CN106485223A - 一种砂岩显微薄片中岩石颗粒的自动识别方法 - Google Patents
一种砂岩显微薄片中岩石颗粒的自动识别方法 Download PDFInfo
- Publication number
- CN106485223A CN106485223A CN201610891454.1A CN201610891454A CN106485223A CN 106485223 A CN106485223 A CN 106485223A CN 201610891454 A CN201610891454 A CN 201610891454A CN 106485223 A CN106485223 A CN 106485223A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sandstone
- rock particles
- classification
- microsection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 71
- 239000002245 particle Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 53
- 229910052925 anhydrite Inorganic materials 0.000 claims abstract description 24
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 claims abstract description 24
- 239000010453 quartz Substances 0.000 claims abstract description 24
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 24
- 239000012535 impurity Substances 0.000 claims abstract description 18
- 238000007477 logistic regression Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 20
- 238000000205 computational method Methods 0.000 claims description 6
- 230000001143 conditioned effect Effects 0.000 claims description 6
- 239000004575 stone Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 4
- 239000011707 mineral Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000707825 Argyrosomus regius Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种砂岩显微薄片中岩石颗粒的自动识别方法,其步骤是:1)对输入的砂岩显微薄片进行高斯平滑滤波预处理,提取像素颜色和纹理特征,组成像素相似度度量的特征向量;2)利用图遍历算法和相似性度量方法寻找每个像素的邻近像素群;3)计算邻近像素群的统计特征作为像素的特征向量;4)基于岩石颗粒样本数据集训练逻辑回归分类器;5)预测每个像素属于石英、长石、岩屑的概率,确定噪声点;6)对噪声点进行处理,确定岩石颗粒划分和类别。本方法运用图像处理技术和机器学习方法,自动识别砂岩显微薄片中的岩石颗粒,能够解决岩石颗粒区域边界的定位和岩石颗粒内杂质的识别,具有较高的准确性,降低岩石颗粒识别的时间和成本;在矿物鉴别、油气勘探中具有应用价值。
Description
技术领域
本发明涉及应用计算方法对图像进行处理的技术,具体是一种针对砂岩显微薄片中岩石颗粒的自动识别方法,该方法运用图像处理技术和机器学习方法,通过对像素级别的分类处理,实现对砂岩显微薄片中岩石颗粒成分的识别。
背景技术
砂岩是源区岩石经风化、剥蚀、搬运在盆地中堆积形成的沉积碎屑岩,由碎屑和填隙物两部分构成,主要岩石颗粒成分包括石英、长石和岩屑。砂岩不但是常见的建筑用石材,也是石油、天然气的主要储集层。砂岩颗粒识别和组分在矿物鉴别、油气勘探等领域有着重要的意义。
现有的砂岩显微薄片岩石颗粒识别经常使用人工识别,这不但费时费力,而且可重复性差。另外,在砂岩显微薄片中,部分岩石颗粒区域边界交错,一些区域与周边区域相互浸润,给岩石颗粒的相互区分和识别带来了困难。最后,岩石颗粒内常常含有杂质,这些杂质与周围区域的性质差异较大,可能对岩石颗粒的识别结果产生影响。
发明内容
本发明所要解决的技术问题是提供一种砂岩显微薄片中岩石颗粒的自动识别方法,该方法运用图像处理技术和机器学习方法实现对砂岩显微薄片中岩石颗粒成分的自动识别。
为达到上述目的,本方法采用如下的步骤:
1)读取砂岩显微薄片图像,对其进行高斯平滑滤波预处理;对图像中像素抽取颜色特征和纹理特征,组成像素相似度计算的特征向量;
2)分别以砂岩显微薄片图像中每个像素作为中心像素,采用图遍历算法和相似性度量方法,计算其邻域n×n像素窗口中的邻近像素群,其中n为像素个数,优选值为5×5;
3)计算邻近像素群的统计特征,作为中心像素的分类特征向量;
