煤矸石近红外图像识别技术的制作方法

本发明一种煤矸石近红外图像识别技术，属于图像处理技术领域，特别涉及一种近红外视觉下的目标识别技术。

背景技术：

目标识别技术是计算机视觉中的核心部分，准确地识别目标是顺利地进行后续图像处理的前提。目前目标识别技术广泛地应用于监控安检、武器制导、工业质检等领域。目标识别的本质是通过机器视觉设备捕捉目标的图像特征，经过算法的学习分析对捕捉到的对象进行判断，与同视场下的其它目标及环境区分开来。

煤矸石是远古植被在煤化过程中伴生的一种废弃矿物，质地坚硬不易分拣，在井下运输过程中会划伤甚至刺穿输送胶带，因此将煤矸石有效地分拣出来是十分必要的，利用图像处理中的目标识别技术是一种低成本、高效、环保的分拣方式。

目前计算机视觉识别煤矸石主要是依靠可见光ccd采集到的图像利用煤矸石和煤炭的灰度差异来识别出煤矸石(巩文迪,卢兆林,唐全,刘佳毅.灰度自适应边缘检测在煤矸石分选中的应用[j].煤炭技术,2013(10):95-96)(牛清娜.基于边缘检测算法的煤矸石自动分选技术研究[j].河北工程大学学报,2012,29(4):98-100),然而在可见光视觉下二者的灰度值差异会受到光线强度的影响因此有一定的制约性。

技术实现要素：

本发明一种煤矸石近红外图像识别技术的目的在于，提出一种煤矸石近红外图像识别技术，该技术在识别目标时去除了背景的干扰，并且利用近红外视觉进一步将煤矸石和煤炭的灰度差异拉大，实现了对煤矸石的准确识别。

本发明一种煤矸石近红外图像识别技术，其特征在于是一种去除了背景干扰，利用近红外视觉将煤矸石和煤炭的灰度差异拉大，对煤矸石进行准确识别的近红外图像识别技术，本发明在进行图像的预处理的基础上，在本技术进行处理之前，当前帧图像中被识别目标的大小、位置和边缘已经确定的条件下，具体实现步骤如下：

步骤1：逐个提取每帧图像中各个目标内的灰度值信息，

1)设矩阵a＝[aij]，为t时刻下图像采集设备捕捉到的图像内的灰度信息构成的矩阵，aij代表矩阵中像素点的灰度值，i＝1,2,…,r，j＝1,2,…,c，经过二值化处理，利用canny边缘检测算子检测出图像内目标的边缘，用e＝[eij]表示，得到矩阵e是提取边缘以内的灰度值的前提,

设向量组αi＝(qi1，qi2，...，qic)，i＝1,2,…,r，其中

j＝1,2,…,c,设向量组βi＝(ai1，ai2，...，aic),i＝1,2,…,r，即将矩阵a中每一行当作一个向量，则灰度信息矩阵

包含单个检测目标的轮廓内所有的灰度值，其中diag(αi)是向量αi构成的c×c型的对角矩阵。

2)设ec为图像中多个目标经过预处理得到的边缘信息矩阵，按照图像中每个像素的8邻域搜索图像，可以得到该图像各个连通域的信息，即分离出图像中每个被检测目标的边缘,设为矩阵ec中一个被检测目标的边缘则

i＝1,2,…,n，按照1)和2)对各个目标边缘内的灰度值信息进行提取；

步骤2：对边缘内的灰度值信息进行统计分析，

1)将边缘以内的灰度值信息制成灰度分布统计图；

2)本发明将灰度信息分布直方图中峰值集中的区域称为特征区间，设煤炭灰度图像的特征区间为[g,h],煤矸石灰度图像的特征区间为[u,v]，

设向量σ＝(r1，r2，...，rn),其中

tij是矩阵t中的元素，i＝1,2,…,n，j＝1,2,…,c。设向量ω＝(l1，l2，...，ln),其中

tij是矩阵t中的元素，设向量γ＝(δ1，δ2，...，δn),其中

i＝1,2,…,n，p＝0,2,…,n。设向量θ＝(ε1，ε2，...，εn)，其中

i＝1,2,…,n，p＝0,2,…,n。

步骤3：对目标做出判断

(1)若被检测目标是煤矸石本发明将其标记为1，若为煤炭将其标记为0，则检测结果

其中i＝1,2,…,n，如此可以识别出每个目标是煤矸石还是煤炭。

本发明一种煤矸石近红外图像识别技术的优点在于，本发明提出了一种煤矸石近红外图像识别技术，该技术在识别目标时去除了背景的干扰，并且利用近红外视觉进一步将煤矸石和煤炭的灰度差异拉大，实现了对煤矸石的准确识别，即便是可视条件极差的情况下，通过分析处理目标的近红外图像准确地将煤矸石识别出来，本发明的技术兼顾鲁棒性和实时性。

