CN108830877A - 岩心体视显微图像定量描述方法 - Google Patents

岩心体视显微图像定量描述方法 Download PDF

Info

Publication number
CN108830877A
CN108830877A CN201810591871.3A CN201810591871A CN108830877A CN 108830877 A CN108830877 A CN 108830877A CN 201810591871 A CN201810591871 A CN 201810591871A CN 108830877 A CN108830877 A CN 108830877A
Authority
CN
China
Prior art keywords
image
color
gray
area
rock core
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.)
Pending
Application number
CN201810591871.3A
Other languages
English (en)
Inventor
宋来亮
李永忠
李秀国
杨光
郑胜利
常文明
郭昭江
董福奇
王飞
宋涛
李建
杨富周
王艳琴
宁士华
张新文
顾小兵
王玉新
柯川山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Exploration and Development Research Institute of Sinopec Henan Oilfield Branch Co
Exploration and Development Research Institute of Sinopec Shengli Oilfield Co
Original Assignee
China Petroleum and Chemical Corp
Exploration and Development Research Institute of Sinopec Henan Oilfield Branch Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Exploration and Development Research Institute of Sinopec Henan Oilfield Branch Co filed Critical China Petroleum and Chemical Corp
Priority to CN201810591871.3A priority Critical patent/CN108830877A/zh
Publication of CN108830877A publication Critical patent/CN108830877A/zh
Pending legal-status Critical Current

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种岩心体视显微图像定量描述方法，该岩心体视显微图像定量描述方法包括：步骤1，进行图像预处理，包括提取图像目标特征，进行图像的转换，进行图像的增强，以及将图像进行锐化处理；步骤2，进行岩心体式显微图像自动识别，包括将图像特征进行提取与计算，进行图像颗粒自动识别与统计，进行RGB颜色相似度图像分析以及进行形态学运算。该岩心体视显微图像定量描述方法实现岩心体视显微图像从特征提取到识别分类的自动识别；通过对岩心图片上的粒度进行分析、描述、测量、统计，实现对体视岩心图像中的目标特征的颗粒度、磨圆度、成分比例等参数的自动计算，从而实现岩样油水、颗粒从定性到定量的描述。