4)基于石英、长石、岩屑颗粒样本数据集,训练逻辑回归分类器;
5)用训练好的分类器进行预测,得到像素属于不同类别的概率,通过预设条件确定像素的类别,不满足条件的像素视为噪声点;
6)对噪声点进行除噪,通过对噪声点的邻近像素群进行类别统计,确定其类别;最后基于每个像素的类别,确定岩石颗粒划分和类别;
上述步骤1)中计算砂岩显微薄片图像中像素颜色和纹理特征向量的处理过程是:首先计算砂岩薄片图像所有像素的颜色特征值RGB,以及所有像素的灰度值Gray。然后,计算图像每个像素的纹理特征,即局部二值模式Lbp值。于是,每个像素的特征向量由RGB、Gray和Lbp值组成,维度为5(即包含5个元素)。Lbp的计算方法如下:
对于像素p,以其为中心获取邻域3×3像素窗口。像素p的Lbp值为:
其中,vp和vi分别是像素p和像素i的灰度值。S(x)是符号函数,定义如下:
上述步骤2)中基于图遍历算法寻找像素的邻近像素群的过程是:首先,对于像素pc,以其为中心获取邻域n×n像素窗口,n为像素个数,优选值为5,初始化邻近像素群Sp={pc},pc标注为未处理;然后使用图遍历算法,选取Sp内未被处理过的像素,寻找它的上、下、左、右四个邻接像素,如果该像素与某邻接像素特征向量的相似性小于临界值D(建议值为11.56),且该邻接像素不在Sp内,则把对应的邻接像素加入邻近像素群Sp,并标注为未处理;重复以上过程,直到邻域像素窗口内的每个像素都被遍历和处理过为止;最终得到中心像素pc的邻近像素群Sp。
在上述过程中,使用欧式距离度量两个邻接像素的相似性。给定两个特征向量f1=<f11,f12,…,f1n>和f2=<f21,f22,…,f2n>,其欧式距离的公式如下:
其中f1i和f2i是特征向量f1和f2的第i个分量,n是特征向量f1和f2的维数。
在上述步骤3)中计算邻近像素群的统计特征过程如下:对于邻近像素群Sp={pc,p1,p2,…,pm},其中每个像素的特征向量由RGB、Gray和Lbp值组成。对特征的每一维度,计算邻近像素群Sp平均值Average、中值Median、标准方差Standard Deviation、平均绝对偏差Mean Absolute Deviation四个统计特征。针对像素特征向量的某一维度X={x0,x1,x2,…,xm},其中x0对应中心像素,m代表邻近像素群Sp除中心像素外的像素数量,计算公式如下::
Median=mid(x0,x1,x2,...,xm),mid()是中值函数
通过上述计算公式,邻近像素群可以得到5*4=20维的特征向量,作为中心像素的特征向量。
在上述步骤4)中训练可区分石英、长石、岩屑逻辑回归分类器的过程是:首先,基于石英、长石、岩屑颗粒的样本数据集;对于每一张岩石颗粒显微图像,随机采样50个像素点,基于每个像素点,按照步骤1)计算颜色和纹理特征向量;然后,按步骤2)寻找邻近像素群,计算邻近像素群的统计特征,作为该像素的特征向量,并按照图像类别标注,构建分类器的训练集;最后,基于该训练集,训练可区分石英、长石、岩屑的逻辑回归分类器。
在上述步骤5)中对砂岩显微薄片图像中所有像素进行预测的过程是:使用训练好的逻辑回归分类器分别对每个像素进行预测,输出一个概率值,以像素为单位得到一个概率向量p=<p1,p2,p3>,分别是该像素属于石英、长石和岩屑的概率;接着,设定预设条件对概率向量p进行处理:令p1,p2,p3中最大值是pmax,中间值是pmid。
当pmax≥0.6,且pmax-pmid≥0.2,预测像素类别是pmax对应的岩石颗粒种类;
当pmax≤0.45,预测像素类别是杂质;
其它情况下,像素暂定为噪声点。
在上述步骤6)中对类别是噪声点的像素进行类别判定的过程是:对于每个噪声点像素,统计它所在的邻近像素群中所有像素的类别,采用多数表决方式确定它的类别。
当邻近像素群里少于50%的像素类别为噪声点时,则选取像素类别数最大的类别作为噪声点的类别,计算方法如下
其中,Sp是邻近像素群,m是Sp中除中心像素外的像素个数,yi是Sp中每个像素的预测类别,cj分别对应石英、长石、岩屑和杂质;I(x)是指示函数,当yi=cj时I为1,否则I为0;
当邻近像素群中超过50%的像素类别为噪声点时,则选取其它噪声点进行处理;
重复上述过程,直到所有噪声点都有类别为止。
本发明基于砂岩显微薄片图像,运用图像处理技术和机器学习方法,利用砂岩显微薄片中岩石颗粒颜色相异、纹理清晰的特点,提取岩石颗粒的颜色和纹理特征,应用图像处理技术和机器学习方法,实现岩石颗粒的自动识别;针对岩石颗粒边界交错清晰度不高和颗粒区域内存有杂质的问题,本发明以像素为基本单位,提出基于欧式距离寻找像素的邻近像素群,计算统计特征作为像素分类特征,基于样本数据集训练可以识别石英、长石、岩屑的逻辑回归分类器,最后对预测产生的噪声点进行除噪,从而达到理想的识别效果。本发明对不同种类岩石颗粒区域边界的定位和岩石颗粒内杂质的识别有较高的准确性,可有效降低岩石颗粒识别的时间和成本,具有较好的扩展性;在矿物鉴别、油气勘探中具有应用价值。
附图说明
图1是砂岩显微薄片中岩石颗粒自动识别的技术框架图;
图2是砂岩显微薄片岩石颗粒区域浸润示意图;
图3是砂岩显微薄片中岩石颗粒区域杂质示意图;
图4是给定像素获取其邻近像素群的处理流程图。
具体实施方式
本发明的主要目的是自动识别砂岩显微薄片中的岩石颗粒,运用图像处理技术和机器学习方法,抽取像素的颜色和纹理特征组成特征向量,基于图遍历算法和相似度度量寻找邻近像素群,计算邻近像素群的统计特征作为像素分类的特征向量;训练区分石英、长石和岩屑的逻辑回归分类器,并对预测结果进行噪声处理;通过对像素类别的预测,实现对砂岩显微薄片中岩石颗粒的自动识别。
