CN106485223A - 一种砂岩显微薄片中岩石颗粒的自动识别方法 - Google Patents

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

一种砂岩显微薄片中岩石颗粒的自动识别方法

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,...,x_m)，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,...,x_m)，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：

$Lbp\left(p\right)=\underset{i=1}{\overset{8}{\&Sigma;}}{2}^{i}S(v_p-v_i)$

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：

$S\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right..$

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：

$d=\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(f_{1i}-f_{2i})}^2}$

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：：

$Average=\frac{1}{m+1}\underset{i=0}{\overset{m}{\&Sigma;}}{x}_i$

Median＝mid(x₀,x₁,x₂,...,x_m)，mid()是中值函数

$S\tan dardDeviation=\sqrt{\underset{i=0}{\overset{m}{\&Sigma;}}{(x_i-Average)}^2}$

$MeanAbsoluteDeviation=\frac{1}{m+1}\underset{i=0}{\overset{m}{\&Sigma;}}|x_i-Average|$

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

$label=\underset{c_j}{\arg \min }\underset{x_i\&Element;S_p}{\&Sigma;}I(y_i=c_j),i=1,2,\mathrm{...},m,j=1,2,3,4$

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。