CN111445541A - 一种矿物栅格图像信息提取和评价方法 - Google Patents
一种矿物栅格图像信息提取和评价方法 Download PDFInfo
- Publication number
- CN111445541A CN111445541A CN202010239711.XA CN202010239711A CN111445541A CN 111445541 A CN111445541 A CN 111445541A CN 202010239711 A CN202010239711 A CN 202010239711A CN 111445541 A CN111445541 A CN 111445541A
- Authority
- CN
- China
- Prior art keywords
- mineral
- fitting
- data
- raster image
- component data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
- G01N23/2252—Measuring emitted X-rays, e.g. electron probe microanalysis [EPMA]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请公开了一种矿物栅格图像信息提取和评价方法,对原始图像进行处理,建立通过利用RGB颜色与元素含量值Y建立数值拟合方程,得到不同的RGB颜色所代表的不同元素的含量值,从而提取矿物中各种元素及其含量的矩阵,可以实现矿物相的分离,同时提取不同矿物相的元素分布特征、具有多种数据显示模式和剖面切割展示,元素比值面分布分析等优势,并能够更为直观的展示不同元素在矿物分布特征和多元素在不同矿物位置的分布图,便于后期数据分析与解译,更好的开展矿物地球化学研究,实现了对栅格图像的编辑和信息增强处理。
Description
技术领域
本申请涉及矿物图像技术领域,具体而言,涉及一种矿物栅格图像信息提取和评价方法。
背景技术
固体样品分析一般采用全分析,如主量元素分析采用XRF熔片法或者压饼法测试,微量元素通过ICP-MS进行测量。随着原位分析技术的进步,可以实现对地质样品,特别是矿物进行原位元素含量分析,如通过电子探针(EPMA)进行主量元素分析、通过二次离子质谱(SIMS)或激光剥蚀等离子质谱(LA-ICP-MS)进行主微量元素分析等,获得某种元素的原始栅格图像,这种图像表达的是该种元素在不同矿物中的含量高低情况,是一种半定量的表达方式。由于薄片中不同矿物之间成分存在巨大差异,同种矿物不同位置元素亦存在差异,矿物中某一元素在同一张图中的表达会掩盖重要信息,这使得原始栅格图像很难完整表达出丰富的地球化学信息。此外,原始栅格图像是原始薄片中所有矿物中的某个元素表达情况,由于矿物之前元素含量变化很大,这种现实方式很难实现不同矿物相的分离,同时掩盖矿物的环带信息,无法获得矿物中较为准确的主微量元素含量。
矿物元素成分在空间的分布特征是理解矿物生长过程最关键的要素。然而大多数常用的传统分析方法尚不能满足元素面扫描的要求,或者空间分辨率不高,无法精细刻画矿物2D尺度上的元素变化特征,特别是微量元素的空间分布特征。而微量元素在空间上分布特征研究在许多地球科学领域,如古气候学研究(牙形石、石笋、珊瑚的研究)、岩石学、矿床学、考古学、古生物学、人类学(骨骼、牙齿等)等,有着广泛的应用潜力。例如,古人类的牙齿中特定微量元素的分布特征可以揭示古人类早期膳食变化特征;通过石笋或珊瑚的生长纹理记录的微量元素变化特征进而反演古气候变化特征等;矿物岩石中微量元素的变化可用来追索岩浆、流体演化特征等,越来越多的学者开始使用EPMA、SIMS或LA-ICP-MS等技术开展牙形石、石笋、岩石、骨骼等面扫描工作,通过这项工作可以获得牙形石、石笋、岩石、骨骼等物体表面的主量元素(Si、Ti、Al、Mg、Ca、Mn、Na、K、P)和微量元素(Sc、V、Co、Ni、Cu、Ga、Rb、Sr、Y、Zr、Nb、Cs、Ba、Hf、Ta、Pb、Th、U、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu等)的分布情况。
综上,EPMA、SIMS或LA-ICP-MS等技术都能够获得矿物表面主微量元素的栅格图像,栅格图像数据不同于矢量图形数据,其优点是数据结构简单,其缺点是编辑性差,然而现有技术中并未很好地对这些栅格图像进行处理和分析,凸显出更丰富的地质信息(如矿物分类、矿物的元素环带充分表达、多元素组合表达等)。
发明内容
针对目前通过EPMA、SIMS或LA-ICP-MS等技术获得的矿物元素栅格图像如下缺点:(1)无法进行不同矿物相的分离;(2)无法提取单个矿物的环带信息;(3)无法清晰表达出某个元素的剖面变化,元素比值面分布和多元素图形展示等。本发明提供了一种矿物栅格图像信息提取和评价方法,通过对栅格图像进行数据分析、提取和增强等过程,实现了对矿物相鉴别和分离,同时可以很好的识别出相同矿物中的生长环带、微量元素分布规律等隐含信息,更好地辅助开展矿物地球化学研究,具有较强的研究和实用价值。
根据本发明实施例的一个方面,提供了一种矿物栅格图像信息提取和评价方法,包括如下步骤:
S101、通过图像处理软件,对矿物栅格图像中矿物晶型和色阶进行处理,获得矿物主、微量元素栅格图像及其色阶图像;
S102、分解色阶图像数据为R分量数据、G分量数据、B分量数据,并将其从大到小自动赋值Y数据;
S103、根据R、G、B分量数据与Y数据之间建立拟合关系,求出拟合参数与拟合方程;
S104、运用建立的拟合方程将矿物主、微量元素栅格图像中R、G、B分量数据进行信息提取、赋值和计算,得到矿物栅格图像信息数据;
S105、数据导入到XMapTools软件中结合拟合系数R2进行数据解译,原始图像对比,提取信息的有效性评价;
S106、若属于主量元素,利用电子探针分析结果,对获得的矿物栅格图像进行数据校正,获得较准确的矿物氧化物含量;若属于微量元素,根据微量元素之间的运算关系,获得元素环带分布特征;
S107、使用K均值统计方法根据矿物氧化物含量差异,将主量元素中不同矿物分类。
可选地,S103中,所述拟合关系包括多项式拟合、最小二乘法拟合、机器学习方法拟合。
可选地,利用R、G与Y进行二元三次多项式拟合,其形式为
Y1=a+bR1+cG1+dR1G1+eR1 2+fG1 2+gR1 2G1+hR1G1 2+iR1 3+jG1 3
Y2=a+bR2+cG2+dR2G2+eR2 2+fG2 2+gR2 2G2+hR2G2 2+iR2 3+jG2 3
式中,a、b、c、d、e、f、g、h、i、j均为拟合参数;R1、G1、Y1分别代表色阶图像中的R分量数据、G分量数据、Y对应的元素含量值;R2、G2、Y2分别代表矿物栅格图像中的R分量数据、G分量数据、Y对应的元素含量估算值。
可选地,S105中,拟合可信度根据拟合系数R2评价,其公式为
式中,SSres表示真实值与预测值的差的平方之和;SStot表示真实值与平均值的差的平方之和。
可选地,采用拟合系数R2≥0.99作为判别标准。
可选地,S106中,元素环带分布特征包括稀土配分模式图、稀土元素总含量ΣREE、轻稀土元素/重稀土元素LREE/HREE、轻重稀土元素分异程度。
有益效果:本发明提供了一种矿物栅格图像信息提取和评价方法,基于栅格图像中每一个像素点RGB颜色和不同元素的含量值Y之间的关系,通过模拟获得了栅格图像中每一个栅格单元的元素含量(Y值),该方法可以对栅格图像中的每一个像素点根据已有栅格色阶进行赋值,获得该栅格图像的元素矩阵,并保存在txt文档中;通过对不同元素的txt文件在XMapTools软件中进行处理,最终可以实现对栅格图像处理和增强。该方法具有如下几个优点:(1)实现了不同矿物相的分离;(2)实现目标矿物的定量分析并对扫面分析难以区分的矿物进行定量化,进而根据含量来确定其名字;(3)可以增强同一种矿物中不同元素的环带;(4)可以直观的展示不同元素在矿物分布特征和多元素在不同矿物位置的稀土配分模式图等。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是一种矿物栅格图像信息提取和评价方法流程图;
图2是Si、Ti、Mg、Al、Ca、Fe、Mn、Na、K等元素原始栅格图像。
图3是含电石气白云母石英片岩中不同矿物相分布图。
图4是含电石气白云母石英片岩中电气石的FeO、CaO、TiO2、Na2O、MgO、Al2O3、以及FeO/(FeO+MgO)、MgO/(FeO+MgO)、Na2O/(Na2O+CaO)分布图。
图5是原始的石榴石中的微量元素含量分布栅格图像。
图6是栅格数据处理后石榴石中微量元素及稀土元素总含量分布图。
图7是石榴石中不同位置的球粒陨石标准化稀土配分模式图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明实施例提供了一种矿物栅格图像信息提取和评价方法,对矿物栅格图像利用其色阶图像的RGB分量数据与含量值Y之间的关系,建立对应的拟合方程,并运用到其矿物图像中提取元素含量值,最终实现不同矿物分类和评价不同矿物的元素环带分布信息。栅格图像是指其每个像素是使用3个uint8类型的整数来表示RGB颜色,其数值范围是整数0到整数255。矿物栅格图像是由矿物图像和对应的色阶图像组成。其色阶图像,则是用不同的RGB颜色表示矿物中不同元素的含量值Y,并且一一对应。
该方法主要包括图像信息提取与图像信息评价两个密切相关的环节,其步骤如下:
(1)图像信息提取
为保证数据提取的准确性,在进行提取之前,需要对矿物栅格图像中的色阶图像和矿物图像运用图像处理软件进行分离,并以图像格式单独保存。
先对色阶图像进行处理,分解色阶图像中的R分量数据、G分量数据、B分量数据,并根据分解元素的含量,将色阶图像的颜色进行自动赋值Y。选择合适的数值拟合方法(例如多项式拟合、最小二乘法拟合、机器学习方法拟合等),根据RGB与Y之间建立拟合关系,求出拟合参数与拟合方程,根据拟合可信度决定在矿物图像中运用是否可行。
以多项式拟合为例,为表达简便,利用R、G与Y进行二元三次多项式拟合,其形式为
Y1=a+bR1+cG1+dR1G1+eR1 2+fG1 2+gR1 2G1+hR1G1 2+iR1 3+jG1 3
Y2=a+bR2+cG2+dR2G2+eR2 2+fG2 2+gR2 2G2+hR2G2 2+iR2 3+jG2 3
式中,a、b、c、d、e、f、g、h、i、j均为拟合参数(多项式系数)。R1、G1、Y1分别代表色阶图像中的R分量数据、G分量数据、Y对应的元素含量值;R2、G2、Y2分别代表矿物图像中的R分量数据、G分量数据、Y对应的元素含量估算值。
拟合可信度可根据拟合系数R2评价,其公式为
SSres表示真实值与预测值的差的平方之和,也就是预测值与真实值的误差。SStot表示真实值与平均值的差的平方之和,也就是真实值的平方差。应说明R2值大小分别代表的可信度,就是说多大或者多小才是可信的。本发明实施例中根据拟合系数R2≥0.99作为判别标准,决定在矿物图像中运用是否可行。
再对矿物图像进行处理,与色阶图像处理过程相同,分离矿物图像中的R、G、B数据,带入上述的拟合参数与拟合方程中,得到颜色对应的矿物栅格图像的含量矩阵信息数据,并保存为txt格式。并将得到的txt格式数据导入到XMapTools软件中结合拟合系数R2进行数据解译,与原始图像对比,对提取信息进行有效性评价。
(2)图像信息评价
对矿物图像的主量元素(Si、Ti、Mg、Al、Ca、Fe、Mn、Na、K等)进行评价。利用电子探针分析结果,对获得的矿物栅格图像进行数据校正,获得较准确的矿物氧化物的含量,例如SiO2、TiO2、MgO、Al2O3、CaO、FeO、MnO、Na2O、K2O等。再使用K均值统计方法(自动分类)根据矿物氧化物含量差异,将不同矿物(例如:长石、石英、帘石、方解石、云母、电气石等)进行分类,在图像中可以看到不同矿物之间的空间分布关系。
对矿物图像的微量元素(稀土元素REE等)进行评价。根据微量元素之间的运算关系,获得元素环带分布特征,例如稀土配分模式图、ΣREE(稀土元素总含量)、LREE/HREE(轻稀土元素/重稀土元素,REE分异程度)、(La/Sm)N(N代表球粒陨石标准化,轻重稀土元素分异程度),进而可以对矿物晶体化学与晶体生长动力学进行分析。
实施例1
主量元素矿物栅格图像的提取和评价。
(1)EPMA获得了含电气石白云母石英片岩的主量元素Si、Ti、Mg、Al、Ca、Fe、Mn、Na、K等元素分布栅格图像(图2),这是最原始的栅格图像,这个图像的缺点是不同矿物相的界线模糊,矿物环带不清晰,展示的元素含量是一种半定量的结果,是相对含量高低,无法获得不同元素(如SiO2、TiO2、MgO、Al2O3、CaO、FeO、MnO、Na2O、K2O)定量结果、或者比值(如FeO/(FeO+MgO)、CaO/(CaO+K2O))分布图。
(2)对原始图像中的信息进行提取,利用RGB颜色与元素含量值Y建立数值拟合方程,得到不同的RGB颜色所代表的不同元素Si、Ti、Mg、Al、Ca、Fe、Mn、Na、K等矩阵,这些元素的矩阵保存为txt格式;
(3)数据处理与解译,将上述txt格式的Si、Ti、Mg、Al、Ca、Fe、Mn、Na、K矩阵导入XMapTools软件中,使用K均值统计方法(自动分类)根据矿物不同的矿物相(例如:长石、石英、帘石、方解石、云母、电气石等,图3),使用已有的标准的点数据对Si、Ti、Mg、Al、Ca、Fe、Mn、Na、K等元素进行矫正,获得比较准确的SiO2、TiO2、MgO、Al2O3、CaO、FeO、MnO、Na2O、K2O含量(图4a-f),对这些元素可以通过矩阵运算获得对应的比值数据(如FeO/(FeO+MgO)、CaO/(CaO+K2O)等摩尔比值,图4g-i),提取和增强的图像相对原始图像来说,提取了不同矿物相,环带特征明显增强,同时可以根据需求直观的展示不同元素在矿物分布特征和多元素在不同矿物位置的分布图,便于后期数据分析与解译,更好的开展矿物地球化学研究。
实施例2
微量元素矿物栅格图像的提取和评价。
(1)激光剥蚀等离子质谱技术(LA-ICP-MS)获得了西藏某矿区石榴石中的Sc、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu等元素分布栅格图像(图5),这是最原始的栅格图像,这个图像的矿物环带比较清晰,但是无法进行稀土配分模式图、ΣREE(稀土元素总含量),LREE/HREE(轻稀土元素/重稀土元素,REE分异程度),(La/Sm)N(N代表球粒陨石标准化,轻重稀土元素分异程度),进而影响对矿物晶体化学与晶体生长动力学评价。
(2)对原始图像中的信息进行提取,利用RGB颜色与元素含量值Y建立数值拟合方程,得到不同的RGB颜色所代表的不同元素Sc、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu等矩阵,这些元素的矩阵保存为txt格式;
(3)数据处理与解译,将上述txt格式的Sc、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu导入XMapTools软件中,使用已有的标准的点数据对Sc、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu等元素进行矫正,获得比较准确的Sc、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu含量,对这些元素可以通过矩阵运算获得对应稀土元素总含量(ΣREE)、稀土配分模式图,图6中展示了矫正后的Y、Ce、Sm及ΣREE含量。图7中展示了石榴石中不同位置的稀土配分模式图。提取和增强的图像相对原始图像来说,环带特征明显增强,同时可以根据需求直观的展示不同元素在矿物分布特征和多元素在不同矿物位置的稀土配分模式图,便于后期数据分析与解译,更好的开展矿物地球化学研究。
本发明提供了一种矿物栅格图像信息提取和评价方法,对原始图像进行处理,建立通过利用RGB颜色与元素含量值Y建立数值拟合方程,得到不同的RGB颜色所代表的不同元素的含量值,从而提取矿物中各种元素及其含量的矩阵,可以实现矿物相的分离,同时提取不同矿物相的元素分布特征、具有多种数据显示模式和剖面切割展示,元素比值面分布分析(CaO、FeO、MnO、Na2O、K2O)等优势,并能够更为直观的展示不同元素在矿物分布特征和多元素在不同矿物位置的分布图(如稀土配分模式图),便于后期数据分析与解译,更好的开展矿物地球化学研究,实现了对栅格图像的编辑和信息增强处理,在矿物学领域,具有非常强的研究和实用价值,是一种新的不可或缺的矿物学辅助手段和方法。
此外,上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种矿物栅格图像信息提取和评价方法,其特征在于,包括如下步骤:
S101、通过图像处理软件,对矿物栅格图像中矿物晶型和色阶进行处理,获得矿物主、微量元素栅格图像及其色阶图像;
S102、分解色阶图像数据为R分量数据、G分量数据、B分量数据,并将其从大到小自动赋值Y数据;
S103、根据R、G、B分量数据与Y数据之间建立拟合关系,求出拟合参数与拟合方程;
S104、运用建立的拟合方程将矿物主、微量元素栅格图像中R、G、B分量数据进行信息提取、赋值和计算,得到矿物栅格图像信息数据;
S105、数据导入到XMapTools软件中结合拟合系数R2进行数据解译,原始图像对比,提取信息的有效性评价;
S106、若属于主量元素,利用电子探针分析结果,对获得的矿物栅格图像进行数据校正,获得较准确的矿物氧化物含量;若属于微量元素,根据微量元素之间的运算关系,获得元素环带分布特征;
S107、使用K均值统计方法根据矿物氧化物含量差异,将主量元素中不同矿物分类。
2.根据权利要求1所述的一种矿物栅格图像信息提取和评价方法,其特征在于,S103中,所述拟合关系包括多项式拟合、最小二乘法拟合、机器学习方法拟合。
3.根据权利要求2所述的一种矿物栅格图像信息提取和评价方法,其特征在于,利用R、G与Y进行二元三次多项式拟合,其形式为
Y1=a+bR1+cG1+dR1G1+eR1 2+fG1 2+gR1 2G1+hR1G1 2+iR1 3+jG1 3
Y2=a+bR2+cG2+dR2G2+eR2 2+fG2 2+gR2 2G2+hR2G2 2+iR2 3+jG2 3
式中,a、b、c、d、e、f、g、h、i、j均为拟合参数;R1、G1、Y1分别代表色阶图像中的R分量数据、G分量数据、Y对应的元素含量值;R2、G2、Y2分别代表矿物栅格图像中的R分量数据、G分量数据、Y对应的元素含量估算值。
5.根据权利要求4所述的一种矿物栅格图像信息提取和评价方法,其特征在于,采用拟合系数R2≥0.99作为判别标准。
6.根据权利要求1所述的一种矿物栅格图像信息提取和评价方法,其特征在于,S106中,元素环带分布特征包括稀土配分模式图、稀土元素总含量ΣREE、轻稀土元素/重稀土元素LREE/HREE、轻重稀土元素分异程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239711.XA CN111445541B (zh) | 2020-03-30 | 2020-03-30 | 一种矿物栅格图像信息提取和评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239711.XA CN111445541B (zh) | 2020-03-30 | 2020-03-30 | 一种矿物栅格图像信息提取和评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445541A true CN111445541A (zh) | 2020-07-24 |
CN111445541B CN111445541B (zh) | 2023-04-18 |
Family
ID=71657439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010239711.XA Active CN111445541B (zh) | 2020-03-30 | 2020-03-30 | 一种矿物栅格图像信息提取和评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445541B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884801A (zh) * | 2021-02-02 | 2021-06-01 | 普联技术有限公司 | 高空抛物检测方法、装置、设备和存储介质 |
CN113624603A (zh) * | 2021-08-06 | 2021-11-09 | 中国科学院地质与地球物理研究所 | 一种含沉积韵律层的岩石弹性模量获取方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009113670A1 (ja) * | 2008-03-13 | 2009-09-17 | 独立行政法人科学技術振興機構 | 局所電界分布可視化方法とその装置 |
CN106682377A (zh) * | 2015-11-05 | 2017-05-17 | 核工业北京地质研究院 | 一种钻孔岩芯蚀变矿物的高光谱提取与定量估算方法 |
CN107796841A (zh) * | 2017-10-27 | 2018-03-13 | 中国科学院地质与地球物理研究所 | 一种高精度分析橄榄石微量元素的方法 |
CN108573206A (zh) * | 2017-10-11 | 2018-09-25 | 成都理工大学 | 基于层次分析法的成矿预测方法 |
-
2020
- 2020-03-30 CN CN202010239711.XA patent/CN111445541B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009113670A1 (ja) * | 2008-03-13 | 2009-09-17 | 独立行政法人科学技術振興機構 | 局所電界分布可視化方法とその装置 |
CN106682377A (zh) * | 2015-11-05 | 2017-05-17 | 核工业北京地质研究院 | 一种钻孔岩芯蚀变矿物的高光谱提取与定量估算方法 |
CN108573206A (zh) * | 2017-10-11 | 2018-09-25 | 成都理工大学 | 基于层次分析法的成矿预测方法 |
CN107796841A (zh) * | 2017-10-27 | 2018-03-13 | 中国科学院地质与地球物理研究所 | 一种高精度分析橄榄石微量元素的方法 |
Non-Patent Citations (1)
Title |
---|
况顺达,林卫华,姚智,刘沛,王雪华: "黔东南地区金矿遥感弱信息自动提取技术研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884801A (zh) * | 2021-02-02 | 2021-06-01 | 普联技术有限公司 | 高空抛物检测方法、装置、设备和存储介质 |
CN113624603A (zh) * | 2021-08-06 | 2021-11-09 | 中国科学院地质与地球物理研究所 | 一种含沉积韵律层的岩石弹性模量获取方法及*** |
CN113624603B (zh) * | 2021-08-06 | 2022-03-04 | 中国科学院地质与地球物理研究所 | 一种含沉积韵律层的岩石弹性模量获取方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111445541B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW512636B (en) | Optical inspection system | |
CN111445541A (zh) | 一种矿物栅格图像信息提取和评价方法 | |
CN101853514A (zh) | 彩色地质图图像的交互式矢量化方法及其*** | |
Bernstein et al. | Analysis and processing of Landsat-4 sensor data using advanced image processing techniques and technologies | |
CN111242905A (zh) | 一种x光样本图像的生成方法、生成设备和存储装置 | |
Plašienka et al. | Meliatic blueschists and their detritus in Cretaceous sediments: new data constraining tectonic evolution of the West Carpathians | |
CN104537375B (zh) | 一种基于卫星遥感数据的褐铁矿化信息提取方法 | |
Booysen et al. | Accurate hyperspectral imaging of mineralised outcrops: An example from lithium-bearing pegmatites at Uis, Namibia | |
CN106709901A (zh) | 基于深度先验的模拟雾图生成方法 | |
Nikonow et al. | Automated mineralogy based on micro-energy-dispersive X-ray fluorescence microscopy (µ-EDXRF) applied to plutonic rock thin sections in comparison to a mineral liberation analyzer | |
Turner et al. | Rare earth element ore grade estimation of mineralized drill core from hyperspectral imaging spectroscopy | |
Lanari et al. | New horizons in quantitative compositional mapping–Analytical conditions and data reduction using XMapTools | |
Alfeld et al. | Simplex Volume Maximization (SiVM): A matrix factorization algorithm with non-negative constrains and low computing demands for the interpretation of full spectral X-ray fluorescence imaging data | |
CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
Juránek et al. | Graph-based deep learning segmentation of EDS spectral images for automated mineral phase analysis | |
CN113838011A (zh) | 基于数字图像颜色梯度的岩石块度和/或分布规律获取方法、***、终端及可读存储介质 | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
Sanjeevi | Targeting limestone and bauxite deposits in southern India by spectral unmixing of hyperspectral image data | |
Zaremotlagh et al. | Detecting homogenous clusters using whole-rock chemical compositions and REE patterns: A graph-based geochemical approach | |
Moran | Image processing and soil micromorphology | |
Atkinson | Super-resolution mapping using the two-point histogram and multi-source imagery | |
Madani | Spectroscopy of olivine basalts using FieldSpec and ASTER data: A case study from Wadi Natash volcanic field, south Eastern Desert, Egypt | |
CN110866081B (zh) | 一种基于互联网地图的路况拥堵分析方法 | |
de Caritat | Continental-scale geochemical surveys and mineral prospectivity: Comparison of a trivariate and a multivariate approach | |
Eliason et al. | An array processing system for lunar geochemical and geophysical data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |