CN110189353B - 一种泥页岩能谱矿物分布图校准方法及系统 - Google Patents

一种泥页岩能谱矿物分布图校准方法及系统 Download PDF

Info

Publication number
CN110189353B
CN110189353B CN201910498155.5A CN201910498155A CN110189353B CN 110189353 B CN110189353 B CN 110189353B CN 201910498155 A CN201910498155 A CN 201910498155A CN 110189353 B CN110189353 B CN 110189353B
Authority
CN
China
Prior art keywords
mineral
centroid
map
area
image
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.)
Active
Application number
CN201910498155.5A
Other languages
English (en)
Other versions
CN110189353A (zh
Inventor
薛海涛
田善思
曾芳
卢双舫
赵日新
王民
王伟明
陈国辉
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 University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201910498155.5A priority Critical patent/CN110189353B/zh
Publication of CN110189353A publication Critical patent/CN110189353A/zh
Application granted granted Critical
Publication of CN110189353B publication Critical patent/CN110189353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope

Abstract

本发明公开了一种泥页岩能谱矿物分布图校准方法及系统。该方法包括：确定泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图；计算泥页岩扫描电镜灰度图的三个特征矿物区域的质心以及各特征矿物区域在能谱矿物分布图中的对应区域的质心，对能谱矿物分布图的尺寸进行校准；将对尺寸校准后的图像中每种矿物颗粒进行腐蚀后得到的颗粒图像作为前景色，无机矿物孔隙图和干酪根区域图作为背景色，对泥页岩扫描电镜灰度图进行分割；确定分割后得到的各独立区域的矿物类型；依据所有确定矿物类型后的独立区域，实现对尺寸校准后的图像的分辨率校准。本发明实现了对能谱矿物分布图的校准，在用于对不同矿物孔隙进行识别时，能够提高识别精度。

