CN103927547A - 一种用于对岩屑荧光图像进行快速分析方法 - Google Patents

Abstract

本发明涉及一种用于对岩屑荧光图像进行快速分析方法，其包括以下步骤：1）基于RGB三维颜色空间进行油性组分识别训练，获得聚类文件；2）根据步骤1）得到的聚类文件对待测的岩屑荧光图像进行油性组分分析，具体包括以下步骤：2.1）对输入的待测的岩屑荧光图像进行颜色特征提取，并生成特征向量数组；2.2）对特征向量数组中的每一个特征向量进行分析；2.3）直到完成向量数组中所有特征向量的分析工作，计算出岩屑荧光图像中所含油性组分以及各组分所占比重。本发明的基于非均匀颜色空间色差计算的岩屑荧光分层聚类方法在油性组分识别和岩屑荧光图像分析结果精确、速度快，能够满足海上平台地质人员智能化录井需要，因此可以广泛应用在地质勘探开发过程中。

Description

一种用于对岩屑荧光图像进行快速分析方法

技术领域

本发明涉及一种岩屑油性分析方法，特别是关于一种适用于海上平台实时录井的基于非均匀颜色空间色差计算以及颜色空间分层聚类的用于对岩屑荧光图像进行快速分方法。

背景技术

在勘探开发过程中，为了准确掌握不同地层的地质情况，需要对采集到的岩屑样本进行分析，从而得到地层的岩性和油性信息。但是岩屑所含油性尤其是轻质油和重质油，通常情况下用肉眼很难观察，因此荧光录井技术应运而生，该技术目前广泛应用于油气层鉴别领域，公认为是较好的岩屑分析方法。该方法主要基于不同含油岩屑比如油质、胶质和沥青质等在紫外光照射下会激发出特殊的光亮，这种光亮根据所含油性的不同往往呈现出不同的颜色、饱和度和亮度，帮助测定石油的组成成分，在岩屑油性定性解释和定量解释方面有着重要的作用；具体做法是将采集到的岩屑样本制作成岩屑薄片，然后放置在带有紫外光源的显微镜下进行观察，并结合光谱分析技术以及标准荧光定量参数表对激发荧光进行分析，从而获得岩屑所含油性类别和数量等信息，此方法对经验要求较高，且整个工作过程需要人为参与，因此存在分析效率和灵敏度低等缺点，无法满足高效和自动化录井需要。

为了解决上述问题，提升录井工作的智能化水平，机器视觉和模式识别技术被应用到这一领域，最基本方法是通过照相设备采集岩屑荧光图像，然后利用模式识别方法对这些图像进行分析。其中，聚类算法在该分析领域应用比较广泛，例如迭代自组织数据分析算法、模糊聚类算法和k最近邻分类法等，这些方法通过将荧光图像的色彩特征转换成多维向量空间，然后根据变量域之间的相似性将荧光归群成类，再经过不同样本的反复训练，得到聚类中心和聚类数。但是此方法存在如下问题：1）色彩特征的相似度通过计算颜色距离也就是色差来确定，但是由于RGB颜色空间并非是均匀的，从而导致聚类结果与感知并不相符，原因在于RGB各分量不但表示颜色，还表示明暗程度，从而导致相似颜色距离可能较大，而不相似颜色距离却很小。为了解决这一问题有人提出了改进型ISODATA加权聚类算法，该算法基于HSL颜色空间进行组分识别，而非RGB颜色空间，避免了RGB颜色空间的非均匀性，一定程度上改善了聚类效果，但是与视觉判断仍存在细小差距，同时受聚类算法自身特点影响，在分类属性多、样本空间大的情况下，ISODATA计算时间过长并易于陷入局部最优；2）在进行荧光组分训练时，大多数方法以采集到的荧光图像作为训练样本计算聚类数和聚类中心，在无法保证训练样本完整的情况下，组分训练效果往往不理想。

发明内容

针对上述问题，本发明的目的是提供一种色差计算更符合视觉感受、能够基于整个RGB三维颜色空间进行油性组分识别训练以及运算量更小的用于对岩屑荧光图像进行快速分方法。

为实现上述目的，本发明采取以下技术方案：一种用于对岩屑荧光图像进行快速分析方法，其包括以下步骤：1）基于RGB三维颜色空间进行油性组分识别训练，获得聚类文件，具体过程为：1.1）将RGB三维颜色空间转换成256个RGB二维平面；1.2）基于RGB二维平面进行相近颜色区域分割，即对每一个RGB二维平面进行聚类分析，并根据每一个RGB二维平面的聚类分析结果，在相应RGB二维平面上绘制区域边界；1.3）当所有RGB二维平面分割完成后，为每一个分割完成的RGB二维平面的所有的颜色区域标定油性组分；1.4）对每一个标定完成的RGB二维平面创建相应聚类文件，根据每一RGB二维平面的饱和度值为其命名，同时将每一RGB二维平面的聚类结果以及相应分析结果保存到相应聚类文件中；2）根据步骤1）得到的聚类文件对待测的岩屑荧光图像进行油性组分分析，具体包括以下步骤：2.1）对输入的待测的岩屑荧光图像进行颜色特征提取，并生成特征向量数组；2.2）对特征向量数组中的每一个特征向量进行分析；2.3）完成向量数组中所有特征向量的分析工作，计算出岩屑荧光图像中所含油性组分以及各组分所占比重。

所述步骤1.2）基于RGB二维平面进行相近颜色区域分割，即对每一个RGB二维平面进行聚类分析，并根据每一个RGB二维平面的聚类分析结果，在相应RGB二维平面上绘制区域边界，具体过程为：1.2.1）读取某个RGB二维平面，并提取该RGB二维平面中每个像素的特征向量，其中，像素集S={X₁,X₂,…,X_m}，即此RGB二维平面中所有像素的集合；1.2.2）采用区域生长方法对上述RGB二维平面进行聚类分析，具体过程为：A）定义聚类半径R；B）对像素集S中的所有颜色逐一进行聚类处理：对某一个二维平面进行聚类分析时，首先选择像素集S中第一个像素X₁作为第一个待分割区域的种子点，由于此时聚类中心集为空，所以将该种子点记作聚类中心O₁，并将X₁添加到O₁对应的聚类集C₁中；然后按顺序从像素集中取出未分类像素，记作X_a，并采用非均匀颜色空间色差计算方法计算该像素到聚类中心集中所有聚类中心的距离：

D={D₁,D₂,…,D_n}

$D_i=\sqrt{(k_r*{(r_1-r_2)}^2+k_g*{(g_1-g_2)}^2+k_b*{(b_1-b_2)}^2)/4*{255}^2+\mathrm{\θ}},$

式中，r₁,g₁,b₁表示颜色样本X_a颜色特征，r₂,g₂,b₂表示聚类中心O_i颜色特征，(k_r,k_g,k_b)表示像素与聚类中心空间距离的加权系数，θ表示修正后的像素与聚类中心的角度距离；C）取D中的最小值D_i，并比较D_i与聚类半径R的大小，如果D_i≤R，则返回步骤B）；否则进入步骤F）；D）将像素X_a添加到聚类中心O_i对应的聚类集C_i中；E）更新聚类中心O_i，使其始终处于聚类集C_i的中心位置，更新完成后跳转到步骤B）：

$O_i=\frac{K_i*O_i+X_a}{K_i+1},$

式中，K_i表示聚类中心O_i对应的聚类集C_i中像素的个数；F）生成新的聚类，并将X_a作为新的聚类中心O_new添加到聚类中心集O中，同时创建该聚类中心所对应的聚类集C_new，并将X_a添加进去；1.2.3）检查是否已对像素集中所有的像素进行了聚类处理，如果处理未完成返回步骤B)继续进行处理，否则进入步骤1.2.4)；1.2.4）根据不同聚类中心所对应的聚类集，寻找区域边界，并将边界绘制在RGB二维平面上。

所述步骤2.2）对特征向量数组中的每一个特征向量进行分析，具体过程为：2.2.1）根据RGB-HSL转换公式，计算出待分析特征向量的饱和度值，然后根据饱和度值找到与步骤1.4）中编号一致的聚类文件；2.2.2）根据非均匀颜色空间色差计算方法分别比较特征向量与聚类文件中记录的聚类中心的距离，并得出最小距离值所对应的某个RGB二维平面中的某个颜色区域的聚类中心；2.2.3）根据步骤2.2.2）中得到的聚类中心分析出该特征向量所属的聚类以及所含油性组分。

本发明由于采取以上技术方案，其具有以下优点：1、本发明首先基于RGB三维颜色空间进行油性组分识别训练获得聚类文件，在进行油性组分识别训练时采用基于RGB颜色空间的分层聚类方法，该方法通过将RGB三维空间转化成若干个RGB二维平面，从而将复杂的空间聚类问题转变成可代表各组分特征的多个RGB二维平面区域划分问题，因此训练的工作量减少、准确性提高，同时由于以整个颜色空间作为训练样本，在识别过程中不会有漏掉组分的情况发生。2、本发明采用了适用于RGB非均匀颜色空间的颜色距离计算方法，从而实现了基于RGB颜色空间的组分识别，本发明通过分析视觉系统中红绿蓝三分量敏感度的差异性，进而在计算时考虑了空间距离和角度距离的关系，并通过动态权值调整，提高了基于RGB颜色空间色差度量的准确性，从而降低了现有荧光图像分析过程中使用一般色差计算方法所导致的视觉误差。3、本发明在对RGB三维颜色空间进行聚类时，需要一次性对16777216个样本进行分类，运算量太大，所以往往无法在短时间内计算出精细的结果；为了降低计算复杂度，采用降维处理，聚类分析的次数变为256次，每次只需处理65536个样本，单次计算的难度大大降低，并且分类结果更为准确。4、本发明在进行聚类处理时由于采用了非均匀颜色空间的色差计算方法，因此在进行组分识别时，可以将RGB二维平面看作是颜色均匀的彩色图像，这样在进行颜色分类时，便可以采用基于可调色差半径的均匀图像聚类方法，该方法仅需遍历一次荧光图像，计算复杂度与参与计算样本数呈线性关系，计算速度可控，且计算结果可通过色差半径进行调解，半径越小，分类数越多，组分识别越细致；反之，半径越大，分类数越少，组分识别越粗糙，因此本发明的基于非均匀颜色空间色差计算的岩屑荧光分层聚类方法在油性组分识别和岩屑荧光图像分析结果精确、速度快，能够满足海上平台地质人员智能化录井需要，因此可以广泛应用在地质勘探开发过程中。

附图说明

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

图1是本发明岩屑荧光图像油性组分分析方法流程示意图；

图2是本发明基于RGB颜色空间分层聚类的油性组分训练方法流程示意图；

图3是本发明基于非均匀颜色空间色差计算的RGB平面分割流程示意图；

图4是本发明RGB二维平面分割区域连续性示意图；

图5是本发明RGB二维平面区域边界搜索示意图；

图6是本发明RGB二维平面区域油性组分识别示意图；

图7是本发明岩屑荧光图像分析方法示意图，其中(A)、(B)、(C)和(D)分别表示颜色空间饱和度值为a、b、c、d时所对应的二维平面的训练结果示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明的用于对岩屑荧光图像进行快速分析方法，包括以下步骤：

1、如图2所示，基于RGB三维颜色空间进行油性组分识别训练，RGB三维颜色空间是通过将红、绿、蓝三种原色混合生成不同的颜色，从而得到的色彩空间。红、绿、蓝的取值范围通常为0～255之间的整数，将红色分量定义成X轴，绿色分量定义成Y轴，蓝色分量定义成Z轴，这样就得到一个三维空间，每种可能的颜色在这个三维空间中都有唯一的一个位置。为了避免在识别训练过程中漏掉可能的颜色，本识别训练过程针对所有颜色进行，也就是针对整个RGB颜色空间进行，识别训练的最终目的是计算出标定油性组分结果的聚类文件，具体包括以下步骤：

1）将RGB三维颜色空间转换成256个RGB二维平面。

本发明通过现有的饱和度计算公式计算出RGB三维颜色空间中每一个颜色的饱和度值，饱和度值的取值范围为0～255之间的整数，然后根据不同颜色的饱和度值将RGB三维颜色空间分成256个RGB二维平面，并对每一个RGB二维平面进行编号，此编号就是每一个RGB二维平面所对应的饱和度值。

2）如图3所示，基于RGB二维平面进行相近颜色区域分割，即对每一个RGB二维平面进行聚类分析，并根据每一个RGB二维平面的聚类分析结果，在相应RGB二维平面上绘制区域边界，具体过程为：

2.1）读取某个RGB二维平面，并提取该RGB二维平面中每个像素的特征向量。

将读取的RGB二维平面中所有像素的位置信息和颜色信息转换成由特征向量构成的数组，每个特征向量由像素的五个特征值构成，分别是像素在平面的X坐标、Y坐标以及红、绿、蓝三基色值。其中，三基色值用于计算每一个RGB二维平面内不同像素的相似度，从而将这些像素分成若干个颜色相近的聚类集，每个聚类集对应RGB二维平面内的一个相邻的颜色区域，而坐标可以反映出聚类集中像素在平面中所处的位置，在RGB二维平面聚类分析完成后用于计算不同聚类集中的边界像素，从而在RGB二维平面上绘制出区域边界，像素集S={X₁,X₂,…,X_m}，即某一个RGB二维平面中所有像素的集合。

2.2）采用区域生长方法对上述RGB二维平面进行聚类分析。

该方法通过围绕RGB二维平面内若干个种子点，不断进行区域膨胀，直到搜索到区域边界为止。种子点是由红、绿、蓝三个值构成，因其始终处于二维平面中某一个颜色区域的中心位置，因此种子点又被看作是该区域的聚类中心。

2.2.1)定义聚类半径R。

当采用区域生长方法进行区域边界搜索时，需要计算种子点与该区域相邻像素的色差，当色差满足区域合并条件时，即色差小于等于R时，该像素会被纳入到该颜色区域内，否则该像素会被认为是不属于该区域内的像素。

本发明实施例中R取值为0.1，但是不限于此，可以根据需要对不同的RGB二维平面设定不同的R值，通过调整该数值可以改变RGB二维平面分割区域的大小。R值越大，平面内每一个分割的区域范围越大，平面内区域的数量越少；反之区域范围越小，区域数量越多。经实验表明当聚类半径为0.1时，RGB平面分割效果较好，此时不同油性组分的荧光颜色不会同时出现在平面内同一颜色区域内，且同一含油组分的荧光颜色与其它颜色能够分在不同的颜色区域内。

2.2.2）对像素集S中的所有颜色逐一进行聚类处理。

本发明所采用的RGB二维平面聚类方法不需要设置初始聚类中心和聚类数，它们将在计算过程中自动生成。初始聚类数L=0；聚类中心集记作O={O₁,O₂,O₃,…,O_n}，开始时O为空；聚类中心对应的聚类集用C表示，例如C_n包括所有到聚类中心O_n的色差距离小于等于R的像素。

对某一个二维平面进行聚类分析时，首先选择像素集S中第一个像素X₁作为第一个待分割区域的种子点，由于此时聚类中心集为空，所以将该种子点记作聚类中心O₁，并将X₁添加到O₁对应的聚类集C₁中。然后按顺序从像素集中取出未分类像素，记作X_a，并采用非均匀颜色空间色差计算方法计算该像素到聚类中心集中所有聚类中心的距离。

D={D₁,D₂,…,D_n}

$D_i=\sqrt{(k_r*{(r_1-r_2)}^2+k_g*{(g_1-g_2)}^2+k_b*{(b_1-b_2)}^2)/4*{255}^2+\mathrm{\θ}},$

式中，r₁,g₁,b₁表示颜色样本X_a颜色特征，r₂,g₂,b₂表示聚类中心O_i颜色特征，(k_r,k_g,k_b)表示像素与聚类中心空间距离的加权系数，θ表示修正后的像素与聚类中心的角度距离。

为了提高RGB颜色空间色差度量的准确性，在计算公式中综合考虑了人眼对红、绿、蓝三分量变化的敏感度以及三分量变化对RGB空间距离的贡献度，从而通过综合空间距离和角度距离的计算优点很好地补偿了RGB颜色空间色差计算的非均匀性。

2.2.3）取D中的最小值D_i，并比较D_i与聚类半径R的大小，如果D_i≤R，则返回步骤2.2.2）；否则进入步骤2.2.6）。

2.2.4）将像素X_a添加到聚类中心O_i对应的聚类集C_i中。

在RGB平面中，相邻像素的特征向量是渐变的。如图4所示，X_中假定是聚类中心，其参与色差计算的特征向量可以表示为(r,g,b),那么X_上1的特征向量为(r,g-1,b)，X_上2的特征向量为(r,g-2,b)，这样D(X_上1,X_中)一定小于D(X_上2,X_中)，以此类推可知X_上1,X_下1,X_左1,X_右1相对X_上2,X_下2,X_左2,X_右2离聚类中心一定更近一些，从而可判断某一聚类中心对应的聚类集一定存在于RGB平面中一片相邻的区域内。

2.2.5）更新聚类中心O_i，使其始终处于聚类集C_i的中心位置，这样就能保证将RGB二维平面基于聚类半径R分成若干个色差范围相等的区域，更新完成后跳转到步骤2.2.2）。

$O_i=\frac{K_i*O_i+X_a}{K_i+1},$

式中，K_i表示聚类中心O_i对应的聚类集C_i中像素的个数。

2.2.6）生成新的聚类，并将X_a作为新的聚类中心O_new添加到聚类中心集O中，同时创建该聚类中心所对应的聚类集C_new，并将X_a添加进去。

2.3）检查是否已对像素集中所有的像素进行了聚类处理，即向量数组中的所有向量，如果处理未完成返回步骤2.2.2)继续进行处理，否则进入步骤2.4)。

2.4）根据不同聚类中心所对应的聚类集，寻找区域边界，并将边界绘制在RGB二维平面上。

如图5所示，黑色区域表示某一聚类中心所对应的聚类集，遍历聚类集并根据像素的位置特征，判断其是否为边界像素，具体判断方法：提取某个像素的位置特征，并在聚类集中搜索与其相邻的四个像素，如果找到这四个像素，那么说明该像素为非边界像素；否作，该像素为边界像素。以图5所示中处于(g,8)位置的像素为例，只能在同一聚类集中找到与其相邻的三个像素，所以可判定该像素为边界像素。

3）当某一个RGB二维平面分割完成后，由地质人员根据经验为该平面中所有的颜色区域标定油性组分，直到分割完成的所有RGB二维平面标定完成后结束标定，如图6所示，油性组分可以包括轻质油、重质油、中质油、水和其它等。

4）对每一个标定完成的RGB二维平面创建相应聚类文件，根据每一RGB二维平面的饱和度值为其命名，同时将每一RGB二维平面的聚类结果以及相应分析结果保存到相应的聚类文件中，即保存每一个RGB二维平面的所有聚类中心{O₁,O₂,O₃,…,O_n}以及每一个聚类中心对应油性组分。

2、根据步骤1的训练结果对待测的岩屑荧光图像进行油性组分分析，具体包括以下步骤：

（1）对输入的待测的岩屑荧光图像进行颜色特征提取，并生成特征向量数组；

（2）对特征向量数组中的每一个特征向量进行分析，具体过程为：

①根据RGB-HSL转换公式，计算出待分析特征向量的饱和度值，然后根据饱和度值找到与步骤4）中编号一致的聚类文件；

②根据步骤2)中描述的非均匀颜色空间色差计算方法分别比较特征向量与聚类文件中记录的聚类中心的距离，并得出最小距离值所对应的某个RGB二维平面中的某个颜色区域的聚类中心；

③根据步骤②中得到的聚类中心分析出该特征向量所属的聚类以及所含油性组分。

如图7所示，假设存在四个聚类文件，分别用饱和度值a、b、c、d来表示，每一个子图都可以看成是一个RGB二维平面，根据步骤1所描述的方法划分成若干个颜色相近的区域，每个区域中的黑点表示该区域的聚类中心，每一个聚类中心都对应一种油性组分。根据荧光颜色特征值可以计算出饱和度值为a；然后再计算该颜色特征值与聚类中心C1,C2,...,C12的距离D1,D2,...,D12，当D6最小时，可以判定该荧光代表轻质油。

（3）重复步骤上述步骤直到完成向量数组中所有特征向量的分析工作，计算出岩屑荧光图像中所含油性组分以及各组分所占比重，这样便可以该岩屑所在地层是否含油，含哪种类型的油，以及所含油的比例。

上述实施例仅用于说明本发明，其中色彩空间类型、非均匀颜色空间色差计算方式、二维平面区域边界搜索方式等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种用于对岩屑荧光图像进行快速分析方法，其包括以下步骤：

1）基于RGB三维颜色空间进行油性组分识别训练，获得聚类文件，具体过程为：

1.1）将RGB三维颜色空间转换成256个RGB二维平面；

1.2）基于RGB二维平面进行相近颜色区域分割，即对每一个RGB二维平面进行聚类分析，并根据每一个RGB二维平面的聚类分析结果，在相应RGB二维平面上绘制区域边界；

1.3）当所有RGB二维平面分割完成后，为每一个分割完成的RGB二维平面的所有的颜色区域标定油性组分；

1.4）对每一个标定完成的RGB二维平面创建相应聚类文件，根据每一RGB二维平面的饱和度值为其命名，同时将每一RGB二维平面的聚类结果以及相应分析结果保存到相应聚类文件中；

2）根据步骤1）得到的聚类文件对待测的岩屑荧光图像进行油性组分分析，具体包括以下步骤：

2.1）对输入的待测的岩屑荧光图像进行颜色特征提取，并生成特征向量数组；

2.2）对特征向量数组中的每一个特征向量进行分析；

2.3）完成向量数组中所有特征向量的分析工作，计算出岩屑荧光图像中所含油性组分以及各组分所占比重。

2.如权利要求1所述的一种用于对岩屑荧光图像进行快速分析方法，其特征在于：所述步骤1.2）基于RGB二维平面进行相近颜色区域分割，即对每一个RGB二维平面进行聚类分析，并根据每一个RGB二维平面的聚类分析结果，在相应RGB二维平面上绘制区域边界，具体过程为：

1.2.1）读取某个RGB二维平面，并提取该RGB二维平面中每个像素的特征向量，其中，像素集S={X₁,X₂,…,X_m}，即此RGB二维平面中所有像素的集合；

1.2.2）采用区域生长方法对上述RGB二维平面进行聚类分析，具体过程为：

A）定义聚类半径R；

B）对像素集S中的所有颜色逐一进行聚类处理：

对某一个二维平面进行聚类分析时，首先选择像素集S中第一个像素X₁作为第一个待分割区域的种子点，由于此时聚类中心集为空，所以将该种子点记作聚类中心O₁，并将X₁添加到O₁对应的聚类集C₁中；然后按顺序从像素集中取出未分类像素，记作X_a，并采用非均匀颜色空间色差计算方法计算该像素到聚类中心集中所有聚类中心的距离：

D={D₁,D₂,…,D_n}

$D_i=\sqrt{(k_r*{(r_1-r_2)}^2+k_g*{(g_1-g_2)}^2+k_b*{(b_1-b_2)}^2)/4*{255}^2+\mathrm{\θ}},$

式中，r₁,g₁,b₁表示颜色样本X_a颜色特征，r₂,g₂,b₂表示聚类中心O_i颜色特征，(k_r,k_g,k_b)表示像素与聚类中心空间距离的加权系数，θ表示修正后的像素与聚类中心的角度距离；

C）取D中的最小值D_i，并比较D_i与聚类半径R的大小，如果D_i≤R，则返回步骤B）；否则进入步骤F）；

D）将像素X_a添加到聚类中心O_i对应的聚类集C_i中；

E）更新聚类中心O_i，使其始终处于聚类集C_i的中心位置，更新完成后跳转到步骤B）：

$O_i=\frac{K_i*O_i+X_a}{K_i+1},$

式中，K_i表示聚类中心O_i对应的聚类集C_i中像素的个数；

F）生成新的聚类，并将X_a作为新的聚类中心O_new添加到聚类中心集O中，同时创建该聚类中心所对应的聚类集C_new，并将X_a添加进去；

1.2.3）检查是否已对像素集中所有的像素进行了聚类处理，如果处理未完成返回步骤B)继续进行处理，否则进入步骤1.2.4)；

1.2.4）根据不同聚类中心所对应的聚类集，寻找区域边界，并将边界绘制在RGB二维平面上。

3.如权利要求1或2所述的一种用于对岩屑荧光图像进行快速分析方法，其特征在于：所述步骤2.2）对特征向量数组中的每一个特征向量进行分析，具体过程为：

2.2.1）根据RGB-HSL转换公式，计算出待分析特征向量的饱和度值，然后根据饱和度值找到与步骤1.4）中编号一致的聚类文件；

2.2.2）根据非均匀颜色空间色差计算方法分别比较特征向量与聚类文件中记录的聚类中心的距离，并得出最小距离值所对应的某个RGB二维平面中的某个颜色区域的聚类中心；

2.2.3）根据步骤2.2.2）中得到的聚类中心分析出该特征向量所属的聚类以及所含油性组分。