改進紋理模糊篩選下煤矸石X射線圖像處理

申利飛,田子建,白林緒

(中國礦業大學(北京)機電與信息工程學院,北京 100083)

1 引 言

隨著經濟條件的不斷發展,發電廠對煤炭的需求日益增長[1-2],但對煤炭的質量提出了一定的要求。在原煤的開采過程中常摻雜了矸石,矸石是一種碳質、泥質以及砂質頁巖的泄漏物,常混合在煤中的一種固體廢物,含碳量較低,比煤炭更硬,在煤的形成過程中與煤層一起產出的深灰色巖石[3-4]。未經篩選的原煤在燃燒后會嚴重污染環境,引起酸雨等環境問題[5]。因此,對煤矸石進行篩選具有重要的現實意義。

在煤與矸石的識別和篩選領域中,國內已有相關學者作出一定的研究。薛光輝等人[6]利用隨機森林算法進行煤矸圖像識別,通過裁剪圖像、灰度轉化、增強對比度實現圖像濾波預處理,利用隨機森林對煤矸圖像進行降維處理,實現煤矸識別,實驗證明該方法的識別度較高。李曼等人[7]在對煤矸石圖像進行區分處理時,采用了最小二乘支持向量機為圖像識別分類器,將多項特征進行聯合訓練,實現了煤矸石的區分,提高了圖像識別的準確性。但上述方法均存在圖像紋理差異較小,導致識別的結果難以滿足現實需求的問題。因此,煤矸石的分選仍是需要深入研究的關鍵問題。

為提高煤矸石分選的精度,本文提出基于改進紋理模糊篩選的煤矸石X射線圖像處理方法。在煤與矸石的X射線圖像處理過程中,對所采集的圖像中的噪聲進行濾波處理,通過Prewitt算子法針對圖像中煤與矸石的紋理特征進行提取,以此改進煤與矸石的紋理模糊篩選,加強了煤矸石的識別效果。為進一步降低煤矸石識別的誤差,以煤與矸石的識別閾值為判定標準,計算煤與矸石的圖像灰度值以及紋理度。根據圖像的紋理度與灰度的峰值,區分了圖像的紋理差異,確定了灰度閾值,使得煤矸石的分選標準更為精細,利用閾值分割和Ostu二值化實現煤與矸石的識別與篩選。實驗結果證明,所提方法提取的煤與矸石的紋理差異度更大。能夠增強煤矸石的識別效果,為煤矸石的篩選提供了一定的支撐。

2 X射線衰減識別煤矸石圖像

根據煤與矸石質地和紋理的差別,在識別煤與矸石時,若煤塊厚度與矸石相似,則紋理圖像也較為相似[8-9],易導致識別錯誤。為此,分析X射線衰減規律及該規律在煤矸石識別中的應用。其中,X射線衰減公式:

(1)

式中,G1是光束通過物體之前的強度;衰減常數用γ表示;識別的目標物體的物理性質為λ;P為輻射通量密度。此外,由于煤和矸石的密度不同,因此煤和矸石的X射線的衰減也不同[10]。衰減程度與物體的高度和密度有關。在煤和矸石的圖像處理中,可以將煤或矸石視為球體,通過計算圖像目標區域s估計煤和矸石的高度l1和l2。同時,從波形圖中得到煤和矸石的像素紋理水平峰值fc和fd。紋理水平峰值表明具有此紋理水平的像素最多[11],據此判斷X射線通過該煤塊或矸石的路徑距離。因此,公式(2)和(3)可以用來表示X射線通過煤或矸石后的強度Ic和Id:

(2)

(3)

其中,k1和k2分別代表煤以及矸石的紋理水平峰值。以某批次的煤和矸石作為實驗樣本進行測試,可得出煤塊與矸石的X射線衰減曲線公式:

(4)

(5)

由于測試中使用的X射線出自同一個光源,因此穿透目標前的聲波頻率I0相同,煤塊的物理質量衰減系數由λc表示,矸石的物理質量衰減系數由λd表示,l為目標物體的高度。通過不同的曲線圖像得出煤和矸石的判斷公式,確定了煤和矸石的識別閾值T0。如果TT0,圖像中的目標是煤。因此,判別值T可以很好地反映不同高度的煤與矸石之間的紋理水平關系。經過X射線衰減處理得到的煤和矸石的圖像如圖1所示。

圖1 煤和矸石的X射線衰減處理圖像Fig.1 X-ray attenuation image of coal and gangue

3 篩選圖像處理流程

煤與矸石的鑒別主要通過計算煤與矸石的判別值T(f·h)來確定。但在圖像收集的過程中,由于攝像機無法過濾干擾信息,因此最終成像中的噪點較高[12-13],影響了對煤矸石的識別篩選。為此,對圖像進行濾波與二值化處理[14]。這一處理過程減少了圖像中的噪點,同時降低了不必要的數據處理量,使煤塊與矸石圖像中的目標紋理更突出。將所采集的目標紋理特征對照原始圖像并進行二值化處理。如果在灰色紋理圖上存在兩個較為突出的灰度峰值,則將兩個灰度峰值區域之間的區域中心的灰度值設定為閾值。假設選定區域的灰度范圍為[ωm,ωn],兩個灰度峰值分別為vi和vj,在谷底處的灰度值為zt。選擇谷底值zt作為閾值點。

