煤岩显微组分分析技术是进行煤炭分析研究的一项重要技术手段,为煤炭焦化、气化等行业提供重要的指导依据。但是传统的煤岩显微组分分析系统以其系统自动化程度偏低、成本耗费较高、严重依赖研究人员专业技能娴熟程度以及主观性较为明显的缺点制约着煤岩显微组分分析的实时性、客观性需求。因此,本文将数字图像处理技术应用到煤岩显微组分分析领域,对煤岩显微组分的分类和识别进行研究,研究成果将为改善传统煤岩显微组分分析系统以及提高其系统自动化程度与分析效率做出贡献。本文主要做了以下几方面工作。(1)煤岩显微图像中划痕与孔洞等噪声的去除。在粉煤光片的制备过程中,划痕和孔洞等噪声会不可避免地出现,这些噪声会影响识别煤岩显微组分的正确性,在预处理过程中必须予以去除。分析了焦化厂提供的大量显微图像发现划痕特征多为深浅、粗细、长短有所差异的直线形式,基于此,本文实验对比了基于灰度图像数学形态学方法、基于邻近区域均值取代方法以及传统FMM(Fast Marching Method)及其改进算法修复图像中划痕的效果,发现改进后的FMM算法不但能够有效去除图像中划痕,而且还能够保护及模拟原始图像中的纹理,效果明显好于其他方法。对于显微图像中的孔洞,本文采用了基于灰度图像数学形态学重建方法,并进行了实验验证,发现其能够有效填充孔洞。(2)煤岩显微组分纹理特征提取。煤岩显微组分的纹理是典型的自然纹理,具有较大的随机性与复杂性。RILBP(Rotation Local Binary Pattern)特征提取技术能够有效保持图像发生旋转的情况下图像纹理特征不改变以及对于明暗噪声有较好的抗干扰能力,但是具有较高的特征维数,GLCM(Grey Level Co-occurrence Matrix)的抗干扰以及抗旋转性能力不足,但是其特征具有较低的维数。因此,本文提出一种融合RILBP与GLCM获取煤岩显微组分纹理特征的方法,能够在满足较低特征维数的前提下,纹理特征还具有抗旋转性与抗干扰性。实验对比三种方法提取煤岩显微组分纹理特征的结果,发现RILBP-GLCM方法获取的特征能够使其组分内具有较低的波动性,其特征提取效果好于RILBP和GLCM方法。(3)煤岩显微组分分类。本文采用多分类支持向量机(Multi-classification Support Vector Machine,MSVM)来对煤岩显微图像中的镜质组、惰质组、壳质组、矿物质以及背景进行分类。采集了1134幅煤岩显微图像,其中把401幅作为训练样本,733幅作为测试样本,分别应用RILBP、GLCM和RILBP-GLCM方法获取的煤岩显微组分纹理特征对MSVM进行训练与测试,获得了各自的分类结果。结果表明在灰度级压缩为16级的时候,RILBP-GLCM方法的分类正确率最高为92.7694%,明显高于RILBP算法的31.3652%与GLCM算法的89.4952%。说明基于融合RILBP-GLCM方法提取的煤岩显微组分纹理特征对分类是有效的。