图1所示为砂岩显微薄片中岩石颗粒自动识别的技术框架图。输入的是砂岩显微薄片图像,输出是砂岩薄片中岩石颗粒的划分和类别(石英、长石和岩屑)。为了保证方法的正确应用,需要预先制备标注为石英砂岩、长石砂岩和岩屑砂岩的岩石颗粒显微图像,作为样本数据集。技术框架分为6个步骤:对输入的砂岩显微薄片进行高斯平滑滤波预处理,提取像素颜色和纹理特征,组成像素相似度度量的特征向量;利用图遍历算法和相似性度量方法寻找每个像素的邻近像素群;计算邻近像素群的统计特征作为像素的特征向量;基于样本数据集训练逻辑回归分类器;预测每个像素属于石英、长石、岩屑的概率,确定噪声点;对噪声点进行处理,确定岩石颗粒划分和类别。
图2和图3所示为砂岩显微薄片中岩石颗粒存在区域浸润和杂质的示意图。从图中可以看出,砂岩显微薄片中岩石颗粒的形状不规则,分布交错参差,颗粒所在的区域基本都是封闭图形;不同种类的岩石颗粒具有不同的颜色和纹理,适于通过颜色和纹理特征予以分类和识别;图2岩石颗粒区域浸润示意图说明在砂岩显微薄片中,岩石颗粒相互交错,边界较难确定,图3岩石颗粒区域杂质示意图说明在砂岩显微薄片中,一些岩石颗粒内存在性质差异较大的杂质,这些杂质可能会对岩石颗粒的自动识别产生影响。
本发明提出基于欧式距离寻找像素邻近像素群,计算统计特征作为像素分类特征,并训练可以区分石英、长石、岩屑的逻辑回归分类器,最后对预测产生的噪声点进行除噪,从而能够更好地识别岩石颗粒。本发明采用的步骤如下:
1)读取砂岩显微薄片图像,对其进行高斯平滑滤波预处理;对图像中像素抽取颜色特征和纹理特征,组成像素相似度计算的特征向量;
2)分别以砂岩显微薄片图像中每个像素作为中心像素,采用图遍历算法和相似性度量方法,计算其邻域n×n像素窗口中的邻近像素群,其中n为像素个数,优选值为5;
3)计算邻近像素群的统计特征,作为中心像素的分类特征向量;
4)基于石英、长石、岩屑颗粒样本数据集,训练逻辑回归分类器;
5)用训练好的分类器进行预测,得到像素属于不同类别的概率,通过预设条件确定像素的类别,不满足条件的像素视为噪声点;
6)对噪声点进行除噪,通过对噪声点的邻近像素群进行类别统计,确定其类别;最后基于每个像素的类别,确定岩石颗粒划分和类别;
上述步骤1)中计算砂岩显微薄片图像中像素颜色和纹理特征向量的处理过程是:首先计算砂岩薄片图像所有像素的颜色特征值RGB,以及所有像素的灰度值Gray。然后,计算图像每个像素的纹理特征——局部二值模式Lbp值。于是,每个像素的特征向量由RGB、Gray和Lbp值组成,维度为5(即包含5个元素)。Lbp的计算方法如下:
对于像素p,以其为中心获取邻域3×3像素窗口。像素p的Lbp值为:
其中,vp和vi分别是像素p和像素i的灰度值。S(x)是符号函数,定义如下:
上述步骤2)中基于图遍历算法寻找像素的邻近像素群的过程是:首先,对于像素pc,以其为中心获取邻域n×n像素窗口,n为像素个数,优选值为5,初始化邻近像素群Sp={pc},pc标注为未处理;然后使用图遍历算法,选取Sp内未被处理过的像素,寻找它的上、下、左、右四个邻接像素,如果该像素与某邻接像素特征向量的相似性小于临界值D(建议值为11.56),且该邻接像素不在Sp内,则把对应的邻接像素加入邻近像素群Sp,并标注为未处理;重复以上过程,直到邻域像素窗口内的每个像素都被遍历和处理过为止;最终得到中心像素pc的邻近像素群Sp。
在上述过程中,使用欧式距离度量两个邻接像素的相似性。给定两个特征向量f1=<f11,f12,…,f1n>和f2=<f21,f22,…,f2n>,其欧式距离的公式如下:
其中f1i和f2i是特征向量f1和f2的第i个分量,n是特征向量f1和f2的维数。
在上述步骤3)中计算邻近像素群的统计特征过程如下:对于邻近像素群Sp={pc,p1,p2,…,pm},其中每个像素的特征向量由RGB、Gray和Lbp值组成。对特征的每一维度,计算邻近像素群Sp平均值Average、中值Median、标准方差Standard Deviation、平均绝对偏差Mean Absolute Deviation四个统计特征。针对像素特征向量的某一维度X={x0,x1,x2,…,xm},其中x0对应中心像素,m代表邻近像素群Sp除中心像素外的像素数量,计算公式如下::
Median=mid(x0,x1,x2,...,xm),mid(·)是中值函数 (5)
通过上述计算公式,邻近像素群可以得到5*4=20维的特征向量,作为中心像素的特征向量。
在上述步骤4)中训练可区分石英、长石、岩屑逻辑回归分类器的过程是:首先,基于石英、长石、岩屑颗粒的样本数据集;对于每一张岩石颗粒显微图像,随机采样50个像素点,基于每个像素点,按照步骤1)计算颜色和纹理特征向量;然后,按步骤2)寻找邻近像素群,计算邻近像素群的统计特征,作为该像素的特征向量,并按照图像类别标注,构建分类器的训练集;最后,基于该训练集,训练可区分石英、长石、岩屑的逻辑回归分类器。
在上述步骤5)中对砂岩显微薄片图像中所有像素进行预测的过程是:使用训练好的逻辑回归分类器分别对每个像素进行预测,输出一个概率值,以像素为单位得到一个概率向量p=<p1,p2,p3>,分别是该像素属于石英、长石和岩屑的概率;接着,设定预设条件对概率向量p进行处理:令p1,p2,p3中最大值是pmax,中间值是pmid。
当pmax≥0.6,且pmax-pmid≥0.2,预测像素类别是pmax对应的岩石颗粒种类;
当pmax≤0.45,预测像素类别是杂质;
其它情况下,像素暂定为噪声点。
