基于DSP与改进边缘检测算法的煤矸石自动分选系统

煤矸石是采煤过程中排放的固体废物，是一种含碳量较低、比煤坚硬的黑灰色岩石。在煤矿生产过程中，矸石分选是必要环节。目前，煤与矸石的分选主要采用人工或机械分选。但人工分选有劳动强度大、效率低和影响工人健康等缺点；机械分选有严重污染环境、设备昂贵和精煤无法全部分选等缺点[1]。因此，需要一种先进技术分选煤块与矸石。数字图像处理技术是近年来发展起来的一种新型技术。本文采用高性能的数字信号处理器（DSP）作为系统的核心处理器来提高运算速度，研究利用数字图像处理技术，对摄像机拍摄到的煤块和矸石图像进行实时处理，再根据模式识别技术，区分煤块和矸石的图像，实现了煤块与矸石的实时自动分选。该技术降低了工人的劳动强度，减轻环境污染，提高了煤矿生产效率和选矸环节的智能化水平。

1 系统原理

煤块与矸石具有不同的灰度与纹理。煤块的颜色较黑，灰度级较低；矸石的颜色较淡，灰度级较高。根据煤块与矸石的灰度分布不同，探讨二者的分选问题。文献[2]中的直方图表示图像中具有某种灰度级的像素的个数，反映图像中每种灰度出现的概率，体现图像的灰度范围、灰度级的大致分布等情况[2]。因此，直方图能反映出煤块和矸石的灰度概率分布差异，即它们的灰度概率分布的均值和方差有差异。在计算机中，先保存标准样品煤块图像和样品矸石图像的灰度概率分布的均值和方差，在识别时，将实际图像的灰度概率分布的均值和方差与样本相比，进而判断出图像是煤块图像或矸石图像。图像处理过程如图1所示。

1.1 图像预处理

由于煤块与矸石自动分选系统工作环境的煤粉尘较大，所以光线较弱，采集的图像清晰度较低，边缘突出性较差。必须对采集到的图像进行预处理，调整原始图像的亮度和对比度，去掉系统在图像采集时产生的脉冲噪声和点状噪声，使原始图像清晰、边缘特征明显，易于识别。中值滤波原理[2，3]是用一个含有奇数个像素的滑动窗口，将窗口正中点的灰度值用窗口内各点的中值代替。用窗口在图像f(s，t)上扫描，则中值滤波器的输出gmedian(x，y)为：

中值滤波具有很强的消除孤立噪声像素的能力，它不是简单的取均值，所以产生的模糊较少。即在保持图像细节的同时，能去除噪声。因此系统采用中值滤波。

1.2 图像分割

图像分割是从图像处理到图像分析的关键一步。边缘特征的检测和提取的效果决定图像识别和处理的性能。图像边缘反映图像的灰度不连续性，勾划出目标物体。通过提取煤块图像或矸石图像的边缘，确定它们的在图像中区域位置，将它们从背景中分离出来，为下一步的特征提取和图像识别做准备。本文在Pal.King模糊边缘检测算法[4-6]的基础上改进了边缘提取算子，使提取的图像边缘特征突出、信息清晰。具体算法如下：

Fd和Fe分别是倒数型和指数型模糊因子，于是，该图像映射成模糊隶属度矩阵。

(3)在模糊空间中采用非线性函数Tr变换，实现增强边缘两侧像素灰度的对比度。

1.3 特征提取

利用改进的边缘算子提取煤块或矸石边缘轮廓，将其映射到原始灰度图像上，即得到煤块或矸石的图像区域。通过分析煤块图像或矸石图像的灰度直方图，可以得到它们的灰度分布曲线。比较二者得出，煤块的灰度级较低，矸石的灰度级较高。从数学的方法看，它们的灰度概率分布的均值和方差均不同，因此通过分析各自的均值和方差便可区分煤块或矸石。设一幅M×N图像的灰度为f(i，j)，(i=1，2，…，M；j=1，2，…，N)，则公式（5）、（6）分别为其均值和方差[7]：

1.4 图像识别

根据公式(5)、(6)，先计算出样品煤块图像或矸石图像的灰度概率分布的均值和方差，把它们作为标准值。在图像识别时，通过实际的煤块图像或矸石图像的处理结果与标准值的比较，便可判断出煤块或矸石。

2系统结构

煤块与矸石的在线识别与自动分选系统框图如图2所示。其主要包括CCD摄像机、图像采集设备、PC机、分拣设备和DSP数字图像处理部分。

CCD摄像机从传输带上采集原始的煤块和矸石图像，通过图像采集设备转化成数字信号。由于需实时地处理大量的数字图像信号，要求系统具有较高的数据处理速度，所以整个系统采用了高性能的数字信号处理器TMS320DM642 DSP作为核心处理器来提高运算速度，进而实现实时地处理转换后的数字图像信号。通过无线通信传输Wi-Fi(Wireless Fidelity)技术实现DSP与PC机之间的信息传输。软件环境用Visual C++语言编程。同时，DSP又控制分拣设备，实时地自动分选出煤块和矸石。

3 图像处理结果及分析

图3(a)、图3(b)为煤块原始图像和矸石原始图像，分别对它们进行了中值滤波，其处理结果如图3(c)、图3(d)。可以看出，中值滤波实现了对灰度图像的平滑滤波，去除了孤立小噪声点，保证了目标物体的边缘清晰度。既保持了图像细节又去除了点状噪声。

为了分析灰度概率分布情况，必须通过边缘提取来定位煤块和矸石的区域位置，图4为本文改进算法的图像提取边缘。从图4可以看出，本文使用的算子提取煤块图像和矸石图像的边缘图定位准确、细化、清晰，明显优于一些经典边缘算子的提取结果。

根据上述改进的提取算子，可得到图像的边缘轮廓图，将此轮廓图映射到原始灰度图像上，就得到了没有背景的煤块图像和矸石图像。图5（a）、图5（b）分别是没有背景的煤块图像和矸石图像的直方图。比较两者可以看出，煤块图像的灰度值较小，矸石图像的灰度值较大，正好说明了煤快的颜色较黑，矸石的颜色较灰。进一步分析其直方图的灰度概率分布的均值和方差，由公式（5）、（6）计算可得，煤块的均值和方差分别为62.853和395.512；矸石的均值和方差分别为85.378和605.326。与计算机中存储的标准样品的均值和方差相比较，便可分选出煤块和矸石。

本文以高性能的微DSP为核心，结合数字图像处理技术，提出了煤块和矸石的自动分选系统。图像处理结果表明，通过对原始图像的预处理、边缘提取和特征提取等处理，根据煤块图像和矸石图像的灰度直方图特性，再结合DSP的高速运算能力，实现了煤块和矸石的实时自动分选。该技术为我国煤矿的选矸环节提供了一种新方法，提高了选矸环节的自动化水平和煤矿的生产效率。

参考文献

[1] 蒋勇．数字图像处理技术在煤矸石自动分选系统中的应用[D]．陕西：西安科技大学，2004．
[2] 王慧琴．数字图像处理[M]．北京：北京邮电大学出版社，2006：98-100．
[3] 章毓晋．图像工程(上册)图像处理(第2版)[M]．北京：清华大学出版社，2006：102-103．
[4] Pal，Sankar K.King，Robert A.Image enhancement using smoothing with fuzzy sets[J].IEEE Transactions on Systems，Man and Cybernetics，1981，11(7)：494-501.
[5] Pal，Sankar K King，Robert A.On edge detection of x-rayimages using fuzzy sets[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1983，5(1)：69-77.
[6] 王爽．仿生算法在数字图像处理中的应用研究[D]．安徽：安徽理工大学，2008．
[7] 刘富强，钱建生，王新红，等．基于图像处理与识别技术的煤矿矸石自动分选[J]．煤炭学报，2000，25（5）：534-537．