论文部分内容阅读
煤岩的显微组分指在显微镜下划分的煤岩结构基本有机组成单元,其显微组分构成与煤的性能有着紧密的联系,如CO的吸附性能、粘结性等。因此,实现煤显微结构中各显微组分的自动分类与识别,对于预测煤的性质、指导煤的合理加工与利用具有重要意义。特征抽取是对煤岩显微组分进行自动识别的重要环节,数量适宜、彼此独立的有效特征量的抽取,对于分类结果的好坏起到关键性的作用。本文在分析煤岩显微图像各组分特点的基础上,先提取其基于灰度共生矩阵的纹理特征量和基于灰度分布的统计特征量构成初始特征集,再采用特征抽取算法对初始特征作进一步抽取,最后构建支持向量机分类器对抽取后的特征进行验证。论文的主要工作如下:(1)在查阅相关文献的基础上,综述基于图像分析法的煤显微组分识别现状以及特征抽取算法国内外研究现状,分析煤岩显微图像中各显微组分的特点和差异。(2)根据煤显微图像的纹理特点和亮度差异,基于灰度共生矩阵提取能量、熵、惯性矩、局部平稳性、最大概率等5个纹理特征量,辅以基于灰度分布统计量的亮度比、均值、均方差、偏度、一致性、峰度等6个特征构成11维初始特征量集。绘制特征参量的分布图,分析各特征对分类的有效性。并通过实验论述初始特征量之间存在的冗余对于分类效果的影响。(3)分别采用主成分分析法(PCA)和线性判别分析法(LDA)对初始特征集进行抽取,以降低特征冗余性,保证在降低特征空间维数的基础上尽量少地丢失有效分类信息,并对两种特征抽取算法得到的特征从分类效果的角度进行比较与分析。(4)构建支持向量机分类器(SVM),分别采用由PCA和LDA抽取得到的不同维数的特征集,对惰质组、镜质组和壳质组三大类别以及各类别中典型组分实现自动识别,比较不同方法抽取获得的特征量集对分类正确率的影响。本文的特色与创新之处主要在于:对于所提取的初始特征量集内的诸多特征量,采用特征抽取算法对其进行去相关和降维,在有效降低特征空间维数的同时提高分类的准确率。