CN107146233A - 基于岩石薄片偏光序列图的颗粒分割方法 - Google Patents
基于岩石薄片偏光序列图的颗粒分割方法 Download PDFInfo
- Publication number
- CN107146233A CN107146233A CN201710268976.0A CN201710268976A CN107146233A CN 107146233 A CN107146233 A CN 107146233A CN 201710268976 A CN201710268976 A CN 201710268976A CN 107146233 A CN107146233 A CN 107146233A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- particle
- target
- sequence
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于岩石薄片偏光序列图的颗粒分割方法，包括以下步骤：(1)准备一组待分割岩石薄片同一视域的偏光序列图像，包含一张单偏光图和一组连续变化偏光角度的正交偏光序列图；(2)对正交偏光序列图进行颗粒目标提取并叠加，得到颗粒目标分割二值图G；(3)建立一张与G相等大小的目标标记图M，在M中标记颗粒目标；(4)根据M寻找两两相邻的颗粒目标及其公共边；(5)对相邻颗粒目标进行融合预测；(6)根据(4)结果在G中处理两相邻颗粒目标的融合过程；(7)重复(3)～(6)直至全图中不存在需要融合的相邻颗粒目标，最后得到的G即为最终的颗粒目标分割结果；即完成基于岩石薄片偏光序列图的颗粒分割。
Description
技术领域
本发明涉及一种图像分割技术，尤其涉及基于岩石薄片偏光序列图的颗粒分割方法，属于图像分割技术领域。
背景技术
颗粒分割是岩石薄片分析鉴定工作的前提，目的是从岩石薄片图像中将颗粒目标提取出来，并划分为一个个单独的目标区域，分割质量的好坏直接影响了分析鉴定工作的准确性。然而，由于岩矿颗粒具有形状不规则，大小不一致，纹理丰富等特点，这使得岩石颗粒的分割变得十分困难。
图像分割技术是计算机视觉与人工智能领域中的一大经典难题，众多国内外学者深入研究，提出了大量的分割算法。目前已有的分割算法大多是基于岩石薄片的单偏光图像，然而在实际应用中，岩石颗粒排列较紧密，往往出现重叠、粘连等现象，尤其在岩石薄片的单偏光图像中，颗粒边缘模糊难以分辨，现有的算法分割效果一般。同时，由于岩石薄片在连续变化的偏光角度下，单个颗粒目标内部呈现相似的变化趋势。基于此，希望寻找在连续变化的偏光角度下颗粒目标内部变化趋势的共同特征，实现一种更好的岩石颗粒分割方法，这正是本发明的任务所在。
发明内容
本发明的目的正是在于克服现有技术中所存在的缺陷和不足，提供基于岩石薄片偏光序列图的颗粒分割方法，该分割方法是先对正交偏光序列图进行边缘提取，据此，提取正交偏光序列图的颗粒目标并叠加，对叠加结果做去边缘、去细缝等操作后，再根据相邻颗粒目标的亮度变化相似度进行相邻颗粒目标的融合，从而得到最终的岩石颗粒分割结果。本发明的方法能够减少传统分割方法的一些误差大以及过分割和欠分割等现象，使岩石薄片的颗粒分割结果更加准确有效。
本发明提供的基于岩石薄片偏光序列图的颗粒分割方法，包含以下操作步骤：
步骤1：准备一组待分割的岩石薄片偏光序列图像，该序列图像为岩石薄片的同一个视域，其中包含一张单偏光图和一组连续变化偏光角度的正交偏光序列图，且序列图像中的全部颗粒在不同偏光角度下存在明暗变化但位置和方向始终保持不变；
步骤2：对正交偏光序列图进行颗粒目标提取并叠加，得到颗粒目标分割二值图G；
步骤3：建立一张与颗粒目标分割二值图G相等图片大小的目标标记图M，对G中的颗粒目标Objecti进行标记，在M中将颗粒目标Objecti对应的像素区域赋值为i，其中i＝1、2、3······n，n为颗粒目标个数，没有目标的区域赋值为零；
步骤4：根据步骤3得到的目标标记图M，寻找两两相邻的颗粒目标及其公共边；
步骤5：根据相邻颗粒目标的亮度变化相似度对相邻的两颗粒目标进行融合预测；
步骤6：根据步骤5的融合预测结果在颗粒目标分割二值图G中处理两相邻颗粒目标的融合过程；
步骤7：重复步骤3-6过程直至全图中不存在需要融合的相邻颗粒目标，最后得到的分割二值图即为最终的颗粒目标分割结果；即完成基于岩石薄片偏光序列图的颗粒分割。
上述技术方案中，步骤2中所述对正交偏光序列图进行颗粒目标提取并叠加，得到颗粒目标分割二值图G，采用下述方法：
(1)对正交偏光序列图进行边缘提取，得到每张正交偏光图的颗粒边缘；边缘提取，可使用任意一种能够提取连续边缘信息的算法，如边缘流算法；
(2)根据(1)得到的颗粒边缘信息获取边缘所围区域，对亮度大于阈值的区域进行颗粒目标提取，得到每张正交偏光图的颗粒目标；关于亮度阈值的设置，其建议的范围为30～50，可通过多次实验选取一个合适的值；
(3)叠加(2)得到的每张正交偏光图的颗粒目标，得到该组偏光序列图像的颗粒目标二值图；
(4)对(3)得到的颗粒目标二值图做去细缝操作，即对图中非颗粒目标区域的像素点，检测其八邻域中是否存在一对对角线像素同时属于颗粒目标区域，若存在则像素点属于细缝区域，将其标记为颗粒目标区域；
(5)对(4)得到的结果图进行去噪，得到颗粒目标分割二值图G。
上述技术方案中，步骤4中所述根据目标标记图M寻找两两相邻的颗粒目标及其公共边，采用双向搜索的方式，具体过程如下：
(1)从目标标记图M零值区域中的某一点出发，同时沿两个相反的方向搜索最近的非零值点q1、q2；两个相反的方向构成反方向对，反方向对共四组，角度分别为0度与180度、45度与225度、90度与270度、135度与315度；当某一组反方向对上找不到非零值点q1、q2，继续尝试下一组；