如果原始灰度圖像的灰度值為m,灰度值為i的像素數為ni,則圖像中的像素總數為:

N=n0,n1,…,nl-1

(6)

歸一化紋理映射,可得:

(7)

根據灰度值,將閾值分為兩類:c0=(0,1,…,t)和c1=(t+1,t+2,…,l-1),c0和c1的產生概率和平均層分別為:

(8)

(9)

可保持任何t值:

(10)

因此,c0和c1之間的方差定義為:

=ω0ω1(μ1-μ0)2

(11)

在處理后的圖像中采集煤塊與矸石的紋理特征,確定目標物體像素個數N。目標物體的像素面積用S表示,物體高度為A,以目標物體圖像的紋理峰值為基礎,計算煤塊與矸石的紋理判定值T。并將紋理判定值與設置的閾值T0進行比較,若小于閾值T0,目標物體將被定性為矸石。為定位出矸石物體的中心點,系統通過向PLC發送顯著信號對圖像進行標注。若計算所得T值高于閾值T0,則目標物體將被定性為煤塊。被定義為煤塊的圖像將接受下一步處理。另外,由于在該系統中,圖像處理的過程應該是實時的,因此圖像處理算法應盡可能地優化程序以減少程序中的計算量。系統中煤與矸石的識別流程圖如圖2所示。

圖2 煤與矸石鑒定流程圖Fig.2 Identification flow chart of coal and gangue

4 煤和矸石X射線圖像濾波與紋理處理

4.1 圖像噪聲類型

針對煤塊與矸石的紋理圖像中的噪聲問題,采用平滑濾波法進行降噪處理[15]。根據現場的灰塵和光照環境,煤顆粒和矸石顆粒在皮帶上的混合情況以及現場實驗,發現該系統中的圖像噪聲主要為脈沖噪聲[16-18],其概率密度函數為:

(12)

式中,如果Px和Py都為非零數,即將該噪聲判定為雙極性脈沖噪聲。若式中的y>x,在紋理圖像中y則是亮部,x則為暗部。此時的紋理圖像將出現不規則分布的椒粉和鹽粉顆粒。若式中的Px或Py為零,則該噪聲可被確定為單極脈沖噪聲。另外,與圖像信號相比,脈沖噪聲的強度一般具有更大的干擾[19]。為了降噪,需要將圖像中的脈沖噪聲的像素值作最大化處理,使該像素在圖像中顯示為純白色或純黑色。同時,需要對圖像中最大化處理的脈沖噪聲范圍進行限定。設x和y為校正允許的最大值和最小值,例如,在8位圖像中x=0,y=255。因此該系統所用的是以W脈沖噪聲作為平滑濾波的模型。

4.2 圖像平滑濾波器

在圖片降噪過程中,平滑濾波器的使用頻率較高[20]。為減少圖像中的干擾因素、無關數據以及冗余細節等,可采用平滑濾波器進行處理[21]。平滑濾波器包括線性濾波器和非線性濾波器[22-23]。兩種濾波器的效果和應用領域不同,可根據實際情況進行選擇。

在線性濾波處理過程中,利用相鄰區域中的灰度平均值取代原始圖像中各個區域的灰度值[24]。在原始圖像中選取Sxy區域,其中的每個像素點為f(x,y),設共有M個像素,其平均值即為所生成圖像Q(x,y)中像素點(x,y)處的紋理值,計算公式如公式(13)所示。

(13)

在圖像降噪過程中,將(3×3)的濾波模板分別用于煤塊和矸石的原始圖像中。處理后的圖像效果如圖3所示。

圖3 煤和矸石的平均濾波平滑X線圖像Fig.3 Average filtering of coal and gangue smoothed X-ray images

4.3 X圖像中煤和矸石的紋理提取

4.3.1 紋理圖像灰度值提取

在紋理圖像灰度值提取的過程中,根據圖像屬性的變化對圖像中具有突出變化的點進行標注,這些變化通常可以反映出重要屬性的變化[25]。在這一過程中去除了不相關的圖片細節,使數據量得以減少,保留下圖像中像素的基本結構與灰度值等屬性。因此,在數字化圖像處理中,紋理檢測具有重要的作用。

紋理檢測是在圖像中尋找紋理像素以生成紋理映射的過程[26-27],紋理是圖像中灰度值不連續或劇烈變化的結果,可通過導數對其進行檢測。

數字圖像的一階導數是基于各種二維梯度的近似[28],圖像f(x,y)在位置(x,y)的梯度定義為向量:

(14)

式中,Δf表示的是該向量的大小。從向量分析可知,梯度向量指向坐標(x,y)處f的最大變化率的方向。

(15)

該量給出在Δf方向上每單位距離增加之后f(x,y)值的最大變化率,同時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,則可以從向量分析獲得:

(16)

4.3.2 Prewitt算子法

當連續的像素點組成了圖像函數時,其選定區域的梯度值可通過式(15)計算,而當離散點組成圖像時,其梯度值通過相鄰像素的差值計算。為了使提取的圖像邊緣的結構定位精確,并產生連續的精細邊緣,同時能濾除邊緣信息中的噪聲干擾,提出應用Prewitt算子。Prewitt算子法是利用相鄰3對像素值中梯度值之和計算偏微分估計值[29]。具體計算過程如下式:

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梯度算子法是具有兩個核矩陣的卷積運算[30],公式(17)可以表示為使用算子和圖像這兩個矩陣的卷積運算。兩個卷積矩陣如公式(18)所示:

(18)

其中,ρx和ρy分別表示x和y方向上的部分的Δfx(x,y)的分數。使用prewitt梯度算子法對要檢測的圖像進行卷積[31],然后獲得x和y方向上的梯度值以及Δfy(x,y),并通過公式(19)獲得梯度幅度圖像Δf(x,y):

(19)

5 結果與討論

5.1 實驗比較法

為了驗證本文中使用的Prewitt算子法對紋理圖像的濾波效果,將文獻[6]方法和文獻[7]方法與本文提出的用于紋理檢測的研究方法進行了比較。

5.2 不同算子計算結果下的X射線成像效果分析

圖4顯示了三種算子法的X射線成像的效果。

圖4 三種算子法的X射線成像效果Fig.4 X-ray imaging effects of three operator methods

從圖4的比較可以看出,Prewitt算子法提取的煤與矸石的紋理清晰,線條細膩,而文獻[6]方法得到的煤和矸石的紋理是粗糙且扭曲的。由于文獻[7]方法僅采用單一的卷積矩陣模板,因此不適合計算圖像中的目標區域,導致圖像中大部分的細節像素丟失,不適用于紋理模糊篩選。

為進一步對比三種算子計算結果下的X射線成像中的噪點,對三種算子計算的圖像的SSIM值進行對比。對比結果如圖5所示。

圖5 三種算子法的X射線成像SSIM值對比Fig.5 Comparison of SSIM values of three operator methods for X-ray imaging

從圖5中可以看出,Prewitt算子法一直維持較高的SSIM值,未降低至95%以下,但文獻[6]方法以及文獻[7]方法的SSIM值隨著噪聲密度的增加而驟降,由此可知Prewitt算子法的成像效果較好,噪點的去除率較高。為了計算圖像中目標區域的面積,需要提取并確定目標紋理。而在Prewitt法提取目標物體的像素圖像中,目標輪廓線條清晰,明暗對比強烈,區分度更高。

5.3 二值化X圖像對比

將所采集的目標紋理特征對照原始圖像并對其進行二值化。圖6～8顯示了這三個算子法之間二值化X圖像對比。

圖6 Prewitt算子法處理后的波形圖Fig.6 The waveforms processed by Prewitt operator

圖7 文獻[6]方法處理后的波形圖Fig.7 The waveforms processed by reference[6]method

圖8 文獻[7]方法處理后的波形圖Fig.8 The waveforms processed by reference[7] method

分析圖6～8可知,Prewitt算子法處理后的灰度波形圖中,煤塊與矸石的界限清晰,且波形較為規律,而文獻[6]方法處理后的波形圖中,煤塊的灰度值并未突顯出來,較為模糊,且邊緣不夠規則。文獻[7]方法處理后的圖像中,雖然煤塊的X射線較為明顯,但是缺乏規律性,存在信息缺失,波形圖不連貫的現象,且這兩種算子法計算的灰度值范圍較小,均在0.25～0.75左右,而Prewitt算子法計算的灰度值范圍可以達到0～1。由此可知,本文所提出的Prewitt算子法對于煤和矸石的識別效果較好。

Prewitt算子法對煤和矸石的識別率較高。將X射線強度所對應的灰度值與煤和矸石的圖像高度作為鑒別的依據,具有很強的區分性,且克服了文獻[6]方法計算煤和矸石的灰度平均值時有誤差,以及文獻[7]方法以方差為基礎判別性較低,容易受到單個卷積矩陣模板的影響的缺點。在煤與矸石的識別過程中,Prewitt算子法采用兩個特征值,與多特征融合法相比,特征數量的減少使算法更簡單、耗時更少,更有利于矸石的實時、快速分選。

6 結 論

本文提出的煤與矸石識別算法以Prewitt算子法為計算基礎,重點分析煤與矸石X射線圖像,通過煤與矸石像素的灰度值和紋理值來篩選煤矸石。根據目標灰度值與紋理度之間的關系,提出了煤與矸石的識別條件,確定了識別閾值,對不同大小的煤與矸石實現了良好的識別和分選,消除了煤和矸石大小對矸石分選的影響。與傳統方法相比,提高了對煤與矸石的識別精度。