融合LBP与GLCM的煤矸石图像纹理特征提取

"本文提出了一种融合局部二值模式（Local Binary Patterns, LBP）和灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）的煤与矸石图像纹理特征提取方法，用于提高图像识别的准确性和效率。通过LBP转换图像，然后利用转换后的图像生成GLCM，提取角二阶距、相关性、对比度和熵等纹理特征，进行均值和归一化处理。最后，采用支持向量机（Support Vector Machine, SVM）进行训练和分类，实现在煤与矸石识别中的高准确率。实验结果显示，该方法在煤和矸石的识别率上分别达到了94%和96%。" 在图像处理领域，特征提取是关键步骤，对于煤与矸石这类具有复杂纹理的图像，传统的特征提取方法可能无法提供足够的区分度。本文提出的融合LBP和GLCM的方法，旨在解决这个问题。LBP是一种简单且有效的纹理描述符，它能捕获图像局部像素的相对灰度变化，对于纹理信息的表示具有良好的不变性和鲁棒性。而GLCM则可以从统计角度描述像素之间的关系，提供丰富的纹理信息，如结构、均匀性和方向性。 在本研究中，首先对煤与矸石的图像进行预处理，去除噪声并增强纹理特征。接着，将预处理后的图像转换为LBP图像，以此为基础生成GLCM。GLCM的统计特性，如角二阶距、相关性、对比度和熵，这些参数可以反映图像的纹理细节和结构信息。通过计算这些参数并进行均值和归一化处理，可以确保特征的一致性和可比性，进一步提高识别效果。 支持向量机（SVM）是一种强大的监督学习模型，常用于分类问题。在这里，SVM被用来训练提取的特征，构建分类器。SVM的优势在于它能在高维空间中找到最优的决策边界，即使在样本数量较少的情况下也能实现良好性能。实验结果表明，采用SVM进行训练后，该方法在煤和矸石的识别上表现优异，分别达到94%和96%的识别率，证明了这种方法的有效性和实用性。 此外，该研究还引用了其他相关工作，如基于小波分析的煤岩识别算法、主成分分析和BP神经网络的应用，以及基于支持向量机的煤岩图像特征抽取与分类。这些文献表明，作者对当前煤岩图像处理的最新研究有深入的理解，并在此基础上提出了改进方案。 总结来说，本文提供的是一种结合LBP和GLCM的特征提取策略，配合SVM分类器，实现了对煤与矸石图像的高效识别，对于煤炭行业的自动化和智能化具有重要意义。这一方法可以广泛应用于矿产资源的自动分拣、安全生产监控以及矿物资源的精细化管理等领域，有助于提高工作效率和减少人为误差。