一种基于PCA与RBF-SVM的煤岩显微组分镜质组分类方法

在分析煤岩镜质组显微组分特点的基础上，针对其结构复杂、特征量多且相互交织从而影响分类准确性等问题，提出一种基于主成分分析（PCA）的煤岩显微组分镜质组分类方法。首先根据镜质组显微图像中各组分呈现的条状、团块、颗粒等纹理特点和亮度差异，采用基于灰度共生矩阵的能量、熵、惯性矩、局部平稳性等纹理特征量和基于灰度分布统计的亮度比、均值、均方差、三阶矩偏度等亮度相关特征量对其进行描述，构成初始特征量集；再采用主成分分析法对初始特征量集进行进一步的抽取；最后构建基于径向基函数的支持向量机（RBF-SVM），采用积累贡献率较大的主成分作为分类参量实现镜质组的自动分类。实验结果表明：纹理和灰度统计特征可有效刻画煤岩镜质组显微组分；采用PCA对初始特征进行抽取之后，用于分类的特征空间维数大幅度降低，分类算法的泛化能力增强，分类的准确率显著提高。