本文關(guān)鍵詞：基于圖像特征的煤與矸石識別算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：煤炭是一種基礎(chǔ)能源,在一次能源消費結(jié)構(gòu)中所占據(jù)的比重約為70%,在今后很長的階段里,仍占據(jù)首要位置。煤炭中混雜的矸石,含碳量低、發(fā)熱量小,不但降低煤的質(zhì)量,降低燃燒效率,而且燃燒時釋放的有害物質(zhì)會加重環(huán)境污染。煤與矸石的分選是解決該難題最有效的方式,是煤礦生產(chǎn)進程中不可或缺的步驟,因此,煤與矸石的識別具有及其重要的現(xiàn)實意義。大多數(shù)煤礦仍采用人工識別法識別煤與矸石,但這種方法的識別率低,井下工作條件惡劣,不利于工作人員的身心健康。本課題針對目前煤與矸石識別現(xiàn)狀中存有的不足,把數(shù)字圖像處理技術(shù)與模式識別原理應(yīng)用到煤與矸石的自動識別當中,能夠為今后的進一步研究以及將其應(yīng)用于實際系統(tǒng)當中提供可靠的理論基礎(chǔ)。本課題針對煤與矸石圖像,提出了灰度共生矩陣與小波變換相結(jié)合的算法提取紋理特征,采用粒子群算法優(yōu)化參數(shù)之后的支持向量機進行識別分類。本課題提取了煤與矸石圖像的灰度均值和方法作為灰度特征,分析了灰度共生矩陣和小波變換各自的原理,并采用灰度共生矩陣提取了煤與矸石圖像的對比度、相關(guān)性、能量、熵作為紋理特征,采用Symlet4小波對煤與矸石圖像進行三層分解,提取了每層子圖像的均值、方差、能量作為紋理特征,在分析支持向量機原理、核函數(shù)以及參數(shù)對識別性能影響的基礎(chǔ)上,采用粒子群算法優(yōu)化參數(shù),通過優(yōu)化后的支持向量機對所提取的灰度和紋理結(jié)合的特征進行識別判斷圖像是煤還是矸石,并在MATLAB上驗證算法的可行性和有效性,證實了提出的算法具有較高的識別率。
【關(guān)鍵詞】：煤與矸石 模式識別 紋理特征 特征提取 支持向量機
【學位授予單位】：河北工程大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TQ533;TD849.5;TP391.41
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-17
• 1.1 課題研究背景及意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.2.1 國外研究現(xiàn)狀13-14
• 1.2.2 國內(nèi)研究現(xiàn)狀14-15
• 1.3 本課題主要研究內(nèi)容及組織結(jié)構(gòu)15-16
• 1.3.1 主要研究內(nèi)容15
• 1.3.2 組織結(jié)構(gòu)15-16
• 1.4 本章小結(jié)16-17
• 第2章 數(shù)字圖像處理的相關(guān)技術(shù)17-30
• 2.1 圖像灰度化17-18
• 2.2 圖像平滑18-21
• 2.3 圖像銳化21-24
• 2.4 圖像分割24-29
• 2.5 本章小結(jié)29-30
• 第3章 基于煤與矸石圖像特征的提取算法30-42
• 3.1 灰度特征提取30-31
• 3.2 紋理特征提取31-40
• 3.2.1 灰度共生矩陣31-34
• 3.2.2 小波變換34-36
• 3.2.3 基于灰度共生矩陣的紋理特征提取36-37
• 3.2.4 基于小波變換的紋理特征提取37-40
• 3.2.5 基于灰度共生矩陣與小波變換結(jié)合的紋理特征提取40
• 3.3 灰度特征與紋理特征相結(jié)合提取40-41
• 3.4 本章小結(jié)41-42
• 第4章 基于參數(shù)優(yōu)化的支持向量機算法42-52
• 4.1 支持向量機簡述42
• 4.2 支持向量機原理42-47
• 4.2.1 線性可分情況43-45
• 4.2.2 線性不可分情況45-46
• 4.2.3 非線性可分情況46-47
• 4.3 核函數(shù)的選擇及參數(shù)的影響47-49
• 4.3.1 核函數(shù)的選擇47-48
• 4.3.2 參數(shù)的影響48-49
• 4.4 參數(shù)優(yōu)化的支持向量機算法49-51
• 4.4.1 參數(shù)優(yōu)化思想49-50
• 4.4.2 參數(shù)優(yōu)化算法50-51
• 4.5 本章小結(jié)51-52
• 第5章 煤與矸石圖像特征的識別算法仿真52-61
• 5.1 煤與矸石圖像灰度特征的識別算法仿真52-53
• 5.2 煤與矸石圖像紋理特征的識別算法仿真53-58
• 5.2.1 基于灰度共生矩陣的紋理特征的識別53-55
• 5.2.2 基于小波變換的紋理特征的識別55-57
• 5.2.3 基于灰度共生矩陣與小波變換結(jié)合的紋理特征的識別57-58
• 5.3 煤與矸石圖像灰度特征與紋理特征相結(jié)合的識別算法仿真58-59
• 5.4 識別算法的仿真結(jié)果比較59-60
• 5.5 本章小結(jié)60-61
• 總結(jié)61-63
• 致謝63-64
• 參考文獻64-68
• 作者簡介68-69
• 攻讀碩士學位期間發(fā)表的論文和科研成果69-70