在上述步骤6)中对类别是噪声点的像素进行类别判定的过程是:对于每个噪声点像素,统计它所在的邻近像素群中所有像素的类别,采用多数表决方式确定它的类别。
当邻近像素群里少于50%的像素类别为噪声点时,则选取像素类别数最大的类别作为噪声点的类别,计算方法如下
其中,Sp是邻近像素群,m是Sp中除中心像素外的像素个数,yi是Sp中每个像素的预测类别,cj分别对应石英、长石、岩屑和杂质;I(x)是指示函数,当yi=cj时I为1,否则I为0;
当邻近像素群中超过50%的像素类别为噪声点时,则选取其它噪声点进行处理;
重复上述过程,直到所有噪声点都有类别为止。
本发明利用砂岩显微薄片中岩石颗粒颜色相异、纹理清晰的特点,提取岩石颗粒的颜色和纹理特征,应用图像处理技术和机器学习方法,实现岩石颗粒的自动识别;针对岩石颗粒边界交错清晰度不高和颗粒区域内存有杂质的问题,本发明以像素为基本单位,提出基于欧式距离寻找像素的邻近像素群,计算统计特征作为像素分类特征,基于样本数据集训练可以识别石英、长石、岩屑的逻辑回归分类器,最后对预测产生的噪声点进行除噪,从而达到理想的识别效果。基于实地采集的砂岩显微图像数据,采用本发明方法的实验结果表明针对砂岩显微薄片中的岩石颗粒具有较好的识别效果,对不同种类岩石颗粒区域边界的定位和岩石颗粒内杂质的识别也有较高的准确性。另外,本发明方法可以应用砂岩显微图像中其它像素特征和训练不同类型的分类器,具有较好的扩展性,有效降低岩石颗粒识别的时间和成本;在矿物鉴别、油气勘探中具有应用价值。
本发明方法的具体应用途径很多,以上所述仅是本发明的优选实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (8)
1.一种砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于包括如下的步骤:
1)读取砂岩显微薄片图像,对其进行高斯平滑滤波预处理;对图像中像素抽取颜色特征和纹理特征,组成像素相似度计算的特征向量;
2)分别以砂岩显微薄片图像中每个像素作为中心像素,采用图遍历算法和相似性度量方法,计算其邻域n×n像素窗口中的邻近像素群,其中n为像素个数,优选为5×5;
3)计算邻近像素群的统计特征,作为中心像素的分类特征向量;
4)基于石英、长石、岩屑颗粒样本数据集,训练逻辑回归分类器;
5)用训练好的分类器进行预测,得到像素属于不同类别的概率,通过预设条件确定像素的类别,不满足条件的像素视为噪声点;
6)对噪声点进行除噪,通过对噪声点的邻近像素群进行类别统计,确定其类别;最后基于每个像素的类别,确定岩石颗粒划分和类别。
2.根据权利要求1所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,上述步骤1)中具体过程是:首先计算砂岩薄片图像所有像素的颜色特征值RGB,以及所有像素的灰度值Gray,然后计算图像每个像素的纹理特征,即局部二值模式Lbp值;每个像素的特征向量由RGB、Gray和Lbp值组成,维度为5,即包含5个元素;
所述Lbp的计算方法如下:
对于像素p,以其为中心获取邻域3×3像素窗口,像素p的Lbp值为:
其中,vp和vi分别是像素p和像素i的灰度值,S(x)是符号函数,定义如下:
3.根据权利要求1或2所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,上述步骤2)的具体过程是:首先,对于像素pc,以其为中心获取邻域n×n像素窗口,n为像素个数,优选值是5,初始化邻近像素群Sp={pc},pc标注为未处理;然后使用图遍历算法,选取Sp内未被处理过的像素,寻找它的上、下、左、右四个邻接像素,如果该像素与某邻接像素特征向量的相似性小于临界值D,且该邻接像素不在Sp内,则把对应的邻接像素加入邻近像素群Sp,并标注为未处理;重复以上过程,直到邻域像素窗口内的每个像素都被遍历和处理过为止;最终得到中心像素pc的邻近像素群Sp。
4.根据权利要求3所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,在上述过程中,使用欧式距离度量两个邻接像素的相似性,即给定两个特征向量f1=<f11,f12,…,f1n>和f2=<f21,f22,…,f2n>,其欧式距离的公式如下:
其中f1i和f2i是特征向量f1和f2的第i个分量,n是特征向量f1和f2的维数。
5.根据权利要求4所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,在上述步骤3)的具体过程如为:对于邻近像素群Sp={pc,p1,p2,…,pm},其中每个像素的特征向量由RGB、Gray和Lbp值组成;对特征的每一维度,计算邻近像素群Sp平均值Average、中值Median、标准方差Standard Deviation、平均绝对偏差Mean Absolute Deviation四个统计特征;针对像素特征向量的某一维度X={x0,x1,x2,…,xm},其中x0对应中心像素,m代表邻近像素群Sp除中心像素外的像素数量,计算公式如下::
Median=mid(x0,x1,x2,...,xm),mid()是中值函数
通过上述计算公式,邻近像素群可以得到5×4=20维的特征向量,作为中心像素的特征向量。
6.根据权利要求5所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,在上述步骤4)的具体过程为:首先,基于石英、长石、岩屑颗粒的样本数据集;对于每一张岩石颗粒显微图像,随机采样N个像素点,基于每个像素点,按照步骤1)计算颜色和纹理特征向量;然后,按步骤2)寻找邻近像素群,计算邻近像素群的统计特征,作为该像素的特征向量,并按照图像类别标注,构建分类器的训练集;最后,基于该训练集,训练可区分石英、长石、岩屑的逻辑回归分类器。
