煤岩显微组分的分类和识别决定着煤炭的炼焦比例和工艺性质,是能源化工领域热门研究方向。对煤岩显微组分进行自动化识别能够提高煤岩分类的速度和效率,且其分析结果更客观、更可靠。目前,煤岩显微组分自动识别方法多以图像处理手段为主,虽然已取得很大的进展,但在应用过程中,仍有许多问题尚需解决。本课题主要解决了由划痕、假边界和亮度不均匀造成煤岩显微组分错分割、误分类的问题。通过对煤岩显微灰度图像进行预处理、自适应校正和组分自动识别,提高了煤岩显微灰度图像的整体质量、清晰度以及对比度,完成了对煤岩显微组分的准确识别和分类。同时,在研究过程中,对所提算法的合理性做了实验验证和分析。围绕上述内容,主要研究工作如下:(1)煤岩显微灰度图像中划痕和假边界区域的定位和修复。在制作和采集煤样过程中,会不可避免地产生一些划痕和假边界,这些区域占据一定数量的像素,会干扰煤岩显微组分识别的准确率,必须在预处理阶段进行处理。基于煤样划痕的特征,本文采取霍夫变换对划痕进行定位,接着采用邻域均值替换法修复图像的划痕,直到将所有划痕去除。另外,采取大小为3×3模板的Prewitt算子进行边缘检测并定位出煤岩灰度图中假边界区域,然后将其纠正为背景组,避免出现由假边界造成的错分类、误分割现象。(2)提出一种自适应截断Gamma校正算法对煤岩显微灰度图像进行增强。针对煤岩显微灰度图像中由光照变化所产生的降质、失真和模糊等问题。本文算法主要分为自适应阶段和截断阶段进行图像增强。在自适应阶段,首先利用像素灰度值的累积分布函数和可变的Gamma参数来提高低质图像的对比度,该步骤能够很好地增强图像暗区的亮度和对比度,但在过亮区域会失效。为了克服这一缺陷,在截断阶段,通过设置合理的阈值来截断Gamma参数的曲线。以此在不丢失亮区细节的情况下改变图像的对比度。实验结果表明,自适应截断Gamma校正算法能够有效地抑制图像噪声,增强煤岩图像对比度、亮度和清晰度。(3)提出一种融合空间信息的二重分解高斯混合模型用于煤岩显微组分识别。传统的高斯混合模型存在由于拟合结果不准确和没有考虑图像像素点之间的空间关系所导致分类精度不高的问题。基于此,本文的模型主要分两步进行改进。第一步:将原高斯混合模型进行二重分解。首先将模型分解成K个高斯模型,然后将这K个模型中的任意一个模型分解为S个高斯分布,这样有利于提高模型的拟合精度。第二步:融入空间信息。通过对模型中的概率密度函数和先验概率添加空间信息约束,以增强像素间的信息关联和抗噪性。经多种样本验证和分析可得:相比传统的高斯混合模型方法、改进的KMeans方法以及直方图峰值拟合法,本文算法的识别结果与标准数据集结果最接近,并且选取的30种煤样识别结果与标准数据集的镜质组、惰质组和半镜半丝组的平均差值分别仅有2.21%、2.5%和2.57%,即误差普遍低于其他三种识别方法。