X射線煤矸識別過程中圖像分割精度研究

尹建強，朱金波，曾秋予，楊晨光，張 勇，史苘檜

(安徽理工大學 材料科學與工程學院，安徽 淮南 232001)

煤矸分離是煤炭生產中必不可少的環節，傳統的排矸方法有人工排矸、跳汰排矸、重介質排矸。人工排矸工作條件艱苦，人力成本大，效率低，排矸精度低，跳汰排矸和重介質排矸消耗水資源巨大，環境污染嚴重[1-3]。X射線分選是以X成像技術為基礎[4]，采用圖像分析或者視覺計算方法從圖像上獲得礦物信息[5]，如何準確地獲得礦物信息是近年來國內外學者不斷研究的課題。

郝稱意等[5]在煤粒檢測的過程中首先使用邊緣檢測和形態學方法進行煤粒圖像的分割試驗，最后選擇分水嶺算法作為圖像分割方法，成功實現了煤粒圖像檢測。王仁寶等[6]對PAL.KING模糊邊緣檢測算法進行改進，提出了一種新的邊緣提取算子，并以此為基礎提出了煤和矸石自動分選系統。張澤琳等[7]在粗粒煤堆密度組成估計的研究中，通過對比多種增強圖像和邊緣檢測的方法，提出一種將對比度受限自適應直方圖均衡法(CLAHE)和 SUSAN 邊緣檢測算法相結合的方法，結果表明，該方法有效防止了過分割和前分割的現象。張景飛[8]等在對灰度區域不明顯的煤樣SEM圖像的分割研究過程中，提出了K均值聚類算法和形態學相結合的分割算法，并與其他算法作比較，結果表明此算法的匹配率最高。

1 試驗準備

選取四種礦物為研究對象，用五種分割算法對圖像進行分割，對每種算法分割效果做出評價，最后得出分割精度最高的算法，為后續智能分選提供良好的預處理條件。

將礦物原料用液壓制樣機制成相同大小及密度的礦物壓片。將礦物壓片放入智能分選機的帶式輸送機上，經過成像系統后計算機保存低能區、高能區兩幅圖像，利用MATLAB軟件實現圖像的分割。成像系統主要由X射線發生器、傳感器等組成，如圖1所示。工作原理為：X射線發生器發出X射線，在穿過帶式輸送機上的礦物后發生衰減，一部分能量被礦物和帶式輸送機吸收，一部分穿過礦物和帶式輸送機被傳感器接收，并轉換成電信號，再由計算機處理得到最后的成像圖片。

圖1 智能煤矸分選機成像系統示意圖

試驗所用的材料見表1。

表1 試驗材料

2 圖像分割算法原理

圖像分割是一種能夠將數字圖像分割成不同區域的技術手段，也是圖像處理的先決條件。它可以根據圖像中某一相同性質，如灰度、顏色、紋理等，將這些具有相同性質的集合提取出來。在此用五種不同的圖像分割算法對石墨、蒙脫石、高嶺土、石英四種純礦物在X射線下的成像進行分割，其算法流程框圖如圖2所示。

圖2 分割算法流程框圖

2.1 迭代式閾值分割

首先設定一個閾值差Δt0(Δt0<1)，然后將圖像的平均灰度值作為初始閾值T0，用T0分割圖像，ATk為灰度值大于T0的部分，BTk為灰度值小于T0的部分，分別計算出兩部分的平均灰度值μ(ATk)、μ(BTk)及新的閾值[9]：

(1)

式中：Tk+1為最優分割閾值。重復以上過程，直至Tk+1∈[Δt0：1]。

2.2 OTSU閾值分割

該算法是尋找最優閾值分割圖像，使得兩部分像素區分度最大，即類間方差最大[10]

g=ω1ω2(μ1-μ2)2，

(2)

式中：g為類間方差；ω1為背景像素占比；ω2為前景像素占比；μ1為背景的平均灰度值；μ2為前景的平均灰度值。

2.3 全局閾值分割

該算法選用灰度直方圖雙峰之間的波谷對應的像素值作為全局閾值[11]。其公式如下：

(3)

式中：μ(x,y)為分割后圖像的灰度值，1為黑，0為白；g(x,y)為點(x,y)的像素值；T為全局閾值。

2.4 最大熵閾值分割法

該算法是以分割后的圖像熵來確定分割閾值，背景和前景對應的熵表示如下[12]：

(4)

式中：p0(q)、p1(q)分別為q閾值分割的背景和前景像素的累計概率。在該閾值下，圖像總熵為：

H(q)=H0(q)+H1(q)。

(5)

2.5 交叉閾值分割法

該算法原理是計算出兩個區域之間的信息理論距離[13]。圖像重建后的函數形式可由3個未知的參數確定：

gi∈{μ1,u2}，

(6)

(7)

(8)

式中：gi為重建后圖像上i點的灰度；μ1為原圖像中最大灰度值；u2為原圖像中最小灰度值；μ1(t)和μ2(t)為重建后兩部分圖像的信息熵；N1和N2分別為兩個區域內的像素點個數；ti為每一次重建所選擇的閾值；fi為重建后圖像上i點的灰度。則信息理論距離為：

