CN111368844A - 一种基于bse图的矿物颗粒自动识别方法 - Google Patents

一种基于bse图的矿物颗粒自动识别方法 Download PDF

Info

Publication number
CN111368844A
CN111368844A CN202010162693.XA CN202010162693A CN111368844A CN 111368844 A CN111368844 A CN 111368844A CN 202010162693 A CN202010162693 A CN 202010162693A CN 111368844 A CN111368844 A CN 111368844A
Authority
CN
China
Prior art keywords
bse
calculating
interval
gray
bse 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.)
Pending
Application number
CN202010162693.XA
Other languages
English (en)
Inventor
郝爽
皮晓宇
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.)
Zhejiang Zhongke Ruichen Intelligent Technology Co ltd
Original Assignee
Zhejiang Zhongke Ruichen Intelligent Technology Co ltd
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 Zhejiang Zhongke Ruichen Intelligent Technology Co ltd filed Critical Zhejiang Zhongke Ruichen Intelligent Technology Co ltd
Priority to CN202010162693.XA priority Critical patent/CN111368844A/zh
Publication of CN111368844A publication Critical patent/CN111368844A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及一种基于BSE图的矿物颗粒自动识别方法，包括(1)根据测量区域计算测量帧图数、(2)拍摄每一帧的BSE图像、(3)计算BSE图像的灰度直方图、(4)计算灰度直方图的波形特征的上升沿和下降沿、(5)合并峰值相同且距离接近的相邻区间、(6)计算各个区间内的像素个数和值、(7)计算背景区间、(8)对BSE图进行二值化提取矿物颗粒、(9)重复步骤(2)‑(8)，自适应地计算所有帧BSE图像的灰度区域，提取出整个测量区域的矿物颗粒。本发明可避免由于电镜参数设置不合理而无法识别矿物颗粒。

Description

一种基于BSE图的矿物颗粒自动识别方法
技术领域
本发明属于矿物颗粒识别技术领域，具体涉及一种基于BSE图的矿物颗粒自动识别方法。
背景技术
矿物自动识别系统连续自动获取矿物样品的多张背散射图(BSE)信息、X射线(X-Ray)信息，进行分析后得到矿物的种类。获取BSE图的主要目的是识别样品中的矿物颗粒；识别到矿物颗粒后，获取矿物颗粒的X-Ray信息，根据矿物X-Ray信息中各个元素的谱峰特征识别出矿物的种类。
现有的基于BSE图的矿物颗粒识别算法预设定矿样的背景灰度值，根据背景灰度范围，使用二值化方法，即将属于背景灰度的像素设置为背景，不在背景灰度范围内的像素识别为矿物颗粒。由于电镜的工作条件容易受环境影响，连续拍摄多张BSE图时，各张BSE图的灰度值，亮度值，对比度信息会发生变化，这使得使用固定的灰度设定值识别提取的颗粒位置不准确，直接影响后面X-Ray信息采集的准确性。
发明内容
本发明所要解决的技术问题在于提供一种基于BSE图的矿物颗粒自动识别方法，可自适应地计算所有帧BSE图像的灰度区域，提取出整个测量区域的矿物颗粒，避免由于电镜参数设置不合理而无法识别矿物颗粒。
为解决上述技术问题，本发明提供的一种基于BSE图的矿物颗粒自动识别方法，包括以下步骤：
(1)根据测量区域计算测量帧图数：设定待测矿样的测量区域，根据扫描电镜的工作参数、放大倍数、工作电压和工作电流，确定扫描电镜每拍一张照片所反应的实际物体的尺寸，由此根据测量区域的大小计算待测矿样的测量区域全覆盖需要使用的帧图数；
(2)拍摄每一帧的BSE图像：设定扫描电镜的工作位置、拍摄BSE图的工作参数后拍摄BSE图像；
(3)计算BSE图像的灰度直方图：即统计各个灰度值的像素个数和；
(4)计算灰度直方图的波形特征的上升沿和下降沿：统计灰度直方图曲线的上升沿和下降沿的关系，一个波峰范围为相邻两个下降沿的之间的区域，并设定一个下降沿为区间的开始，相邻下降沿为区间的结束；
(5)合并峰值相同且距离接近的相邻区间：当相邻区间的峰值相同，相邻峰值间的距离小于一定灰度值时，将两个区间合并；
(6)计算各个区间内的像素个数和值：分别对各个区间进行像素个数的积分运算，得到各个区间内的像素个数和值；
(7)计算背景区间：选择灰度值小于特定值并且像素个数最大的区间作为背景区间；
(8)对BSE图进行二值化提取矿物颗粒：当像素灰度在背景区域内时，设置像素为0，表示背景；像素灰度不在背景区域内时，设置像素为1，表示颗粒，提取出矿物颗粒；
(9)重复步骤(2)-(8)，自适应地计算所有帧BSE图像的灰度区域，提取出整个测量区域的矿物颗粒。
进一步地，所述步骤(2)拍摄BSE图像的过程中收集背散射信号的时间及拍摄得到的BSE图像的分辨率，选择BSE图像清晰的最短拍摄时间的BSE图像作为所拍摄的帧图的BSE图像。
进一步地，所述步骤(4)中，若上升沿和下降沿非成对出现，在所述灰度直方图前后各添加一个零。
进一步地，所述步骤(5)中，当相邻区间的峰值相同，相邻峰值间的距离小于10个灰度值时，将两个区间合并。
进一步地，所述步骤(7)中，选择灰度值小于150并且像素个数最大的区间作为背景区间。
本发明的有益效果有：本发明方法通过分析BSE图像的灰度直方图，使用矿样的基底灰度值低的特性，从灰度直方图中识别出背景区间，利用二值化的方法，识别出矿物颗粒。本发明方法自适应地识别每张BSE图像的背景灰度范围，可以避免因电镜工作条件改变而造成的无法识别出矿物颗粒的影响。
附图说明
下面结合附图和实施方式对本发明作进一步详细的说明。
图1为本发明的流程图。
图2为本发明实施例矿样1其中一个帧图的BSE图。
图3为本发明实施例矿样1计算得到的图2的背景灰度范围。
图4为本发明实施例矿样1的图2的颗粒识别结果。
图5为本发明实施例矿样2其中一个帧图的BSE图。
图6为本发明实施例矿样2计算得到的图5的背景灰度范围。
图7为本发明实施例矿样2的图5的颗粒识别结果。
具体实施方式
如图1所示，一种基于BSE图的矿物颗粒自动识别方法，包括以下步骤：
(1)根据测量区域计算测量帧图数：设定待测矿样的测量区域，根据扫描电镜的工作参数、放大倍数、工作电压和工作电流，确定扫描电镜每拍一张照片所反应的实际物体的尺寸，由此根据测量区域的大小计算待测矿样的测量区域全覆盖需要使用的帧图数。
(2)拍摄每一帧的BSE图像：设定扫描电镜的工作位置、拍摄BSE图的工作参数后拍摄BSE图像；在拍摄BSE图像的过程中收集背散射信号的时间及拍摄得到的BSE图像的分辨率，选择BSE图像清晰的最短拍摄时间的BSE图像作为所拍摄的帧图的BSE图像。由于拍摄时间决定图像的采集质量，拍摄越长质量越好，但软件测量就长，本发明中通过权衡图像质量和拍摄时间，选择BSE图像清晰的最短拍摄时间的BSE图像作为所拍摄的帧图的BSE图像。
(3)计算BSE图像的灰度直方图：即统计各个灰度值的像素个数和。一张BSE图像的灰度值范围为0～255，灰度值反应了测试物质的平均原子重量，平均原子重量大的物质灰度值高，平均原子重量小的物质灰度值低，因此可通过分析BSE图像的灰度分布，确定矿物颗粒的分布。另外，在矿物制样过程中，矿样基底的物质的平均原子重量小，在BSE图中呈现为黑色，可以通过观测灰度值数值较小区域得到基底的灰度范围。
(4)计算灰度直方图的波形特征的上升沿和下降沿：统计灰度直方图曲线的上升沿和下降沿的关系，一个波峰范围为相邻两个下降沿的之间的区域，并设定一个下降沿为区间的开始，相邻下降沿为区间的结束；若上升沿和下降沿非成对出现，在所述灰度直方图前后各添加一个零。
(5)合并峰值相同且距离接近的相邻区间：当相邻区间的峰值相同，相邻峰值间的距离小于一定灰度值时，将两个区间合并。小的波动应该被当作是一个区域，将各个区间内的峰值进行统计，当相邻区间的峰值相同，相邻峰值间的距离小于10个灰度值时，将两个区间合并。
(6)计算各个区间内的像素个数和值：分别对各个区间进行像素个数的积分运算，得到各个区间内的像素个数和值。
(7)计算背景区间：由于矿样的背景灰度值较低，在灰度值较低的区域中选择灰度值小于特定值并且像素个数最大的区间作为背景区间。本发明选择灰度值小于150并且像素个数最大的区间作为背景区间。
(8)对BSE图进行二值化提取矿物颗粒：当像素灰度在背景区域内时，设置像素为0，表示背景；像素灰度不在背景区域内时，设置像素为1，表示颗粒，提取出矿物颗粒。
(9)重复步骤(2)-(8)，可自适应地计算所有帧BSE图像的灰度区域，提取出整个测量区域的矿物颗粒。
本实施例中矿样1和矿样2进行识别，如图2-图4所示，图2为本发明实施例矿样1其中一个帧图的BSE图，图3为本发明实施例矿样1计算得到的图2的背景灰度范围，图4为本发明实施例矿样1的图2颗粒识别结果。
如图5-图7所示，图5为本发明实施例矿样2其中一个帧图的BSE图，图6为本发明实施例矿样2计算得到的图5的背景灰度范围，图7为本发明实施例矿样2的图5的颗粒识别结果。
本发明方法通过分析BSE图像的灰度直方图，使用矿样的基底灰度值低的特性，从灰度直方图中识别出背景区间，利用二值化的方法，识别出矿物颗粒。本发明方法自适应地识别每张BSE图像的背景灰度范围，可以避免因电镜工作条件改变而造成的无法识别出矿物颗粒的影响。
上述说明是示例性的而非限制性的。通过上述说明本领域技术人员可以意识到本发明的许多种改变和变形，其也将落在本发明的实质和范围之内。

Claims (5)

1.一种基于BSE图的矿物颗粒自动识别方法，其特征在于，包括以下步骤：
(1)根据测量区域计算测量帧图数：设定待测矿样的测量区域，根据扫描电镜的工作参数、放大倍数、工作电压和工作电流，确定扫描电镜每拍一张照片所反应的实际物体的尺寸，由此根据测量区域的大小计算待测矿样的测量区域全覆盖需要使用的帧图数；
(2)拍摄每一帧的BSE图像：设定扫描电镜的工作位置、拍摄BSE图的工作参数后拍摄BSE图像；
(3)计算BSE图像的灰度直方图：即统计各个灰度值的像素个数和；
(4)计算灰度直方图的波形特征的上升沿和下降沿：统计灰度直方图曲线的上升沿和下降沿的关系，一个波峰范围为相邻两个下降沿的之间的区域，并设定一个下降沿为区间的开始，相邻下降沿为区间的结束；
(5)合并峰值相同且距离接近的相邻区间：当相邻区间的峰值相同，相邻峰值间的距离小于一定灰度值时，将两个区间合并；
(6)计算各个区间内的像素个数和值：分别对各个区间进行像素个数的积分运算，得到各个区间内的像素个数和值；
(7)计算背景区间：选择灰度值小于特定值并且像素个数最大的区间作为背景区间；
(8)对BSE图进行二值化提取矿物颗粒：当像素灰度在背景区域内时，设置像素为0，表示背景；像素灰度不在背景区域内时，设置像素为1，表示颗粒，提取出矿物颗粒；
(9)重复步骤(2)-(8)，自适应地计算所有帧BSE图像的灰度区域，提取出整个测量区域的矿物颗粒。
2.根据权利要求1所述的基于BSE图的矿物颗粒自动识别方法，其特征在于，所述步骤(2)拍摄BSE图像的过程中收集背散射信号的时间及拍摄得到的BSE图像的分辨率，选择BSE图像清晰的最短拍摄时间的BSE图像作为所拍摄的帧图的BSE图像。
3.根据权利要求1所述的基于BSE图的矿物颗粒自动识别方法，其特征在于，所述步骤(4)中，若上升沿和下降沿非成对出现，在所述灰度直方图前后各添加一个零。
4.根据权利要求1所述的基于BSE图的矿物颗粒自动识别方法，其特征在于，所述步骤(5)中，当相邻区间的峰值相同，相邻峰值间的距离小于10个灰度值时，将两个区间合并。
5.根据权利要求1所述的基于BSE图的矿物颗粒自动识别方法，其特征在于，所述步骤(7)中，选择灰度值小于150并且像素个数最大的区间作为背景区间。
CN202010162693.XA 2020-03-10 2020-03-10 一种基于bse图的矿物颗粒自动识别方法 Pending CN111368844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010162693.XA CN111368844A (zh) 2020-03-10 2020-03-10 一种基于bse图的矿物颗粒自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010162693.XA CN111368844A (zh) 2020-03-10 2020-03-10 一种基于bse图的矿物颗粒自动识别方法

Publications (1)

Publication Number Publication Date
CN111368844A true CN111368844A (zh) 2020-07-03

Family

ID=71210427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010162693.XA Pending CN111368844A (zh) 2020-03-10 2020-03-10 一种基于bse图的矿物颗粒自动识别方法

Country Status (1)

Country Link
CN (1) CN111368844A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264576A (zh) * 2021-12-24 2022-04-01 欧波同科技产业有限公司 一种基于电镜的提高颗粒分析速度的颗粒识别方法
CN114577833A (zh) * 2022-05-05 2022-06-03 克拉玛依禾鑫石油科技有限公司 快速定量分析砂砾岩岩屑基质中黏土矿物的方法及应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318564A (zh) * 2014-10-24 2015-01-28 北京矿冶研究总院 一种矿物颗粒分相的方法
JP2016125845A (ja) * 2014-12-26 2016-07-11 太平洋セメント株式会社 高流動性フライアッシュの判別方法、高流動性フライアッシュ、およびフライアッシュ混合セメント
CN107705314A (zh) * 2017-11-01 2018-02-16 齐鲁工业大学 一种基于灰度分布的多物体图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318564A (zh) * 2014-10-24 2015-01-28 北京矿冶研究总院 一种矿物颗粒分相的方法
JP2016125845A (ja) * 2014-12-26 2016-07-11 太平洋セメント株式会社 高流動性フライアッシュの判別方法、高流動性フライアッシュ、およびフライアッシュ混合セメント
CN107705314A (zh) * 2017-11-01 2018-02-16 齐鲁工业大学 一种基于灰度分布的多物体图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CV_YUIPPE: "《通过灰度直方图进行简单的阈值分割》", 《BLOG.CSDN.NET/CV_YUIPPE/ARTICLE/DETAILS/11730953》 *
CV_YUIPPE: "《通过灰度直方图进行简单的阈值分割》", 《BLOG.CSDN.NET/CV_YUIPPE/ARTICLE/DETAILS/11730953》, 16 September 2013 (2013-09-16), pages 1 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264576A (zh) * 2021-12-24 2022-04-01 欧波同科技产业有限公司 一种基于电镜的提高颗粒分析速度的颗粒识别方法
CN114577833A (zh) * 2022-05-05 2022-06-03 克拉玛依禾鑫石油科技有限公司 快速定量分析砂砾岩岩屑基质中黏土矿物的方法及应用
CN114577833B (zh) * 2022-05-05 2022-07-29 克拉玛依禾鑫石油科技有限公司 快速定量分析砂砾岩岩屑基质中黏土矿物的方法及应用

Similar Documents

Publication Publication Date Title
US8340372B2 (en) Image analysis
JP5298969B2 (ja) 粉塵の測定装置および発生源の推定方法
CN109859160A (zh) 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法
CN110853006B (zh) 一种使用扫描仪获取的数字病理图像质量评价的方法
CN106355739B (zh) 一种检测纸币新旧的方法及装置
CN111368844A (zh) 一种基于bse图的矿物颗粒自动识别方法
JP7467205B2 (ja) バイオマーカを光学的に検出するための方法
CN110909652B (zh) 纹理特征优选的农作物种植结构月尺度动态提取方法
CN109884182A (zh) 一种涡流c扫描成像检测方法
CN111060540A (zh) 一种夹杂物自动识别系统中夹杂物颗粒自动识别方法
CN116977230B (zh) 一种扫描电子显微镜图像优化增强方法
CN116740579B (zh) 一种国土空间规划数据智能采集方法
CN113191330A (zh) 融合二次电子和背散射电子图像的区域生长孔隙识别方法
CN109064496A (zh) 一种遥感图像对象层次的变化检测方法
CN111398323A (zh) 一种矿物自动分析系统中自动获取x射线分析位置的计算方法
CN113155247A (zh) 物体称重方法、状态评估方法、称重系统及状态评估系统
WO2016121065A1 (ja) 細胞解析装置および方法
CN107239754B (zh) 基于稀疏取样灰度分布和梯度分布特征的车标识别方法
EP4394353A1 (en) Coal analyzer, coal analysis method, mixed coal preparation method, and coke production method
KR102338050B1 (ko) 주사투과전자현미경 이미지에서의 원자 구조 해석 방법
CN113870237B (zh) 一种基于水平扩散的复合材料图像阴影检测方法
CN111784635B (zh) 一种基于图像颜色空间的皮肤表面荧光点检测与评估方法
CN114252371A (zh) 一种夹杂物分析系统中同时获得不同灰度阶颗粒的方法
CN118196072A (zh) 一种测量烟丝宽度的方法、电子设备及存储介质
CN105975936B (zh) 一种纯光学指纹活体检测方法

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

Application publication date: 20200703

RJ01 Rejection of invention patent application after publication