CN105651778A - 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 - Google Patents
基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 Download PDFInfo
- Publication number
- CN105651778A CN105651778A CN201610036037.9A CN201610036037A CN105651778A CN 105651778 A CN105651778 A CN 105651778A CN 201610036037 A CN201610036037 A CN 201610036037A CN 105651778 A CN105651778 A CN 105651778A
- Authority
- CN
- China
- Prior art keywords
- data
- roughness
- mineral
- rock
- confocal microscope
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
Abstract
基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法是矿物学、岩石学和矿床学等地质科学中岩矿石的显微镜观测数据的处理与分析技术,它实现了岩矿石表面粗糙度参数的定量计算。首先是在共焦显微镜观测的岩矿石表面结构数据的基础上,利用自适应中值滤波和曲面方程拟合对数据进行预处理,再利用希尔伯特-黄变换对数据进行多尺度分解,并分离出粗糙度数据分量,然后计算岩矿石的表面粗糙度参数,用于矿物鉴定、成矿的物理化学条件和矿物成因分析,为地质找矿勘探提供指导。
Description
技术领域
本发明涉及矿物学、岩石学和矿床学等地质科学中岩矿石的显微镜鉴定和分析领域,是一种在岩矿石共焦显微镜观测数据的基础上,利用现代信号处理和数值计算方法,获得岩矿石表面粗糙度参数,用于矿物鉴定、分析成矿的物理化学条件和矿物成因,为地质找矿勘探提供指导的技术。
背景技术
在岩矿石的矿物物相分析中,矿物表面粗糙度及其在空间上存在的方向性、周期性等特征是推断矿物类型及其形成的地质地球化学过程的重要线索。表面粗糙度是描述物体表面纹理结构和微观形貌,反映表面光滑程度的重要参数,常在机械加工领域用于反映机械零件表面的微观几何形态误差、分析工件的加工工艺质量和精度。表面特征参数可根据波长或尺度分为3个层次的特征分量,从小到大分别为粗糙度、波纹度和形状误差。在表面粗糙度的测量方面,通常有比较法、触针法、光切法、干涉法等(Detrio和Miner,1985;美国测试与材料学会,1990;Leonard,1990;Bennett和Mattsson,1999;Kadkhoda等,2000;刘斌等,2004)。在表面粗糙度观测数据的数值分析方面,利用傅里叶分析(Stone和Dugundji,1965;Cuthbert和Huynh,1992;Cuthbert和Huynh,1992;Zhou和Zhang,2002;El-Nicklawy等,2007)和小波分析法(Josso等,2002;胡健闻等,2004;Yuan等,2005;李海燕等,2009;MohamadHani等,2011)计算表面粗糙度特征参数。
共焦显微镜是上世纪八十年代发展起来的一种新的测试仪器,是一种利用逐点照明和空间针孔调制来去除样品非焦点平面的散射光的光学成像手段,相比于传统成像方法可以提高光学分辨率和视觉对比度,可实现对物体表面的三维结构扫描(Lange等,1993;Yuan等,2005)。因此,在岩矿石的矿物物相分析中,共焦显微镜为研究岩矿石表面结构提供了一种先进的手段。
共焦显微镜观测岩矿石获得的表面结构数据,还不能直观和定量地反映岩矿石的表面粗糙度等特征参数,需要通过对数据进行处理,压制和去除数据中的噪声干扰、分离出波纹度和形状误差等,并定量计算表面粗糙度,从而用于鉴定矿物、分析成矿的物理化学条件和矿物成因,指导地质找矿勘探工作。因此,基于共焦显微镜观测数据的矿物表面粗糙度数值计算是岩矿石的矿物物相分析重要的基础工作。
发明内容
本发明是要提供一种在岩矿石共焦显微镜观测数据的基础上,利用现代信号处理和数值计算方法,获得岩矿石表面粗糙度参数,以用于矿物鉴定、成矿的物理化学条件和矿物成因分析,为地质找矿勘探提供指导的技术。
本发明的基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,首先对共焦显微镜观测数据采用自适应中值滤波进行预处理,去除数据中各类噪声的干扰,提高了观测数据的信噪比,使最终计算结果能准确可靠地反映岩矿石表面粗糙度信息。
本发明的基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,采用希尔伯特-黄变换对共焦显微镜观测数据进行多尺度信号分解,使观测的岩矿石表面结构数据按照尺度由小到大分离为粗糙度、波纹度和形状误差3个数据分量。
本发明的基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,利用粗糙度数据在时频域的本质特征和变化规律,构建了表面粗糙度的数值计算公式,从而可以准确可靠地定量获得岩矿石表面粗糙度特征参数,用于岩矿石的矿物物相分析。
本发明的基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,具有如下优越性:
