,LI H A,FREESMAN W T.Optimization of wavelet decomposition for image compression and feature preservation[J].IEEE Transactions on Medical Imaging,2003,22(9)∶1141-1151.

[9]ARIVAZHAGAN S,GANESAN L.Texture classification using wavelet transform[J].Pattern Recognition Letters,2003,24(9/10)∶1513-1521.

[10]王培珍，董双，张代林，等.基于圆形LBP均匀模式的煤镜质体显微组分纹理分析[J].安徽工业大学学报(自然科学版)，2014,31(2)∶47-151.

[11]刘俊梅.基于小波变换的图像纹理特征提取技术[J].计算机工程与设计，2007,28(13)∶3141-3144.

[12]PRADHAN P S,KING R L.Estimation of the number of decomposition levels for a wavelet-based multiresolution multisensor image fusion[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(12)∶3674-3686.

[13]YU H,ZHAO H.Research on multi-classification based on support vector machines[J].Computer Engineering andApplications, 2008,44(7)∶185-189.

[14]KANG S,LI J,LIU M,et al.Prediction based on support vector machine for travel choice of high-speed railway passenger in China[C]//Proceedings of 2011 International Conference on Management Science and Engineering.Rome,Italy∶ICMSE，2011∶28-33.

责任编辑：何莉

MicroscopicImage Classification ofInertinite of CoalBasedonWavelet Transform

WANG Peizhen1a,YIN zihuan1a,DING Haitao1a,WU Tianyuan2,ZHANG Dailin1b
(1.a.School of Electrical and Information Engineering,b.Anhui Key Laboratory of Clean Conversion and Utilization,Anhui University of Technology,Ma'anshan 243002,China；2.School ofAutomation,Southeast University,Nanjing 210096,China)

On the basis of analyzing the characteristics of microscopic images of inertinite in coal,an automatic classification method for macerals in inertinite of coal based on wavelet transform was proposed.Firstly,the coal microscopic image was decomposed with discrete wavelet transform,features from coefficients corresponding to three directions (horizontal,vertical and diagonal)were designed,which were employed to characterize the texture feature.After comprehensively analyzing these features,energy deviation of horizontal,variance of diagonal,as well as brightness ratio of the image were selected to build a feature set.Then,a class of support vector machine(SVM)based classifiers were constructed,and 7 macerals of inertinite were classified.By comparing the results of the proposed method with those of others,it shows that the proposed method of feature selection and classifier has distinct advantage in classification accuracy.

coal;microscopic image;wavelet transform;support vector machine

TQ 533.6；TP 391.4

A

10.3969/j.issn.1671-7872.2016.03.015

2016-05-07

国家自然科学基金项目(51574004)；安徽省自然科学基金项目(1208085ME67)

王培珍(1966-)，女，安徽泾县人，博士，教授，主要研究方向为图像处理与模式识别。

1671-7872(2016)03-0278-06