基于可控塔式分解和字典学习的煤岩识别方法
专利汇可以提供基于可控塔式分解和字典学习的煤岩识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了基于可控塔式分解和字典学习的 煤 岩识别方法。在样本训练阶段，采集多幅已知类别煤岩图像并进行预处理，对每幅预处理后的图像进行多级可控塔式分解得到多个方向子带,提取方向子带的相关参数并按一定顺序排列形成 特征向量 ，合并特征向量构成样本特征矩阵，在预设参数的条件下进行字典学习得到字典矩阵、权重矩阵和偏移行向量；在煤岩识别阶段，采集未知类别测试图像，与样本训练阶段的 图像处理 方式类似，对测试图像进行一系列处理，最终得到测试特征向量。根据测试特征向量、样本训练阶段的字典矩阵、权重矩阵、偏移行向量和字典学习的相关参数判断测试图像所属的煤岩类型。本发明可靠性好，准确识别率高，运行速度快。，下面是基于可控塔式分解和字典学习的煤岩识别方法专利的具体信息内容。
1.基于可控塔式分解和字典学习的煤岩识别方法，其特征在于，包括以下步骤：
QS1.在样本训练阶段，采集相同光照条件下的m幅煤炭样本图像和m幅岩石样本图像，截取不含非煤岩背景的子图像并对其进行灰度化处理，处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm；
QS2.采用面向可控塔式分解的3阶滤波器组分别对子图c1,c2,…,cm和r1,r2,…,rm进行N级可控塔式分解，每幅子图经过N级可控塔式分解以后得到4N个方向子带，子图经过第i级可控塔式分解以后的第d个方向子带记为 其中i为可控塔式分解的级数序号，i＝1,
2,…,N，d为方向序号，d＝0,1,2,3，分别对应0, 这4个方向；
QS3.分别由c1,c2,…,cm,r1,r2,…,rm的4N个方向子带提取得到2m个20N维特征向量，然后构建样本特征矩阵Y＝[y1,y2,…,ym,ym+1,ym+2,…,y2m]∈R20N×2m及其对应的类别标签向量u＝[1,1,…,1,2,2,…,2]∈R1×2m，其中Y的前m列y1,y2,…,ym分别为c1,c2,…,cm的特征向量，Y的后m列ym+1,ym+2,…,y2m分别为r1,r2,…,rm的特征向量，u是由2m个整数构成的行向量，在u中，1代表煤炭，2代表岩石，Y的第k列20N维特征向量yk所属的煤岩类别由u的第k个整数元素uk表示，k＝1,2,…,2m；
QS4.设置参数η1,η2,η3和字典原子数2τ，其中η1＞0,η2＞0,η3＞0,τ≤m，利用Y和u进行字典学习，得到字典矩阵D、权重矩阵W和偏移行向量b；
QS5.在煤岩识别阶段，获取相同光照条件下拍摄的未知类别煤岩图像，截取不含非煤岩背景的子图像并对其进行灰度化处理，得到未知类别子图tx；
QS6.对tx进行N级可控塔式分解，得到4N个方向子带；
QS7.由步骤QS6所述的4N个方向子带，提取tx的20N维特征向量yx；
QS8.利用yx,η2和步骤QS4中字典学习完成以后得到的D,W,b，执行煤岩类别的判定。
2.根据权利要求1所述的基于可控塔式分解和字典学习的煤岩识别方法，其特征在于，所述20N维特征向量的数据结构采用
的格式，T表示转置运算，20N维特征向量中的每一个α元素、β元素、γ元素、μ元素和δ元素可以分别表示为 和 i为可控塔式分解的级数序号，i＝
1,2,…,N，d为方向序号，d＝0,1,2,3，分别对应0, 这4个方向， 和 分别为的子带系数绝对值的均值和方差， 和 分别指 在满足子带系数服从概
率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数，其中随机变量x为子带系数，t为积分变量，[0,+∞)为积分区间，e为自然常数。
3.根据权利要求1所述的基于可控塔式分解和字典学习的煤岩识别方法，其特征在于，所述字典学习包括以下步骤：
QS31.构建初始字典矩阵D∈R20N×2τ，其中D的前τ列和后τ列分别从Y的前m列和后m列中随机抽取得到；
QS32.构建稀疏矩阵H∈R2τ×2m并用H＝(DTD+η2I2τ)-1DTY初始化，其中I2τ为2τ阶单位矩阵，T表示转置运算，-1表示求逆运算，构建权重矩阵W∈R2τ×2和2维偏移行向量b并分别初始化为零矩阵和零向量；
QS33.把H的每一列视为1个2τ维数据样本，以u为与H相对应的类别标签向量，η1为正则化参数，通过学习线性支持向量机更新权重矩阵W和偏移行向量b；
QS34.对于H的前m列数据的更新，反复求问题描述为
2τ×1
的解h'∈R ，并用h'更新H的第k列hk，其中yk为Y的第k列，k＝1,2,…,m，w1和w2分别为W的第1列和第2列，b1和b2分别为b的第1个元素和第2个元素，T表示转置运算；
QS35.对于H的后m列数据的更新，反复求问题描述为
的解h*∈R2τ×1，并用h*更新H的第k列hk，其中yk为Y的第k列，k＝(m+1),(m+2),…,2m，w1和w2分别为W的第1列和第2列，b1和b2分别为b的第1个元素和第2个元素，T表示转置运算；
QS36.求问题描述为
* 20N×2τ *
的解D∈R ，其中||·||F为矩阵的Frobenius范数， 为D的第j列，j＝1,2,…,2τ；
QS37.把H的每一列视为1个2τ维数据样本，以u为与H相对应的类别标签向量，η1为正则化参数，通过学习线性支持向量机更新权重矩阵W和偏移行向量b；
QS38.如果满足 其中||·||F为矩阵的Frobenius范数，那么用D*更新
D，接着执行步骤QS34-QS37；如果满足 那么用D*更新D；
QS39.完成字典学习，输出D,W和b。
4.根据权利要求1所述的基于可控塔式分解和字典学习的煤岩识别方法，其特征在于，所述执行煤岩类别的判定包括以下步骤：
QS401.由hx＝(DTD+η2I2τ)-1DTyx计算得到稀疏向量hx，其中T表示转置运算，I2τ为2τ阶单位矩阵，-1表示求逆运算；
QS402.如果满足(w1Thx+b1)≥(w2Thx+b2)，那么判定tx为煤炭；反之，则判定tx为岩石。
基于可控塔式分解和字典学习的煤岩识别方法
技术领域
背景技术
发明内容
量，然后构建样本特征矩阵Y＝[y1,y2,…,ym,ym+1,ym+2,…,y2m]∈R 及其对应的类别标签向量u＝[1,1,…,1,2,2,…,2]∈R1×2m，其中Y的前m列y1,y2,…,ym分别为c1,c2,…,cm的特征向量，Y的后m列ym+1,ym+2,…,y2m分别为r1,r2,…,rm的特征向量，u是由2m个整数构成的行向量，在u中，1代表煤炭，2代表岩石，Y的第k列20N维特征向量yk所属的煤岩类别由u的第k个整数元素uk表示，k＝1,2,…,2m；
的每一个α元素、β元素、γ元素、μ元素和δ元素可以分别表示为 和 i为可控塔式分解的级数序号，i＝1,2,…,N，d为方向序号，d＝0,1,2,3，分别对应0, 这
4个方向， 和 分别为 的子带系数绝对值的均值和方差， 和 分别指
在满足子带系数服从概率密度函数为
具体实施方式
量，然后构建样本特征矩阵Y＝[y1,y2,…,ym,ym+1,ym+2,…,y2m]∈R 及其对应的类别标签向量u＝[1,1,…,1,2,2,…,2]∈R1×2m，其中Y的前m列y1,y2,…,ym分别为c1,c2,…,cm的特征向量，Y的后m列ym+1,ym+2,…,y2m分别为r1,r2,…,rm的特征向量，u是由2m个整数构成的行向量，在u中，1代表煤炭，2代表岩石，Y的第k列20N维特征向量yk所属的煤岩类别由u的第k个整数元素uk表示，k＝1,2,…,2m；
的每一个α元素、β元素、γ元素、μ元素和δ元素可以分别表示为 和 i为可控塔式分解的级数序号，i＝1,2,…,N，d为方向序号，d＝0,1,2,3，分别对应0, 这
4个方向， 和 分别为 的子带系数绝对值的均值和方差， 和 分别指
在满足子带系数服从概率密度函数为
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种3D形貌检测系统及方法 | 2020-10-12 | 0 |
| 一种基于块分解的多尺度Shearlet域图像融合处理方法 | 2022-11-11 | 1 |
| 用于治疗精神障碍的移动和可穿戴视频捕捉和反馈平台 | 2023-12-26 | 0 |
| 验证图片配置方法及系统 | 2020-05-22 | 1 |
| 一种适应光照变化的目标颜色识别的机器视觉方法 | 2020-08-01 | 2 |
| 一种基于大数据的陶瓷设计系统 | 2020-05-31 | 2 |
| 一种基于形成机理分析的微观剩余油分类方法 | 2020-06-04 | 3 |
| 图像处理方法、装置、电子设备及图像处理电路 | 2021-06-25 | 1 |
| 图像处理方法、装置、电子设备及计算机可读存储介质 | 2022-09-05 | 2 |
| 图像处理装置 | 2023-07-30 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
