本发明涉及一种基于曲波域压缩特征的煤岩识别方法，属于煤岩识别领域。
背景技术：
煤岩识别即用一种方法自动识别出煤岩对象为煤或岩石。在煤炭生产过程中，煤岩识别技术可广泛应用于滚筒采煤、掘进、放顶煤开采、原煤选矸石等生产环节，对于减少采掘工作面作业人员、减轻工人劳动强度、改善作业环境、实现煤矿安全高效生产具有重要意义。
有多种方法已应用于煤岩识别，如自然γ射线探测、雷达探测、应力截齿、红外探测、有功功率监测、震动检测、声音检测、粉尘检测、记忆截割等，但这些方法存在以下问题：①需要在现有设备上加装各类传感器获取信息，导致装置结构复杂，成本高。②采煤机滚筒、掘进机等设备在生产过程中受力复杂、振动剧烈、磨损严重、粉尘大，传感器部署比较困难，容易导致机械构件、传感器和电气线路受到损坏，装置可靠性差。③对于不同类型机械设备，传感器的最佳类型和信号拾取点的选择存在较大区别，需要进行个性化定制，系统的适应性差。
为解决上述问题，图像技术也越来越受到重视并研发了一些基于图像技术的煤岩识别方法。然而已有小波方法虽具有良好的时频局部化能力，能有效地描述煤岩的局部信息，但小波变换反映的是信号的点奇异性，其基是各向同性的，无法精确地表达煤岩图像边缘的方向，也无法实现对图像的稀疏表示，因此小波难以表达煤岩图像重要的边缘曲线特征，因而在识别正确率上还有很大的不足。
需要一种解决或至少改善现有技术中固有的一个或多个问题的煤岩识别方法，以提高煤岩识别率和识别稳定性。
技术实现要素：
因此，本发明的目的在于提供一种基于曲波域压缩特征的煤岩识别方法，该方法每一小段曲线近似看做直线，然后再对图像进行多尺度、多方向的曲波变换，从而表征图像的曲线特征，且该识别方法受照度和成像视点变化影响小，从而使该方法具有较高的识别正确率和识别稳定性，能为自动化采掘、自动化放煤、自动化选矸等生产过程提供可靠的煤岩识别信 息。
根据一种实施例形式，提供一种基于曲波域压缩特征的煤岩识别方法，包括如下步骤：
A.分别采集大小为128×128像素的煤样本图像集和岩石样本图像集提取所述煤样本图像集中每一张煤图像Ic的图像特征Xc∈RQ和所述岩石样本图像集中每一张岩图像Ir的图像特征Xr∈RQ，构成训练集和其中所述的每张图像的图像特征Xc∈RQ或Xr∈RQ提取步骤如下：
(1)对每张样本图像，用尺度s＝2-j，j＝0，1，2，3进行曲波分解，得到对应尺度下的曲波系数向量和
(2)将和顺序级联构成向量z∈RN×1，用随机矩阵ψ∈RM×N，M＜＜N将其投影到低维空间，即P＝ψz；
(3)级联与P，为即为该图像特征；
B.用提取的样本图像特征集和训练识别器当sgn(·)＝1为煤，sgn(·)＝-1为岩，其中，i＝1，2，…，T，yt∈{-1，1}， 为大于0的常数，Ωt∈RQ，集合和σ在训练中得到；
C.对于待识别的煤岩图像，用与步骤A相同的方法提取图像特征X，输入到用步骤B建立的识别器进行判别。
其中，步骤A提取过程(2)中的随机矩阵ψ中的元素服从均值为0，方差为1/M的高斯分布。
附图说明
通过以下说明，附图实施例变得显而易见，其仅以结合附图描述的至少一种优选但非限制性实施例的示例方式给出。
图1是本发明所述煤岩识别方法的流程图。
具体实施方式
本发明公开了一种基于曲波域压缩特征的煤岩识别方法，图1是基于曲波域压缩特征的煤岩识别方法的流程图，参照图1，本发明的一个实施例具体的实施步骤如下：
A.从煤岩识别任务的现场如采煤工作面采集不同照度、不同视点的若干煤和岩石的样本 图像，从中截取只包含煤和只包含岩石的像素大小为128×128的图像区域，若是彩色图像，则用式I＝0.299R+0.587G+0.114B先将其转换为灰度图像；处理后的煤、岩石样本图像分别构成煤样本图像集和岩石样本图像集分别提取所述煤样本图像集中每一张煤图像Ic的图像特征Xc∈RQ和所述岩石样本图像集中每一张岩图像Ir的图像特征Xr∈RQ，构成训练集和
每张图像的图像特征Xx∈RQ或Xr∈RQ提取步骤如下：
(1)对每张样本图像，用尺度s＝2-j，j＝0，1，2，3进行曲波分解，得到对应尺度下的曲波系数Lj＝0、Hj＝1、Hj＝2和Hj＝3，分别将对应尺度下的曲波系数依次按列级联，得到曲波系数向量和
其中，Lj＝0是21×21的系数矩阵，Hj＝1由19×43或43×19大小的矩阵构成的1×8cell系数矩阵，Hj＝2由35×44或44×35或32×42或42×32大小的矩阵构成的1×16cell系数矩阵，Hj＝3是128×128的系数矩阵。
(2)将和顺序级联构成向量z∈RN×1，用随机矩阵ψ∈RM×N，M＜＜N将其投影到低维空间，即P＝ψz；
其中，随机矩阵ψ需要满足约束等距性(Restricted Isometry Property，RIP)，ψ中的元素服从均值为0，方差为1/M的高斯分布；
在本发明中，取M＝20。
(3)级联与P，为即为该图像特征。
B.选择支持向量机来进行特征分类的优势在于，可以将多维的特征输入映射到高维的核空间，从而使得原本不可分的数据获得新的特征，更加有利于分类。
用提取的样本图像特征集和训练二分类非线性支持向量机识别器，具体包括以下步骤：
(1)设最优决策面方程为WTXi+b＝0，其中W为权值向量，b为偏置值，Xi为第i个样本图像特征，求解的目标函数为：
约束条件为yi(WTXi+b)≥1-ξi，ξi≥0，i＝1，2，3，…，K，其中C为惩罚系数，ξi为线性不可分条件下的松弛变量，yi∈{-1，1}为类别标号。
(2)利用Lagrange乘子法，目标函数可转化为以下约束优化问题：
其中为Lagrange乘子，满足约束条件：0≤αi≤C，
(3)求得最优解最优决策面识别器为其中i＝1，2，…，T，支撑向量集i＝1，2，3，…，K的训练样本重新排序后对应的特征Ωt的集合；
为核函数，满足Mercer定理，常见的核函数有多项式和径向基两种；
在本发明中，采用径向基核函数(RBF)，σ为核函数宽度。
为了进行支持向量机参数选择，选择最佳的惩罚系数C和核函数宽度σ，将训练样本进行5-fold交叉验证，基于网格搜索法(Grid Search)，C的搜索范围为[2-2，230]，σ的搜索范围为[2-26，20]，步长均为1，搜索到煤岩分类正确率最高的参数组合作为模型的最优参数。根据参数选择结果，确定最优参数C为2，σ为0.0625。
C.对于待识别的煤岩图像IX，截取只包含煤或岩对象的像素大小为128×128的图像区域，用与步骤A相同的方法提取图像特征X，输入到用步骤B建立的识别器 进行判别，当sgn(·)＝1为煤，sgn(·)＝-1为岩。