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 邵俊虎;趙人達;徐騰飛;;支持向量機和粒子群優(yōu)化的可靠度算法[J];遼寧工程技術(shù)大學學報(自然科學版);2015年08期

2 呂杰;;基于支持向量機的作物葉綠素含量反演模型[J];測繪科學;2015年09期

3 任國貞;江濤;;基于灰度共生矩陣的紋理提取方法研究[J];計算機應(yīng)用與軟件;2014年11期

4 張萬枝;王增才;;基于視覺技術(shù)的煤巖特征分析與識別[J];煤炭技術(shù);2014年10期

5 張世杰;陳澤華;;基于梯度下降算法的煤矸石分割識別方法[J];煤礦機械;2014年08期

6 趙珊;;中國煤炭資源現(xiàn)狀及建議[J];廣州化工;2014年15期

7 侯群群;王飛;嚴麗;;基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J];國土資源遙感;2013年04期

8 甄宗坤;岳建平;;基于LOG算子和灰度共生矩陣的影像紋理特征提取[J];測繪通報;2013年09期

9 王祥瑞;;煤礦矸石自動分選中圖像處理與識別技術(shù)的應(yīng)用[J];煤炭技術(shù);2012年08期

10 陳美龍;戴聲奎;;基于GLCM算法的圖像紋理特征分析[J];通信技術(shù);2012年02期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 徐龍江;井下鼠籠式選擇性煤矸分離裝備關(guān)鍵技術(shù)研究[D];中國礦業(yè)大學;2012年

2 劉瑜;井下沖撞式煤矸分離中顆粒動力學行為研究[D];中國礦業(yè)大學;2011年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 賈明燦;基于隱患分析的煤礦安全評價算法研究[D];河北工程大學;2014年

2 陳運貴;利用數(shù)字圖像處理技術(shù)監(jiān)測隧道變形的探索研究[D];廣東工業(yè)大學;2014年

3 楊海;SVM核參數(shù)優(yōu)化研究與應(yīng)用[D];浙江大學;2014年

4 林霞;浮選泡沫圖像紋理特征提取研究及應(yīng)用[D];中南大學;2013年

5 馬昊偉;基于激光檢測技術(shù)的干法選煤系統(tǒng)的探索性研究[D];陜西科技大學;2012年

6 楊波;基于圖像處理技術(shù)的紙病在線檢測[D];陜西科技大學;2012年

7 陸曉峰;基于紋理特征分析的地基云圖分類識別[D];南京信息工程大學;2011年

8 賀曉建;基于多分辨率分析及灰度共生矩陣的掌紋特征提取算法研究[D];中北大學;2011年

9 梁澈;粗糙集理論在煤矸石圖像識別技術(shù)中的應(yīng)用[D];西安科技大學;2010年

10 葛靜祥;圖像紋理特征提取及分類算法研究[D];天津大學;2010年

  本文關(guān)鍵詞：基于圖像特征的煤與矸石識別算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：368925