王培珍，董双，张代林，顾思婧

(1.安徽工业大学a.电气与信息工程学院；b.煤的洁净转化与综合利用安徽省重点实验室安徽马鞍山243032；2.南京理工大学电光学院，南京210094）

基于圆形LBP均匀模式的煤镜质组显微组分纹理分析

王培珍1a，董双1a，张代林1b，顾思婧2

(1.安徽工业大学a.电气与信息工程学院；b.煤的洁净转化与综合利用安徽省重点实验室安徽马鞍山243032；2.南京理工大学电光学院，南京210094）

依据煤不同显微组分的纹理特点，分别采用不同尺度下圆形LBP及LBP均匀模式获取煤显微图像的LBP信息值，构建包含能量、对比度、局部平稳性等特征量的特征集对煤显微组分进行表征，并以此对镜质体中各类别纹理数据进行分析。结果表明：构建的纹理特征量对于镜质体中不同类别具有较好的可分性；圆形LBP中尺度的选择对有效特征量的提取有较大影响；LBP均匀模式在保持特征数据有效性的同时，可明显减少LBP模式数，从而减少计算量。文中结果可为煤显微组分的自动分类与识别提供依据。

纹理特征；局部二值模式；镜质体；煤显微组分

煤的性能（如反应性、对CO的吸附性能、热破碎性质、粘结性等）与煤的显微组分直接相关[1-2]，因此煤显微组分的自动分类与识别对于煤性能的界定具有重要的意义。现有的煤显微结构分类标准基于人眼的直观视觉，参变量缺少对复杂结构的定量描述。通过对煤显微图像中不同组分分析发现，纹理是煤显微图像的重要特征，是区分煤显微图像不同组分的重要依据之一[3]。

局部二值模式[4](Local Binary Pattern,LBP)是一种表述图像中像素点与周围像素关系的二进制描述方式，可将图像的统计和结构特征结合起来，且具有平移、旋转不变性等特点，已成功地应用于图像分类[5]、缺陷检测[6]、细胞识别[7]、人脸识别[[8]等领域。基本LBP算子的局限性[9]在于它只具有较小的空间支持区域,由此计算所得的特征难以适应不同粗糙度和尺度纹理的要求。为描述不同尺度的纹理特征，T.Ojala等对LBP算子进行改进，提出了圆形LBP算子[10]。但圆形LBP随着邻域集内采样点数的增加，二进制模式数亦急剧增加，计算量和数据量也会急剧增加，不利于纹理的表达和数据处理。为此，T.Ojala等又给出了一种对LBP算子的模式种类进行优化抽取的“均匀模式”[10](Uniform Pattern)。

煤镜质组中各类别纹理较为复杂,文中通过纹理特征提取所建立的特征参数实现对镜质组各类别差异的直接表征，采用圆形LBP算子提取特征，并通过均匀模式降低LBP模式数，减少计算量，为镜质组中各类别的自动分类识别提供依据。

1 均匀模式圆形LBP算法

1.1 基本LBP

局部二值模式(LBP)是一种描述图像局部空间结构的非参数算子，其基本思想是：用其中心像素的灰度值作为阈值,与其邻域相比较得到二进制码，以此表述局部纹理特征。

设fc是邻域窗口中心像素的灰度值，fp(p=0,...,P-1)是邻域像素p的灰度值，P是邻域像素的个数。将邻域像素的灰度值与fc进行比较，结果用符号函数s表示。将每个邻域像素的比较结果赋予2p的权值加权求和，作为中心像素的LBP值，定义为

对于8邻域像素点，其计算过程见图1。从定义可以看出，基本LBP算子不具备旋转不变性，且作用于较小区域，若区域增大，则模式数迅速增加，难以描述不同尺度和频率纹理特征。

图1 LBP计算过程Fig.1 Procedure of LBP calculation

1.2 圆形LBP

为描述不同尺度的纹理特征，并使之具有灰度变换和旋转不变性，用圆形邻域代替正方形邻域，将3×3邻域扩展到任意邻域，在半径为R的圆形邻域内采样P个像素点，其LBP值以LBPP,R表示。与基本LBP相比，其主要区别在于：基本LBP定义于方形邻域上，改进的LBP定义于圆形邻域上，从而更易于定义具有旋转不变性的纹理描述算子；圆形LBP算子中，邻域中对角线上的像素值通过线性内插得到，这是为了保证所有对角像素点都正好落在整数坐标点上，如图2。图2中邻域内对应于中心点等距分布的P个点的坐标可以表示为

其中：(xc,yc)为中心点坐标；(xp,yp)为邻域内第p个点坐标(p=0,…,P-1)。

图2 圆形内插点示意图Fig.2 Schematic of circular interpolation point

可以看出，图像旋转后其LBP值也会随之变化。Maenpaa等[11]将LBP算子进行扩展，提出具有旋转不变性的LBP算子，即不断旋转邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值

其中：ROR为旋转函数，表示将x循环右移i位；ri是rotation invariant的缩写，表明旋转不变的LBP算子。

1.3均匀模式

实际使用中,LBPriP,R随着半径的扩大和采样点数增加二进制模式类剧增，导致数据量变大、计算速度下降。为解决该问题提出了一种称为均匀模式的LBP描述方式，定义为：在圆形的二值编码中，若最多出现2个0与1之间的跳变，则该局部二进制模式对应的二进制称为一个均匀模式。

检验模式GP是否为均匀模式的较简单方法是将其和其移动一位后的二进制模式按位相减的绝对值求和，定义模式变量U(GP)如下：满足U(GP)≤2的模式GP称为均匀模式。通过排列组合计算可得，在P邻域中，满足U(GP)≤2的所有模式的个数为P(P-1)+2。对于3×3邻域内8个采样点来说，二进制模式数由原始的256减少到58，计算量降低。T.Ojala等[10]通过验证指出，均匀模式所占的比重可以通过低通滤波的方法来增加。

2 特征量设计及算法实现

2.1 特征量设计

在LBP直方图基础上，设计能量E、信息熵Η、对比度C、局部平稳性L、最大概率Pmax作为特征量，定义如下：

式中，Pi为LBP值中各模式出现的频数。E是图像的均一性的度量，反映图像的一致性、均匀性和图像中纹理的粗细情况。区域均匀纹理较粗，该区域的能量值较大；反之，该区域的能量值较小。Η是图像纹理信息的度量，图像的纹理信息量越大，熵越大，反之，熵越小。C度量纹理沟纹深浅的程度，反映纹理图像效果的清晰度，并与之成正比。L是图像局部纹理变化快慢的度量，图像的局部纹理变化大，说明该区域的图像纹理密，局部不平稳，L值小；如果图像的局部纹理变化小，则局部平稳，L值大。纹理出现最多的单元用最大概率Pmax来统计，值越大说明该单元占的纹理区域面积越大，纹理一致性越好。

2.2 算法实现

算法用VC6.0编程实现。以半径为1的圆形LBP算子为例，实现步骤如下：

1)遍历图像，获取起始中心点及其邻域像素值；

2)由式(3)计算对角像素的坐标值，利用双线性插值法得对角像素的灰度值；

3)邻域像素与中心点比较，若大于中心点记为1，若小于中心点记为0，计算中心点的LBP值，相应的LBP值频数加1，移动指针指向下一LBP中心点；

4)判断遍历是否结束。若否，跳转至步骤2)；反之，进入步骤5）；

5)判断所得各LBP值是否符合均匀模式，将符合均匀模式的LBP值的频数保存在数组[0-57]单元中，非均匀模式的LBP值频数累加保存到数组第59个单元；

6)利用步骤5)得到的各LBP频数统计数组，将所得频数进行归一化处理得Pi；

7)由式(6)～(10)，计算各特征量。

3 实验结果与分析

实验中选取煤显微图像镜质组中的均质镜质体、基质镜质体、镜屑体为研究对象。采用分辨率为320× 240典型煤显微图像基质和均质显微图像样本分别取60幅和45幅，由于镜屑体样本稀少，截取其样本图像20幅。

分别采用圆形LBP8,1，LBP12,2.5及圆形LBP8,1均匀模式计算不同类别样本能量、信息熵、对比度、局部平稳、最大概率5个纹理特征量，这些特征量是基于各LBP模式数经归一化后的统计数组构建，量纲为一，所得不同显微组分特征量范围如表1。

表1 不同显微组分各特征量范围Tab.1 Range of featuresof different coalmacerals

由于各显微组分的纹理特点不同，因此其特征量的范围、数据集中程度各不相同。

1)不同尺度的LBP算子对煤显微组分分类效果的影响。表1中，比较非均匀模式下圆形LBP8,1， LBP12,2.5的特征量发现：P=8,R=1时，均质相对于基质和镜屑体所对应的5个特征量均有直接可分性，均质体与基质的能量、熵、对比度具有直接可分性；在P= 12,R=2.5时，均质体与镜屑体仅能量和熵具有可分性，均质体与基质体没有直观可分的特征量，表明均质体与基质体纹理较粗或具有较少的细纹理信息。由此可见，尺度的选择直接影响LBP分类效果。文中均质的特征量明显区别于其它两者，基质体与镜屑体的数据交集较多，如图3(a)～(e)。半径越大，LBP算子由于稀疏采样越易引起频谱混叠。

图3 各特征量的分布Fig.3 Distribution ofeach characteristic quantity

2)均匀模式对特征量数据的影响。由表1可见，均质与镜屑体、均质与基质仍然保持良好的可分性，可知均匀模式并未改变数据的可分性，很好地保持了特征数据的有效性。同时，对于8(P=8)采样点的算子，利用均匀模式将原有LBP直方图中模式数由256减少到59。对于大尺度的LBP算子如12采样点利用均匀模式转化，LBP模式数将会由原来的4 096减少到134。可见，采样点越多，均匀模式对计算量的减少越明显。

4 结束语

采用圆形LBP及其均匀模式对煤显微组分中镜质组各类别纹理特征进行分析，结果表明：采用基于LBP的纹理特征量能够提取反映镜质组中不同类别的有效纹理特征；圆形LBP中尺度的选择对有效特征量的提取有较大影响，不同对象其模型参数需要进行合理选择；均匀模式LBP算子能够在保持数据有效性的同时，大大降低LBP模式数，减少计算复杂度。这些结果为煤显微组分的自动识别与分类提供依据，进一步分类与识别正在研究之中。

[1]张代林，曾涛，李伟锋，等.煤焦显微结构特征与焦炭性质的关系[J].钢铁，2011,46(1):14-18.

[2]赵智军，李汉青，谢马龙，等.先锋褐煤热溶残煤的过氧化氢氧化及产物分析[J].安徽工业大学学报：自然科学版，2013,30(4): 409-413.

[3]王培珍，缪家龙.基于行程长度纹理特征的焦炭显微图像分类算法[J].煤炭学报，2012,37(6):1051-1055.

[4]Ojala T,Pietikainen M,Harwood D.A comparative study of texturemeasureswith classification based on feature distribution[J].Pattern Recognition,1996,29(1):51-59.

[5]Guo ZH,Zhang L,Zhang D.A completedmodeling of localbinary pattern operator for texture classification[J].IEEETransactions on Image Processing,2010,19(6):1657-1663.

[6]王培珍，高尚义，程建.一种基于局部二进制模式的带钢表面缺陷初级检测方法[J].中国图像图形学报，2009,14(6):1156-1161.

[7]周颖颖，周振宇，孙宁.基于改进LBP特征的白细胞识别[J].生物医学工程研究，2006,24(4):242-246.

[8]Ahonen T,Hadid A,PietikainenM.Facedescriptionwith localbinary patterns:application to face recognition[J].IEEETransactionson Pattern Analysisand Machine Intelligence,2006,28(12):2037-2041.

[9]王玲.基于LBP的特征提取研究[D].北京：北京交通大学，2009.

[10]Ojala T,Pietikainen M,Maenpaa T.Multiresolution gray scaleand rotation invariant texture classificationwith localbinary patterns [J].IEEETransactionson Pattern Analysisand Machine Intelligence,2002,24(7):971-987.

[11]Maenpaa T,Pietikainen M.Handbook of Pattern Recognition and Computer Vision[M].3rd ed.Singapore:World Scientific,2005: 197-216.

责任编辑：何莉

Texture Analysisof VitriniteMacerals Based on the Uniform Pattern of Round LBP

WANG Peizhen1a,DONG Shuang1a,ZHANG Dailin1b,GU Sijing2
(1.a Schoolof Electrical Engineering and Information,b AnhuiKey Laboratory of Clean Conversion and Utilization, AnhuiUniversity of Technology,Ma'anshan 243032,China;2.Schoolof Electronic and Optical Engineering,Nanjing University of Scienceand Technology,Nanjing 210094,China)

According to texture characteristics of different coalmacerals,round Local Binary Pattern(LBP)and LBPuniform pattern with different scaleswere employed to obtain LBP information of coalm icroscopic images. Features such as energy,contrast,local stationarity based on LBPwere selected to characterize the coalmacerals, and thus texture features in each subclassof vitrinitewere analyzed.Results show that,these selected features are separable for different subclasses of vitrinite;scales of round LBPhave an impact on effective feature extraction; LBPuniform pattern can reduce the LBPnumbersand simplify the calculationwhilemaintaining the effectiveness of feature data.These results can providebasis forautomatic classification and recognition of coalmacerals.

texture features;LocalBinary Pattern;vitrinite;macerals

TQ553.6；TP391.4

A

10.3969/j.issn.1671-7872.2014.02.010

1671-7872(2014)02-0147-05

2014-01-21

国家自然科学基金项目(50874001)；安徽省自然科学基金项目(1208085ME67)

王培珍(1966－)，女，安徽泾县人，教授，博士，主要研究方向为图像处理与模式识别等。