(2)计算该点沿一个方向走过的距离；
(3)若距离大于距离阈值时还未找到非零值点则停止该方向对上非零值点的搜索；关于距离阈值的设置，建议的范围为图片大小的2‰～5‰，可根据图片大小选取一个合适的值；
(4)标记图中q1、q2点的数值即为两个相邻颗粒目标的编号，q1与q2之间的点即为公共边上的点。
(5)对目标标记图M零值区域的所有点进行上述(1)到(4)过程处理后，全图中所有相邻的颗粒目标及其公共边区域即可找到。
上述技术的方案中，步骤5所述根据相邻颗粒目标的亮度变化相似度对相邻的两颗粒目标进行融合预测，采用下述方法：
(1)根据两相邻颗粒目标及其公共边的单偏光RGB值，计算两颗粒目标与公共边之间的偏差，对公共边进行假边预测；
(2)当(1)预测公共边为假边时，按(3)-(6)继续进行融合预测，否则融合预测结果为两颗粒目标不属于同一个颗粒；
(3)计算两相邻颗粒目标的正交偏光亮度序列α、β，以及两相邻颗粒目标的重心距离；
(4)当两颗粒目标的重心距离大于阈值时，计算亮度序列α、β的偏差，根据两序列偏差进行相似区域预测；关于阈值的设置，建议的范围为图中较小颗粒目标短径的2～3倍，可根据实际情况选取一个合适的值；
(5)当两颗粒目标的重心距离小于或等于阈值时，估计亮度序列α的周期，将序列α按周期重组为α′，按序列α′、β偏差最小的情况，根据两序列偏差进行相似区域预测；
(6)若相似区域预测结果为两区域相似，则融合预测结果为两区域对应的颗粒目标属于同一个颗粒；否则两区域对应的颗粒目标不属于同一个颗粒。
上述技术方案中，所述根据两相邻颗粒目标及其公共边的单偏光RGB值，计算两颗粒目标与公共边之间的偏差，对公共边进行假边预测，采用下述方法：
①分别计算两颗粒目标与公共边的单偏光RGB值之间的偏差e1、e2，其计算公式表示为：
设两颗粒目标、公共边的单偏光RGB值分别表示为rbgR＝(rR,gR,bR),rgbQ＝(rQ,gQ,bQ),rgbE＝(rE,gE,bE)则
(1)式中Dev1为偏差公式，表示为：
②根据偏差e1、e2分别对两颗粒目标与公共边进行相似性评价：当Δr≤0.1且Δg≤0.1且Δb≤0.1时二者相似，否则不相似；
③若两颗粒目标与公共边均相似则公共边为假边，否则公共边不是假边。
上述技术方案中，所述计算亮度序列α、β的偏差，采用下述方法：
设α＝(a1,a2,a3,...,aN),β＝(b1,b2,b3,...,bN)，则α、β的偏差e＝Dev2(α,β)，表示为：
(3)式中fα、fβ表示对序列α,β做对数变换的结果，该对数变换函数为：
f(χ)＝log1.0046628(x+20)-1139,x∈χ (4)
(3)式中RMES(fα,fβ)为fα、fβ的标准偏差，ρα,β为α,β的皮尔逊相关系数，其计算公式表示分别为：
上述技术方案中，所述估计亮度序列α的周期，将序列α按周期重组为α′，采用下述方法：
①根据正交偏光序列图的偏光角度间隔θ，计算参考周期值t0、误差值Δ：
式(7)中符号[·]表示对数值·按四舍五入取整；
②根据参考周期值t0、误差值Δ、序列长度N，计算参考周期集合τt：τt＝{t|max(3,t0-Δ)≤t≤min(N,t0+Δ)}；若①无法确定正交偏光角度间隔θ的值，则可取合适的参考周期值、误差值，使参考周期集合τT的元素分布范围较大，尽可能包含周期T，极端情况下可使τT＝{4,5,6,...,N}；
③取集合τt中元素t作为序列α＝(a1,a2,a3,...,aN)的周期，按最小长度将其截断为两个等长的序列对α1、α2如下：
当t≤N/2时，α1＝(a1,a2,a3,...,at),α2＝(at+1,at+2,at+3,...,a2t)；
当t＞N/2时，α1＝(a1,a2,a3,...,aN-t),α2＝(at+1,at+2,at+3,...,aN)；
④对参考周期集合τT的每个元素t得到对应的序列α1、α2，使用式(3)计算序列α1、α2的偏差et；
⑤根据②中每个元素t及其对应的偏差et，利用最小偏差etmin可得到估计周期T：
式(8)中tm为使得偏差为最小的参考周期元素t，若这样的t不止一个，则取最接近参考周期t0且数值较大的那一个。
⑥将序列α按周期循环重组为α′，设序列α＝(a1,a2,a3,...,aN)周期为T则α′有如下情况：
上述技术方案中所述根据两序列偏差进行相似区域预测，即：根据设定的偏差阈值Te(0.07≤Te≤0.12)，对两序列偏差e，当e＜Te时，两序列对应的区域预测结果为相似；当e≥Te时，两序列对应的区域预测结果为不相似。
上述技术方案中，步骤6所述根据融合预测结果在颗粒目标分割二值图G中处理两相邻颗粒目标的融合过程，采用下述方法：
(1)当融合预测两颗粒目标属于同一个颗粒，则进行融合；
(2)在G中标记公共边区域像素为颗粒目标；
(3)若融合后的颗粒目标区域内部存在非颗粒目标像素，则对该区域进行填孔。
本发明与现有技术相比所具有的优点及有益的技术效果如下：
本发明所述的基于岩石薄片偏光序列图的颗粒分割方法，采用偏光序列图的分割策略，并以正交偏光序列颗粒灰度变化相似度统计为基础进行相邻颗粒目标融合，使用本发明所述的方法对岩石颗粒偏光序列图进行分割，并对分割结果图进行观察，从而验证了本发明所用方法的可靠性与实用性。本发明基于岩石薄片偏光序列图的颗粒分割，减少了传统分割方法的分割误差大以及过分割和欠分割的现象，其分割结果更加准确。
本发明受国家自然科学基金“岩石微观非均质结构三维图像重建及分辨率提升技术研究(61372174)”资助。
附图说明
图1-1是本发明实施例中岩石薄片单偏光图；
图1-2是本发明实施例中岩石薄片0～120度的正交偏光序列图；
图2-1是本发明实施例中对图1-2提取的颗粒边缘二值图；
图2-2是本发明实施例中利用图2-1的颗粒边缘二值图对图1-2提取的颗粒目标二值图；
图2-3是本发明实施例中对图2-1叠加得到的颗粒边缘二值图；
图2-4是本发明实施例中对图2-2叠加得到的颗粒目标二值图；
图2-5是本发明是实施例中对图2-4去除颗粒边缘的结果；
图2-6是本发明实施例中对图2-5进行去细缝操作的结果；
图2-7是本发明实施例中对图2-6进行去噪得到的颗粒目标分割二值图G；
图3是本发明实施例中目标标记图M的一个局部区域，(a)为该局部区域的像素分布，(b)为颗粒目标分割二值图G的一个局部区域，其中(b)中标签“R:92”“Q:93”标识了两颗粒目标编号，矩形框标识了(a)所在区域对应于G中的位置；
图4是本发明实施例中寻找相邻颗粒目标及其公共边采用双向搜索方式的示意图，其中4对反向箭头标识了搜索的方向；
图5-1是本发明实施例中两相邻颗粒目标R、Q的示意图，(a)为颗粒目标R、Q的二值图，(b)为颗粒目标分割二值图G的一个局部区域，(c)为颗粒目标R、Q的偏光序列图，其中(b)中标签“R:92”“Q:93”标识了两颗粒目标编号，矩形框标识了(a)在G中的位置；
图5-2是本发明实施例中颗粒目标R、Q亮度序列α、β的变化曲线图；
图5-3是本发明实施例中将颗粒目标R亮度序列α变换为α′后，α′与β的变化曲线；
图6是本发明实施例中颗粒目标R、Q的融合结果；
图7是本发明实施例中岩石颗粒的最终分割结果图；
图8是本发明所述的方法流程图。
具体实施方式
下面通过具体实施例并结合附图对本发明作进一步详细说明，有必要在此指出的是所述实施例只是用于对本发明的进一步描述，但并不意味着是对本发明保护范围的任何限定。
实施例：为了使本发明所述分割方法更加便于理解和接近于真实应用，下面从岩石薄片的偏光序列图像开始到全图的岩石颗粒分割完成为止，对整个操作流程进行说明，具体操作步骤如下：
(1)准备一组岩石薄片偏光序列图，图片格式为JPG，尺寸为1824x1216，该偏光序列图为岩石薄片的同一个视域，图片数量为10张，包括1张单偏光图像，如图1-1所示，以及9张正交偏光序列图像，如图1-2所示，其正交偏光角度的间隔为15度，角度的范围为0～120度，序列图像中的全部颗粒在不同偏光角度下存在明暗变化但位置和方向始终保持不变；
(2)对9张正交偏光序列图分别进行颗粒目标提取并叠加，得到颗粒目标分割二值图G，具体过程如下：
①对正交偏光序列图分别进行边缘提取，得到每张序列图的颗粒边缘二值图，如图2-1，图中白色曲线标识了颗粒目标的边缘；本实施例中使用的边缘提取算法为边缘流算法，其基本过程为：对图像中每一个像素点确定一个边缘流向量，该向量指向尺度空间中局部信息变化最大的方向；计算出整幅图像的边缘流向量场，然后将边缘流能量按照规则进行传递，如果当前像素的向量与其所指向的近邻像素的向量方向相同，则该像素点的局部能量流向其邻近位置不断扩散，并迭代这一过程；当某像素邻近点的方向与扩散到该像素的边缘流方向相反时，停止扩散过程，此时，边缘流停止扩散的位置就是介于两个区域之间的边缘；当图像中所有像素的边缘流传递达到稳定状态时，边缘流能量将汇集在方向相反的向量处，形成边缘，从而实现了对图像边缘的提取。
②根据①得到的颗粒边缘信息获取边缘所围区域，对亮度大于阈值(本实施例的亮度阈值为50)的区域进行颗粒目标提取，得到每张正交偏光图的颗粒目标；图2-2为每张序列图的颗粒目标二值图，图中曲线标识了颗粒目标的边缘，曲线包围的白色区域标识了颗粒目标。
③叠加②得到的每张正交偏光图的颗粒目标，得到该组偏光序列图像的颗粒目标二值图；具体地，将①得到的序列图的每张颗粒边缘二值图进行叠加，得到一张颗粒边缘叠加二值图，如图2-3所示，图中白色区域为叠加的颗粒边缘；将②得到的序列图的每张颗粒目标二值图进行叠加，得到一张颗粒目标叠加二值图，如图2-4所示，图中白色区域为叠加后的颗粒目标和颗粒边缘；在颗粒目标叠加二值图中去除叠加后的颗粒边缘，得到结果即为该组偏光序列图像的颗粒目标二值图，如图2-5，图中白色区域标识了全图的颗粒目标。
④对③得到的结果做去细缝操作，即对图中非颗粒目标区域的像素点，检测其八邻域中是否存在一对对角线像素同时属于颗粒目标区域，若存在则像素点属于细缝区域，将其标记为颗粒目标区域；去细缝操作得到的结果，如图2-6所示；
⑤对④得到的结果进行去噪，得到颗粒目标分割二值图G，如图2-7所示，图中白色区域标识了全图的颗粒目标；本实施例中去噪操作，去除了像素数量小于50的颗粒目标区域。
(3)建立一张颗粒目标分割二值图G图像大小的目标标记图M，对G中的颗粒目标Objecti进行标记，在M中将颗粒目标Objecti对应的像素区域标记为i，其中i＝1、2、3······n，n为颗粒目标个数，没有目标的区域标记为零；为便于说明，对目标标记图M的一个局部区域的像素进行展示，如图3所示，(a)为该局部区域的像素分布，(b)为颗粒目标分割二值图G的一个局部区域，其中(a)为M中该局部区域的像素分布，(b)为G中的一个局部区域，(b)中标签“R:92”“Q:93”和矩形框仅为了便于说明而人为添加，该标签标识了两颗粒目标R、Q，该矩形框标识了(a)所在区域对应于G中的位置；
(4)根据目标标记图M，寻找两两相邻的颗粒目标及其公共边；
所述寻找两两相邻的颗粒目标及其公共边，采用双向搜索的方法，如图4所示，具体过程如下：
①从目标标记图M零值区域中的某一点出发，同时沿两个相反的方向搜索最近的非零值点q1、q2；两个相反的方向构成反方向对，反方向对共四组，角度分别为0度与180度、45度与225度、90度与270度、135度与315度；当某一组反方向对上找不到非零值点q1、q2，继续在下一组中搜索；