附图说明

图1a为单目标原始灰度图像的灰度值矩阵

图1b为单目标边缘信息构成的矩阵

图1c为单目标边缘内部所有灰度值信息构成的矩

图2a为多目标边缘信息构成的矩阵

图2b～d为各个目标的边缘信息构成的矩阵

图3为近红外视觉下煤矸石和煤炭的灰度图像

图4为经过中值滤波后的图像

图5为经过直方图均衡化后的图像

图6为经过二值化处理后的图像

图7为逐个提取边缘后的图像

图8中深色曲线为煤炭灰度值分布的分析结果，浅色曲线为煤矸石灰度值分布的分析结果

图9为本发明最终的识别结果，圆形标记为煤矸石，方形标记为煤炭

图10为帧序列里本发明的识别结果，每隔9帧处理一次

具体实施方式

以下通过具体的矩阵和图像，对本发明的技术方案作进一步的描述。

实施方式1、

在进行图像的预处理的基础上，在本算法进行处理之前，当前帧图像中被识别目标的大小、位置和边缘已经确定的条件下，具体实现步骤如下：

步骤1：逐个提取每帧图像中各个目标内的灰度值信息，

1)设矩阵a＝[aij]，为t时刻下图像采集设备捕捉到的图像内的灰度信息构成的矩阵，aij代表矩阵中像素点的灰度值，i＝1,2,…,r，j＝1,2,…,c，经过二值化处理，利用canny边缘检测算子检测出图像内目标的边缘，用e＝[eij]表示，得到矩阵e是提取边缘以内的灰度值的前提,

设向量组αi＝(qi1，qi2，...，qic)，i＝1,2,…,r，其中

j＝1,2,…,c，设向量组βi＝(ai1，ai2，...，aic),i＝1,2,…,r，即将矩阵a中每一行当作一个向量，则灰度信息矩阵

包含单个检测目标的轮廓内所有的灰度值，其中diag(αi)是向量αi构成的c×c型的对角矩阵。

2)设ec为图像中多个目标经过预处理得到的边缘信息矩阵，按照图像中每个像素的8邻域搜索图像，可以得到该图像各个连通域的信息，即分离出图像中每个被检测目标的边缘。设为矩阵ec中一个被检测目标的边缘则

i＝1,2,…,n，按照1)和2)对各个目标边缘内的灰度值信息进行提取；

步骤2：对边缘内的灰度值信息进行统计分析，

1)将边缘以内的灰度值信息制成灰度分布统计图；

2)本发明将灰度信息分布直方图中峰值集中的区域称为特征区间，设煤炭灰度图像的特征区间为[g,h],煤矸石灰度图像的特征区间为[u,v]，

设向量σ＝(r1，r2，...，rn),其中

tij是矩阵t中的元素，i＝1,2,…,n，j＝1,2,…,c。设向量ω＝(l1，l2，...，ln),其中

tij是矩阵t中的元素，设向量γ＝(δ1，δ2，...，δn),其中

i＝1,2,…,n，p＝0,2,…,n。设向量θ＝(ε1，ε2，...，εn)，其中

i＝1,2,…,n，p＝0,2,…,n。

步骤3：对目标做出判断

1)若被检测目标是煤矸石本发明将其标记为1，若为煤炭将其标记为0，则检测结果

其中i＝1,2,…,n，如此可以识别出每个目标是煤矸石还是煤炭。利用本发明处理矩阵的步骤：

步骤1：对图1a中的矩阵进行处理；

1)图1a所示矩阵代表原始的灰度图像，利用canny边缘检测算子检测出图像内目标的边缘，处理结果如图1b中的矩阵所示；

2)利用公式(1)、(2)可以提取边缘以内的灰度值，处理结果如图1c中的矩阵所示；

步骤2：对图2a中的矩阵进行处理，

1)图2a所示矩阵代表含多个目标的边缘的灰度图像，按照图像中每个像素的8邻域搜索图像，可以得到该图像各个连通域的信息，即分离出图像中每个被检测目标的边缘，处理结果如图2b-d三者所示。