Description

岩心体视显微图像定量描述方法
技术领域
本发明涉及油田开发技术领域，特别是涉及到一种岩心体视显微图像定量描述方法。
背景技术
岩心是油气勘探开发研究工作中最直观的信息之一，也是反复使用的实物资料，石油地质分析数据和地球物理勘探参数大多来自于岩心。对岩心图像的识别分析是深层次勘探开发石油地质的主要依据之一。因此智能图像技术在工程地质中的应用有着很大的研究和发展空间。
工程地质中的岩心分析通常需要经过繁琐的手工测量、称重结合经验才能完成，这不仅工作量大，而且效率低下。在大量地质样本的实际勘探采集中，样本识别分类的完成需要经过一个较长的周期。同时，分析过程中的经验因素也使样本的分析受到限制。为此我们发明了一种新的岩心体视显微图像定量描述方法，解决了以上技术问题。
发明内容
本发明的目的是提供一种通过图像分析来研究岩石微观特征，从特征提取到识别分类的自动识别，实现岩样油水、颗粒从定性到定量、半定量的描述，提高描述准确性的岩心体视显微图像定量描述方法。
本发明的目的可通过如下技术措施来实现：岩心体视显微图像定量描述方法，该岩心体视显微图像定量描述方法包括：步骤1，进行图像预处理，包括提取图像目标特征，进行图像的转换，进行图像的增强，以及将图像进行锐化处理；步骤2，进行岩心体式显微图像自动识别，包括将图像特征进行提取与计算，进行图像颗粒自动识别与统计，进行RGB颜色相似度图像分析以及进行形态学运算。
本发明的目的还可通过如下技术措施来实现：
在步骤1中，进行图像目标特征提取时，项目采集到的图像为JPEG形式的真彩色图像，图像中含有多种特征对象，根据各目标特征颜色不同的特点进行目标特征提取，将目标特征分类提取后再进行后续处理；对于不同颜色的目标特征同属同一物质的情况，通过多次选取进行叠加计算。
在步骤1中，进行图像的转换时，将彩色图像转换为灰度图像，彩色图像的每一个像素都用其R、G、B分量来表示，灰度图像只使用一个字节来表示一个像素的灰度值，灰度值用Y表示，则区间[Ymin,Ymax]称为灰度级，一般常用的灰度级为[0，255]，Ymin＝0表示为黑色，Ymax＝255表示为白色；中间值表示为各种灰色调，总共256级；彩色图像通过公式进行转化：
Y＝0.299R+0.578G+0.144B (2-1)。
在步骤1中，进行图像的增强时，图像增强的方法分为空间域和频率域两大类，空间域方法是对图像像素的灰度直接进行处理，频率域方法是对图像的频谱信息进行修改，采用的增强方法包括灰度变换，直方图处理，滤波。
在步骤1中，进行图像锐化处理时，对出现的亮度不均匀现象，利用同态滤波方法进行校正，使用空间域滤波和频域滤波方法对图像进行滤波处理，采用改进的自适应多级中值滤波器，在原来四个一维窗口的基础上增加了三个二维窗口，提高了中值滤波器的自适应能力，在对图像进行去噪处理的同时保留了更多细节信息。
在步骤2中，进行的岩心图像的特征提取与计算包括图像的颜色、形状、纹理、几何形状特征和内部结构特征的提取与计算。
在步骤2中，在进行几何形状特征的提取及计算时，包括位置、距离、面积、周长和圆度的提取及计算，具体包括
在提取及计算位置特征时，定义目标区域面积的中心就是该目标在图像中的位置，即单位面积质量恒定的相同形状图形的质心；对尺寸为MXN的数字图像f(x,y)，其质心计算公式为：
利用MATLAB图像工具箱中的“region_props(L,'Centroid')”函数可以计算得到其质心坐标，L为标记后的二值图像(标记矩阵)，计算结果Pxy为一个 1×2的向量，第一个元素为该区域质心的水平坐标，第二个元素为垂直坐标。
在提取及计算距离特征时，其中，欧几里德距离，即两点之间的直线距离，用De表示，计算公式为：
式中p、q两点的坐标分别为p(i,j)和q(h,k)；
4-邻域距离又称市区街道距离，用D4表示，其计算公式为：
D(p，q)＝|i-h|+|j-k|；
8-邻域距离又称棋盘距离，用D8表示，计算公式为：
D(p，d)＝max(|i-h|+|j-k|)；
在提取及计算面积特征时，面积只与目标区域的边界有关，而与其内部灰度级的变化无关，通过设定合适的面积阈值，将不满足的条件的目标剔除掉；
在提取及计算周长特征时，有三种定义方式：①将图像中每个像素都看作是单位面积的小方格，则区域S的周长可定义为区域和背景交界线的长度；②定义为区域边界8链码的长度；③指从目标区域的边缘上任一点开始，围绕着边缘回到起始点的总像素的个数，即边界点数的总和；
在提取及计算圆度特征时，圆度又称形状因子，用来刻画目标区域边界的复杂程度，其值介于0～1之间；如果目标区域越接近圆形，则其圆度越接近1，而目标区域的边界越复杂，其圆度值越小；圆度参数计算公式为：
式中，A0为目标区域的面积；P0为目标区域的周长。
在步骤2中，在进行内部结构特征的提取及计算时，包括灰度均值、灰度标准差、平滑度、一致性和熵的提取及计算，具体包括：
(1)灰度均值
即―1阶矩‖，表示目标区域内灰度的平均值，计算公式为
式中，Xi为每一像素点的灰度值，N代表区域内的像素总数；
(2)灰度标准差
即“2阶矩”，区域内灰度的标准差越大表示各像素彼此间的差异性或分散程度越大，
计算公式为
式中，σgray为目标区域内的灰度均值；
(3)平滑度
反映区域内灰度变化的剧烈程度，图像的灰度值变化越大，则S值越小，计算公式为：
式中，σgray为区域内的灰度标准差；
(4)一致性
反映图像灰度分布的均匀程度和纹理粗细程度，当区域内所有灰度值相同时U最大，计算公式为
式中，Zi表示灰度值的变量；P(Zi)表示区域灰度直方图中灰度为Zi的像素数目；L是区域的最大灰度级；N为区域内的像素总数；
(5)熵
反映区域内所含信息量的多少，计算公式为：
式中，Zi表示灰度值的变量；P(Zi)表示区域灰度直方图中灰度为Zi的像素数目；L是区域的最大灰度级。