7.根据权利要求6所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,在上述步骤5)的具体过程是:使用步骤4)训练好的逻辑回归分类器分别对每个像素进行预测,输出一个概率值,以像素为单位得到一个概率向量p=<p1,p2,p3>,分别是该像素属于石英、长石和岩屑的概率;接着,设定预设条件对概率向量p进行处理:令p1,p2,p3中最大值是pmax,中间值是pmid;
当pmax≥0.6,且pmax-pmid≥0.2,预测像素类别是pmax对应的岩石颗粒种类;
当pmax≤0.45,预测像素类别是杂质;
其它情况下,像素暂定为噪声点。
8.根据权利要求7所述的砂岩显微薄片中岩石颗粒的自动识别方法,其特征在于,在上述步骤6)的具体过程是:对于每个噪声点像素,统计它所在的邻近像素群中所有像素的类别,采用多数表决方式确定它的类别;
当邻近像素群里少于50%的像素类别为噪声点时,则选取像素类别数最大的类别作为噪声点的类别,计算方法如下
其中,Sp是邻近像素群,m是Sp中除中心像素外的像素个数,yi是Sp中每个像素的预测类别,cj分别对应石英、长石、岩屑和杂质;I(x)是指示函数,当yi=cj时I为1,否则I为0;
当邻近像素群中超过50%的像素类别为噪声点时,则选取其它噪声点进行处理;
重复上述过程,直到所有噪声点都有类别为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610891454.1A CN106485223B (zh) | 2016-10-12 | 2016-10-12 | 一种砂岩显微薄片中岩石颗粒的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610891454.1A CN106485223B (zh) | 2016-10-12 | 2016-10-12 | 一种砂岩显微薄片中岩石颗粒的自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485223A true CN106485223A (zh) | 2017-03-08 |
CN106485223B CN106485223B (zh) | 2019-07-12 |
Family
ID=58269930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610891454.1A Active CN106485223B (zh) | 2016-10-12 | 2016-10-12 | 一种砂岩显微薄片中岩石颗粒的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485223B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239783A (zh) * | 2017-06-13 | 2017-10-10 | 中国矿业大学(北京) | 基于扩展局部二值模式和回归分析的煤岩识别方法 |
CN107330578A (zh) * | 2017-05-25 | 2017-11-07 | 中国石油天然气股份有限公司 | 砂体连通性评价方法及装置 |
CN108629776A (zh) * | 2018-05-16 | 2018-10-09 | 郑州大学 | 矿岩粒度检测*** |
CN108760477A (zh) * | 2018-05-31 | 2018-11-06 | 中国地质大学(武汉) | 一种实现岩石节理颗粒充填物精准定位的夹具和方法 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
CN109001023A (zh) * | 2018-06-19 | 2018-12-14 | 中国地质大学(武汉) | 一种岩石节理颗粒充填物摆放角度精准定位的夹具和方法 |
CN109241867A (zh) * | 2018-08-16 | 2019-01-18 | 清能艾科(深圳)能源技术有限公司 | 采用人工智能算法识别数字岩心图像的方法及装置 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN111007064A (zh) * | 2019-12-13 | 2020-04-14 | 常州大学 | 一种基于图像识别的录井岩性智能识别方法 |
CN111693410A (zh) * | 2020-07-15 | 2020-09-22 | 常州先进制造技术研究所 | 微米级颗粒样品自动寻找定位装置及方法 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
WO2021147554A1 (zh) * | 2020-01-21 | 2021-07-29 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别***与方法 |
CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1918898A (zh) * | 2004-02-10 | 2007-02-21 | 精工爱普生株式会社 | 基于规定区域内形成的像点个数的信息输出图像的图像输出*** |