(9)

閾值可選取為t0=min[η(t)]。

3 礦物圖像分割過程

首先將四種礦物樣品放入煤矸智能分選機，樣品經過成像系統后保存圖片大小為768×1 000的高能區、低能區兩張圖片，成像后如圖3所示。

圖3 四種礦物在X射線下的成像

然后將原圖像進行人工分割得到標準分割圖像如圖4所示，再利用標準分割圖像和各算法分割圖像的對比反映各算法的分割效果，通過MATLAB中3種標準評價指標DICE、RVD、VOE來對分割效果進行評價，以下是各礦物試驗結果如圖5所示，途中從左至右分別為迭代式閾值分割，OTSU閾值分割，全局閾值分割，最大熵閾值分割，交叉閾值分割。

圖4 標準分割圖像

圖5 各礦物五項閾值分割圖

4 數據分析

為了能夠客觀地得出各個算法的精度，需要采用客觀的評價標準，DICE、RVD、VOE評價指標為常見的三種標準評價指標。

(10)

(11)

(12)

式中：fgt為標準分割圖像，fseg為算法分割圖像，DICE完美分割值為1，RVD完美分割值為0，VOE完美分割值為0。利用MATLAB得到每幅圖片的評價指標如圖6所示。

圖6 各圖像的指標值

從四種礦物的分割圖可以看出，石墨和石英在高能區礦物信息保留較好易被分割，低能區下圖像噪點分布不均且礦物信息被噪點覆蓋，難以識別；高嶺土和蒙脫石在低能區下信息保留全面，基本可以達到標準分割，高能區圖像噪點較多，但礦物信息保留基本完整。

從五種算法分割效果可以看出，迭代式閾值分割和最大熵閾值分割算法對礦物分割的精度最高，指標點均集中在完美分割值算法附近其中迭代式閾值分割算法受到礦物種類影響較大，而最大熵閾值分割算法基本不受礦物種類影響，對煤和矸石的信息提取具有參考價值。

取各礦物高、低能區的指標計算其均值，統計成表并且轉化成箱型圖如圖7所示。圖7中從左到右依次為迭代式閾值分割、OTSU閾值分割、全局閾值分割、最大熵閾值分割和交叉閾值分割五種算法。

圖7 五項閾值分割算法評價指標

從圖中可以看出，迭代式閾值分割算法和最大熵閾值分割算法兩組數據整體接近最佳分割值，但是最大熵閾值分割算法的指標離散化程度明顯低于迭代式分割算法，指標更加集中，說明最大熵閾值分割算法精度高于迭代式分割算法。交叉閾值分割算法指標整體距最佳分割值差距較大，且離散程度大，受各種噪聲影響較大，分割效果差。OTSU閾值分割算法和全局閾值分割效果介于迭代式閾值分割和最大熵閾值分割算法，優于交叉閾值分割算法。

5 煤和矸石圖像分割

通過試驗數據分析得出各個分割算法的精度，為了使結果更加具有客觀性，用各分割算法對煤和矸石圖像進行分割，結果如圖8所示。

圖8中從左至右依次為迭代式閾值分割、OTSU閾值分割、全局閾值分割、最大熵閾值分割、交叉熵閾值分割的結果。從結果來看，前者分割效果總體優于后者分割效果。原因是由于單一礦物各原子類別單一，分布規律且均勻，X射線透過礦物衰減程度基本一致，圖像上目標礦物區域灰度級較為平均，在閾值分割過程中灰度變化較小，各圖像分割結果差別較大。而煤矸石由于礦物組分較多，各部位X射線衰減程度不同，圖像灰度差距較大，在分割過程中可選擇多個灰度級比較，各圖像分割結果較為均勻。

圖8 煤和矸石五項閾值算法分割結果

從各算法分割結果可以看出，迭代式閾值分割、OTSU閾值分割、最大熵閾值分割對煤和矸石圖像分割效果較好，而全局閾值分割、交叉閾值分割效果較差。其與各礦物圖像分割標準結果基本一致，說明最大熵閾值分割法對礦物圖像分割的精度最高。

6 結論

通過對X射線煤矸智能分選中煤和矸石信息提取精度問題進行了試驗研究，應用圖像分割技術對四種不同礦物圖像進行分割，并用煤和矸石驗證試驗結果，對大量試驗數據進行分析，得到以下結論：

(1)在煤矸石智能分選過程中，基于灰度直方圖的閾值分割技術能夠提高礦物信息的提取精度，分割效果總體上煤矸石優于單一礦物。

(2)在經過DICE、RVD、VOE三個評價指標進行綜合評價后得出最大熵閾值分割算法對于四種礦物具有較高的分割精度，能夠清楚的將目標礦物和背景分割開來，保證計算機對礦物信息提取的準確性。

(3)迭代式閾值分割法和最大熵閾值分割法對煤和矸石的分割效果較好，在煤矸石智能分選領域中，可考慮使用最大熵閾值分割處理煤矸圖像。