⑴利用希尔伯特-黄变换实现观测数据的多尺度信号分解,建立了将共焦显微镜观测数据分离为不同尺度的表面特征参数(包括粗糙度、波纹度和形状误差)的方法,分解精度高,尺度区分准确可靠。
⑵利用粗糙度数据在时频域中振幅、频率等参数与表面粗糙度变化的对应关系,构建了表面粗糙度的数值计算公式,定量获得岩矿石表面粗糙度特征参数,该参数与岩矿石表面的实际粗糙程度具有可靠的对应关系。
本发明的具体实现原理如下:
首先对岩矿石的共焦显微镜观测的表面结构数据进行预处理,通过自适应中值滤波方法去除观测数据中的噪声和干扰,该方法根据数据中噪声干扰的程度选择滤波窗口的尺寸进行中值滤波,噪声干扰强,则选择的滤波窗口也大;噪声干扰弱,则滤波窗口小。
利用最小二乘原理,对表面结构数据D(x,y)进行曲面方程拟合,曲面方程为以下形式:
其中,a为曲面方程系数,M为曲面方程的最大阶数,C(x,y)表示拟合得到的高阶曲面方程,作为表面结构数据的基准中线,得到的预处理后的数据Dp(x,y)为:
Dp(x,y)=D(x,y)-C(x,y)
希尔伯特-黄变换是通过经验模态分解(EMD)方法,将数据序列迭代分解为若干个不同中心频率的窄带信号分量,即固有模态函数(IMF),分解过程中得到的固有模态函数的中心频率从高至低顺序排列,使数据Dp(x,y)可表示为这些尺度从小到大的信号分量(IMF)的线性组合:
其中,N经验模态分解的次数,R(x,y)为经验模态分解后的残差信号分量。
从上述不同尺度的信号分量系列中,分离出小尺度的粗糙度数据DR(x,y)为:
其中,R为小尺度固有模态函数的个数。
利用希尔伯特变换,将粗糙度数据DR(x,y)变换为虚部形式两者可构成复数形式的粗糙度数据
则粗糙度数据的空间振幅为:
粗糙度数据的在x,y方向的空间波数分别为
将粗糙度数据的空间振幅与空间波数相结合,定义表面粗糙度为
R(x,y)=bA(x,y)F(x,y)
其中,b为共焦显微镜表面粗糙度基准校正因子,可通过标准样的实验测试过程确定。由此,通过数值计算,可以定量获得岩矿石表面粗糙度的特征参数,用于岩矿石的矿物物相分析与解释。
附图说明
图1是从某地区采集的方解石矿物,利用共焦显微镜观测的矿物表面结构数据成图的结果。
图2是与图1对应的,利用本发明的方法计算得到的矿物表面粗糙度参数成图的结果。
具体实施方式
本发明的具体实施方式如下:⑴输入共焦显微镜观测的岩矿石的表面结构数据及基准样品的观测标准值;⑵对表面结构数据进行预处理,分别利用自适应中值滤波压制和去除表面结构数据中的噪声干扰,利用最小二乘曲面方程拟合表面结构数据的基准中线,得到预处理后的表面结构数据;⑶利用希尔伯特-黄变换对预处理后的表面结构数据进行多尺度分解,得到小尺度的粗糙度特征分量数据;⑷利用粗糙度特征分量数据计算岩矿石表面粗糙度参数;⑸利用数据成图软件,将岩矿石表面粗糙度数据转化成剖面图像或进行可视化显示,用于岩矿石的矿物物相分析与解释。
本发明的实施实例说明:
图1是在某地区采集到的方解石岩样,利用共焦显微镜观测该矿物,得到的表面结构数据。图2是利用本发明的方法对图1的表面结构数据进行数值计算和处理后,得到的表面粗糙度,为了便于对比其变化特征和规律,对表面粗糙度数据进行了归一化,从图中可见,该方解石矿物表面的高粗糙度区域表现为斜向、条带状分布特征,低粗糙度的相对光滑区域与高粗糙度区域呈现交替分布的阶梯状特征,且整体表现了准确的周期性变化,这些特征通过图1的表面结构数据是难以辨别和确定的,体现了本发明的方法的优越性。图2可为该方解石岩样的矿物物相分析,成矿的物理化学条件和矿物成因分析提供重要支持。
Claims (6)
1.一种基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,其特征在于采用以下具体步骤:⑴输入共焦显微镜观测的岩矿石的表面结构数据及基准样品的观测标准值;⑵对表面结构数据进行预处理,分别利用自适应中值滤波压制和去除表面结构数据中的噪声干扰,利用最小二乘曲面方程拟合表面结构数据的基准中线,得到预处理后的表面结构数据;⑶利用希尔伯特-黄变换对预处理后的表面结构数据进行多尺度分解,得到小尺度的粗糙度特征分量数据;⑷利用粗糙度特征分量数据计算岩矿石表面粗糙度参数;⑸利用数据成图软件,将岩矿石表面粗糙度数据转化成剖面图像或进行可视化显示,用于岩矿石的矿物物相分析与解释。
2.根据权利要求1所述的一种基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,其特征在于:在数据预处理中,能根据表面结构数据的局部噪声污染程度实现压制和去除噪声的处理,使该预处理能在尽量减少噪声干扰的同时,尽量保留表面结构数据中的有效信息,改善了表面结构数据的信噪比和质量。
3.根据权利要求1所述的一种基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,其特征在于:预处理后的表面结构数据去除了拟合的基准中线值的影响,有利于该数据进行多尺度分解和粗糙度数据的分离。
4.根据权利要求1和权利要求3所述的一种基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,其特征在于:利用了经验模分解算法将表面结构数据分解为尺度由小至大的若干分量,使各分量频带窄、中心频率集中,多尺度特征区分准确。
5.根据权利要求1、权利要求3和权利要求4所述的一种基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,其特征在于:对不同尺度的表面特征参数,包括粗糙度、波纹度和形状误差进行分离后,建立了小尺度的粗糙度特征分量数据,用于提取表面粗糙度参数。
6.根据权利要求1所述的一种基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法,其特征在于:建立的表面粗糙度特征参数的数值计算公式,它考虑了表面结构数据在时频域中的局部空间振幅和空间波数与表面粗糙度之间的对应关系,利用了局部空间振幅与空间波数的共同作用和贡献,使表面粗糙度特征参数能直接和定量地反映岩矿石表面的粗糙程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610036037.9A CN105651778B (zh) | 2016-01-20 | 2016-01-20 | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610036037.9A CN105651778B (zh) | 2016-01-20 | 2016-01-20 | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105651778A true CN105651778A (zh) | 2016-06-08 |
CN105651778B CN105651778B (zh) | 2018-11-20 |
Family
ID=56487707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610036037.9A Active CN105651778B (zh) | 2016-01-20 | 2016-01-20 | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105651778B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0782099A2 (en) * | 1995-12-29 | 1997-07-02 | General Electric Company | Ultrasound image texture control using adaptive speckle control algorithm |
WO1999026199A1 (en) * | 1997-11-13 | 1999-05-27 | Schepens Eye Research Institute, Inc. | Wide-band image enhancement |
CN1540283A (zh) * | 2003-10-30 | 2004-10-27 | 文晓希 | 工件表面粗糙度测量方法及装置 |
CN101477022A (zh) * | 2009-01-19 | 2009-07-08 | 四川大学 | 基于多尺度系统理论量化表征薄膜表面形貌的方法 |
CN101685435A (zh) * | 2008-09-26 | 2010-03-31 | 财团法人工业技术研究院 | 用于图像纹理分析的多维度经验模态分析方法 |
CN103020916A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 一种二维希尔伯特变换和bemd结合的图像去噪方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN103776398A (zh) * | 2014-01-10 | 2014-05-07 | 西安近代化学研究所 | 一种奥克托今颗粒表面粗糙度检测方法 |
-
2016
- 2016-01-20 CN CN201610036037.9A patent/CN105651778B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0782099A2 (en) * | 1995-12-29 | 1997-07-02 | General Electric Company | Ultrasound image texture control using adaptive speckle control algorithm |
WO1999026199A1 (en) * | 1997-11-13 | 1999-05-27 | Schepens Eye Research Institute, Inc. | Wide-band image enhancement |
CN1540283A (zh) * | 2003-10-30 | 2004-10-27 | 文晓希 | 工件表面粗糙度测量方法及装置 |
CN101685435A (zh) * | 2008-09-26 | 2010-03-31 | 财团法人工业技术研究院 | 用于图像纹理分析的多维度经验模态分析方法 |
CN101477022A (zh) * | 2009-01-19 | 2009-07-08 | 四川大学 | 基于多尺度系统理论量化表征薄膜表面形貌的方法 |
CN103020916A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 一种二维希尔伯特变换和bemd结合的图像去噪方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN103776398A (zh) * | 2014-01-10 | 2014-05-07 | 西安近代化学研究所 | 一种奥克托今颗粒表面粗糙度检测方法 |
Non-Patent Citations (2)
Title |
---|
李成贵: "基于HHT变换的超光滑加工表面谱特征分析", 《北京航空航天大学学报》 * |
炊明伟: "改进中值滤波和最小二乘法在三维表面评定中的应用", 《表面技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
CN111753467B (zh) * | 2020-06-23 | 2023-08-22 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105651778B (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817527B (zh) | 基于块稀疏压缩感知的沙漠地震勘探随机噪声压制方法 | |
US9916651B2 (en) | Method for characterizing a part made of a woven composite material | |
Gabarda et al. | Detection of events in seismic time series by time–frequency methods | |
CN102879822A (zh) | 一种基于Contourlet变换的地震多属性融合方法 | |
WO2004044615A2 (en) | Method and apparatus for seismic feature extraction | |
CN104007469A (zh) | 一种基于曲波变换的弱地震信号重构方法 | |
CN110823356B (zh) | 基于梅尔频谱的分布式光纤入侵检测方法 | |
Chen et al. | Denoising of distributed acoustic sensing seismic data using an integrated framework | |
CN105823492A (zh) | 一种洋流干扰中微弱目标信号提取方法 | |
Hu et al. | A pitfall of muting and removing bad traces in surface-wave analysis | |
Li et al. | Distributed acoustic sensing vertical seismic profile data denoising based on multistage denoising network | |
Perrin et al. | Multisensor fusion in the frame of evidence theory for landmines detection | |
CN104656130A (zh) | 一种基于克里金方法的平面地震勘探信号分解方法 | |
CN105651778A (zh) | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 | |
Li et al. | A method for magnetotelluric data processing based on sparsity adaptive stage-wise orthogonal matching pursuit | |
CN111708085A (zh) | 一种基于波形分离的孔洞探测增强方法和装置 | |
CN111880222A (zh) | 一种基于Shearlet变换的地震映像小断层识别增强方法 | |
Lin et al. | Research on microseismic denoising method based on CBDNet | |
CAO et al. | A method of detecting seismic singularities using combined wavelet with fractal | |
Xu et al. | A novel method of bolt detection based on variational modal decomposition | |
KR101437907B1 (ko) | 신호 대 잡음비가 향상된, 탄성파 탐사 자료에 의하여 해저면 퇴적물의 종류를 자동 분류하는 방법 | |
Baziw | Incorporation of iterative forward modeling into the principle phase decomposition algorithm for accurate source wave and reflection series estimation | |
Hou et al. | Adaptive DAS coupling noise suppression based on local MCA | |
CN110231651A (zh) | 一种基于振动信号矢量分解原理的叠前地震数据去噪方法 | |
CN101907726A (zh) | 一种自动识别和消除地震勘探工业电干扰的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |