留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于离散余弦变换低频分量特征及学习向量量化的煤岩识别方法

孙继平 刘剑桥

孙继平,刘剑桥.基于离散余弦变换低频分量特征及学习向量量化的煤岩识别方法[J].工矿自动化,2015, 41(11):1-6..  doi: 10.13272/j.issn.1671-251x.2015.11.001
引用本文: 孙继平,刘剑桥.基于离散余弦变换低频分量特征及学习向量量化的煤岩识别方法[J].工矿自动化,2015, 41(11):1-6..  doi: 10.13272/j.issn.1671-251x.2015.11.001
SUN Jiping, LIU Jianqiao. Coal and rock recognition method based on low frequency component characteristics of discrete cosine transform and learning vector quantizatio[J]. Industry and Mine Automation, 2015, 41(11): 1-6. doi: 10.13272/j.issn.1671-251x.2015.11.001
Citation: SUN Jiping, LIU Jianqiao. Coal and rock recognition method based on low frequency component characteristics of discrete cosine transform and learning vector quantizatio[J]. Industry and Mine Automation, 2015, 41(11): 1-6. doi: 10.13272/j.issn.1671-251x.2015.11.001

基于离散余弦变换低频分量特征及学习向量量化的煤岩识别方法

doi: 10.13272/j.issn.1671-251x.2015.11.001
基金项目: 

国家自然科学基金重点资助项目(51134024)

国家高技术研究发展计划(863计划)资助项目(2012AA062203)

详细信息
  • 中图分类号: TD67

Coal and rock recognition method based on low frequency component characteristics of discrete cosine transform and learning vector quantizatio

  • 摘要: 针对现有煤岩识别方法适用范围小、识别正确率低等问题,采用图像分块离散余弦变换处理煤岩图像,将每一个图像块的DCT变换系数以“Z”字型排列,构成表达图像块的向量;采用2种方式提取煤岩图像特征:一种是用图像块向量每一维的均值和所有图像块向量的总体方差构成煤岩图像特征向量,另一种是按照图像块DCT变换顺序,将图像块向量级联构成煤岩图像特征向量;采用学习向量量化神经网络进行煤岩识别,2种特征提取方式的识别准确率均为96.67%,比Haar小波方法提高了3.3%,比Daubechies小波方法提高了5.8%。

     

  • 加载中
计量
  • 文章访问数:  44
  • HTML全文浏览量:  0
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 刊出日期:  2015-11-10

目录

    /

    返回文章
    返回