改进纹理模糊筛选下煤矸石X射线图像处理

申利飞,田子建,白林绪

(中国矿业大学(北京)机电与信息工程学院,北京 100083)

1 引 言

随着经济条件的不断发展,发电厂对煤炭的需求日益增长[1-2],但对煤炭的质量提出了一定的要求。在原煤的开采过程中常掺杂了矸石,矸石是一种碳质、泥质以及砂质页岩的泄漏物,常混合在煤中的一种固体废物,含碳量较低,比煤炭更硬,在煤的形成过程中与煤层一起产出的深灰色岩石[3-4]。未经筛选的原煤在燃烧后会严重污染环境,引起酸雨等环境问题[5]。因此,对煤矸石进行筛选具有重要的现实意义。

在煤与矸石的识别和筛选领域中,国内已有相关学者作出一定的研究。薛光辉等人[6]利用随机森林算法进行煤矸图像识别,通过裁剪图像、灰度转化、增强对比度实现图像滤波预处理,利用随机森林对煤矸图像进行降维处理,实现煤矸识别,实验证明该方法的识别度较高。李曼等人[7]在对煤矸石图像进行区分处理时,采用了最小二乘支持向量机为图像识别分类器,将多项特征进行联合训练,实现了煤矸石的区分,提高了图像识别的准确性。但上述方法均存在图像纹理差异较小,导致识别的结果难以满足现实需求的问题。因此,煤矸石的分选仍是需要深入研究的关键问题。

为提高煤矸石分选的精度,本文提出基于改进纹理模糊筛选的煤矸石X射线图像处理方法。在煤与矸石的X射线图像处理过程中,对所采集的图像中的噪声进行滤波处理,通过Prewitt算子法针对图像中煤与矸石的纹理特征进行提取,以此改进煤与矸石的纹理模糊筛选,加强了煤矸石的识别效果。为进一步降低煤矸石识别的误差,以煤与矸石的识别阈值为判定标准,计算煤与矸石的图像灰度值以及纹理度。根据图像的纹理度与灰度的峰值,区分了图像的纹理差异,确定了灰度阈值,使得煤矸石的分选标准更为精细,利用阈值分割和Ostu二值化实现煤与矸石的识别与筛选。实验结果证明,所提方法提取的煤与矸石的纹理差异度更大。能够增强煤矸石的识别效果,为煤矸石的筛选提供了一定的支撑。

2 X射线衰减识别煤矸石图像

根据煤与矸石质地和纹理的差别,在识别煤与矸石时,若煤块厚度与矸石相似,则纹理图像也较为相似[8-9],易导致识别错误。为此,分析X射线衰减规律及该规律在煤矸石识别中的应用。其中,X射线衰减公式:

(1)

式中,G1是光束通过物体之前的强度;衰减常数用γ表示;识别的目标物体的物理性质为λ;P为辐射通量密度。此外,由于煤和矸石的密度不同,因此煤和矸石的X射线的衰减也不同[10]。衰减程度与物体的高度和密度有关。在煤和矸石的图像处理中,可以将煤或矸石视为球体,通过计算图像目标区域s估计煤和矸石的高度l1和l2。同时,从波形图中得到煤和矸石的像素纹理水平峰值fc和fd。纹理水平峰值表明具有此纹理水平的像素最多[11],据此判断X射线通过该煤块或矸石的路径距离。因此,公式(2)和(3)可以用来表示X射线通过煤或矸石后的强度Ic和Id:

(2)

(3)

其中,k1和k2分别代表煤以及矸石的纹理水平峰值。以某批次的煤和矸石作为实验样本进行测试,可得出煤块与矸石的X射线衰减曲线公式:

(4)

(5)

由于测试中使用的X射线出自同一个光源,因此穿透目标前的声波频率I0相同,煤块的物理质量衰减系数由λc表示,矸石的物理质量衰减系数由λd表示,l为目标物体的高度。通过不同的曲线图像得出煤和矸石的判断公式,确定了煤和矸石的识别阈值T0。如果TT0,图像中的目标是煤。因此,判别值T可以很好地反映不同高度的煤与矸石之间的纹理水平关系。经过X射线衰减处理得到的煤和矸石的图像如图1所示。

图1 煤和矸石的X射线衰减处理图像Fig.1 X-ray attenuation image of coal and gangue

3 筛选图像处理流程

煤与矸石的鉴别主要通过计算煤与矸石的判别值T(f·h)来确定。但在图像收集的过程中,由于摄像机无法过滤干扰信息,因此最终成像中的噪点较高[12-13],影响了对煤矸石的识别筛选。为此,对图像进行滤波与二值化处理[14]。这一处理过程减少了图像中的噪点,同时降低了不必要的数据处理量,使煤块与矸石图像中的目标纹理更突出。将所采集的目标纹理特征对照原始图像并进行二值化处理。如果在灰色纹理图上存在两个较为突出的灰度峰值,则将两个灰度峰值区域之间的区域中心的灰度值设定为阈值。假设选定区域的灰度范围为[ωm,ωn],两个灰度峰值分别为vi和vj,在谷底处的灰度值为zt。选择谷底值zt作为阈值点。

如果原始灰度图像的灰度值为m,灰度值为i的像素数为ni,则图像中的像素总数为:

N=n0,n1,…,nl-1

(6)

归一化纹理映射,可得:

(7)

根据灰度值,将阈值分为两类:c0=(0,1,…,t)和c1=(t+1,t+2,…,l-1),c0和c1的产生概率和平均层分别为:

(8)

(9)

可保持任何t值:

(10)

因此,c0和c1之间的方差定义为:

=ω0ω1(μ1-μ0)2

(11)

在处理后的图像中采集煤块与矸石的纹理特征,确定目标物体像素个数N。目标物体的像素面积用S表示,物体高度为A,以目标物体图像的纹理峰值为基础,计算煤块与矸石的纹理判定值T。并将纹理判定值与设置的阈值T0进行比较,若小于阈值T0,目标物体将被定性为矸石。为定位出矸石物体的中心点,系统通过向PLC发送显著信号对图像进行标注。若计算所得T值高于阈值T0,则目标物体将被定性为煤块。被定义为煤块的图像将接受下一步处理。另外,由于在该系统中,图像处理的过程应该是实时的,因此图像处理算法应尽可能地优化程序以减少程序中的计算量。系统中煤与矸石的识别流程图如图2所示。

图2 煤与矸石鉴定流程图Fig.2 Identification flow chart of coal and gangue

4 煤和矸石X射线图像滤波与纹理处理

4.1 图像噪声类型

针对煤块与矸石的纹理图像中的噪声问题,采用平滑滤波法进行降噪处理[15]。根据现场的灰尘和光照环境,煤颗粒和矸石颗粒在皮带上的混合情况以及现场实验,发现该系统中的图像噪声主要为脉冲噪声[16-18],其概率密度函数为:

(12)

式中,如果Px和Py都为非零数,即将该噪声判定为双极性脉冲噪声。若式中的y>x,在纹理图像中y则是亮部,x则为暗部。此时的纹理图像将出现不规则分布的椒粉和盐粉颗粒。若式中的Px或Py为零,则该噪声可被确定为单极脉冲噪声。另外,与图像信号相比,脉冲噪声的强度一般具有更大的干扰[19]。为了降噪,需要将图像中的脉冲噪声的像素值作最大化处理,使该像素在图像中显示为纯白色或纯黑色。同时,需要对图像中最大化处理的脉冲噪声范围进行限定。设x和y为校正允许的最大值和最小值,例如,在8位图像中x=0,y=255。因此该系统所用的是以W脉冲噪声作为平滑滤波的模型。

4.2 图像平滑滤波器

在图片降噪过程中,平滑滤波器的使用频率较高[20]。为减少图像中的干扰因素、无关数据以及冗余细节等,可采用平滑滤波器进行处理[21]。平滑滤波器包括线性滤波器和非线性滤波器[22-23]。两种滤波器的效果和应用领域不同,可根据实际情况进行选择。

在线性滤波处理过程中,利用相邻区域中的灰度平均值取代原始图像中各个区域的灰度值[24]。在原始图像中选取Sxy区域,其中的每个像素点为f(x,y),设共有M个像素,其平均值即为所生成图像Q(x,y)中像素点(x,y)处的纹理值,计算公式如公式(13)所示。

(13)

在图像降噪过程中,将(3×3)的滤波模板分别用于煤块和矸石的原始图像中。处理后的图像效果如图3所示。

图3 煤和矸石的平均滤波平滑X线图像Fig.3 Average filtering of coal and gangue smoothed X-ray images

4.3 X图像中煤和矸石的纹理提取

4.3.1 纹理图像灰度值提取

在纹理图像灰度值提取的过程中,根据图像属性的变化对图像中具有突出变化的点进行标注,这些变化通常可以反映出重要属性的变化[25]。在这一过程中去除了不相关的图片细节,使数据量得以减少,保留下图像中像素的基本结构与灰度值等属性。因此,在数字化图像处理中,纹理检测具有重要的作用。

纹理检测是在图像中寻找纹理像素以生成纹理映射的过程[26-27],纹理是图像中灰度值不连续或剧烈变化的结果,可通过导数对其进行检测。

数字图像的一阶导数是基于各种二维梯度的近似[28],图像f(x,y)在位置(x,y)的梯度定义为向量:

(14)

式中,Δf表示的是该向量的大小。从向量分析可知,梯度向量指向坐标(x,y)处f的最大变化率的方向。

(15)

该量给出在Δf方向上每单位距离增加之后f(x,y)值的最大变化率,同时梯度向量的方向也非常重要。如果α(x,y)表示向量Δf在(x,y)的方向角,则可以从向量分析获得:

(16)

4.3.2 Prewitt算子法

当连续的像素点组成了图像函数时,其选定区域的梯度值可通过式(15)计算,而当离散点组成图像时,其梯度值通过相邻像素的差值计算。为了使提取的图像边缘的结构定位精确,并产生连续的精细边缘,同时能滤除边缘信息中的噪声干扰,提出应用Prewitt算子。Prewitt算子法是利用相邻3对像素值中梯度值之和计算偏微分估计值[29]。具体计算过程如下式:

ρx={f(x+1,y-1)+f(x+1,y)+f(x+1,y+1)}-{f(x-1,y-1)+f(x-1,y)+f(x-1,y+1)}

ρy={f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)}-{f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)}

(17)

Prewitt梯度算子法是具有两个核矩阵的卷积运算[30],公式(17)可以表示为使用算子和图像这两个矩阵的卷积运算。两个卷积矩阵如公式(18)所示:

(18)

其中,ρx和ρy分别表示x和y方向上的部分的Δfx(x,y)的分数。使用prewitt梯度算子法对要检测的图像进行卷积[31],然后获得x和y方向上的梯度值以及Δfy(x,y),并通过公式(19)获得梯度幅度图像Δf(x,y):

(19)

5 结果与讨论

5.1 实验比较法

为了验证本文中使用的Prewitt算子法对纹理图像的滤波效果,将文献[6]方法和文献[7]方法与本文提出的用于纹理检测的研究方法进行了比较。

5.2 不同算子计算结果下的X射线成像效果分析

图4显示了三种算子法的X射线成像的效果。

图4 三种算子法的X射线成像效果Fig.4 X-ray imaging effects of three operator methods

从图4的比较可以看出,Prewitt算子法提取的煤与矸石的纹理清晰,线条细腻,而文献[6]方法得到的煤和矸石的纹理是粗糙且扭曲的。由于文献[7]方法仅采用单一的卷积矩阵模板,因此不适合计算图像中的目标区域,导致图像中大部分的细节像素丢失,不适用于纹理模糊筛选。

为进一步对比三种算子计算结果下的X射线成像中的噪点,对三种算子计算的图像的SSIM值进行对比。对比结果如图5所示。

图5 三种算子法的X射线成像SSIM值对比Fig.5 Comparison of SSIM values of three operator methods for X-ray imaging

从图5中可以看出,Prewitt算子法一直维持较高的SSIM值,未降低至95%以下,但文献[6]方法以及文献[7]方法的SSIM值随着噪声密度的增加而骤降,由此可知Prewitt算子法的成像效果较好,噪点的去除率较高。为了计算图像中目标区域的面积,需要提取并确定目标纹理。而在Prewitt法提取目标物体的像素图像中,目标轮廓线条清晰,明暗对比强烈,区分度更高。

5.3 二值化X图像对比

将所采集的目标纹理特征对照原始图像并对其进行二值化。图6～8显示了这三个算子法之间二值化X图像对比。

图6 Prewitt算子法处理后的波形图Fig.6 The waveforms processed by Prewitt operator

图7 文献[6]方法处理后的波形图Fig.7 The waveforms processed by reference[6]method

图8 文献[7]方法处理后的波形图Fig.8 The waveforms processed by reference[7] method

分析图6～8可知,Prewitt算子法处理后的灰度波形图中,煤块与矸石的界限清晰,且波形较为规律,而文献[6]方法处理后的波形图中,煤块的灰度值并未突显出来,较为模糊,且边缘不够规则。文献[7]方法处理后的图像中,虽然煤块的X射线较为明显,但是缺乏规律性,存在信息缺失,波形图不连贯的现象,且这两种算子法计算的灰度值范围较小,均在0.25～0.75左右,而Prewitt算子法计算的灰度值范围可以达到0～1。由此可知,本文所提出的Prewitt算子法对于煤和矸石的识别效果较好。

Prewitt算子法对煤和矸石的识别率较高。将X射线强度所对应的灰度值与煤和矸石的图像高度作为鉴别的依据,具有很强的区分性,且克服了文献[6]方法计算煤和矸石的灰度平均值时有误差,以及文献[7]方法以方差为基础判别性较低,容易受到单个卷积矩阵模板的影响的缺点。在煤与矸石的识别过程中,Prewitt算子法采用两个特征值,与多特征融合法相比,特征数量的减少使算法更简单、耗时更少,更有利于矸石的实时、快速分选。

6 结 论

本文提出的煤与矸石识别算法以Prewitt算子法为计算基础,重点分析煤与矸石X射线图像,通过煤与矸石像素的灰度值和纹理值来筛选煤矸石。根据目标灰度值与纹理度之间的关系,提出了煤与矸石的识别条件,确定了识别阈值,对不同大小的煤与矸石实现了良好的识别和分选,消除了煤和矸石大小对矸石分选的影响。与传统方法相比,提高了对煤与矸石的识别精度。