在步骤2中，进行岩心图像中颗粒自动识别与统计时，颗粒自动识别是将列出的颗粒的人工识别准则转换为计算机能认识的计算机语言，采用图像处理的语言来解读上述颗粒的形态特征；颗粒统计时，计算各目标区域的面积并进行排序，提取面积大小处于前三位的三个面积值Area1、Area2、Area3，如果 Area1、Area2的比值RA1∈0.7000,1.0000并且Area3＜mean(Area1, Area2)/3，则判别为颗粒，然后再根据缺陷率和延展度参数对面积≤Area3的各目标区域进行判别，有几个目标区域符合预定条件，则含有几个颗粒。
在步骤2中，进行RGB颜色相似度图像分割时，进行基于RGB颜色空间的阈值分割算法和进行基于RGB颜色相似度的岩心图像分割。
在步骤2中，进行的形态学运算包括二值形态学基本运算，噪声滤除，开启和闭合运算以及孔洞填充。
在步骤2中，进行的二值形态学基本运算包括膨胀和腐蚀，利用膨胀运算连接相邻的物体或目标区域以及填充图像中的小孔和狭窄的缝隙；腐蚀运算就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素，因此，将待选物体设置为结构元素，腐蚀运算还用于物体识别。
在步骤2中，进行噪声滤除时，对于灰度图像，滤除噪声就是进行形态学平滑，将开启和闭合运算综合起来构成形态学噪声滤除器；运用开启运算消除与结构元素相比尺寸较小的亮细节，而保持图像整体灰度值和大的亮区域基本不变；用闭合运算消除与结构元素相比尺寸较小的暗细节，而保持图像整体灰度值和大的暗区域基本不变；将这两种操作综合起来可达到滤除亮区和暗区中各类噪声的效果。
在步骤2中，进行开启和闭合运算时，开启就是先对图像进行腐蚀运算再进行膨胀运算；闭合就是先对图像进行膨胀操作然后进行腐蚀运算；开启运算将比结构元素小的突刺滤掉，切断细长搭接而祈祷分离作用；闭合运算把比结果元素小的缺口或孔填充上，搭接短的间断而起到接通作用。
在步骤2中，进行孔洞填充时，基于区域外接矩形的孔洞填充算法的主控部分包括：
①分配两个数组，分别存储区域的位置坐标：x坐标和y坐标，设定总的种子像素个数SeedNum为1，转②；
②读取种子点颜色值设为Color1，将第一个种子点的坐标存入坐标数组，转③；
③从坐标数组中取出一种子点，转④；
④搜索种子点的8-邻域，逐一判8-邻域中每个点的颜色是否与种子点相同，如果是，则将该点的颜色改为新颜色Color2，SeedNum++，并将该点的坐标存入坐标数组，转(5)；若没有一个点满足条件，则转③；
⑤若坐标数组中的种子点已全部遍历，则转⑥；否则转③；
⑥从坐标数组中搜索x坐标和y坐标的最大、最小值，用这四个参数构造一个外接矩形，转⑦；
⑦用新的颜色Color3填充矩形区域中的与种子点颜色Color2不同的空白区域，与种子点颜色相同的区域，则保留原颜色，转⑧；
⑧从图像开头开始扫描，碰到第一个颜色Color3的像素点，设为种子点，转⑨；
⑨搜索该种子点的8-邻域，逐一判断8-邻域中每个点的颜色是否与种子点相同，由此找出与该种子点相连的区域中的所有像素，并将该区域的所有像素的颜色改为另一种颜色Color4，方法与④一样，转⑩；
⑩判断该区域中是否有像素点在矩形的边界上，如果是，则转否则将该区域中的所有像素点的颜色改为Color2，转
若种子点的搜索已经到了图像末尾，则转否则转⑧；
从图像开头开始扫描，将所有颜色为Color2的像素点的颜色改为原来的颜色Color1。本发明中的岩心体视显微图像定量描述方法，基于RGB颜色空间的阈值分割算法直接对彩色图像进行阈值分割，在保证原有阈值分割算法迅速、简单的前提下，能够对彩色图像进行更为准确的分割。在RGB颜色相似度图像分割时，本发明将算法改进，提出一种新的基于RGB颜色相似度的岩心图像分割算法。在孔洞填充计算中使用一种利用图像外接矩形进行搜索的孔洞填充算法，该算法可用于任意形状区域中若干孔洞的快速填充。本发明中的岩心体视显微图像定量描述方法，将岩心分析人员从如此繁琐的劳动中解脱出来，同时也提高岩心分析的效率，降低经验约束，该方法针对岩心体视显微图像的特点，实现岩心体视显微图像从特征提取到识别分类的自动识别；通过对岩心图片上的粒度进行分析、描述、测量、统计，实现对体视岩心图像中的目标特征的颗粒度、磨圆度、成分比例等参数的计算，实现岩样油水、颗粒从定性到定量的描述。
附图说明
图1为本发明的一具体实施例中灰度转换与RGB颜色空间模型的示意图；
图2为本发明的一具体实施例中基于RGB颜色相似度的岩心图像分割算法流程图；
图3为本发明的一具体实施例中孔洞填充算法程序流程图；
图4为本发明的一具体实施例中岩心体视显微图像定量描述方法流程图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。
本发明的岩心体视显微图像定量描述方法包括以下步骤：
步骤101，对体视岩心图像进行图像预处理、特征提取与量化、模式识别、不规则图形面积计算，实现颗粒大小、分选、磨圆度等结构的成熟度参数描述。
根据彩色图像具有RGB三个分量，不同的物质具有不同的颜色分布，可通过不同颜色的RGB分布范围将相同颜色的特征分离出来，然后将目标特征图像二值图像，并进行滤波、降噪等处理，提取颗粒区域的面积、长、宽等尺寸特征，并提取圆形度特征用于描述磨圆度，对颗粒区域提取颜色特征，并建立支持向量机模型进行分类描述。
在步骤102，通过对体视岩心图像的处理,在对各颗粒进行分类的基础上，对每类颗粒计算个数、面积及岩样总面积，从而计算得到各类成分的比例分布。
在步骤103，通过对体视岩心图像的处理，实现对岩心裂缝的宽度、条数、充填物的描述，及对泥砾和团块大小的测量、形态、排列、磨圆、分布等。
在应用本发明的一具体实施例中，如图4所示，具体包括了以下步骤：
1.图像预处理
为了提高岩心体视显微图像识别的精确度，准确提取图像信息，首要对获取的图像进行预处理。岩心体视显微图像的预处理主要是图像增强处理，消除图像噪声，校正失真，提高层理目标与背景的对比度。主要采用图像模糊增强、边缘检测、去噪等方法改善图像质量。
1.1图像目标特征提取
项目采集到图像是JPEG形式的真彩色图像，图像中含有多种特征对象，可根据各目标特征颜色不同的特点进行目标特征提取，将目标特征分类提取后再进行后续处理。对于不同颜色的目标特征同属同一物质的情况，可以通过多次选取进行叠加计算。
1.2图像的转换
将彩色图像转换为灰度图像，彩色图像的每一个像素都是用其R、G、B分量来表示的，一幅图像的数据量非常庞大。灰度图像只使用一个字节来表示一个像素的灰度值，灰度值如果用Y表示，则区间[Ymin,Ymax]称为灰度级，一般常用的灰度级为[0，255]，Ymin＝0表示为黑色，Ymax＝255表示为白色。中间值表示为各种灰色调，总共256级。彩色图像可以通过公式进行转化：
1.3图像的增强
图像增强就是增强图像中某些有用的信息，消弱或去除不需要的信息，以达到扩大图像中不同部分特征的差别，使处理后的图像比原图像更适合特定的应用。图像增强的方法分为空间域和频率域两大类，空间域方法是对图像像素的灰度直接进行处理，频率域方法是对图像的频谱信息进行修改，常用的增强方法有灰度变换，直方图处理，滤波等方法。
1.4图像锐化处理
锐化滤波可通过锐化滤波器实现，锐化滤波器实际上就是高通滤波器，它可以消除和减弱图像的低频分量，从而增强图像的边缘信息。对出现的亮度不均匀现象，利用同态滤波方法进行校正，使用空间域滤波和频域滤波方法对图像进行滤波处理，提出一种改进的自适应多级中值滤波器，在原来四个一维窗口的基础上增加了三个二维窗口，提高了中值滤波器的自适应能力，在对图像进行去噪处理的同时保留了更多细节信息。
2.岩心体视显微图像自动识别
2.1岩心图像的特征提取与计算
2.1.1特征提取
特征提取和选择就是从众多特征中找出最有效、最能表征待识别对象的特征。在对岩心图像的识别分类中，主要分析的是图像的颜色、纹理、几何形状特征。
(1)颜色特征
图像处理所使用的彩色坐标系统有RGB空间和HIS空间，RGB由红绿蓝三原色组成，对应于监视器的三个刺激值，组成三维正交坐标系。HIS模型由亮度、色调、饱和度三个互不相关的属性组成，可分别对它们进行控制，能够准确地描述颜色特征。
(2)形状特征
形状特征分为局部的特征和全局的特征，对目标的形状进行分析有很多的方法，主要有基于边界方法和基于区域的方法，前者只利用形状的外部边缘，而后者利用形状的全部区域，在提取边缘的基础上，定义边缘的特征描述。
(3)纹理特征
岩心由于其特殊的地质环境和复杂的地质变迁，使其表面纹层复杂，且噪声大，传统的边缘检测算法对其无能为力，须采用特殊的图像检测方法才能取得较好的效果。纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征，它是所有物体表面共有的内在特性。纹理特征包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系。
2.1.2几何形状特征及计算
(1)位置
目标在图像中总有一定的面积，而且通常不是一个单一的像素，因此有必要确定目标在图像中的精确位置，定义目标区域面积的中心就是该在目标在图像中的位置，即单位面积质量恒定的相同形状图形的质心。对尺寸为MXN的数字图像f(x,y)，其质心计算公式为：
利用MATLAB图像工具箱中的“region_props(L,'Centroid')”函数可以计算得到其质心坐标，L为标记后的二值图像(标记矩阵)，计算结果Pxy为一个 1×2的向量，第一个元素为该区域质心的水平坐标，第二个元素为垂直坐标。
(2)距离
常用的距离定义有3种，对于不同的距离定义，两点之间的距离并不相同。欧几里德距离，即两点之间的直线距离，用De表示，计算公式为：
式中p、q两点的坐标分别为p(i,j)和q(h,k)
4-邻域距离(4-neighbor distance)，又称市区街道距离，用D4表示，其计算公式为：
D(p，q)＝|i-h|+|j-k|
8-邻域距离(8-neighbor distance)，又称棋盘距离，用D8表示，计算公式为：
D(p，q)＝max(|i-h|+|j-k|)
(3)面积
指目标区域轮廓内像素个数的总和，包括所有0与1的点。面积只与目标区域的边界有关，而与其内部灰度级的变化无关，通过设定合适的面积阈值，可将不满足的条件的目标剔除掉。
(4)周长
有三种定义方式：①将图像中每个像素都看作是单位面积的小方格，则区域S的周长可定义为区域和背景交界线(接缝)的长度；②定义为区域边界8 链码的长度；③指从目标区域的边缘上任一点开始，围绕着边缘回到起始点的总像素的个数，即边界-点数的总和。
(5)圆度
又称“形状因子”，主要用来刻画目标区域边界的复杂程度，其值介于0～1 之间。如果目标区域越接近圆形，则其圆度越接近1，而目标区域的边界越复杂，其圆度值越小。圆度参数计算公式为：
式中，A0为目标区域的面积；P0为目标区域的周长(采用周长的第②种定义求得)。
2.1.3内部结构特征及计算
区域内部结构特征，也叫图像的纹理，通常定义为图像的某种局部性质，或是对局部区域中像素之间关系的一种度量，其本质是刻画像素的邻域空间的分布规律。
(1).灰度均值
即―1阶矩‖，表示目标区域内灰度的平均值，计算公式为
式中，Xi为每一像素点的灰度值，N代表区域内的像素总数。
(2)灰度标准差
即“2阶矩”，区域内灰度的标准差越大表示各像素彼此间的差异性或分散程度越大。
计算公式为
式中，σgray为目标区域内的灰度均值。
(3)平滑度
反映区域内灰度变化的剧烈程度，图像的灰度值变化越大，则S值越小，计算公式为：
式中，σgray为区域内的灰度标准差。
(4)一致性
反映图像灰度分布的均匀程度和纹理粗细程度，当区域内所有灰度值相同时U最大，计算公式为
式中，Zi表示灰度值的变量；P(Zi)表示区域灰度直方图中灰度为Zi的像素数目；L是区域的最大灰度级；N为区域内的像素总数。
(5)熵
反映区域内所含信息量的多少，计算公式为：
式中，各参数含义同“一致性”的计算公式。
2.2岩心图像中颗粒自动识别与统计
2.2.1颗粒的自动识别
需要将列出的颗粒的人工识别准则转换为计算机能认识的计算机语言，采用图像处理的语言来解读上述颗粒的形态特征。
(1)对于距离关系，本发明采用迭代双阈值分割方法，可以获得轮廓信息，故不需要再考虑距离关系。
(2)对于灰度关系，考虑到图像是采用迭代双阈值方法分割的，这已经保证了灰度值均小于T1，故灰度关系也无需再考虑。
(3)对于形状关系，颗粒应为圆形或椭圆形、且边缘光滑，这与颗粒的判别条件类似，故可直接采用延展度(0.75≤El≤1.00)和缺陷率(0≤DR≤0.30)来限定。
(4)对于尺寸关系，颗粒大小为主颗粒的1/16～1/3，考虑到双两个颗粒的面积往往并不相等，本研究是通过平均面积来限定的，即面积不能超过平均面积的1/3。
2.2.2颗粒的统计
对于颗粒的自动识别与计数，从目标区域个数着手：不含颗粒的目标区域个数N＝2；而含颗粒目标区域个数N≥3。因此，本发明设计的颗粒自动识别和计数程序，即当N≥3时，首先计算各目标区域的面积并进行排序，提取面积大小处于前三位的三个面积值Area1、Area2、Area3，如果Area1、Area2 的比值RA1∈,0.7000,1.0000-并且Area3＜mean(Area1,Area2)/3，则判别为颗粒，然后再根据缺陷率和延展度参数对面积≤Area3的各目标区域进行判别，有几个目标区域符合预定条件，则含有几个颗粒。
2.3RGB颜色相似度图像分割
2.3.1基于RGB颜色空间的阈值分割算法
对于彩色图像，传统的阈值分割算法是先将彩色图像转换成灰度图像，再取一个灰度值作为阈值，逐个像素进行处理，若此像素灰度值小于等于阈值的为前景，置为黑色，若大于阈值的为背景，置为白色。
RGB三原色到灰度的转换公式为： Gary＝0.30*R+0.59*G+0.11*B
在灰度值一定的情况下，此公式是三元一次方程，在笛卡尔坐标系中对应着一个平面。
设灰度值取为60，则方程为：
0.30x+0.59y+0.11z＝60
对应的空间平面在RGB颜色空间中的位置如图1所示。
对照RGB颜色空间模型看，位于此平面上的所有点，经灰度转换后，其灰度值都是60。如果以灰度值60为阈值对彩色图像进行分割，则图像中所有颜色值位于此阈值分割平面下方的，其颜色经灰度转换后都将小于60因此都将判定为前景；同样的，图像中所有颜色值位于此阈值分割平面上方的，将被判定为背景。
对于彩色图像，由于传统的阈值分割算法是对图像颜色进行灰度转换后进行分割，还原到彩色空间中相当于是取了图1中靠近坐标原点的一个四面体所包含的颜色为前景。此四面体中远离原点的四个角部分的色彩已经较大地偏离了黑色，而转换为灰度颜色后这种偏离将被掩盖，从而造成对图像进行阈值分割时的不准确。
基于以上分析，提出新的对彩色图像进行阈值分割的方法：在RGB色彩空间中取靠近原点的一个立方体，其中所包含的颜色为前景，其余的颜色为背景。相应的判定准则是：
从分割结果可以看出，基于RGB颜色空间的阈值分割算法与传统的阈值分割算法相比较，能够更准确地对彩色图像进行分割。
2.3.2基于RGB颜色相似度的岩心图像分割
很多时候图像的目标和背景具有较复杂的颜色及纹理，甚至颜色变化比较剧烈，仅依据颜色的相似度将图像分割为目标和背景是不准确的，例如背景区域若出现与目标相同的颜色区域，则将无法分割此背景区域。此外图像中出现频率最高的两种颜色作为目标颜色和背景颜色也待商榷，出现频率最高的两种颜色不一定对应目标颜色和背景颜色，有可能都是背景颜色。虽然对分割图像有诸多限制，无法将其直接用于岩心图像分割，本发明将算法改进，如图2所示，提出一种新的基于RGB颜色相似度的岩心图像分割算法，包括提取目标区域；确定主颜色；提取分割颜色；求出每个像素点相对于主颜色的颜色比；求出每个像素点相对于主颜色的颜色相似度；判断颜色相似度是否大于阈值，若相似度大于此阈值则认定此像素点为目标区像素点，反之则认定此像素点为背景区域像素点；形态学处理完成图像分割。具体包括如下步骤：
(1)彩色图像的主颜色提取
在处理时需要提取两种主颜色，分别对应目标和背景。即将图像中岩心区域作为目标对象进行提取，非目标区域则作为背景，所以背景区域无须关注，仅关注感兴趣区域。
目标区域作为主颜色必须先得到，可手工任意截取多幅图像的多个区域，求出这些区域的RGB值的平均值(R0，G0，B0)，将(R0，G0，B0)作为图像的主颜色。
(2)CS-BASED RSIS算法
给定像素RGB值分别为(5，3，7)，(50，30，70)，转化为HSI模型，其值分别为(H0，S0，I0)＝(3π/2，2/5，5)，(H1，S1，I1)＝(3π/2， 2/5，50)，计算(R0，G0，B0)和(R1，G1，B1)的SIMILATION值均为0.8873，可以看出虽然RGB各颜色尺度增大为原来的10倍，即颜色的色度和饱和度不变，仅亮度增大为原来的10倍，但颜色的SIMILATION保持不变，所以SIMILATION对颜色的色度和饱和度具有不变性。若记RGB颜色比为：
定义为两种颜色的相似度:
当确定图像的主颜色(R0，G0，B0)后，遍历整幅图像的所有像素点，通过公式计算所有像素点的颜色(R1，G1，B1)相对于主颜色(R0，G0，B0)的颜色比(R'，G'，B')，将颜色比(R'，G'，B')代以上入式，计算每个像素点颜色相对于主颜色的相似度SIMILATION，设定阈值，若相似度大于此阈值则认定此像素点为目标区像素点，反之则认定此像素点为背景区域像素点，分割流程如图2所示。
CS-BASED RSIS算法是对每个像素进行处理，因为根据光照、遮挡、角度等因素分类筛选出的目标区域往往会出现孔洞、毛刺、边缘断开等情况，当阈值分类完成后还需对图像进行多次膨胀和去除小面积对象的数学形态学处理，最后得到分割结果。
2.4形态学运算
2.4.1二值形态学基本运算
二值形态学运算是一种对图像集合的处理过程。有两个最基本的运算，即膨胀和腐蚀。
所谓膨胀是指输出图像是输入图像相应区域内所有像素的最大值。由于膨胀运算具有扩大图像和填充图像中比结构元素小的作用，因此，在实际应用中可以利用膨胀运算连接相邻的物体或目标区域以及填充图像中的小孔和狭窄的缝隙。
所谓腐蚀运算是指输出图像是输入图像相应领域内所有像素的最小值。腐蚀运算的实质就是再目标图像中标出那些与结构元素相同的子图像的原点位置的像素，因此，将待选物体设置为结构元素，腐蚀运算还可用于物体识别。
对于腐蚀与膨胀这两种运算是紧密联系在一起的。一种运算对目标的操作相当于另一种运算对图像背景的操作。
2.4.2噪声滤除
对图像中的噪声进行滤除是图像处理中不可或缺的操作。将开启和闭合运算综合起来可构成形态学噪声滤除器。
对于灰度图像，滤除噪声就是进行形态学平滑。实际中常用开启运算消除与结构元素相比尺寸较小的亮细节，而保持图像整体灰度值和大的亮区域基本不变。用闭合运算消除与结构元素相比尺寸较小的暗细节，而保持图像整体灰度值和大的暗区域基本不变。将这两种操作综合起来可达到滤除亮区和暗区中各类噪声的效果。
2.4.3开启和闭合运算
膨胀使得图像扩大而腐蚀使得图像缩小，由于膨胀和腐蚀并不是互为逆运算，所以可以在二值提取过程中将他们级联结合使用。开启就是先对图像进行腐蚀运算再进行膨胀运算。它具有消除细小物体，在纤细出分离物体和平滑较大物体边界的作用。闭合就是先对图像进行膨胀操作然后进行腐蚀运算。它具有填充物体内部细小空洞，连接邻近物体和平滑边界的作用。
开启和闭合这两种运算都可以出去比结构元素小的特定图像细节，同时保证不产生全局失真。开启运算可以将比结构元素小的突刺滤掉，切断细长搭接而祈祷分离作用。闭合运算可以把比结果元素小的缺口或孔填充上，搭接短的间断而起到接通作用。
2.4.4孔洞填充
(1)算法设计
在图像处理中，我们经常会碰到需要填充某些区域中的许多小孔洞的情况。这些区域的形状各异，有凸多边形、凹多边形或者其他不规则图形。本发明提出了一种利用图像外接矩形进行搜索的孔洞填充算法，该算法可用于任意形状区域中若干孔洞的快速填充。为了方便填充区域的计算、减少辅助内存，申请了两个数组，分别用于保存扫描过程中所搜索到的所有点的横坐标和纵坐标，称为坐标数组。坐标数组的存储大小和存储方式与原图像相同。该孔洞填充算法的具体如下：
①找到所要填充的区域中所有非孔洞像素点的坐标。从预先任意选定的种子点开始，采用8-邻域跟踪算法，搜索种子点的8-邻域，找出与种子点相同颜色并且相连通的所有像素的位置。每找到一个与种子点颜色Color1相同的点，就把该点标记为种子点，并把它的颜色改为另一种颜色Color2，然后将其坐标存入坐标数组中。该种子点搜索完毕后，再从坐标数组中取出一个种子点进行如上操作。由于在图像中的每个点，只要其颜色为Color1，在扫描后其颜色都被改为Color2，这样，每扫描一个点，标记为Color1的点就减少一个。最终，当所有的种子点都扫描完毕后，属于区域中的点也就全部标记出来了。该算法对每个点都只需扫描一遍，速度显然很快。
②通过已知多边形区域内所有点的坐标找出包含该区域的最小矩形区域，并且用不同于种子点的颜色来填充矩形内空白区域。矩形区域内的空白区域用不同于种子点的颜色Color3来填充。这样，只要能把除去多边形区域内孔洞外的标记为Color3的部分去掉，剩下的就是孔洞区域，将剩下的区域用多边形区域的颜色填充即可完成孔洞填充。
③找出矩形内新的颜色Color3所在区域，判断各个区域是否为孔洞。判断准则是该区域是否有像素与矩形边缘相连，如果有，说明不是孔洞，否则，就是孔洞。
④用原来的颜色Color1填充矩形区域中除去标记为Color4的像素之外的所有像素。这样，多边形区域中的孔洞就一次性地全部被填充了。
(2)算法描述综合以上分析，基于区域外接矩形的孔洞填充算法的主控部分可以描述如下：
①分配两个数组，分别存储区域的位置坐标：x坐标和y坐标，设定总的种子像素个数SeedNum为1，转②；
②读取种子点颜色值设为Color1，将第一个种子点的坐标存入坐标数组，转③；
③从坐标数组中取出一种子点，转④；
④搜索种子点的8-邻域，逐一判8-邻域中每个点的颜色是否与种子点相同，如果是，则将该点的颜色改为新颜色Color2，SeedNum++，并将该点的坐标存入坐标数组，转(5)；若没有一个点满足条件，则转③；
⑤若坐标数组中的种子点已全部遍历，则转⑥；否则转③；
⑥从坐标数组中搜索x坐标和y坐标的最大、最小值，用这四个参数构造一个外接矩形，转⑦；
⑦用新的颜色Color3填充矩形区域中的与种子点颜色Color2不同的空白区域，与种子点颜色相同的区域，则保留原颜色，转⑧；
⑧从图像开头开始扫描，碰到第一个颜色Color3的像素点，设为种子点，转⑨；
⑨搜索该种子点的8-邻域，逐一判断8-邻域中每个点的颜色是否与种子点相同，由此找出与该种子点相连的区域中的所有像素，并将该区域的所有像素的颜色改为另一种颜色Color4，方法与④一样，转⑩；
⑩判断该区域中是否有像素点在矩形的边界上，如果是，则转否则将该区域中的所有像素点的颜色改为Color2，转
若种子点的搜索已经到了图像末尾，则转否则转⑧；
从图像开头开始扫描，将所有颜色为Color2的像素点的颜色改为原来的颜色Color1。
算法程序流程图如图3所示。

Claims (15)

1.岩心体视显微图像定量描述方法，其特征在于，该岩心体视显微图像定量描述方法包括：
步骤1，进行图像预处理，包括提取图像目标特征，进行图像的转换，进行图像的增强，以及将图像进行锐化处理；
步骤2，进行岩心体式显微图像自动识别，包括将图像特征进行提取与计算，进行图像颗粒自动识别与统计，进行RGB颜色相似度图像分析以及进行形态学运算。
2.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤1中，进行图像目标特征提取时，项目采集到的图像为JPEG形式的真彩色图像，图像中含有多种特征对象，根据各目标特征颜色不同的特点进行目标特征提取，将目标特征分类提取后再进行后续处理；对于不同颜色的目标特征同属同一物质的情况，通过多次选取进行叠加计算。
3.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤1中，进行图像的转换时，将彩色图像转换为灰度图像，彩色图像的每一个像素都用其R、G、B分量来表示，灰度图像只使用一个字节来表示一个像素的灰度值，灰度值用Y表示，则区间[Ymin,Ymax]称为灰度级，一般常用的灰度级为[0，255]，Ymin＝0表示为黑色，Ymax＝255表示为白色；中间值表示为各种灰色调，总共256级；彩色图像通过公式进行转化：
Y＝0.299R+0.578G+0.144B (2-1)。
4.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤1中，进行图像的增强时，图像增强的方法分为空间域和频率域两大类，空间域方法是对图像像素的灰度直接进行处理，频率域方法是对图像的频谱信息进行修改，采用的增强方法包括灰度变换，直方图处理，滤波。
5.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤1中，进行图像锐化处理时，对出现的亮度不均匀现象，利用同态滤波方法进行校正，使用空间域滤波和频域滤波方法对图像进行滤波处理，采用改进的自适应多级中值滤波器，在原来四个一维窗口的基础上增加了三个二维窗口，提高了中值滤波器的自适应能力，在对图像进行去噪处理的同时保留了更多细节信息。
6.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行的岩心图像的特征提取与计算包括图像的颜色、形状、纹理、几何形状特征和内部结构特征的提取与计算。
7.根据权利要求6所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，在进行几何形状特征的提取及计算时，包括位置、距离、面积、周长和圆度的提取及计算，具体包括：
在提取及计算位置特征时，定义目标区域面积的中心就是该目标在图像中的位置，即单位面积质量恒定的相同形状图形的质心；对尺寸为MXN的数字图像f(x,y)，其质心计算公式为：
在提取及计算距离特征时，其中，欧几里德距离，即两点之间的直线距离，用De表示，计算公式为：
式中p、q两点的坐标分别为p(i,j)和q(h,k)；
4-邻域距离又称市区街道距离，用D4表示，其计算公式为：
D(p，q)＝|i-h|+|j-k|；
8-邻域距离又称棋盘距离，用D8表示，计算公式为：
D(p，q)＝max(|i-h|+|j-k|)；
在提取及计算面积特征时，面积只与目标区域的边界有关，而与其内部灰度级的变化无关，通过设定合适的面积阈值，将不满足的条件的目标剔除掉；
在提取及计算周长特征时，有三种定义方式：①将图像中每个像素都看作是单位面积的小方格，则区域S的周长可定义为区域和背景交界线的长度；②定义为区域边界8链码的长度；③指从目标区域的边缘上任一点开始，围绕着边缘回到起始点的总像素的个数，即边界点数的总和；
在提取及计算圆度特征时，圆度又称形状因子，用来刻画目标区域边界的复杂程度，其值介于0～1之间；如果目标区域越接近圆形，则其圆度越接近1，而目标区域的边界越复杂，其圆度值越小；圆度参数计算公式为：
R0＝4πA0/P0
式中，A0为目标区域的面积；P0为目标区域的周长。
8.根据权利要求6所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，在进行内部结构特征的提取及计算时，包括灰度均值、灰度标准差、平滑度、一致性和熵的提取及计算，具体包括：
(1)灰度均值
即―1阶矩‖，表示目标区域内灰度的平均值，计算公式为
式中，Xi为每一像素点的灰度值，N代表区域内的像素总数；
(2)灰度标准差
即“2阶矩”，区域内灰度的标准差越大表示各像素彼此间的差异性或分散程度越大，
计算公式为
式中，σgray为目标区域内的灰度均值；
(3)平滑度
反映区域内灰度变化的剧烈程度，图像的灰度值变化越大，则S值越小，计算公式为：
式中，σgray为区域内的灰度标准差；
(4)一致性
反映图像灰度分布的均匀程度和纹理粗细程度，当区域内所有灰度值相同时U最大，计算公式为
式中，Zi表示灰度值的变量；P(Zi)表示区域灰度直方图中灰度为Zi的像素数目；L是区域的最大灰度级；N为区域内的像素总数；
(5)熵
反映区域内所含信息量的多少，计算公式为：
式中，Zi表示灰度值的变量；P(Zi)表示区域灰度直方图中灰度为Zi的像素数目；L是区域的最大灰度级。
9.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行岩心图像中颗粒自动识别与统计时，颗粒自动识别是将列出的颗粒的人工识别准则转换为计算机能认识的计算机语言，采用图像处理的语言来解读上述颗粒的形态特征；颗粒统计时，计算各目标区域的面积并进行排序，提取面积大小处于前三位的三个面积值Area1、Area2、Area3，如果Area1、Area2的比值RA1∈0.7000,1.0000并且Area3＜mean(Area1,Area2)/3，则判别为颗粒，然后再根据缺陷率和延展度参数对面积≤Area3的各目标区域进行判别，有几个目标区域符合预定条件，则含有几个颗粒。
10.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行RGB颜色相似度图像分割时，进行基于RGB颜色空间的阈值分割算法和进行基于RGB颜色相似度的岩心图像分割。
11.根据权利要求1所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行的形态学运算包括二值形态学基本运算，噪声滤除，开启和闭合运算以及孔洞填充。
12.根据权利要求11所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行的二值形态学基本运算包括膨胀和腐蚀，利用膨胀运算连接相邻的物体或目标区域以及填充图像中的小孔和狭窄的缝隙；腐蚀运算就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素，因此，将待选物体设置为结构元素，腐蚀运算还用于物体识别。
13.根据权利要求11所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行噪声滤除时，对于灰度图像，滤除噪声就是进行形态学平滑，将开启和闭合运算综合起来构成形态学噪声滤除器；运用开启运算消除与结构元素相比尺寸较小的亮细节，而保持图像整体灰度值和大的亮区域基本不变；用闭合运算消除与结构元素相比尺寸较小的暗细节，而保持图像整体灰度值和大的暗区域基本不变；将这两种操作综合起来可达到滤除亮区和暗区中各类噪声的效果。
14.根据权利要求11所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行开启和闭合运算时，开启就是先对图像进行腐蚀运算再进行膨胀运算；闭合就是先对图像进行膨胀操作然后进行腐蚀运算；开启运算将比结构元素小的突刺滤掉，切断细长搭接而祈祷分离作用；闭合运算把比结果元素小的缺口或孔填充上，搭接短的间断而起到接通作用。
15.根据权利要求11所述的岩心体视显微图像定量描述方法，其特征在于，在步骤2中，进行孔洞填充时，基于区域外接矩形的孔洞填充算法的主控部分包括：
①分配两个数组，分别存储区域的位置坐标：x坐标和y坐标，设定总的种子像素个数SeedNum为1，转②；
②读取种子点颜色值设为Color1，将第一个种子点的坐标存入坐标数组，转③；
③从坐标数组中取出一种子点，转④；
④搜索种子点的8-邻域，逐一判8-邻域中每个点的颜色是否与种子点相同，如果是，则将该点的颜色改为新颜色Color2，SeedNum++，并将该点的坐标存入坐标数组，转(5)；若没有一个点满足条件，则转③；
⑤若坐标数组中的种子点已全部遍历，则转⑥；否则转③；
⑥从坐标数组中搜索x坐标和y坐标的最大、最小值，用这四个参数构造一个外接矩形，转⑦；
⑦用新的颜色Color3填充矩形区域中的与种子点颜色Color2不同的空白区域，与种子点颜色相同的区域，则保留原颜色，转⑧；
⑧从图像开头开始扫描，碰到第一个颜色Color3的像素点，设为种子点，转⑨；
⑨搜索该种子点的8-邻域，逐一判断8-邻域中每个点的颜色是否与种子点相同，由此找出与该种子点相连的区域中的所有像素，并将该区域的所有像素的颜色改为另一种颜色Color4，方法与④一样，转⑩；
⑩判断该区域中是否有像素点在矩形的边界上，如果是，则转否则将该区域中的所有像素点的颜色改为Color2，转
若种子点的搜索已经到了图像末尾，则转否则转⑧；
从图像开头开始扫描，将所有颜色为Color2的像素点的颜色改为原来的颜色Color1。
CN201810591871.3A 2018-06-08 2018-06-08 岩心体视显微图像定量描述方法 Pending CN108830877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810591871.3A CN108830877A (zh) 2018-06-08 2018-06-08 岩心体视显微图像定量描述方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810591871.3A CN108830877A (zh) 2018-06-08 2018-06-08 岩心体视显微图像定量描述方法

Publications (1)

Publication Number Publication Date
CN108830877A true CN108830877A (zh) 2018-11-16

Family

ID=64144655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810591871.3A Pending CN108830877A (zh) 2018-06-08 2018-06-08 岩心体视显微图像定量描述方法

Country Status (1)

Country Link
CN (1) CN108830877A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163826A (zh) * 2019-05-23 2019-08-23 南京工业大学 一种黄土微结构图像的处理方法
CN110334750A (zh) * 2019-06-21 2019-10-15 西安工程大学 输电线路铁塔螺栓锈蚀程度图像分类识别方法
CN110427798A (zh) * 2019-06-12 2019-11-08 勤耕仁现代农业科技发展(淮安)有限责任公司 一种青菜智能识别及叶色环境变化预测的方法
CN111709423A (zh) * 2020-06-26 2020-09-25 东北石油大学 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法
CN112102238A (zh) * 2020-08-10 2020-12-18 华南理工大学 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法
CN112365450A (zh) * 2020-10-23 2021-02-12 安徽启新明智科技有限公司 基于图像识别的物品分类计数的方法、装置和存储介质
CN113177949A (zh) * 2021-04-16 2021-07-27 中南大学 一种大尺寸岩石颗粒特征识别方法及装置
CN113421261A (zh) * 2021-08-23 2021-09-21 金成技术有限公司 一种基于图像处理的结构件生产过程缺陷检测方法
CN113642609A (zh) * 2021-07-15 2021-11-12 东华大学 基于图像识别技术的共混聚合物中分散相形貌的表征方法
CN114170114A (zh) * 2021-12-14 2022-03-11 北京柏惠维康科技有限公司 脊柱ct图像的增强方法及装置、脊柱手术机器人
CN114708269A (zh) * 2022-06-08 2022-07-05 武汉理工大学 一种基于图像识别预测轴承钢第二相颗粒最大尺寸的方法
CN118247264A (zh) * 2024-05-20 2024-06-25 华域生物科技(天津)有限公司 一种受精卵胚胎解冻形态的图像检测评估方法
CN118470551A (zh) * 2024-07-15 2024-08-09 四川凉山水洛河电力开发有限公司 一种边坡松散岩体识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003065017A2 (en) * 2002-01-31 2003-08-07 Aberdeen University A method and device to ascertain physical characteristics of porous media
CN105139444A (zh) * 2015-07-31 2015-12-09 四川大学 基于岩心二维颗粒图像的三维颗粒结构重建方法
CN105809692A (zh) * 2016-03-10 2016-07-27 中国石油大学(华东) 一种页岩结构的定量表征方法
CN106447669A (zh) * 2016-04-08 2017-02-22 潍坊学院 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法
CN106485223A (zh) * 2016-10-12 2017-03-08 南京大学 一种砂岩显微薄片中岩石颗粒的自动识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003065017A2 (en) * 2002-01-31 2003-08-07 Aberdeen University A method and device to ascertain physical characteristics of porous media
CN105139444A (zh) * 2015-07-31 2015-12-09 四川大学 基于岩心二维颗粒图像的三维颗粒结构重建方法
CN105809692A (zh) * 2016-03-10 2016-07-27 中国石油大学(华东) 一种页岩结构的定量表征方法
CN106447669A (zh) * 2016-04-08 2017-02-22 潍坊学院 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法
CN106485223A (zh) * 2016-10-12 2017-03-08 南京大学 一种砂岩显微薄片中岩石颗粒的自动识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张燕 等: "一种适用于任意形状区域的快速孔洞填充算法", 《计算机应用研究》 *
张莹: "岩石铸体薄片孔隙度图像测量技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
覃磊 等: "基于RGB颜色相似度的成熟草莓图像分割", 《浙江农业学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163826A (zh) * 2019-05-23 2019-08-23 南京工业大学 一种黄土微结构图像的处理方法
CN110427798A (zh) * 2019-06-12 2019-11-08 勤耕仁现代农业科技发展(淮安)有限责任公司 一种青菜智能识别及叶色环境变化预测的方法
CN110427798B (zh) * 2019-06-12 2023-07-18 勤耕仁现代农业科技发展(淮安)有限责任公司 一种青菜智能识别及叶色环境变化预测的方法
CN110334750A (zh) * 2019-06-21 2019-10-15 西安工程大学 输电线路铁塔螺栓锈蚀程度图像分类识别方法
CN110334750B (zh) * 2019-06-21 2021-06-08 西安工程大学 输电线路铁塔螺栓锈蚀程度图像分类识别方法
CN111709423B (zh) * 2020-06-26 2022-03-15 东北石油大学 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法
CN111709423A (zh) * 2020-06-26 2020-09-25 东北石油大学 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法
CN112102238A (zh) * 2020-08-10 2020-12-18 华南理工大学 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法
CN112102238B (zh) * 2020-08-10 2023-06-20 华南理工大学 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法
CN112365450A (zh) * 2020-10-23 2021-02-12 安徽启新明智科技有限公司 基于图像识别的物品分类计数的方法、装置和存储介质
CN113177949A (zh) * 2021-04-16 2021-07-27 中南大学 一种大尺寸岩石颗粒特征识别方法及装置
CN113177949B (zh) * 2021-04-16 2023-09-01 中南大学 一种大尺寸岩石颗粒特征识别方法及装置
CN113642609A (zh) * 2021-07-15 2021-11-12 东华大学 基于图像识别技术的共混聚合物中分散相形貌的表征方法
CN113642609B (zh) * 2021-07-15 2024-03-26 东华大学 基于图像识别技术的共混聚合物中分散相形貌的表征方法
CN113421261B (zh) * 2021-08-23 2021-11-05 金成技术有限公司 一种基于图像处理的结构件生产过程缺陷检测方法
CN113421261A (zh) * 2021-08-23 2021-09-21 金成技术有限公司 一种基于图像处理的结构件生产过程缺陷检测方法
CN114170114A (zh) * 2021-12-14 2022-03-11 北京柏惠维康科技有限公司 脊柱ct图像的增强方法及装置、脊柱手术机器人
CN114708269A (zh) * 2022-06-08 2022-07-05 武汉理工大学 一种基于图像识别预测轴承钢第二相颗粒最大尺寸的方法
CN118247264A (zh) * 2024-05-20 2024-06-25 华域生物科技(天津)有限公司 一种受精卵胚胎解冻形态的图像检测评估方法
CN118470551A (zh) * 2024-07-15 2024-08-09 四川凉山水洛河电力开发有限公司 一种边坡松散岩体识别方法

Similar Documents

Publication Publication Date Title
CN108830877A (zh) 岩心体视显微图像定量描述方法
Wan et al. Robust nuclei segmentation in histopathology using ASPPU-Net and boundary refinement
CN103208001B (zh) 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
Hofmann Detecting urban features from IKONOS data using an object-oriented approach
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
Vasuki et al. An interactive image segmentation method for lithological boundary detection: A rapid mapping tool for geologists
CN104103082A (zh) 一种基于区域描述和先验知识的图像显著性检测方法
CN104318051B (zh) 基于规则的大范围水体信息遥感自动提取系统及方法
Dong et al. A novel method for extracting information on pores from cast thin-section images
Su Scale-variable region-merging for high resolution remote sensing image segmentation
CN111415352B (zh) 一种基于深度级联网络的癌转移全景病理切片分析方法
Wang et al. A hybrid method for the segmentation of a ferrograph image using marker-controlled watershed and grey clustering
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
CN110097537A (zh) 一种基于三维纹理特征的肉质定量分析评价方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN110047079A (zh) 一种基于对象相似性的最优分割尺度选择方法
Han et al. An enhanced image binarization method incorporating with Monte-Carlo simulation
CN105205485B (zh) 基于多类类间最大方差算法的大尺度图像分割算法
CN109741351A (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN109299295A (zh) 蓝印花布图像数据库搜索方法
Yan-Li Introduction to digital image pre-processing and segmentation
CN114638596B (zh) 一种自然资源业务流程审查方法、系统、设备和介质
Luus et al. The effects of segmentation-based shadow removal on across-date settlement type classification of panchromatic QuickBird images
Kurtz et al. Hierarchical segmentation of multiresolution remote sensing images
Gancarczyk et al. Data mining approach to Image feature extraction in old painting restoration

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116