Description

一种泥页岩能谱矿物分布图校准方法及系统
技术领域
本发明涉及矿物分布图校准技术领域，特别是涉及一种泥页岩能谱矿物分布图校准方法及系统。
背景技术
扫描电镜是一种应用高能电子在样品表面进行扫描的技术，它能有效的反应样品表面的形貌特征。二次电子的分辨率一般在5～10nm，在低于表面的区域(如孔隙)，其亮度会较边缘的区域暗一些，且边缘会积累电荷，十分明亮，形成一圈亮边。传统孔隙提取的方式是通过人工手绘、阈值法、边缘提取法、分水岭法，在一定程度上提取孔隙。
人工手绘法的结果因为操作人员的地质经验的不同而差异很大，且页岩中小孔隙众多，一张页岩扫描电镜图片中的微小孔隙动辄几千甚至数万个孔隙，工作量巨大(一套连续拍的扫描电镜图能达到几十甚至上千张)，十分耗时，且在手绘过程中操作人员很容易忽略一些微小孔隙。该方法不易处理大量图片，在定性或半定量的页岩孔隙评价中应用广泛。
阈值法是一种利用一个灰度值将泥页岩SEM灰度图片分为孔隙和背景区域的方法，由于扫描电镜在孔隙区域颜色较暗。因此可以将灰度低于阈值的区域定为孔隙，将灰度高于阈值的区域定为背景。阈值法由于操作简便，广泛应用于对扫描电镜的处理。但由于页岩中干酪根及暗色矿物的存在，很容易将干酪根与暗色矿物区域识别为孔隙而造成误差。且一些较浅的大孔，其内部亮度值较高，整体颜色较亮；内部粗糙不平的大孔，其内部明暗不一，也很容易将这些亮的区域忽略而造成误差。阈值法分为两种：人工阈值法与自动阈值法。人工阈值法与人工手绘法存在同样的问题：都会由于操作人员地质经验的不同而使得处理结果因人而异。而自动阈值法则不存在这个问题，只要确定了自动阈值的方法后，任何人都能得到同样的处理结果。但是目前自动阈值法的方法众多，但大多数都是应用于材料，生物或是砂岩、碳酸盐岩储层样品，并没有专门应用在页岩样品的自动阈值提取方法。
边缘提取法是一种先对图片进行微分处理，找到明暗变化剧烈的边界线并将其提取出来的方法。应用在孔隙提取过程中，还需要对提取出的边界进行填充。边缘提取法可以有效的将孔隙的边缘提取出来，但是在处理大面积的图片过程中，由于干酪根边缘、矿物边缘、样品预处理过程中造成的样品表面粗糙不平(棱角)及污染物的边缘都会被提取出来，从而造成大量误差，且在提取浅孔。及倾斜的有棱角的孔隙时，会由于边缘提取不全而在孔隙填充的过程中，不能填充孔隙从而造成误差。
分水岭法与边缘提取法类似，都是首先对图片进行微分处理，但分水岭法接下来会将低于一定值的区域找出来，将这些区域分割成一个一个更小的区域，并将这些不同的区域识别为孔隙，但分水岭法与边缘提取法存在类似的问题，干酪根、矿物、预处理及污染物都会造成大量误差，且内部粗糙不同的大孔，分水岭法会将其分割成不同的小孔隙而造成大量误差。
上述方法仅能将孔隙识别出来，为了对孔隙为有机孔隙还是为无机孔隙进行识别，目前，通常采用能谱仪得到EDS能谱，利用EDS能谱所得不同矿物及干酪根分布图与孔隙图进行叠加，然后判断有机孔隙与无机孔隙，该方法虽然能识别孔隙为有机孔隙还是为无机孔隙进行识别，并且在定量的对孔隙受哪些矿物的控制进行识别时，采用的矿物分布图通常是根据EDS能谱直接得到的，其分辨率较二次电子灰度图差1～2个数量级，且边缘呈现锯齿状，这样导致在对孔隙受哪些矿物的控制进行识别时，误差较大。
发明内容
基于此，有必要提供一种泥页岩能谱矿物分布图校准方法及系统，以提高矿物分布图的分辨率，进而提高对不同矿物孔隙识别的精确度。
为实现上述目的，本发明提供了如下方案：
一种泥页岩能谱矿物分布图校准方法，包括：
获取泥页岩扫描电镜灰度图和对应的能谱矿物分布图；所述能谱矿物分布图是采用能谱仪得到的；
确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图；
确定所述泥页岩扫描电镜灰度图的三个特征矿物区域以及每个所述特征矿物区域在所述能谱矿物分布图中的对应区域；
计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图；
对所述尺寸校准后的矿物分布图中每种矿物颗粒进行腐蚀图像处理，得到腐蚀后的颗粒图像；
将所述腐蚀后的颗粒图像作为前景色，所述无机矿物孔隙图和所述干酪根区域图作为背景色，采用分水岭算法对所述泥页岩扫描电镜灰度图进行分割，得到分割后的泥页岩扫描电镜灰度图；所述分割后的泥页岩扫描电镜灰度图具有多个独立区域；
将所述分割后的泥页岩扫描电镜灰度图与所述尺寸校准后的能谱矿物分布图进行叠加，统计各所述独立区域内所有不同矿物类型的像素点个数；
将各所述独立区域内像素点个数最多的矿物类型确定为对应独立区域的矿物类型；
依据所有确定矿物类型后的独立区域，对所述尺寸校准后的能谱矿物分布图进行分辨率校准，得到分辨率校准后的能谱矿物分布图。
可选的，所述计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图，具体包括：
计算第一质心、第二质心、第三质心、第一对应质心、第二对应质心和第三对应质心；所述第一质心为第一特征矿物区域的质心，所述第二质心为第二特征矿物区域的质心，所述第三质心为第三特征矿物区域的质心，所述第一对应质心为与所述第一特征矿物区域对应的区域的质心，所述第二对应质心为与所述第二特征矿物区域对应的区域的质心，所述第三对应质心为与所述第三特征矿物区域对应的区域的质心；
计算第一三角形质心和第二三角形质心；所述第一三角形质心为所述第一质心、所述第二质心和所述第三质心围成的三角形的质心，所述第二三角形质心为所述第一对应质心、所述第二对应质心和所述第三对应质心围成的三角形的质心；
依据所述第一质心、所述第二质心、所述第三质心和所述第一三角形质心，计算第一斜率、第一垂向距离和第一横向距离；所述第一斜率为所述第一三角形质心与所述第一质心之间的连线的斜率，所述第一垂向距离为所述第一三角形质心到所述第一质心的垂向距离，所述第一横向距离为所述第二质心到所述第三质心的横向距离；
依据所述第一对应质心、所述第二对应质心、所述第三对应质心和所述第二三角形质心，计算第二斜率、第二垂向距离和第二横向距离；所述第二斜率为所述第二三角形质心与所述第一对应质心之间的连线的斜率，所述第二垂向距离为所述第二三角形质心到所述第一对应质心的垂向距离，所述第二横向距离为所述第二对应质心到所述第三对应质心的横向距离；
将所述能谱矿物分布图进行旋转，使得所述能谱矿物分布图对应的第二斜率转换为所述第一斜率，得到旋转后的能谱矿物分布图；
将所述旋转后的能谱矿物分布图沿X轴方向扩大m倍，沿Y轴方向扩大n倍，得到扩大后的能谱矿物分布图；其中m为所述第一横向距离与所述第二横向距离的比值，n为所述第一垂向距离与所述第二垂向距离的比值；
将所述扩大后的能谱矿物分布图与所述泥页岩扫描电镜灰度图进行叠加，保留所述扩大后的能谱矿物分布图中与所述泥页岩扫描电镜灰度图的重叠区域，将所述重叠区域确定为尺寸校准后的矿物分布图。
可选的，所述确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图，具体包括：
统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数，得到像素点个数随灰度值变化的关系曲线；
确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同；
利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰最高点对应的灰度值和所述峰宽，计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值；
采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割，得到初始孔隙图、初始干酪根孔隙图和亮色矿物图；
依据所述初始孔隙图，对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和初始干酪根区域图；
将所述初始干酪根区域图与所述亮色矿物图进行叠加，去除所述初始干酪根区域图中对应的亮色矿物，得到干酪根区域图。
可选的，在所述确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图之后，还包括：
依据所述干酪根区域图和泥页岩边缘提取图，确定标定图；所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的；
对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割，得到第一孔隙图；
依据所述干酪根区域图、所述第一孔隙图和所述标定图，确定有机孔隙图。
可选的，所述确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽，具体包括：
采用高斯分峰拟合法对所述关系曲线进行拟合，得到拟合曲线；
依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰；所述主矿物峰为石英-长石-方解石矿物峰；
确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
可选的，所述依据所述初始孔隙图，对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和初始干酪根区域图，具体包括：
将所述初始孔隙图和所述初始干酪根孔隙图叠加，统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数；所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值；所述第二参数为孔隙的面积；
依据所述第二参数，确定所述初始孔隙图中最大孔隙的面积；
依据所述第一参量和所述最大孔隙的面积，建立干酪根区域判别函数；
采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和干酪根区域；
对所述干酪根区域进行填充，得到初始干酪根区域图。
可选的，所述依据所述干酪根区域图和泥页岩边缘提取图，确定标定图，具体包括：
利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取，得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图；
将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并，得到泥页岩边缘提取图；
将所述干酪根区域图与所述泥页岩边缘提取图进行合并，删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘，得到标定图。
可选的，所述依据所述干酪根区域图、所述第一孔隙图和所述标定图，确定有机孔隙图，具体包括：
将所述第一孔隙图与所述干酪根区域图进行叠加，删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙，得到第二孔隙图；
将所述第二孔隙图与所述标定图进行对比，确定最佳阈值下的孔隙图；
对所述标定图中的边缘进行内填充，得到填充后的标定图；
将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并，得到有机孔隙图。
本发明还提供了一种泥页岩能谱矿物分布图校准系统，包括：
图像获取模块，用于获取泥页岩扫描电镜灰度图和对应的能谱矿物分布图；所述能谱矿物分布图是采用能谱仪得到的；
第一确定模块，用于确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图；
第二确定模块，用于确定所述泥页岩扫描电镜灰度图的三个特征矿物区域以及每个所述特征矿物区域在所述能谱矿物分布图中的对应区域；
尺寸校准模块，用于计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图；
腐蚀处理模块，用于对所述尺寸校准后的矿物分布图中每种矿物颗粒进行腐蚀图像处理，得到腐蚀后的颗粒图像；
分割模块，用于将所述腐蚀后的颗粒图像作为前景色，所述无机矿物孔隙图和所述干酪根区域图作为背景色，采用分水岭算法对所述泥页岩扫描电镜灰度图进行分割，得到分割后的泥页岩扫描电镜灰度图；所述分割后的泥页岩扫描电镜灰度图具有多个独立区域；
统计模块，用于将所述分割后的泥页岩扫描电镜灰度图与所述尺寸校准后的能谱矿物分布图进行叠加，统计各所述独立区域内所有不同矿物类型的像素点个数；
矿物类型确定模块，用于将各所述独立区域内像素点个数最多的矿物类型确定为对应独立区域的矿物类型；
分辨率校准模块，用于依据所有确定矿物类型后的独立区域，对所述尺寸校准后的能谱矿物分布图进行分辨率校准，得到分辨率校准后的能谱矿物分布图。
可选的，所述尺寸校准模块，具体包括：
第一计算单元，用于计算第一质心、第二质心、第三质心、第一对应质心、第二对应质心和第三对应质心；所述第一质心为第一特征矿物区域的质心，所述第二质心为第二特征矿物区域的质心，所述第三质心为第三特征矿物区域的质心，所述第一对应质心为与所述第一特征矿物区域对应的区域的质心，所述第二对应质心为与所述第二特征矿物区域对应的区域的质心，所述第三对应质心为与所述第三特征矿物区域对应的区域的质心；
第二计算单元，用于计算第一三角形质心和第二三角形质心；所述第一三角形质心为所述第一质心、所述第二质心和所述第三质心围成的三角形的质心，所述第二三角形质心为所述第一对应质心、所述第二对应质心和所述第三对应质心围成的三角形的质心；
第三计算单元，用于依据所述第一质心、所述第二质心、所述第三质心和所述第一三角形质心，计算第一斜率、第一垂向距离和第一横向距离；所述第一斜率为所述第一三角形质心与所述第一质心之间的连线的斜率，所述第一垂向距离为所述第一三角形质心到所述第一质心的垂向距离，所述第一横向距离为所述第二质心到所述第三质心的横向距离；
第四计算单元，用于依据所述第一对应质心、所述第二对应质心、所述第三对应质心和所述第二三角形质心，计算第二斜率、第二垂向距离和第二横向距离；所述第二斜率为所述第二三角形质心与所述第一对应质心之间的连线的斜率，所述第二垂向距离为所述第二三角形质心到所述第一对应质心的垂向距离，所述第二横向距离为所述第二对应质心到所述第三对应质心的横向距离；
图像旋转单元，用于将所述能谱矿物分布图进行旋转，使得所述能谱矿物分布图对应的第二斜率转换为所述第一斜率，得到旋转后的能谱矿物分布图；
图像扩大单元，用于将所述旋转后的能谱矿物分布图沿X轴方向扩大m倍，沿Y轴方向扩大n倍，得到扩大后的能谱矿物分布图；其中m为所述第一横向距离与所述第二横向距离的比值，n为所述第一垂向距离与所述第二垂向距离的比值；
尺寸校准单元，用于将所述扩大后的能谱矿物分布图与所述泥页岩扫描电镜灰度图进行叠加，保留所述扩大后的能谱矿物分布图中与所述泥页岩扫描电镜灰度图的重叠区域，将所述重叠区域确定为尺寸校准后的矿物分布图。
与现有技术相比，本发明的有益效果是：
本发明提出了一种泥页岩能谱矿物分布图校准方法及系统。该方法包括：确定泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图；计算泥页岩扫描电镜灰度图的三个特征矿物区域的质心以及各特征矿物区域在能谱矿物分布图中的对应区域的质心，对能谱矿物分布图的尺寸进行校准；将对尺寸校准后的图像中每种矿物颗粒进行腐蚀后得到的颗粒图像作为前景色，无机矿物孔隙图和干酪根区域图作为背景色，对泥页岩扫描电镜灰度图进行分割；确定分割后得到的各独立区域的矿物类型；依据所有确定矿物类型后的独立区域，实现对尺寸校准后的图像的分辨率校准。本发明实现了对能谱矿物分布图的校准，在用于对不同矿物孔隙进行识别时，与现有直接采用能谱仪得到的能谱矿物分布图相比，由于本发明得到的分辨率校准后的图像分辨率提高了1～2个数量级，并且克服了能谱矿物分布图边缘呈现锯齿状的问题，因此，提高了对不同矿物孔隙识别的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1泥页岩能谱矿物分布图校准方法的流程图；
图2为本发明实施例2的关系曲线和拟合曲线的示意图；
图3为本发明实施例2的初始孔隙图和初始干酪根孔隙图；
图4为本发明实施例2的无机矿物孔隙图；
图5为本发明实施例2的初始干酪根区域图；
图6为本发明实施例2的亮色矿物区域图；
图7为本发明实施例2的干酪根区域图；
图8为本发明实施例2的标定图；
图9为本发明实施例2的最佳阈值判别图；
图10为本发明实施例2的有机孔隙图；
图11为本发明实施例2泥页岩扫描电镜灰度图和对应的能谱矿物分布图；
图12为本发明实施例2前景色区域图、背景色区域图和分水岭法结果图；
图13为本发明实施例2分辨率校准后的能谱矿物分布图；
图14为本发明实施例3泥页岩能谱矿物分布图校准系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明实施例1泥页岩能谱矿物分布图校准方法的流程图。
参见图1，实施例的泥页岩能谱矿物分布图校准方法，包括：
步骤S1：获取泥页岩扫描电镜灰度图和对应的能谱矿物分布图。所述能谱矿物分布图是采用能谱仪得到的。
步骤S2：确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图。
所述步骤S2，具体包括：
1)统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数，得到像素点个数随灰度值变化的关系曲线。
2)确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽。具体为：
采用高斯分峰拟合法对所述关系曲线进行拟合，得到拟合曲线；依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰，所述主矿物峰为石英-长石-方解石矿物峰，所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰；确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
4)利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰最高点对应的灰度值和所述峰宽，计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值。
5)采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割，得到初始孔隙图、初始干酪根孔隙图和亮色矿物图。
6)依据所述初始孔隙图，对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和初始干酪根区域图。具体为：
具体包括：
61)将所述初始孔隙图和所述初始干酪根孔隙图叠加，统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数；所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值；所述第二参数为孔隙的面积。
62)依据所述第二参数，确定所述初始孔隙图中最大孔隙的面积。
63)依据所述第一参量和所述最大孔隙的面积，建立干酪根区域判别函数。
64)采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和干酪根区域。
65)对所述干酪根区域进行填充，得到初始干酪根区域图。
7)将所述初始干酪根区域图与所述亮色矿物图进行叠加，去除所述初始干酪根区域图中对应的亮色矿物，得到干酪根区域图。
步骤S3：确定所述泥页岩扫描电镜灰度图的三个特征矿物区域以及每个所述特征矿物区域在所述能谱矿物分布图中的对应区域。
步骤S4：计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图。
所述步骤S4，具体包括：
1)计算第一质心、第二质心、第三质心、第一对应质心、第二对应质心和第三对应质心；所述第一质心为第一特征矿物区域的质心，所述第二质心为第二特征矿物区域的质心，所述第三质心为第三特征矿物区域的质心，所述第一对应质心为与所述第一特征矿物区域对应的区域的质心，所述第二对应质心为与所述第二特征矿物区域对应的区域的质心，所述第三对应质心为与所述第三特征矿物区域对应的区域的质心。
2)计算第一三角形质心和第二三角形质心；所述第一三角形质心为所述第一质心、所述第二质心和所述第三质心围成的三角形的质心，所述第二三角形质心为所述第一对应质心、所述第二对应质心和所述第三对应质心围成的三角形的质心。
3)依据所述第一质心、所述第二质心、所述第三质心和所述第一三角形质心，计算第一斜率、第一垂向距离和第一横向距离；所述第一斜率为所述第一三角形质心与所述第一质心之间的连线的斜率，所述第一垂向距离为所述第一三角形质心到所述第一质心的垂向距离，所述第一横向距离为所述第二质心到所述第三质心的横向距离。
4)依据所述第一对应质心、所述第二对应质心、所述第三对应质心和所述第二三角形质心，计算第二斜率、第二垂向距离和第二横向距离；所述第二斜率为所述第二三角形质心与所述第一对应质心之间的连线的斜率，所述第二垂向距离为所述第二三角形质心到所述第一对应质心的垂向距离，所述第二横向距离为所述第二对应质心到所述第三对应质心的横向距离。
5)将所述能谱矿物分布图进行旋转，使得所述能谱矿物分布图对应的第二斜率转换为所述第一斜率，得到旋转后的能谱矿物分布图；
6)将所述旋转后的能谱矿物分布图沿X轴方向扩大m倍，沿Y轴方向扩大n倍，得到扩大后的能谱矿物分布图；其中m为所述第一横向距离与所述第二横向距离的比值，n为所述第一垂向距离与所述第二垂向距离的比值；
7)将所述扩大后的能谱矿物分布图与所述泥页岩扫描电镜灰度图进行叠加，保留所述扩大后的能谱矿物分布图中与所述泥页岩扫描电镜灰度图的重叠区域，将所述重叠区域确定为尺寸校准后的矿物分布图。
步骤S5：对所述尺寸校准后的矿物分布图中每种矿物颗粒进行腐蚀图像处理，得到腐蚀后的颗粒图像。
步骤S6：将所述腐蚀后的颗粒图像作为前景色，所述无机矿物孔隙图和所述干酪根区域图作为背景色，采用分水岭算法对所述泥页岩扫描电镜灰度图进行分割，得到分割后的泥页岩扫描电镜灰度图。
所述分割后的泥页岩扫描电镜灰度图具有多个独立区域。
步骤S7：将所述分割后的泥页岩扫描电镜灰度图与所述尺寸校准后的能谱矿物分布图进行叠加，统计各所述独立区域内所有不同矿物类型的像素点个数。
步骤S8：将各所述独立区域内像素点个数最多的矿物类型确定为对应独立区域的矿物类型。
步骤S9：依据所有确定矿物类型后的独立区域，对所述尺寸校准后的能谱矿物分布图进行分辨率校准，得到分辨率校准后的能谱矿物分布图。
本实施例中，在所述步骤S2之后，还包括：
步骤S10：依据所述干酪根区域图和泥页岩边缘提取图，确定标定图。所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的。
所述步骤S10，具体包括：
1)利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取，得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图。
2)将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并，得到泥页岩边缘提取图。
3)将所述干酪根区域图与所述泥页岩边缘提取图进行合并，删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘，得到标定图。
步骤S11：对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割，得到第一孔隙图。
步骤S12：依据所述干酪根区域图、所述第一孔隙图和所述标定图，确定有机孔隙图。
所述步骤S12，具体包括：
1)将所述第一孔隙图与所述干酪根区域图进行叠加，删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙，得到第二孔隙图。
2)将所述第二孔隙图与所述标定图进行对比，确定最佳阈值下的孔隙图。
3)对所述标定图中的边缘进行内填充，得到填充后的标定图。
4)将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并，得到有机孔隙图。
实施例2：
本实施例提供的泥页岩能谱矿物分布图校准方法，包括：
步骤1：采用扫描电镜得到泥页岩扫描电镜图像以及采用能谱仪得到与泥页岩扫描电镜灰度图对应的能谱矿物分布图。将泥页岩扫描电镜图像转化为8-bit灰度图，统计泥页岩扫描电镜灰度图中0～255每一个灰度的像素点个数，绘制出像素点个数随灰度变化的关系曲线，参见图2，由多个点构成的关系曲线中，每个散点代表一个灰度值对应的像素点个数。
步骤2：利用高斯分峰拟合法对步骤1所得的关系曲线进行拟合，得到拟合曲线，由拟合曲线可确定有机质峰(Peak1)、主矿物峰(Peak2)及亮色矿物峰(Peak3)，找出有机质峰、主矿物峰及亮色矿峰最高值所对应的灰度值，分别记录为VP1，VP2，VP3，并记录峰宽W。如图2中所示，VP1＝75.73，VP2＝132.5，VP3＝192，W＝18.94。所述主矿物峰为石英-长石-方解石矿物峰，所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰。
步骤3：利用有机质峰最高值所对应的灰度值VP1减去峰宽W并取整得到第一孔隙灰度截止值Pcutoff，利用主矿物峰最高值所对应的灰度值VP2减去峰宽W并取整得到干酪根灰度截止值Kcutoff(Pcutoff为57，Kcutoff为113)，分别用Pcutoff及Kcutoff得到对泥页岩扫描电镜灰度图进行阈值分割，得到初始孔隙图及初始干酪根孔隙图。所述初始孔隙图为将小于Pcutoff的赋值为0，大于Pcutoff的赋值为1所生成的二值化图；所述初始干酪根孔隙图为将小于或等于Kcutoff的赋值为0，大于Kcutoff赋值为1所生成的二值化图。如图3所示，其中图3中的(a)部分为初始孔隙图，图3中的(b)部分为初始干酪根孔隙图。
步骤4：将初始孔隙图与初始干酪根孔隙图进行叠加，统计所述初始干酪根孔隙图中每个孤立联通区域的外周长及内周长之和Lki、面积Ski、长轴Lli、短轴Lsi，及所述初始孔隙图中各孔隙的面积Spij，找出Spij中的最大面积Spijmax，建立干酪根区域判别函数Qsti＝(Spijmax/Ski)/[Lki/Ski/(Lli/Lsi)]，利用干酪根区域判别函数对初始干酪根孔隙图中的孤立联通区域是否为干酪根进行判断。当第i个孤立联通区域对应的Qsti小于或等于1时，则初始干酪根孔隙图中第i个孤立联通区域即为干酪根，当Qsti大于1时，则为无机矿物孔隙。将所有Qsti大于1对应的孤立联通区域合并，即可得无机矿物孔隙图，如图4所示。
步骤5：将步骤4中所得到的为干酪根的各个孤立联通区域合并，形成干酪根区域，将所述干酪根区域转换成二值化图，对转换后得到的二值图进行内充填，得到初始干酪根区域图，如图5所示。
步骤6：利用亮色矿物峰最高点对应的灰度值VP3加上峰宽W并取整得到亮色矿物灰度截止值Mcutoff(Mcutoff为151)，用Mcutoff对步骤1所得泥页岩扫描电镜灰度图进行阈值分割，得到亮色矿物图，如图6所示。
步骤7：将步骤5所得初始干酪根区域图与步骤6所得亮色矿物图进行叠加，将所述初始干酪根区域图中对应的亮色矿物区域删去，然后再进行腐蚀处理，得到干酪根区域图，如图7所示。
步骤8：利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对步骤1所得到泥页岩扫描电镜灰度图进行边缘提取，并将4种算子所得边缘图进行合并，得到泥页岩边缘提取图，然后将泥页岩边缘提取图与步骤7所得到的干酪根区域图进行合并，删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘，将处理后的边缘图作为标定图，如图8所示。
步骤9：将步骤1所得到泥页岩扫描电镜灰度图按照预设阈值(首先从灰度值0开始，每隔5个灰度值作为阈值进行粗略查找；然后找到粗略查找中最佳阈值后，从(粗略查找最佳阈值-9)开始到(粗略查找最佳阈值+10)，每隔1个灰度值作为阈值进行精细查找)进行图像分割得到第一孔隙图，并与步骤7所得干酪根区域图进行叠加，将所述第一孔隙图中对应的干酪根区域外的孔隙删去，得到第二孔隙，将第二孔隙与标定图进行对比，将落在标定图边缘内的像素点的个数记为Ainside，该值越大越好，落在标定图边缘外的像素点的个数记为Aoutside，作误差函数Qerror＝Aoutside/Ainside，该值越小越好。平衡这两个值使得落在边缘内孔隙面积大的同时，也让误差小，做判别函数Qt＝Ainside/(Qerror)0.5，当判别函数最大时的阈值为最佳阈值，最终可确定最佳阈值下的孔隙图，最佳阈值判别过程如图9所示。由图9可以看出，当阈值取20时(阈值过小)，第二孔隙图中的孔隙(黑色块部分)虽然没有落在标定图的孔隙边缘外，但是其并不能很好的填充标定图的孔隙边缘；当阈值取80时(阈值过大)，第二孔隙图中的孔隙虽然很好的填充了标定图的孔隙边缘，但是有很多落在了孔隙边缘外，造成大量误差；只有取最佳阈值时，第二孔隙图既能较好的填充标定图的孔隙边缘，又只有很少的部分落在孔隙边缘外，误差同时也较小。
步骤10：将步骤8所得标定图中每一个边缘进行内填充，并使之与步骤9所得最佳阈值下的孔隙图进行合并，即可得最终的有机孔隙图，如图10所示。
步骤11：确定泥页岩扫描电镜灰度图上三个特征矿物区域(如黄铁矿、磷灰石、金红石)，将其圈出并计算每个特征矿物区域的质心，记录下三个质心位置Q11(x11,y11)、Q12(x12,y12)及Q13(x13,y13)，计算这三个质心所围三角形的质心Qo1(xo1，yo1)；在能谱矿物分布图上找到相应矿物的位置，圈出并计算每个特征矿物区域的质心，记录下三个质心位置Q21(x21，y21)、Q22(x22，y22)及Q23(x23，y23)，计算这三个质心所围三角形的质心Qo2(xo2，yo2)，如图11所示。计算泥页岩扫描电镜灰度图中质心Qo1到质心Q11的斜率k1及垂向距离yo1-11(用y11减去yo1)，并计算质心Q12到Q13的横向距离x12-13(用x13减去x12)；计算矿物分布图中质心Qo2到Q21的斜率k2及垂向距离yo2-21(用y21减去yo2)，并计算质心Q22到Q23的横向距离x22-23(用x23减去x22)。将能谱矿物分布图旋转θ，使得斜率k2变为斜率k1；并将矿物分布图沿X轴方向扩大x12-13/x22-23倍，沿Y轴方向扩大yo1-11/yo2-21倍；将扩大后的能谱矿物分布图与泥页岩扫描电镜灰度图进行叠加，将扩大后的能谱矿物分布图中二者不重合的区域截取，得到尺寸校准后的矿物分布图。
步骤12：使用步骤11所得的尺寸校准后的矿物分布图，将图中每种矿物颗粒进行腐蚀图像操作，将腐蚀后的颗粒图像当做前景色，前景色区域如图12中的(a)部分所示；将步骤4所得无机矿物孔隙图与步骤7所得干酪根区域图当做背景色，背景色区域如图12中的(b)部分所示，利用分水岭法，对扫描电镜灰度图进行图像分割，将其分割成独立的区域，分水岭结果图如图12中的(c)部分所示。
步骤13：将步骤12所得分割后的泥页岩扫描电镜灰度图与步骤11所得的尺寸校准后的矿物分布图进行叠合，校准两图的像素位置，统计分割后泥页岩扫描电镜灰度图内独立区域所有的不同矿物类型的像素点个数，将该独立区域命名为像素点最多的矿物类型，最后即可得与二次电子灰度图吻合的矿物分布图，即分辨率校准后的能谱矿物分布图如图13所示。
本实施例的一种泥页岩能谱矿物分布图校准方法，利用判别函数对泥页岩扫描电镜灰度图像中的有机孔隙与无机孔隙进行分割，简化了传统利用EDS能谱所得矿物分布图才能识别有机孔隙及无机孔隙的方法；实现了对能谱矿物分布图的校准，在用于对不同矿物孔隙进行识别时，与现有直接采用能谱仪得到的能谱矿物分布图相比，由于本实施例得到的分辨率校准后的图像分辨率提高了1～2个数量级，并且克服了能谱矿物分布图边缘呈现锯齿状的问题，因此，提高了对不同矿物孔隙识别的精确度。
步骤1-2对扫描电镜图像进行预处理，克服了阈值法、边缘提取法及分水岭法广泛存在的问题：阈值法中由于页岩中干酪根及暗色矿物的存在，很容易将干酪根与暗色矿物区域识别为孔隙而造成误差(也有学者分区域进行阈值提取)。且一些较浅的大孔，其内部亮度值较高，整体颜色较亮；内部粗糙不平的大孔，其内部明暗不一，很容易将这些亮的区域忽略而造成误差；边缘提取法由于干酪根边缘、矿物边缘、样品预处理过程中造成的样品表面粗糙不平(棱角)及污染物的边缘都会被提取出来，从而造成大量误差，且在提取浅孔及倾斜的有棱角的孔隙时，会由于边缘提取不全而在孔隙填充的过程中，不能填充孔隙从而造成误差；分水岭法与边缘提取法存在的问题类似，干酪根、矿物、预处理及污染物都会造成大量误差，且内部粗糙不同的大孔，分水岭法会将其分割成不同的小孔隙而造成大量误差。提高了识别精度。
步骤3-5自动得到阈值，并将边缘提取法所得孔隙与最佳阈值所得孔隙进行合并，大大提高了孔隙自动识别的精度。
步骤1-4所得无机矿物孔隙，较之前用统一一个阈值分割所得孔隙中无机孔隙的面积大，精度高，更符合实际情况。
步骤5-7对扫描电镜图片进行干酪根区域的分割，也克服了阈值法、边缘提取法及分水岭法广泛存在的问题，提高了识别精度。
步骤8-10自动得到阈值，并将边缘提取法所得孔隙与最佳阈值所得孔隙进行合并，大大提高了孔隙自动识别的精度。
步骤11-13将矿物分布图的分辨率与扫描电镜灰度图的分辨率进行了校准，解决了能谱矿物分布图分辨率低的问题。
实施例3：
本发明还提供了一种泥页岩能谱矿物分布图校准系统，图14为本发明实施例3泥页岩能谱矿物分布图校准系统的结构示意图。参见图14，泥页岩能谱矿物分布图校准系统包括：
图像获取模块1401，用于获取泥页岩扫描电镜灰度图和对应的能谱矿物分布图；所述能谱矿物分布图是采用能谱仪得到的。
第一确定模块1402，用于确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图。
第二确定模块1403，用于确定所述泥页岩扫描电镜灰度图的三个特征矿物区域以及每个所述特征矿物区域在所述能谱矿物分布图中的对应区域。
尺寸校准模块1404，用于计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图。
腐蚀处理模块1405，用于对所述尺寸校准后的矿物分布图中每种矿物颗粒进行腐蚀图像处理，得到腐蚀后的颗粒图像。
分割模块1406，用于将所述腐蚀后的颗粒图像作为前景色，所述无机矿物孔隙图和所述干酪根区域图作为背景色，采用分水岭算法对所述泥页岩扫描电镜灰度图进行分割，得到分割后的泥页岩扫描电镜灰度图；所述分割后的泥页岩扫描电镜灰度图具有多个独立区域。
统计模块1407，用于将所述分割后的泥页岩扫描电镜灰度图与所述尺寸校准后的能谱矿物分布图进行叠加，统计各所述独立区域内所有不同矿物类型的像素点个数。
矿物类型确定模块1408，用于将各所述独立区域内像素点个数最多的矿物类型确定为对应独立区域的矿物类型。
分辨率校准模块1409，用于依据所有确定矿物类型后的独立区域，对所述尺寸校准后的能谱矿物分布图进行分辨率校准，得到分辨率校准后的能谱矿物分布图。
作为一种可选的实施方式，所述系统还包括：
标定图确定模块，用于依据所述干酪根区域图和泥页岩边缘提取图，确定标定图；所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的。第一孔隙图确定模块，用于对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割，得到第一孔隙图。有机孔隙图确定模块，用于依据所述干酪根区域图、所述第一孔隙图和所述标定图，确定有机孔隙图。
作为一种可选的实施方式，所述尺寸校准模块1404，具体包括：
第一计算单元，用于计算第一质心、第二质心、第三质心、第一对应质心、第二对应质心和第三对应质心；所述第一质心为第一特征矿物区域的质心，所述第二质心为第二特征矿物区域的质心，所述第三质心为第三特征矿物区域的质心，所述第一对应质心为与所述第一特征矿物区域对应的区域的质心，所述第二对应质心为与所述第二特征矿物区域对应的区域的质心，所述第三对应质心为与所述第三特征矿物区域对应的区域的质心；
第二计算单元，用于计算第一三角形质心和第二三角形质心；所述第一三角形质心为所述第一质心、所述第二质心和所述第三质心围成的三角形的质心，所述第二三角形质心为所述第一对应质心、所述第二对应质心和所述第三对应质心围成的三角形的质心；
第三计算单元，用于依据所述第一质心、所述第二质心、所述第三质心和所述第一三角形质心，计算第一斜率、第一垂向距离和第一横向距离；所述第一斜率为所述第一三角形质心与所述第一质心之间的连线的斜率，所述第一垂向距离为所述第一三角形质心到所述第一质心的垂向距离，所述第一横向距离为所述第二质心到所述第三质心的横向距离；
第四计算单元，用于依据所述第一对应质心、所述第二对应质心、所述第三对应质心和所述第二三角形质心，计算第二斜率、第二垂向距离和第二横向距离；所述第二斜率为所述第二三角形质心与所述第一对应质心之间的连线的斜率，所述第二垂向距离为所述第二三角形质心到所述第一对应质心的垂向距离，所述第二横向距离为所述第二对应质心到所述第三对应质心的横向距离；
图像旋转单元，用于将所述能谱矿物分布图进行旋转，使得所述能谱矿物分布图对应的第二斜率转换为所述第一斜率，得到旋转后的能谱矿物分布图；
图像扩大单元，用于将所述旋转后的能谱矿物分布图沿X轴方向扩大m倍，沿Y轴方向扩大n倍，得到扩大后的能谱矿物分布图；其中m为所述第一横向距离与所述第二横向距离的比值，n为所述第一垂向距离与所述第二垂向距离的比值；
尺寸校准单元，用于将所述扩大后的能谱矿物分布图与所述泥页岩扫描电镜灰度图进行叠加，保留所述扩大后的能谱矿物分布图中与所述泥页岩扫描电镜灰度图的重叠区域，将所述重叠区域确定为尺寸校准后的矿物分布图。
作为一种可选的实施方式，所述第一确定模块1402，具体包括：
像素点统计单元，用于统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数，得到像素点个数随灰度值变化的关系曲线；
参数值确定单元，用于确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同；
截止值计算单元，用于利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰最高点对应的灰度值和所述峰宽，计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值；
第一分割单元，用于采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割，得到初始孔隙图、初始干酪根孔隙图和亮色矿物图；
无机孔隙图确定单元，用于依据所述初始孔隙图，对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和初始干酪根区域图；
干酪根区域图确定单元，用于将所述初始干酪根区域图与所述亮色矿物图进行叠加，去除所述初始干酪根区域图中对应的亮色矿物，得到干酪根区域图。
作为一种可选的实施方式，所述参数值确定单元，具体包括：
拟合子单元，用于采用高斯分峰拟合法对所述关系曲线进行拟合，得到拟合曲线；
矿物峰确定子单元，用于依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰；所述主矿物峰为石英-长石-方解石矿物峰；所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰；
参数值确定子单元，用于确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
作为一种可选的实施方式，所述无机孔隙图确定单元，具体包括：
参量确定子单元，用于将所述初始孔隙图和所述初始干酪根孔隙图叠加，统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数；所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值；所述第二参数为孔隙的面积；
最大面积确定子单元，用于依据所述第二参数，确定所述初始孔隙图中最大孔隙的面积；
判别函数建立子单元，用于依据所述第一参量和所述最大孔隙的面积，建立干酪根区域判别函数；
无机孔隙图确定子单元，用于采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和干酪根区域；
初始干酪根确定子单元，用于对所述干酪根区域进行填充，得到初始干酪根区域图。
作为一种可选的实施方式，所述标定图确定模块，具体包括：
边缘提取单元，用于利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取，得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图；
边缘提取图确定单元，用于将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并，得到泥页岩边缘提取图；
标定图确定单元，用于将所述干酪根区域图与所述泥页岩边缘提取图进行合并，删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘，得到标定图。
作为一种可选的实施方式，所述有机孔隙图确定模块，具体包括：
叠加单元，用于将所述第一孔隙图与所述干酪根区域图进行叠加，删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙，得到第二孔隙图；
对比单元，用于将所述第二孔隙图与所述标定图进行对比，确定最佳阈值下的孔隙图；
填充单元，用于对所述标定图中的边缘进行内填充，得到填充后的标定图；
合并单元，用于将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并，得到有机孔隙图。
本实施例的泥页岩能谱矿物分布图校准系统，简化了传统利用EDS能谱所得矿物分布图才能识别有机孔隙及无机孔隙的方法；实现了对能谱矿物分布图的校准，在用于对不同矿物孔隙进行识别时，与现有直接采用能谱仪得到的能谱矿物分布图相比，提高了对不同矿物孔隙识别的精确度。
对于实施例3公开的系统而言，由于其与实施例1或2公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种泥页岩能谱矿物分布图校准方法，其特征在于，包括：
获取泥页岩扫描电镜灰度图和对应的能谱矿物分布图；所述能谱矿物分布图是采用能谱仪得到的；
确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图；
确定所述泥页岩扫描电镜灰度图的三个特征矿物区域以及每个所述特征矿物区域在所述能谱矿物分布图中的对应区域；
计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图；
对所述尺寸校准后的矿物分布图中每种矿物颗粒进行腐蚀图像处理，得到腐蚀后的颗粒图像；
将所述腐蚀后的颗粒图像作为前景色，所述无机矿物孔隙图和所述干酪根区域图作为背景色，采用分水岭算法对所述泥页岩扫描电镜灰度图进行分割，得到分割后的泥页岩扫描电镜灰度图；所述分割后的泥页岩扫描电镜灰度图具有多个独立区域；
将所述分割后的泥页岩扫描电镜灰度图与所述尺寸校准后的矿物分布图进行叠加，统计各所述独立区域内所有不同矿物类型的像素点个数；
将各所述独立区域内像素点个数最多的矿物类型确定为对应独立区域的矿物类型；
依据所有确定矿物类型后的独立区域，对所述尺寸校准后的矿物分布图进行分辨率校准，得到分辨率校准后的能谱矿物分布图；
所述计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图，具体包括：
计算第一质心、第二质心、第三质心、第一对应质心、第二对应质心和第三对应质心；所述第一质心为第一特征矿物区域的质心，所述第二质心为第二特征矿物区域的质心，所述第三质心为第三特征矿物区域的质心，所述第一对应质心为与所述第一特征矿物区域对应的区域的质心，所述第二对应质心为与所述第二特征矿物区域对应的区域的质心，所述第三对应质心为与所述第三特征矿物区域对应的区域的质心；
计算第一三角形质心和第二三角形质心；所述第一三角形质心为所述第一质心、所述第二质心和所述第三质心围成的三角形的质心，所述第二三角形质心为所述第一对应质心、所述第二对应质心和所述第三对应质心围成的三角形的质心；
依据所述第一质心、所述第二质心、所述第三质心和所述第一三角形质心，计算第一斜率、第一垂向距离和第一横向距离；所述第一斜率为所述第一三角形质心与所述第一质心之间的连线的斜率，所述第一垂向距离为所述第一三角形质心到所述第一质心的垂向距离，所述第一横向距离为所述第二质心到所述第三质心的横向距离；
依据所述第一对应质心、所述第二对应质心、所述第三对应质心和所述第二三角形质心，计算第二斜率、第二垂向距离和第二横向距离；所述第二斜率为所述第二三角形质心与所述第一对应质心之间的连线的斜率，所述第二垂向距离为所述第二三角形质心到所述第一对应质心的垂向距离，所述第二横向距离为所述第二对应质心到所述第三对应质心的横向距离；
将所述能谱矿物分布图进行旋转，使得所述能谱矿物分布图对应的第二斜率转换为所述第一斜率，得到旋转后的能谱矿物分布图；
将所述旋转后的能谱矿物分布图沿X轴方向扩大m倍，沿Y轴方向扩大n倍，得到扩大后的能谱矿物分布图；其中m为所述第一横向距离与所述第二横向距离的比值，n为所述第一垂向距离与所述第二垂向距离的比值；
将所述扩大后的能谱矿物分布图与所述泥页岩扫描电镜灰度图进行叠加，保留所述扩大后的能谱矿物分布图中与所述泥页岩扫描电镜灰度图的重叠区域，将所述重叠区域确定为尺寸校准后的矿物分布图。
2.根据权利要求1所述的一种泥页岩能谱矿物分布图校准方法，其特征在于，所述确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图，具体包括：
统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数，得到像素点个数随灰度值变化的关系曲线；
确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同；
利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰最高点对应的灰度值和所述峰宽，计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值；
采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割，得到初始孔隙图、初始干酪根孔隙图和亮色矿物图；
依据所述初始孔隙图，对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和初始干酪根区域图；
将所述初始干酪根区域图与所述亮色矿物图进行叠加，去除所述初始干酪根区域图中对应的亮色矿物，得到干酪根区域图。
3.根据权利要求1所述的一种泥页岩能谱矿物分布图校准方法，其特征在于，在所述确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图之后，还包括：
依据所述干酪根区域图和泥页岩边缘提取图，确定标定图；所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的；
对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割，得到第一孔隙图；
依据所述干酪根区域图、所述第一孔隙图和所述标定图，确定有机孔隙图。
4.根据权利要求2所述的一种泥页岩能谱矿物分布图校准方法，其特征在于，所述确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽，具体包括：
采用高斯分峰拟合法对所述关系曲线进行拟合，得到拟合曲线；
依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰；所述主矿物峰为石英-长石-方解石矿物峰；
确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽；所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
5.根据权利要求2所述的一种泥页岩能谱矿物分布图校准方法，其特征在于，所述依据所述初始孔隙图，对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和初始干酪根区域图，具体包括：
将所述初始孔隙图和所述初始干酪根孔隙图叠加，统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数；所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值；所述第二参数为孔隙的面积；
依据所述第二参数，确定所述初始孔隙图中最大孔隙的面积；
依据所述第一参量和所述最大孔隙的面积，建立干酪根区域判别函数；
采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别，得到无机矿物孔隙图和干酪根区域；
对所述干酪根区域进行填充，得到初始干酪根区域图。
6.根据权利要求3所述的一种泥页岩能谱矿物分布图校准方法，其特征在于，所述依据所述干酪根区域图和泥页岩边缘提取图，确定标定图，具体包括：
利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取，得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图；
将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并，得到泥页岩边缘提取图；
将所述干酪根区域图与所述泥页岩边缘提取图进行合并，删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘，得到标定图。
7.根据权利要求3所述的一种泥页岩能谱矿物分布图校准方法，其特征在于，所述依据所述干酪根区域图、所述第一孔隙图和所述标定图，确定有机孔隙图，具体包括：
将所述第一孔隙图与所述干酪根区域图进行叠加，删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙，得到第二孔隙图；
将所述第二孔隙图与所述标定图进行对比，确定最佳阈值下的孔隙图；
对所述标定图中的边缘进行内填充，得到填充后的标定图；
将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并，得到有机孔隙图。
8.一种泥页岩能谱矿物分布图校准系统，其特征在于，包括：
图像获取模块，用于获取泥页岩扫描电镜灰度图和对应的能谱矿物分布图；所述能谱矿物分布图是采用能谱仪得到的；
第一确定模块，用于确定所述泥页岩扫描电镜灰度图的无机矿物孔隙图和干酪根区域图；
第二确定模块，用于确定所述泥页岩扫描电镜灰度图的三个特征矿物区域以及每个所述特征矿物区域在所述能谱矿物分布图中的对应区域；
尺寸校准模块，用于计算每个所述特征矿物区域的质心以及每个所述对应区域的对应质心，并依据所述质心和所述对应质心，对所述能谱矿物分布图的尺寸进行校准，得到尺寸校准后的矿物分布图；
腐蚀处理模块，用于对所述尺寸校准后的矿物分布图中每种矿物颗粒进行腐蚀图像处理，得到腐蚀后的颗粒图像；
分割模块，用于将所述腐蚀后的颗粒图像作为前景色，所述无机矿物孔隙图和所述干酪根区域图作为背景色，采用分水岭算法对所述泥页岩扫描电镜灰度图进行分割，得到分割后的泥页岩扫描电镜灰度图；所述分割后的泥页岩扫描电镜灰度图具有多个独立区域；
统计模块，用于将所述分割后的泥页岩扫描电镜灰度图与所述尺寸校准后的矿物分布图进行叠加，统计各所述独立区域内所有不同矿物类型的像素点个数；
矿物类型确定模块，用于将各所述独立区域内像素点个数最多的矿物类型确定为对应独立区域的矿物类型；
分辨率校准模块，用于依据所有确定矿物类型后的独立区域，对所述尺寸校准后的矿物分布图进行分辨率校准，得到分辨率校准后的能谱矿物分布图；
所述尺寸校准模块，具体包括：
第一计算单元，用于计算第一质心、第二质心、第三质心、第一对应质心、第二对应质心和第三对应质心；所述第一质心为第一特征矿物区域的质心，所述第二质心为第二特征矿物区域的质心，所述第三质心为第三特征矿物区域的质心，所述第一对应质心为与所述第一特征矿物区域对应的区域的质心，所述第二对应质心为与所述第二特征矿物区域对应的区域的质心，所述第三对应质心为与所述第三特征矿物区域对应的区域的质心；
第二计算单元，用于计算第一三角形质心和第二三角形质心；所述第一三角形质心为所述第一质心、所述第二质心和所述第三质心围成的三角形的质心，所述第二三角形质心为所述第一对应质心、所述第二对应质心和所述第三对应质心围成的三角形的质心；
第三计算单元，用于依据所述第一质心、所述第二质心、所述第三质心和所述第一三角形质心，计算第一斜率、第一垂向距离和第一横向距离；所述第一斜率为所述第一三角形质心与所述第一质心之间的连线的斜率，所述第一垂向距离为所述第一三角形质心到所述第一质心的垂向距离，所述第一横向距离为所述第二质心到所述第三质心的横向距离；
第四计算单元，用于依据所述第一对应质心、所述第二对应质心、所述第三对应质心和所述第二三角形质心，计算第二斜率、第二垂向距离和第二横向距离；所述第二斜率为所述第二三角形质心与所述第一对应质心之间的连线的斜率，所述第二垂向距离为所述第二三角形质心到所述第一对应质心的垂向距离，所述第二横向距离为所述第二对应质心到所述第三对应质心的横向距离；
图像旋转单元，用于将所述能谱矿物分布图进行旋转，使得所述能谱矿物分布图对应的第二斜率转换为所述第一斜率，得到旋转后的能谱矿物分布图；
图像扩大单元，用于将所述旋转后的能谱矿物分布图沿X轴方向扩大m倍，沿Y轴方向扩大n倍，得到扩大后的能谱矿物分布图；其中m为所述第一横向距离与所述第二横向距离的比值，n为所述第一垂向距离与所述第二垂向距离的比值；
尺寸校准单元，用于将所述扩大后的能谱矿物分布图与所述泥页岩扫描电镜灰度图进行叠加，保留所述扩大后的能谱矿物分布图中与所述泥页岩扫描电镜灰度图的重叠区域，将所述重叠区域确定为尺寸校准后的矿物分布图。
CN201910498155.5A 2019-06-10 2019-06-10 一种泥页岩能谱矿物分布图校准方法及系统 Active CN110189353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910498155.5A CN110189353B (zh) 2019-06-10 2019-06-10 一种泥页岩能谱矿物分布图校准方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910498155.5A CN110189353B (zh) 2019-06-10 2019-06-10 一种泥页岩能谱矿物分布图校准方法及系统

Publications (2)

Publication Number Publication Date
CN110189353A CN110189353A (zh) 2019-08-30
CN110189353B true CN110189353B (zh) 2021-01-19

Family

ID=67721028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910498155.5A Active CN110189353B (zh) 2019-06-10 2019-06-10 一种泥页岩能谱矿物分布图校准方法及系统

Country Status (1)

Country Link
CN (1) CN110189353B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2584660B (en) * 2019-06-10 2022-08-24 Univ China Petroleum East China Automatic identification method and system for different mineral pores of mud shale
CN111366753A (zh) * 2020-03-12 2020-07-03 中国石油化工股份有限公司 一种页岩有机质孔隙类型的微观识别方法
CN112860926B (zh) * 2021-01-29 2023-07-28 北京城建勘测设计研究院有限责任公司 应用于岩土工程勘察行业的图形叠加生成的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278866A (zh) * 2013-06-07 2013-09-04 中国石油大学(华东) 一种泥页岩层系内页岩油资源潜力评价方法
CN104007485A (zh) * 2014-04-16 2014-08-27 孙赞东 一种建立复杂孔隙泥页岩岩石物理模型方法
CN105352873A (zh) * 2015-11-26 2016-02-24 中国石油大学(北京) 页岩孔隙结构的表征方法
CN107490810A (zh) * 2017-08-17 2017-12-19 中国地质大学（北京） 基于风场、物源、盆地系统的储集砂体预测方法和装置
CN108458960A (zh) * 2018-03-27 2018-08-28 中国石油大学(华东) 一种富有机质泥页岩含氢组分、孔隙度及孔径的评价方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007049A (zh) * 2014-06-06 2014-08-27 马存飞 一种泥页岩的微观孔隙分类方法
CN104712329B (zh) * 2015-01-29 2018-06-05 中国石油大学(华东) 一种泥页岩油气饱和度的计算模型
CN106651839A (zh) * 2016-11-16 2017-05-10 中国科学院地质与地球物理研究所 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法
CN107228816B (zh) * 2017-06-01 2018-11-13 中国石油大学(华东) 一种泥页岩中不同类型孔隙演化评价方法
CN109146933B (zh) * 2017-06-28 2020-12-01 中国石油化工股份有限公司 多尺度数字岩心建模方法及计算机可读存储介质
CN108363110B (zh) * 2018-01-16 2020-10-09 中石化石油工程技术服务有限公司 成像测井计算页岩储层矿物含量及脆性指数的谱分析方法
CN109239308B (zh) * 2018-07-23 2021-07-02 中国石油天然气股份有限公司 用于模拟致密岩石的人造岩心及其制作方法
CN108956953B (zh) * 2018-08-01 2022-06-07 中国石油化工股份有限公司 一种盐间泥页岩层系岩相划分方法及验证方法
CN108918564B (zh) * 2018-08-09 2021-02-02 陕西延长石油(集团)有限责任公司研究院 一种适用于泥页岩矿物成分定量的分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278866A (zh) * 2013-06-07 2013-09-04 中国石油大学(华东) 一种泥页岩层系内页岩油资源潜力评价方法
CN104007485A (zh) * 2014-04-16 2014-08-27 孙赞东 一种建立复杂孔隙泥页岩岩石物理模型方法
CN105352873A (zh) * 2015-11-26 2016-02-24 中国石油大学(北京) 页岩孔隙结构的表征方法
CN107490810A (zh) * 2017-08-17 2017-12-19 中国地质大学（北京） 基于风场、物源、盆地系统的储集砂体预测方法和装置
CN108458960A (zh) * 2018-03-27 2018-08-28 中国石油大学(华东) 一种富有机质泥页岩含氢组分、孔隙度及孔径的评价方法

Also Published As

Publication number Publication date
CN110189353A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110146533B (zh) 一种泥页岩不同矿物孔隙自动识别方法及系统
CN110223282B (zh) 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统
CN112419250B (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN110189353B (zh) 一种泥页岩能谱矿物分布图校准方法及系统
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN109584240B (zh) 滑坡后缘裂缝位移图像识别方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN100351853C (zh) 高噪声图像特征点自动提取方法
CN109410205B (zh) 一种复杂路面背景下的裂缝提取方法
CN111415363A (zh) 一种图像边缘识别方法
CN102175700A (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN110287898A (zh) 一种光学卫星遥感影像云检测方法
CN109685788B (zh) 一种基于形态学特征的楼面缺陷图像自动检测方法
CN115272280A (zh) 一种缺陷检测方法、装置、设备及存储介质
CN108961307B (zh) 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN115359237B (zh) 一种基于图形识别的齿轮断齿识别方法
CN112233116A (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN110211144B (zh) 一种泥页岩扫描电镜图片孔隙提取方法及系统
Han et al. An enhanced image binarization method incorporating with Monte-Carlo simulation
CN108230334B (zh) 基于灰度阈值的高浓度风沙图像分割的方法
CN111563867A (zh) 一种用于提升图像清晰度的图像融合方法
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统

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