3)图2b-d三者所示矩阵可以用公式(3)表示，接下来可利用公式(1)、(2)逐个提取连通域内的数字信息。

实施方式2、

一种去除了背景干扰，利用近红外视觉将煤矸石和煤炭的灰度差异拉大，对煤矸石进行准确识别的近红外图像识别技术，本发明在进行图像的预处理的基础上，在本算法进行处理之前，当前帧图像中被识别目标的大小、位置和边缘已经确定的条件下，具体实现步骤如下：

步骤1：逐个提取每帧图像中各个目标内的灰度值信息，

1)设矩阵a＝[aij]，为t时刻下图像采集设备捕捉到的图像内的灰度信息构成的矩阵，aij代表矩阵中像素点的灰度值，i＝1,2,…,r，j＝1,2,…,c，经过二值化处理，利用canny边缘检测算子检测出图像内目标的边缘，用e＝[eij]表示，得到矩阵e是提取边缘以内的灰度值的前提。

设向量组αi＝(qi1，qi2，...，qic)，i＝1,2,…,r，其中

j＝1,2,…,c,设向量组βi＝(ai1，ai2，…，aic),i＝1,2,…,r，即将矩阵a中每一行当作一个向量，则灰度信息矩阵

包含单个检测目标的轮廓内所有的灰度值，其中diag(αi)是向量αi构成的c×c型的对角矩阵。

2)设ec为图像中多个目标经过预处理得到的边缘信息矩阵，按照图像中每个像素的8邻域搜索图像，可以得到该图像各个连通域的信息，即分离出图像中每个被检测目标的边缘。设为矩阵ec中一个被检测目标的边缘则

i＝1,2,…,n，按照(1)、(2)对各个目标边缘内的灰度值信息进行提取；

步骤2：对边缘内的灰度值信息进行统计分析，

1)将边缘以内的灰度值信息制成灰度分布统计图；

2)本发明将灰度信息分布直方图中峰值集中的区域称为特征区间，设煤炭灰度图像的特征区间为[g,h],煤矸石灰度图像的特征区间为[u,v]。

设向量σ＝(r1，r2，...，rn),其中

tij是矩阵t中的元素，i＝1,2,…,n，j＝1,2,…,c。设向量ω＝(l1，l2，...，ln),其中

tij是矩阵t中的元素，设向量γ＝(δ1，δ2，...，δn),其中

i＝1,2,…,n，p＝0,2,…,n，设向量θ＝(ε1，ε2，...，εn)，其中

i＝1,2,…,n，p＝0,2,…,n。

步骤3：对目标做出判断

1)若被检测目标是煤矸石本发明将其标记为1，若为煤炭将其标记为0，则检测结果

其中i＝1,2,…,n，如此可以识别出每个目标是煤矸石还是煤炭。利用本发明处理实物图像的步骤：

步骤1：对图3进行预处理，

1)选择5×5窗的中值滤波法去除图像的噪声，去除噪声后的图像如图4所示；

2)为了更好地提取目标边缘信息，利用直方图均衡化法来增强目标和背景的对比度，增强后的图像如图5所示；

3)对图像进行二值化处理，处理后的图像如图6所示；

步骤2：逐个提取边缘内的灰度值信息，

利用canny边缘检测算子逐个提取目标轮廓，处理后的图像如图7所示；步骤3：分别对边缘内的灰度值信息进行分析，

分别统计分析轮廓内的灰度值分布情况，分析结果如图8所示；步骤4：对目标做出判断

1)逐个对边缘内的灰度值特征进行判断，并标记判断结果，圆形标记为煤矸石，方形标记为煤炭，如图9所示；

2)判断多帧图像，其中圆形标记为煤矸石，方形标记为煤炭，每隔9帧对图像进行一次识别，从第1帧至第60帧6次识别结果如图10所示。