CN101069189A (zh) * | 2004-12-03 | 2007-11-07 | 讯宝科技公司 | 条形码扫描器解码 |
CN101657840A (zh) * | 2007-02-05 | 2010-02-24 | 西门子医疗保健诊断公司 | 用于以显微术进行细胞分析的***和方法 |
CN101711393A (zh) * | 2007-01-16 | 2010-05-19 | Utc消防及保安公司 | 基于视频的火灾检测的***和方法 |
CN102542593A (zh) * | 2011-09-30 | 2012-07-04 | 中山大学 | 一种基于视频解译的交互式视频风格化渲染方法 |
US8428354B2 (en) * | 2009-06-23 | 2013-04-23 | Los Alamos National Security, Llc | Image segmentation by hierarchial agglomeration of polygons using ecological statistics |
CN103679719A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种图像分割方法 |
CN103810504A (zh) * | 2014-01-14 | 2014-05-21 | 三星电子(中国)研发中心 | 一种图像处理方法和装置 |
CN104020848A (zh) * | 2014-05-15 | 2014-09-03 | 中航华东光电(上海)有限公司 | 一种静态手势识别方法 |
CN104112126A (zh) * | 2014-08-06 | 2014-10-22 | 南京大学镇江高新技术研究院 | 一种大理岩显微薄片自动鉴别方法 |
CN104134069A (zh) * | 2014-08-06 | 2014-11-05 | 南京大学 | 一种页岩显微薄片自动鉴别方法 |
CN104182730A (zh) * | 2014-08-06 | 2014-12-03 | 南京大学镇江高新技术研究院 | 一种花岗岩显微薄片自动鉴别方法 |
CN105117729A (zh) * | 2015-05-11 | 2015-12-02 | 杭州金培科技有限公司 | 一种识别翻拍图像的方法和装置 |
CN105354600A (zh) * | 2015-09-28 | 2016-02-24 | 南京大学 | 一种砂岩显微薄片的自动分类方法 |
CN105701816A (zh) * | 2016-01-13 | 2016-06-22 | 上海海事大学 | 一种图像自动分割方法 |
-
2016
- 2016-10-12 CN CN201610891454.1A patent/CN106485223B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1918898A (zh) * | 2004-02-10 | 2007-02-21 | 精工爱普生株式会社 | 基于规定区域内形成的像点个数的信息输出图像的图像输出*** |
CN101069189A (zh) * | 2004-12-03 | 2007-11-07 | 讯宝科技公司 | 条形码扫描器解码 |
CN101711393A (zh) * | 2007-01-16 | 2010-05-19 | Utc消防及保安公司 | 基于视频的火灾检测的***和方法 |
CN101657840A (zh) * | 2007-02-05 | 2010-02-24 | 西门子医疗保健诊断公司 | 用于以显微术进行细胞分析的***和方法 |
US8428354B2 (en) * | 2009-06-23 | 2013-04-23 | Los Alamos National Security, Llc | Image segmentation by hierarchial agglomeration of polygons using ecological statistics |
CN102542593A (zh) * | 2011-09-30 | 2012-07-04 | 中山大学 | 一种基于视频解译的交互式视频风格化渲染方法 |
CN103679719A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种图像分割方法 |
CN103810504A (zh) * | 2014-01-14 | 2014-05-21 | 三星电子(中国)研发中心 | 一种图像处理方法和装置 |
CN104020848A (zh) * | 2014-05-15 | 2014-09-03 | 中航华东光电(上海)有限公司 | 一种静态手势识别方法 |
CN104112126A (zh) * | 2014-08-06 | 2014-10-22 | 南京大学镇江高新技术研究院 | 一种大理岩显微薄片自动鉴别方法 |
CN104134069A (zh) * | 2014-08-06 | 2014-11-05 | 南京大学 | 一种页岩显微薄片自动鉴别方法 |
CN104182730A (zh) * | 2014-08-06 | 2014-12-03 | 南京大学镇江高新技术研究院 | 一种花岗岩显微薄片自动鉴别方法 |
CN105117729A (zh) * | 2015-05-11 | 2015-12-02 | 杭州金培科技有限公司 | 一种识别翻拍图像的方法和装置 |
CN105354600A (zh) * | 2015-09-28 | 2016-02-24 | 南京大学 | 一种砂岩显微薄片的自动分类方法 |
CN105701816A (zh) * | 2016-01-13 | 2016-06-22 | 上海海事大学 | 一种图像自动分割方法 |
Non-Patent Citations (5)
Title |
---|
EYSTRATIOS G. KERAMIDAS 等: "NOISE-ROBUST STATISTICAL FEATURE DISTRIBUTIONS FOR TEXTURE ANALYSIS", 《16TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO 2008)》 * |
FERNANDO LÓPEZ 等: "Performance evaluation of soft color texture descriptors for surface grading using experimental design and logistic regression", 《PATTERN RECOGNITION》 * |
JING HU 等: "Fish species classification by color, texture and multi-class support vector machine using computer vision", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
吴富宁 等: "基于颜色特征进行农作物图像分类识别的应用研究综述", 《中国农业科技导报》 * |
宋浩强 等: "统计纹理特征在图像分类中应用与研究", 《福建电脑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330578B (zh) * | 2017-05-25 | 2020-07-10 | 中国石油天然气股份有限公司 | 砂体连通性评价方法及装置 |
CN107330578A (zh) * | 2017-05-25 | 2017-11-07 | 中国石油天然气股份有限公司 | 砂体连通性评价方法及装置 |
CN107239783A (zh) * | 2017-06-13 | 2017-10-10 | 中国矿业大学(北京) | 基于扩展局部二值模式和回归分析的煤岩识别方法 |
CN107239783B (zh) * | 2017-06-13 | 2020-09-18 | 中国矿业大学(北京) | 基于扩展局部二值模式和回归分析的煤岩识别方法 |
CN108629776A (zh) * | 2018-05-16 | 2018-10-09 | 郑州大学 | 矿岩粒度检测*** |
CN108629776B (zh) * | 2018-05-16 | 2022-02-08 | 郑州大学 | 矿岩粒度检测*** |
CN108760477A (zh) * | 2018-05-31 | 2018-11-06 | 中国地质大学(武汉) | 一种实现岩石节理颗粒充填物精准定位的夹具和方法 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
CN109001023A (zh) * | 2018-06-19 | 2018-12-14 | 中国地质大学(武汉) | 一种岩石节理颗粒充填物摆放角度精准定位的夹具和方法 |
CN109241867A (zh) * | 2018-08-16 | 2019-01-18 | 清能艾科(深圳)能源技术有限公司 | 采用人工智能算法识别数字岩心图像的方法及装置 |
CN109241867B (zh) * | 2018-08-16 | 2022-03-15 | 清能艾科(深圳)能源技术有限公司 | 采用人工智能算法识别数字岩心图像的方法及装置 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN111007064A (zh) * | 2019-12-13 | 2020-04-14 | 常州大学 | 一种基于图像识别的录井岩性智能识别方法 |
US11933713B2 (en) | 2020-01-21 | 2024-03-19 | Shandong University | Determining system and method for weathering resistant capability of clastic rocks in tunnel based on feldspar features |
WO2021147554A1 (zh) * | 2020-01-21 | 2021-07-29 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别***与方法 |
CN111693410A (zh) * | 2020-07-15 | 2020-09-22 | 常州先进制造技术研究所 | 微米级颗粒样品自动寻找定位装置及方法 |
CN111693410B (zh) * | 2020-07-15 | 2024-06-04 | 常州先进制造技术研究所 | 微米级颗粒样品自动寻找定位装置及方法 |
CN112686259B (zh) * | 2020-12-16 | 2023-09-26 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN113435460A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 一种亮晶颗粒灰岩图像的识别方法 |
CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
WO2022166232A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国石油化工股份有限公司 | 岩石鉴定方法、***、装置、终端及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106485223B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485223A (zh) | 一种砂岩显微薄片中岩石颗粒的自动识别方法 | |
Li et al. | A transfer learning method for automatic identification of sandstone microscopic images | |
Perez et al. | Ore grade estimation by feature selection and voting using boundary detection in digital image analysis | |
Yaghoobi et al. | Determining the fragmented rock size distribution using textural feature extraction of images | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN109523566A (zh) | 一种砂岩薄片显微图像的自动分割方法 | |
CN104244016B (zh) | 一种h264视频内容篡改检测方法 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
Zhang et al. | Investigation of pavement crack detection based on deep learning method using weakly supervised instance segmentation framework | |
CN105354600A (zh) | 一种砂岩显微薄片的自动分类方法 | |
Mollajan et al. | Improving pore type identification from thin section images using an integrated fuzzy fusion of multiple classifiers | |
Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation | |
CN104268557B (zh) | 基于协同训练和深度svm的极化sar分类方法 | |
Khorram et al. | Lithological classification and chemical component estimation based on the visual features of crushed rock samples | |
Wang | Rock particle image segmentation and systems | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
Tang et al. | A new ore image segmentation method based on Swin-Unet | |
Bustos‐Pérez et al. | The quantification of surface abrasion on flint stone tools | |
Harinie et al. | Classification of rock textures | |
Khomiak et al. | Image segmentation methods for quick characterization of ore chip using RGB images | |
Fu et al. | Quantitative ore texture analysis with convolutional neural networks | |
Singh et al. | Image processing applications for customized mining and ore classification | |
CN116895019A (zh) | 一种基于动态加权交叉熵损失的遥感图像变化检测方法及其检测*** | |
CN106570848A (zh) | 基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法 | |
Cheng et al. | Automatic pavement crack detection based on hierarchical feature augmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |