一種頁(yè)巖顯微薄片自動(dòng)鑒別方法
【專利摘要】本發(fā)明公開(kāi)了一種頁(yè)巖顯微薄片自動(dòng)鑒別方法，其步驟是：1）第一階段，將巖石薄片分為火成巖、沉積巖、變質(zhì)巖三大類。2）第二階段，從第一階段分類得到的沉積巖中鑒別出頁(yè)巖。以上兩階段采用的分類鑒別技術(shù)均為決策樹技術(shù)，提取的特征均為巖石薄片圖像RGB三顏色通道的統(tǒng)計(jì)特征和灰度通道的分形特征。本發(fā)明方法運(yùn)用兩階段的信息處理技術(shù)自動(dòng)鑒別頁(yè)巖顯微薄片，解決了因數(shù)據(jù)不平衡而導(dǎo)致的分類結(jié)果不理想的問(wèn)題。特征選取方面充分利用頁(yè)巖良好的分形特性，適用于頁(yè)巖的自動(dòng)鑒別；本發(fā)明計(jì)算簡(jiǎn)單高效，具有擴(kuò)展性，可隨著巖石薄片數(shù)據(jù)儲(chǔ)備的增加而提高鑒別方法的準(zhǔn)確性；在地質(zhì)勘探、礦物研究中具有應(yīng)用價(jià)值。
【專利說(shuō)明】—種頁(yè)巖顯微薄片自動(dòng)鑒別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種利用圖像進(jìn)行物品鑒別的方法，具體是一種頁(yè)巖顯微薄片的自動(dòng)鑒別方法，該方法針對(duì)巖石顯微薄片人工鑒別成本高昂?jiǎn)栴}，應(yīng)用信息處理技術(shù)實(shí)現(xiàn)頁(yè)巖薄片的自動(dòng)鑒別。

【背景技術(shù)】
[0002]巖石薄片鑒定根據(jù)巖石的光學(xué)性質(zhì)，確定巖石的類型，進(jìn)而確定其結(jié)構(gòu)、來(lái)源和成因。頁(yè)巖是一種沉積巖，主要是由黏土沉積經(jīng)壓力和溫度形成的巖石，其中混雜有石英、長(zhǎng)石的碎屑以及其他化學(xué)物質(zhì)，成分復(fù)雜，但所有的頁(yè)巖都具有薄頁(yè)狀或薄片層狀的節(jié)理且顏色較為單一；頁(yè)巖油和頁(yè)巖氣多發(fā)現(xiàn)于頁(yè)巖層，頁(yè)巖鑒別有助于能源的勘探?，F(xiàn)有巖石薄片鑒定多采用人工，不僅需要專業(yè)的鑒別專家，且代價(jià)高昂，效率較低；鑒別過(guò)程過(guò)度依賴個(gè)人經(jīng)驗(yàn)，不可重復(fù)。


【發(fā)明內(nèi)容】

[0003]本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種頁(yè)巖顯微薄片的自動(dòng)鑒別方法，該方法依靠計(jì)算機(jī)圖像識(shí)別技術(shù)對(duì)巖石薄片的位圖圖像進(jìn)行鑒別，從而判斷是否為頁(yè)巖，該方法完全替代了人工，提高了效率，且具有重復(fù)性。
[0004]為實(shí)現(xiàn)上述目的，本發(fā)明采用如下的步驟，其中第一階段包含步驟1-5，第二階段包含步驟6和7，兩階段采用相同的特征:
[0005]第一階段:區(qū)分巖石大類
[0006]I)讀取頁(yè)巖薄片的顯微圖像，轉(zhuǎn)換為位圖格式；令圖像包含M個(gè)行和N個(gè)列，共有MN個(gè)像素，每個(gè)像素包含紅(R)、綠(G)、藍(lán)(B)三個(gè)顏色值；于是分解為三個(gè)顏色通道，每一個(gè)顏色通道表示為一個(gè)MXN矩陣，矩陣元素為像素顏色值；分別根據(jù)三個(gè)顏色通道統(tǒng)計(jì)色階分布；
[0007]2)根據(jù)色階分布計(jì)算三個(gè)顏色通道的統(tǒng)計(jì)特征，包括均值、中位數(shù)、方差、偏度、以及峰值指標(biāo)；
[0008]3)將薄片的位圖圖像轉(zhuǎn)換為灰度圖像；參考二維一階離散小波分解處理灰度圖像，分解為4個(gè)頻域的系數(shù)矩陣(灰度通道):低頻分量系數(shù)矩陣A，水平方向系數(shù)矩陣H，豎直方向系數(shù)矩陣V和對(duì)角線方向系數(shù)矩陣D ;令原始灰度圖像的像素行數(shù)為M，列數(shù)為N，則轉(zhuǎn)換后的系數(shù)矩陣行數(shù)為1_Μ/2」,列數(shù)為1_Ν/2」，其中Li表示向下取整；
[0009]4)基于每一個(gè)系數(shù)矩陣，計(jì)算其分形維數(shù)指標(biāo)，與顏色通道的統(tǒng)計(jì)特征共同構(gòu)成特征值向量；
[0010]5)將薄片圖像轉(zhuǎn)換為特征值向量，儲(chǔ)備樣本集，采用決策樹分類方法，自動(dòng)將巖石薄片分為火成巖、沉積巖、變質(zhì)巖三大類；
[0011]第二階段:鑒別頁(yè)巖
[0012]6)提取第一階段分類得到的沉積巖大類的巖石薄片的特征，構(gòu)成特征值向量，提取的特征同第一階段；
[0013]7)將薄片圖像轉(zhuǎn)換為特征值向量，基于沉積巖樣本集，采用決策樹分類方法，從沉積巖大類中自動(dòng)鑒別出頁(yè)巖。
[0014]上述步驟I)中統(tǒng)計(jì)色階分布的計(jì)算過(guò)程是:像素顏色值分為256個(gè)色階，由數(shù)值0-255表示；針對(duì)每一個(gè)色階i統(tǒng)計(jì)顏色值為i的像素個(gè)數(shù)Xi,構(gòu)成色階分布向量X =〈X。，X1, , x255>，其中向量值滿足如下公式要求:

【權(quán)利要求】
1.一種頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于包含以下步驟: 第一階段:區(qū)分巖石大類 1)讀取待鑒別巖石薄片的顯微圖像，轉(zhuǎn)換為位圖格式；令圖像包含M個(gè)行和N個(gè)列，共有MN個(gè)像素，每個(gè)像素包含紅(R)、綠(G)、藍(lán)(B)三個(gè)顏色值；于是分解為三個(gè)顏色通道，每一個(gè)顏色通道表示為一個(gè)MXN矩陣，矩陣元素為像素顏色值；分別根據(jù)三個(gè)顏色通道統(tǒng)計(jì)色階分布； 2)根據(jù)色階分布計(jì)算顏色統(tǒng)計(jì)特征，包括均值、中位數(shù)、方差、偏度、以及峰值指標(biāo)； 3)將薄片的位圖圖像轉(zhuǎn)換為灰度圖像；參考二維一階離散小波分解處理灰度圖像，分解為4個(gè)頻域的系數(shù)矩陣即灰度通道:低頻分量系數(shù)矩陣A，水平方向系數(shù)矩陣H，豎直方向系數(shù)矩陣V和對(duì)角線方向系數(shù)矩陣D ;令原始灰度圖像的像素行數(shù)為M，列數(shù)為N，則轉(zhuǎn)換后的系數(shù)矩陣行數(shù)為L(zhǎng)M/2」，列數(shù)為L(zhǎng)N/2丄其中Li表示向下取整； 4)基于每一個(gè)系數(shù)矩陣，計(jì)算其分形維數(shù)指標(biāo)，與顏色統(tǒng)計(jì)特征共同構(gòu)成特征值向量; 5)將薄片圖像轉(zhuǎn)換為特征值向量，儲(chǔ)備樣本集，采用決策樹分類方法，自動(dòng)將巖石薄片分為火成巖、沉積巖、變質(zhì)巖三大類； 第二階段:鑒別頁(yè)巖 6)提取分類得到的沉積巖大類薄片圖像的特征，構(gòu)成特征值向量，特征類別同第一階段； 7)將薄片圖像轉(zhuǎn)換為特征值向量，儲(chǔ)備沉積巖樣本集，采用決策樹分類方法，從沉積巖大類中自動(dòng)鑒別出頁(yè)巖。
2.根據(jù)權(quán)利要求1所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟I)中統(tǒng)計(jì)色階分布的計(jì)算過(guò)程是:像素顏色值分為256個(gè)色階，由數(shù)值0-255表示；針對(duì)每一個(gè)色階i統(tǒng)計(jì)顏色值為i的像素個(gè)數(shù)Xi,構(gòu)成色階分布向量X =〈X。，X1, , x255>，其中向量值滿足如下公式要求:
其中M和N分別為圖像的行和列數(shù)，麗代表像素總數(shù)。
3.根據(jù)權(quán)利要求2所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟2)中各顏色統(tǒng)計(jì)特征指標(biāo)的計(jì)算方法是:根據(jù)色階分布向量X =〈X。，X1,, XM5>，分別計(jì)算均值U、中位數(shù)1、方差V、偏度S和峰值f,其中M和N為圖像的行列數(shù)，公式如下:

4.根據(jù)權(quán)利要求1、2或3所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟3)中參考二維一階離散小波分解處理灰度圖像的計(jì)算過(guò)程是:首先確定Haar小波變換的尺度函數(shù)Φ O和小波函數(shù)Ψ O，由下述公式所示，其中x為參數(shù)，表示任意實(shí)數(shù):
然后基于上述基本函數(shù)，四個(gè)系數(shù)矩陣的計(jì)算方法分別由下述公式所示，其中，M和N為圖像的像素行數(shù)和列數(shù)，c(x, y)為灰度矩陣C中第x+1行、y+Ι列像素的灰度值:
其中a(m，η)為低頻分量系數(shù)矩陣A中第m+1行，n+1列的元素值；h(m，η)為水平方向系數(shù)矩陣H中第m+1行，n+1列的元素值；v(m，η)為垂直方向系數(shù)矩陣V中第m+1行，n+1列的元素值；d(m，n)為對(duì)角線方向系數(shù)矩陣D中第m+1行，n+1列的元素值;m的值域是[O, LM/2」-l]，η的值域是[O, LN/2」-l]，L」表示向下取整。
5.根據(jù)權(quán)利要求1、2或3所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟4)中采用計(jì)盒維方法計(jì)算分形維數(shù)；首先確定向量L= (I1, I2，…，lz}，其中z表示向量L中值的個(gè)數(shù)；L中各個(gè)元素的計(jì)算方法如下，令M和N為圖像的像素行數(shù)和列數(shù)，i依次取[l，z]中的整數(shù):

然后將灰度通道按從左到右、從上到下依次拆解為大小是IiXli的像素盒，即子圖像，計(jì)算拆解得到的像素盒總數(shù)NLi,公式如下:
其中Li表示向下取整；令1.」表示第j (I ≤j ≤NLi)個(gè)像素盒中最大像素值和最小像素值之間的差值，于是計(jì)算分形值φ，公式如下:
按i依次計(jì)算，共獲得z個(gè)分形值φ，即z個(gè)樣本點(diǎn)；最后利用最小二乘法，將樣本點(diǎn)擬合成一條直線，求出直線的斜率，作為分形維數(shù)值。
6.根據(jù)權(quán)利要求4所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟4)中采用計(jì)盒維方法計(jì)算分形維數(shù)；首先確定向量L= (I1, I2，…，lz}，其中z表示向量L中值的個(gè)數(shù)；L中各個(gè)元素的計(jì)算方法如下，令M和N為圖像的像素行數(shù)和列數(shù)，i依次取[l，z]中的整數(shù):
然后將灰度通道按從左到右、從上到下依次拆解為大小是IiXli的像素盒，即子圖像，計(jì)算拆解得到的像素盒總數(shù)NLi,公式如下:
其中U表示向下取整；令1.」表示第j (I ≤ j ≤ NLi)個(gè)像素盒中最大像素值和最小像素值之間的差值，于是計(jì)算分形值φ，公式如下:
按i依次計(jì)算，共獲得z個(gè)分形值φ，即z個(gè)樣本點(diǎn)；最后利用最小二乘法，將樣本點(diǎn)擬合成一條直線，求出直線的斜率，作為分形維數(shù)值。
7.根據(jù)權(quán)利要求1、2或3所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟5)和步驟7)中采用決策樹分類方法自動(dòng)鑒別巖石薄片的過(guò)程是:首先基于儲(chǔ)備的巖石薄片圖像數(shù)據(jù)集，將薄片圖像集合轉(zhuǎn)換為特征值向量集合，標(biāo)識(shí)每一個(gè)薄片所屬的巖石類型；然后在數(shù)據(jù)集上訓(xùn)練決策樹；最后將目標(biāo)圖像的特征作為輸入，由決策樹判定目標(biāo)薄片所屬大類或是否屬于頁(yè)巖。
8.根據(jù)權(quán)利要求4所述的頁(yè)巖顯微薄片自動(dòng)鑒別方法，其特征在于， 上述步驟5)和步驟7)中采用決策樹分類方法自動(dòng)鑒別巖石薄片的過(guò)程是:首先基于儲(chǔ)備的巖石薄片圖像數(shù)據(jù)集，將薄片圖像集合轉(zhuǎn)換為特征值向量集合，標(biāo)識(shí)每一個(gè)薄片所屬的巖石類型；然后在數(shù)據(jù)集上訓(xùn)練決策樹；最后將目標(biāo)圖像的特征作為輸入，由決策樹判定目標(biāo)薄片所屬大類或是否屬于頁(yè)巖。
【文檔編號(hào)】G06K9/62GK104134069SQ201410384400
【公開(kāi)日】2014年11月5日 申請(qǐng)日期:2014年8月6日 優(yōu)先權(quán)日:2014年8月6日
【發(fā)明者】汪丹茹, 郝慧珍, 顧慶, 胡修棉, 陳道蓄 申請(qǐng)人:南京大學(xué)