②计算该点沿一个方向走过的距离；
③若距离大于该距离阈值时还未找到非零值点则停止该方向对上非零值点的搜索；关于距离阈值的设置，建议的范围为图片大小的2‰～5‰，可根据图片大小选取一个合适的值，本实施例的阈值为5；
④标记图中q1、q2点的数值即为两个相邻颗粒目标的编号，q1与q2之间的点即为公共边上的点。
⑤对标记图零值区域的所有点进行上述①-④处理后，全图中所有相邻的颗粒目标及其公共边区域即可找到。
(5)根据相邻颗粒目标的亮度变化相似度对相邻的两颗粒目标进行融合预测；为了更好地展示该过程，结合两相邻颗粒目标R:92、Q:93的融合预测处理进行说明；相邻颗粒目标R、Q，如图5-1所示，其中(a)为R、Q在颗粒目标分割二值图G中的一个局部区域，(b)为颗粒目标分割二值图G的一个局部区域，(b)中颗粒标签“R:92”“Q:93”和矩形框仅为了便于说明而人为添加，标签“R:92”“Q:93”标识了两颗粒目标编号，矩形框标识了(a)在G中的位置，(c)为R、Q的偏光序列图，第一张为单偏光图，后面9张为正交偏光序列图；
所述对相邻的两颗粒目标进行融合预测，采用下述方法：
①根据两相邻颗粒目标及其公共边的单偏光RGB值，计算两颗粒目标与公共边之间的偏差，对公共边进行假边预测，具体过程如下：
i.分别计算两颗粒目标与公共边的单偏光RGB值之间的偏差e1、e2，其计算公式表示为：
设两颗粒目标、公共边的单偏光RGB值分别表示为rbgR＝(rR,gR,bR),rgbQ＝(rQ,gQ,bQ),rgbE＝(rE,gE,bE)则
(1)式中Dev1为偏差公式，表示为：
ii.根据偏差e1、e2分别对两颗粒目标与公共边进行相似性评价：当Δr≤0.1且Δg≤0.1且Δb≤0.1时二者相似，否则不相似；
iii.若两颗粒目标与公共边均相似则公共边为假边，否则公共边不是假边。
②当①预测公共边为假边时，按③-⑥继续进行融合预测，否则融合预测结果为两颗粒目标不属于同一个颗粒；
③计算两相邻颗粒目标的正交偏光亮度序列α、β，以及两相邻颗粒目标的重心距离；
④当两颗粒目标的重心距离大于阈值(本实施例的阈值为70)时，计算亮度序列α、β的偏差，根据两序列偏差进行相似区域预测，具体过程如下：
i.计算亮度序列α、β的偏差：
设α＝(a1,a2,a3,...,aN),β＝(b1,b2,b3,...,bN)，则α、β的偏差e＝Dev2(α,β)，表示为：
(3)式中fα、fβ表示对序列α,β做对数变换的结果，该对数变换函数为：
f(χ)＝log1.0046628(x+20)-1139,x∈χ (4)
(4)式中RMES(fα,fβ)为fα、fβ的标准偏差，ρα,β为α,β的皮尔逊相关系数，其计算公式表示分别为：
ii.根据两序列偏差进行相似区域预测：
根据设定的偏差阈值Te(本实施例偏差阈值Te＝0.1)，对两序列偏差e，当e＜Te时，两序列对应的区域预测结果为相似；当e≥Te时，两序列对应的区域预测结果为不相似。
⑤当两颗粒目标的重心距离小于或等于阈值时，估计亮度序列α的周期，将序列α按周期重组为α′，按序列α′、β偏差最小的情况，根据两序列偏差进行相似区域预测；
所述估计亮度序列α的周期，将序列α按周期重组为α′，采用下述方法：
i.根据正交偏光序列图的偏光角度间隔θ，计算参考周期值t0、误差值Δ：
式(7)中符号[·]表示对数值·按四舍五入取整；
ii.根据参考周期值t0、误差值Δ、序列长度N，计算参考周期集合τt：τt＝{t|max(3,t0-Δ)≤t≤min(N,t0+Δ)}；若①无法确定正交偏光角度间隔θ的值，则可取合适的参考周期值、误差值，使参考周期集合τT的元素分布范围较大，尽可能包含周期T，极端情况下可使τT＝{4,5,6,...,N}；
iii.取集合τt中元素t作为序列α＝(a1,a2,a3,...,aN)的周期，按最小长度将其截断为两个等长的序列对α1、α2如下：
当t≤N/2时，α1＝(a1,a2,a3,...,at),α2＝(at+1,at+2,at+3,...,a2t)；
当t＞N/2时，α1＝(a1,a2,a3,...,aN-t),α2＝(at+1,at+2,at+3,...,aN)；
iv.对参考周期集合τT的每个元素t得到对应的序列α1、α2，使用式(3)计算序列α1、α2的偏差et；
v.根据②中每个元素t及其对应的偏差et，利用最小偏差etmin可得到估计周期T：
式(8)中tm为使得偏差为最小的参考周期元素t，若这样的t不止一个，则取最接近参考周期t0且数值较大的那一个。
vi.将序列α按周期循环重组为α′，设序列α＝(a1,a2,a3,...,aN)周期为T则α′有如下情况：
⑥若相似区域预测结果为两区域相似，则融合预测结果为两区域对应的颗粒目标属于同一个颗粒；否则两区域对应的颗粒目标不属于同一个颗粒。
图5-1的两颗粒目标R、Q与其公共边的单偏光RGB值的偏差均满足相似条件，故公共边为假边，需按③-⑥继续进行融合预测；图5-1中两颗粒目标R、Q的亮度序列分别为：α＝(34.37,66.46,82.18,68.97,37.73,16.79,34.59,70.88,85.38)、β＝(91.42,86.53,54.65,19.99,25.50,64.67,91.32,88.76,53.72)，其亮度序列的变化曲线，如图5-2所示；图5-1中两颗粒目标R、Q，由于重心距离dRQ＜Td故需估计亮度序列α的周期，将序列α按周期循环重组；本实施例偏光角度间隔θ＝15°，误差值Δ＝2，则参考周期值t0＝6，参考周期集合τt＝{4,5,6,7,8}，经计算得到α的估计周期为T＝6，将其按周期循环重组为α′，有以下情况：
当α′＝(82.18,68.97,37.73,16.79,34.59,70.88,85.38,68.97,37.73)时α′与β偏差为最小，最小偏差etmin＝0.064，α′与β的变化曲线，如图5-3所示；本实施例偏差阈值Te＝0.1，etmin＜Te则α′与β对应的区域预测结果为相似，故图5-1中两颗粒目标R、Q的融合预测结果为R、Q属于同一个颗粒。
(6)根据(5)的融合预测结果处理分割二值图G中两相邻颗粒目标的融合过程：
①当融合预测结果为两颗粒目标属于同一个颗粒时，进行融合；
②在G中标记公共边区域像素为颗粒目标；
③若融合后的颗粒目标区域内部存在非颗粒目标像素，则对该区域进行填孔。
对图5-1中两颗粒目标R、Q进行融合，得到结果，如图6。
(7)重复步骤(3)-(6)过程直至全图中不存在需要融合的相邻颗粒目标，最后得到的分割二值图即为最终的颗粒目标分割图，如图7所示；即完成基于岩石薄片偏光序列图的颗粒分割。从分割结果可以看出，本发明的分割方法对岩石颗粒实现了较准确的分割，颗粒目标边缘准确，颗粒目标区域得到了较好的提取。
本实施例中，以实际的岩石薄片偏光序列图为基础，使用本发明的方法对岩石颗粒进行分割，对分割结果图进行观察，从而验证了本发明所用方法的可靠性与实用性。
本发明上述实施例只是本发明的优选实施例，并不是对本发明所述技术方案的任何限制，只要是不经过创造性劳动即在上述实施例的基础上实现的技术方案，均应视为落入本发明所保护的范围内。
Claims (8)
1.基于岩石薄片偏光序列图的颗粒分割方法，其特征在于包括以下步骤：
步骤1：准备一组待分割的岩石薄片偏光序列图像，该序列图像为岩石薄片的同一个视域，其中包含一张单偏光图和一组连续变化偏光角度的正交偏光序列图，且序列图像中的全部颗粒在不同偏光角度下存在明暗变化但位置和方向始终保持不变；
步骤2：对正交偏光序列图进行颗粒目标提取并叠加，得到颗粒目标分割二值图G；
步骤3：建立一张与颗粒目标分割二值图G相等图片大小的目标标记图M，对G中的颗粒目标Objecti进行标记，在M中将颗粒目标Objecti对应的像素区域赋值为i，其中i＝1、2、3······n，n为颗粒目标个数，没有目标的区域赋值为零；
步骤4：根据步骤3得到的目标标记图M，寻找两两相邻的颗粒目标及其公共边；
步骤5：根据相邻颗粒目标的亮度变化相似度对相邻的两颗粒目标进行融合预测；
步骤6：根据步骤5的融合预测结果在颗粒目标分割二值图G中处理两相邻颗粒目标的融合过程；
步骤7：重复步骤4-6过程直至全图中不存在需要融合的相邻颗粒目标，最后得到的分割二值图即为最终的颗粒目标分割结果；即完成基于岩石薄片偏光序列图的颗粒分割。
2.根据权利要求1所述的方法，其特征在于步骤2中所述对正交偏光序列图进行颗粒目标提取并叠加，采用下述方法：
(1)对正交偏光序列图进行边缘提取，得到每张正交偏光图的颗粒边缘；边缘提取，可使用任意一种能够提取连续边缘信息的算法，如边缘流算法；
(2)根据(1)得到的颗粒边缘信息获取边缘所围区域，对亮度大于阈值的区域进行颗粒目标提取，得到每张正交偏光图的颗粒目标；关于亮度阈值的设置，其建议的范围为30～50，可通过多次实验选取一个合适的值；
(3)叠加(2)得到的每张正交偏光图的颗粒目标，得到该组偏光序列图像的颗粒目标二值图；
(4)对(3)得到的颗粒目标二值图做去细缝操作，即对图中非颗粒目标区域的像素点，检测其八邻域中是否存在一对对角线像素同时属于颗粒目标区域，若存在则像素点属于细缝区域，将其标记为颗粒目标区域；
(5)对(4)得到的结果图进行去噪，得到颗粒目标分割二值图G。
3.根据权利要求1所述的方法，其特征在于步骤4中所述根据目标标记图M寻找两两相邻的颗粒目标及其公共边，采用双向搜索的方式，具体过程如下：
(1)从目标标记图M零值区域中的某一点出发，同时沿两个相反的方向搜索最近的非零值点q1、q2；两个相反的方向构成反方向对，反方向对共四组，角度分别为0度与180度、45度与225度、90度与270度、135度与315度；当某一组反方向对上找不到非零值点q1、q2，继续尝试下一组；
(2)计算该点沿一个方向走过的距离；
(3)若距离大于距离阈值时还未找到非零值点则停止该方向对上非零值点的搜索；关于距离阈值的设置，建议的范围为图片大小的2‰～5‰，可根据图片大小选取一个合适的值；
(4)标记图中q1、q2点的数值即为两个相邻颗粒目标的编号，q1与q2之间的点即为公共边上的点；
(5)对目标标记图M零值区域的所有点进行上述(1)到(4)过程处理后，全图中所有相邻的颗粒目标及其公共边区域即可找到。
4.根据权利要求1所述的方法，其特征在于步骤5中所述根据相邻颗粒目标的亮度变化相似度对相邻的两颗粒目标进行融合预测，采用下述方法：
(1)根据两相邻颗粒目标及其公共边的单偏光RGB值，计算两颗粒目标与公共边之间的偏差，对公共边进行假边预测；
(2)当(1)预测公共边为假边时，按(3)-(6)继续进行融合预测，否则融合预测结果为两颗粒目标不属于同一个颗粒；
(3)计算两相邻颗粒目标的正交偏光亮度序列α、β，以及两相邻颗粒目标的重心距离；
(4)当两颗粒目标的重心距离大于阈值时，计算亮度序列α、β的偏差，根据两序列偏差进行相似区域预测；关于阈值的设置，建议的范围为图中较小颗粒目标短径的2～3倍，可根据实际情况选取一个合适的值；
(5)当两颗粒目标的重心距离小于或等于阈值时，估计亮度序列α的周期，将序列α按周期重组为α′，按序列α′、β偏差最小的情况，根据两序列偏差进行相似区域预测；
(6)若相似区域预测结果为两区域相似，则融合预测结果为两区域对应的颗粒目标属于同一个颗粒；否则两区域对应的颗粒目标不属于同一个颗粒。
5.根据权利要求4所述的方法，其特征在于步骤(1)中所述根据两相邻颗粒目标及其公共边的单偏光RGB值，计算两颗粒目标与公共边之间的偏差，对公共边进行假边预测，采用下述方法：
①分别计算两颗粒目标与公共边的单偏光RGB值之间的偏差e1、e2，其计算公式表示为：
设两颗粒目标、公共边的单偏光RGB值分别表示为rbgR＝(rR,gR,bR),rgbQ＝(rQ,gQ,bQ),rgbE＝(rE,gE,bE)则
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&Delta;</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;</mi>
<mi>g</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>E</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mo>(</mo>
<mrow>
<msub>
<mi>g</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
<msub>
<mi>g</mi>
<mi>E</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>E</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&Delta;</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;</mi>
<mi>g</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>Q</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>E</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mo>(</mo>
<mrow>
<msub>
<mi>g</mi>
<mi>Q</mi>
</msub>
<mo>,</mo>
<msub>
<mi>g</mi>
<mi>E</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>Q</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>E</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
(1)式中Dev1为偏差公式，表示为：
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mn>0.5</mn>
<mo>+</mo>
<mn>50</mn>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo><</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
②根据偏差e1、e2分别对两颗粒目标与公共边进行相似性评价：当Δr≤0.1且Δg≤0.1且Δb≤0.1时二者相似，否则不相似；
③若两颗粒目标与公共边均相似则公共边为假边，否则公共边不是假边。
6.根据权利要求4所述的方法，其特征在于步骤(4)中所述计算亮度序列α、β的偏差，采用下述方法：
设α＝(a1,a2,a3,...,aN),β＝(b1,b2,b3,...,bN)，则α、β的偏差e＝Dev2(α,β)，表示为：
(3)式中fα、fβ表示对序列α,β做对数变换的结果，该对数变换函数为：
f(χ)＝log1.0046628(x+20)-1139,x∈χ (4)
(3)式中RMES(fα,fβ)为fα、fβ的标准偏差，ρα,β为α,β的皮尔逊相关系数，其计算公式表示分别为：
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>E</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>&alpha;</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>&beta;</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mi>N</mi>
</mrow>
</msqrt>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>f</mi>
<mi>&alpha;</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>f</mi>
<mi>&beta;</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>-</mo>
<mover>
<mi>&alpha;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mo>-</mo>
<mover>
<mi>&beta;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>-</mo>
<mover>
<mi>&alpha;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mo>-</mo>
<mover>
<mi>&beta;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
7.根据权利要求4所述的方法，其特征在于步骤(5)中所述估计亮度序列α的周期，将序列α按周期重组为α′，采用下述方法：
①根据正交偏光序列图的偏光角度间隔θ，计算参考周期值t0、误差值Δ：
式(7)中符号[·]表示对数值·按四舍五入取整；
②根据参考周期值t0、误差值Δ、序列长度N，计算参考周期集合τt：τt＝{t|max(3,t0-Δ)≤t≤min(N,t0+Δ)}；若①无法确定正交偏光角度间隔θ的值，则可取合适的参考周期值、误差值，使参考周期集合τT的元素分布范围较大，尽可能包含周期T，极端情况下可使τT＝{4,5,6,...,N}；
③取集合τt中元素t作为序列α＝(a1,a2,a3,...,aN)的周期，按最小长度将其截断为两个等长的序列对α1、α2如下：
当t≤N/2时，α1＝(a1,a2,a3,...,at),α2＝(at+1,at+2,at+3,...,a2t)；
当t＞N/2时，α1＝(a1,a2,a3,...,aN-t),α2＝(at+1,at+2,at+3,...,aN)；
④对参考周期集合τT的每个元素t得到对应的序列α1、α2，使用式(3)计算序列α1、α2的偏差et；
⑤根据②中每个元素t及其对应的偏差et，利用最小偏差etmin可得到估计周期T：
<mrow>
<mi>T</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>t</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mrow>
<mi>t</mi>
<mi>min</mi>
</mrow>
</msub>
<mo><</mo>
<mn>0.2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>N</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mrow>
<mi>t</mi>
<mi>min</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0.2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式(8)中tm为使得偏差为最小的参考周期元素t，若这样的t不止一个，则取最接近参考周期t0且数值较大的那一个；
⑥将序列α按周期循环重组为α′，设序列α＝(a1,a2,a3,...,aN)周期为T则α′有如下情况：
8.根据权利要求4所述的方法，其特征在于步骤(4)或步骤(5)中所述根据两序列偏差进行相似区域预测，采用下述方法：
根据设定的偏差阈值Te(0.07≤Te≤0.12)，对两序列偏差e，当e＜Te时，两序列对应的区域预测结果为相似；当e≥Te时，两序列对应的区域预测结果为不相似。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710268976.0A CN107146233B (zh) | 2017-04-24 | 2017-04-24 | 基于岩石薄片偏光序列图的颗粒分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710268976.0A CN107146233B (zh) | 2017-04-24 | 2017-04-24 | 基于岩石薄片偏光序列图的颗粒分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107146233A true CN107146233A (zh) | 2017-09-08 |
| CN107146233B CN107146233B (zh) | 2020-10-23 |
Family
ID=59773886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710268976.0A Active CN107146233B (zh) | 2017-04-24 | 2017-04-24 | 基于岩石薄片偏光序列图的颗粒分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107146233B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
| CN111353976A (zh) * | 2020-02-25 | 2020-06-30 | 南京大学 | 一种基于卷积神经网络的沙粒目标检测方法 |
| CN111679452A (zh) * | 2020-05-21 | 2020-09-18 | 中国科学院地球化学研究所 | 岩石偏光薄片基材存储介质及其制造方法、用途 |
| CN112784894A (zh) * | 2021-01-18 | 2021-05-11 | 西南石油大学 | 一种岩石薄片显微图像自动标注方法 |
| CN114897917A (zh) * | 2022-07-13 | 2022-08-12 | 西南石油大学 | 一种多层次的岩石铸体薄片图像分割方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942808A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 粘连岩石颗粒图像的分割方法 |
-
2017
- 2017-04-24 CN CN201710268976.0A patent/CN107146233B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942808A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 粘连岩石颗粒图像的分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| RENÉE HEILBRONNER: "Automatic grain boundary detection and grain size analysis using polarization micrographs or orientation images", 《JOURNAL OF STRUCTURAL GEOLOGY》 * |
| 吴拥等: "岩石薄片正交偏光图像的颗粒分割方法", 《科学技术与工程》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
| CN111353976A (zh) * | 2020-02-25 | 2020-06-30 | 南京大学 | 一种基于卷积神经网络的沙粒目标检测方法 |
| CN111679452A (zh) * | 2020-05-21 | 2020-09-18 | 中国科学院地球化学研究所 | 岩石偏光薄片基材存储介质及其制造方法、用途 |
| CN111679452B (zh) * | 2020-05-21 | 2022-04-22 | 中国科学院地球化学研究所 | 岩石偏光薄片基材存储介质及其制造方法、用途 |
| CN112784894A (zh) * | 2021-01-18 | 2021-05-11 | 西南石油大学 | 一种岩石薄片显微图像自动标注方法 |
| CN114897917A (zh) * | 2022-07-13 | 2022-08-12 | 西南石油大学 | 一种多层次的岩石铸体薄片图像分割方法 |
| CN114897917B (zh) * | 2022-07-13 | 2022-10-28 | 西南石油大学 | 一种多层次的岩石铸体薄片图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107146233B (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107146233A (zh) | 基于岩石薄片偏光序列图的颗粒分割方法 | |
| Kong et al. | General road detection from a single image | |
| Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
| CN103473785B (zh) | 一种基于三值化图像聚类的快速多目标分割方法 | |
| CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
| CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
| CN102521597B (zh) | 一种基于分级策略的影像直线特征匹配方法 | |
| CN105512684A (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
| CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
| CN107392141A (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
| CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
| CN102654902A (zh) | 基于轮廓向量特征的嵌入式实时图像匹配方法 | |
| CN102496034A (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
| CN101694720B (zh) | 基于空间关联条件概率融合的多时相sar图像变化检测方法 | |
| CN101576958A (zh) | 一种基于形状特征的带边框矩形印章图形提取方法 | |
| CN109753949A (zh) | 一种基于深度学习的多视窗交通标志检测方法 | |
| CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
| CN109101981A (zh) | 一种街景场景下基于全局图像条纹码的回环检测方法 | |
| CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
| CN105261021A (zh) | 去除前景检测结果阴影的方法及装置 | |
| CN103309982A (zh) | 一种基于视觉显著点特征的遥感影像检索方法 | |
| CN102881017B (zh) | 一种细胞分离方法 | |
| CN107392254A (zh) | 一种通过联合嵌入从像素中构造图像的语义分割方法 | |
| CN102609723A (zh) | 一种基于图像分类的全自动视频分割方法及装置 | |
| CN113673541B (zh) | 一种用于目标检测的图像样本生成方法及应用 |
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 |