CN113657335A - 基于hsv颜色空间的矿相识别方法 - Google Patents
基于hsv颜色空间的矿相识别方法 Download PDFInfo
- Publication number
- CN113657335A CN113657335A CN202110979467.5A CN202110979467A CN113657335A CN 113657335 A CN113657335 A CN 113657335A CN 202110979467 A CN202110979467 A CN 202110979467A CN 113657335 A CN113657335 A CN 113657335A
- Authority
- CN
- China
- Prior art keywords
- threshold
- mineral
- segmentation
- hsv color
- 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
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 113
- 239000011707 mineral Substances 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 208000035126 Facies Diseases 0.000 claims abstract description 29
- 230000002146 bilateral effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 abstract description 2
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 16
- 229910052595 hematite Inorganic materials 0.000 description 13
- 239000011019 hematite Substances 0.000 description 13
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 13
- 239000000523 sample Substances 0.000 description 12
- 229910052951 chalcopyrite Inorganic materials 0.000 description 11
- DVRDHUBQLOKMHZ-UHFFFAOYSA-N chalcopyrite Chemical compound [S-2].[S-2].[Fe+2].[Cu+2] DVRDHUBQLOKMHZ-UHFFFAOYSA-N 0.000 description 11
- 239000003086 colorant Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910001919 chlorite Inorganic materials 0.000 description 1
- 229910052619 chlorite group Inorganic materials 0.000 description 1
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及矿相识别技术领域,且公开了基于HSV颜色空间的矿相识别方法,包括,步骤一、采集图像,将制备完成的矿石光片试样放置在光学显微镜载物台上,调节物镜和目镜的倍数以及调节好其它设备参数,直至观察到清晰的图像,在单偏光镜下使用CCD相机进行拍摄,将拍摄到的清晰图像传入电脑保存,然后调整物镜倍数再次进行拍摄保存,步骤二、双边滤波,双边滤波可以在滤波的同时保证边缘信息不被破坏,以确保矿物分割的准确性。该基于HSV颜色空间的矿相识别方法,可以提高研究矿相的精确度和效率,并且操作简单,有效促进工艺矿物学的发展,为工艺矿物学工作人员提供参考。
Description
技术领域
本发明涉及矿相识别技术领域,具体为基于HSV颜色空间的矿相识别方法。
背景技术
矿相学的研究内容主要包括在矿相显微镜下观测不透明金属矿物的光性、物性和化学性质等,以鉴定金属矿物,研究矿石的组构特征、矿物组合和它们在时间上发育和空间上分布的规律,为研究矿床成因、进行找矿勘探提供依据,采用数字图像处理技术对矿石的镜下显微图像来进行处理和分割、采用灰度直方图信息来识别矿物种类、采用区域生长分割算法对矿相显微图像进行分割,这些方法将获取的彩色图像转化为灰度图像之后再进行处理,完全忽略了矿物的颜色信息,还有采用XRD等多种分析测定方法鉴定玄武岩、利用矿物电子探针微区测试技术对绿泥石的化学成分进行测试分析,这些方法对于工作人员的专业性有较高的要求且检测成本颇高,此外采用卷积神经网络建立模型,利用残差神经网络对5种矿物进行识别、将利用迁移学习方法建立的学习模型和利用K-means算法提取颜色特征建立的颜色特征模型相结合,实现了矿物的实时识别,深度学习方法在矿物识别中广泛应用,但一般只能识别出矿物图片的种类作参考,并不能提取出矿物在图像中的存在位置,且需要大量的样本来进行长时间复杂的训练。
目前,传统的在矿相显微镜下鉴定矿物的依据主要有两点,一是反射色,反射色是金属矿物的主要属性,是镜下鉴定矿物的重要依据,二是反射率,即矿物在视野中的亮度,显微镜下识别矿物种类受限于工作人员的专业水平,而且由于人的主观意识,人工识别很难达到完全统一的标准,需要大量的样本来进行长时间复杂的训练,精确度有限,而且这些方法对于工作人员的专业性有较高的要求且检测成本颇高。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于HSV颜色空间的矿相识别方法,该方法可以提高研究矿相的精确度和效率,并且操作简单,有效促进工艺矿物学的发展,为工艺矿物学工作人员提供参考等优点,解决了微镜下识别矿物种类受限于工作人员的专业水平,而且由于人的主观意识,人工识别很难达到完全统一的标准,需要大量的样本来进行长时间复杂的训练,精确度有限,而且这些方法对于工作人员的专业性有较高的要求且检测成本颇高的问题。
(二)技术方案
为实现上述的目的,本发明提供如下技术方案:基于HSV颜色空间的矿相识别方法,包括以下步骤:
步骤一、采集图像,将制备完成的矿石光片试样放置在光学显微镜载物台上,调节物镜和目镜的倍数以及调节好其它设备参数,直至观察到清晰的图像,在单偏光镜下使用CCD相机进行拍摄,将拍摄到的清晰图像传入电脑保存,然后调整物镜倍数再次进行拍摄保存;
步骤二、双边滤波,双边滤波可以在滤波的同时保证边缘信息不被破坏,以确保矿物分割的准确性;
步骤三、转至HSV颜色空间,HSV色彩空间的三分量分别为色调Hue、饱和度Saturation、明度Value,HSV按颜色、深浅、亮暗有效的分离了矿相的三个分量,用于指定颜色分割时对色彩进行描述,方便进行颜色之间的对比;
步骤四、HSV颜色空间阈值提取,利用Python-OpenCV中的trackbar函数来找到理想阈值,将去噪后的图像转化为HSV颜色模型,选取多张图像作为训练样本,从中提取各种矿物各分量的颜色阈值;
步骤五、HSV阈值分割,将阈值分割的概念扩展到3维空间,将3-D空间分割问题转化成三个1-D分割问题。
优选的,所述步骤一中先将光学显微镜的物镜和目镜都调整为10倍,拍摄完成后将物镜调节到20倍再次进行拍摄保存,两次拍摄过程中,均要保持显微镜上的CCD相机在灯光为标准白的条件下拍摄,以赤铁矿、磁铁矿、黄铜矿三种矿石为例,每种矿石针对不同放大倍数共采集30张图片,共计90张矿石图片,其中每种矿石图片随机选取25张作为训练样本,用来提取该矿物各通道的颜色阈值。
优选的,所述步骤二中双边滤波,主要用于去除相机采集图像的过程中因不良照明或在光电转换过程中引起一些噪声,并且在滤波时保证边缘信息不被破坏,以确保矿物分割的准确性,双边滤波的操作如下;
优选的,所述步骤三中HSV色彩空间的三分量的计算公式分别为:
V=Cmax ⑶
其中:如果H<0,那么
H=H+360° ⑷
S、G、B归一化得R’、G’、B’:
Δ为R’、G’、B’中最大值与最小值的差:
一般来说,0≤H≤360,0≤S≤1,0≤V≤1。
优选的,所述步骤四中去噪后提取各种矿物各分量的颜色阈值的过程,包括以下流程:
S1、读取样本图片,以磁铁矿样本为例,通过拖动bar来改变各通道阈值;
S2、同时观察mask(掩膜)窗口的样本图片分割效果,确定是否选中目标矿物,目标矿物作为感兴趣区,也可观察res窗口的分割结果,为原图与掩膜相乘的结果,直接显示目标矿物,背景为黑色;
S3、当选中全部目标矿物时,print输出一行六列矩阵,六个数据分别代表bar的H、S、V三个分量的最低、最高阈值,记录六个数据,就是此样本最合适的阈值;
S4、通过统计所有样本的阈值并计算,得出该目标矿物的最佳颜色阈值。
优选的,所述步骤五中由于计算的阈值有显著的双分界特点,所以用双阈值法对三个分量进行分割并相乘,根据提取的阈值设定好各通道的阈值变量,H分量的低阈值为LHi,高阈值为UHi,S分量的低阈值为LSi,高阈值为USi,V分量的低阈值为LVi,高阈值为UVi,(i=1,2,3分别代表赤铁矿、磁铁矿、黄铜矿),定义:flag i(:,:,0)为像素点H分量的值,flag i(:,:,1)为像素点S分量的值,flag i(:,:,2)为像素点V分量的值,规则为:
If LH1<flag 1(:,:,0)<UH1&LS1<flag 1(:,:,1)<US1&LV1<flag 1(:,:,2)<UV1//赤铁矿;
else if LH2<flag 2(:,:,0)<UH2&LS2<flag 2(:,:,1)<US2&LV2<flag 2(:,:,2)<UV2//磁铁矿;
else if LH3<flag 3(:,:,0)<UH3&LS3<flag 3(:,:,1)<US3&LV3<flag 3(:,:,2)<UV3//黄铜矿;
其中,//代表“就定义为”,将背景设为黑色,目标矿物为本身颜色,即可实现对矿相图像的识别分割。
(三)有益效果
与现有技术相比,本发明提供了基于HSV颜色空间的矿相识别方法,具备以下有益效果:
1、本发明在使用的时候,根据颜色是矿物的重要光学性质之一,不同矿物在镜下观察的颜色信息不同,充分利用HSV三个特征之间的无关性及对光照的抗干扰能力,通过HSV色彩模型对矿相显微图像进行识别,对获取的彩色矿相图片进行降噪处理可有效增强图片质量,将去噪之后的RGB图片转换到HSV颜色空间,然后提取各通道的颜色阈值,利用矿物固有的颜色特征及亮度信息对H、S、V各通道分别进行有效的分割,然后将三个通道进行“与”运算,即可识别出该图片中的矿物组成,该方法精确高效、操作简单,有效促进工艺矿物学的发展,为工艺矿物学工作人员提供参考。
附图说明
图1为本发明提出的基于HSV颜色空间的矿相识别方法的框图;
图2为本发明提出的基于HSV颜色空间的矿相识别方法利用光学显微镜检测到的部分矿相显微图像;
图3为本发明提出的基于HSV颜色空间的矿相识别方法中改变各通道阈值时截取的trackbar界面图;
图4为本发明提出的基于HSV颜色空间的矿相识别方法对样品图片分割的效果图;
图5为本发明提出的基于HSV颜色空间的矿相识别方法对样品图片的分割结果图;
图6为本发明提出的基于HSV颜色空间的矿相识别方法对磁铁矿矿相的HSV三分量分割效果图;
图7为本发明提出的基于HSV颜色空间的矿相识别方法实验例1中不同滤波方法的对比图;
图8为本发明提出的基于HSV颜色空间的矿相识别方法对比例中对目标矿相的分割结果图;
图9为本发明提出的基于HSV颜色空间的矿相识别方法比例中对目标矿相的试验结果对比图。
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它实施例,都属于本发明保护的范围。
实施例:
参照图1-6,基于HSV颜色空间的矿相识别方法,包括以下步骤:
步骤一、将制备完成的矿石光片试样放置在光学显微镜载物台上,将物镜调整到10倍数,目镜为10倍,调节好其它设备参数,直至观察到清晰的图像,在单偏光镜下使用CCD相机进行拍摄,将拍摄到的清晰图像传入电脑保存,再将物镜调节到20倍再次进行拍摄保存,为确保实验的准确性,要保持显微镜上的CCD相机在灯光为标准白的条件下拍摄;
以赤铁矿、磁铁矿、黄铜矿三种矿石为例,每种矿石针对不同放大倍数共采集30张图片,共计90张矿石图片,部分矿相图片(如图2所示),其中每种矿石图片随机选取25张作为训练样本,用来提取该矿物各通道的颜色阈值;将剩余的5张用于检测该方法的准确性。
步骤二、双边滤波去除噪声,相机采集图像的过程中会由于不良照明或在光电转换过程中引起一些噪声,噪声会影响到图像分割的准确性,为有效去除图像的噪声,增强图像的质量,在图像识别前需进行滤波操作,常用的滤波方法在去除噪声的同时会导致边缘的模糊和细节的丢失,而矿物的分割识别对边缘的要求较高且存在较多的小颗粒矿物,可以在滤波的同时保证边缘信息不被破坏,以确保矿物分割的准确性,双边滤波的操作见式(1)与式(2),其中Iq为输入图像,为滤波后图像:
1)在图像的平坦区域,像素值变化很小,那么像素差值接近于0,对应的像素范围域权重接近于1,此时空间域权重起主要作用,相当于进行高斯模糊;
2)在图像的边缘区域,像素值变化很大,那么像素差值大,对应的像素范围域权重变大,即使距离远空间域权重小,加上像素域权重总的系数也较大,从而保护了边缘的信息。
步骤三、转至HSV颜色空间,HSV色彩空间的三分量分别为色调(Hue)、饱和度(Saturation)、明度(Value),其中明度就是亮度(Brightness),所以HSV也可以叫作HSB,通常来讲,HSV就是按颜色、深浅、亮暗来描述的,它有效的分离了三个分量,更有利于人们对色彩的描述,在用于指定颜色分割时,有比较大的作用,由于RGB通道无法显示对象的特定颜色信息,而HSV比RGB更方便进行颜色之间的对比,因此选取HSV颜色模型来进行分割,由RGB到HSV的转换如下,HSV三分量的计算公式分别为:
V=Cmax ⑶
其中,如果H<0,那么
H=H+360° ⑷
T、G、B归一化得R’、G’、B’:
Δ为R’、G’、B’中最大值与最小值的差:
一般来说,0≤H≤360,0≤S≤1,0≤V≤1。
步骤四、HSV颜色空间阈值提取,利用HSV颜色空间的三个通道对矿相显微图像进行阈值分割需要选取合适的阈值才能准确识别矿物,所以提出了HSV阈值提取方法,可利用Python-OpenCV中的trackbar函数来找到理想阈值,将去噪后的图像转化为HSV颜色模型,三种矿物共选取75张图像作为训练样本,从中提取各种矿物各分量的颜色阈值,提取过程为:
1)读取样本图片,以磁铁矿样本为例,通过拖动bar来改变各通道阈值,bar界面(如图3所示);
2)同时观察mask(掩膜)窗口的样本图片分割效果,确定是否选中目标矿物,目标矿物作为感兴趣区,分割效果(如图4所示),也可观察res窗口的分割结果,为原图与掩膜相乘的结果,直接显示目标矿物,背景为黑色(如图5所示);
3)当选中全部目标矿物时,print输出一行六列矩阵,六个数据分别代表bar的H、S、V三个分量的最低、最高阈值,记录六个数据,就是此样本最合适的阈值;
4)通过统计所有样本的阈值并计算,得出该目标矿物的最佳颜色阈值。
步骤五、HSV阈值分割,图像分割中使用较为普遍的一种方法是基于阈值的分割’简单的全阈值分割是根据一个全局阈值T将图像分割为二值图像,区分前景与背景区域,但对于颜色多样且结构复杂的矿石图像效果并不理想,因此可以将阈值分割的概念可以扩展到3维空间。当对彩色图像的分割在HSV空间进行时,由于三个分量是相互独立的,所以可以将这个3-D空间分割问题转化为三个1-D分割问题,磁铁矿矿相的HSV三分量(如图6所示),由于计算的阈值有显著的双分界特点,所以用双阈值法对三个分量进行分割并相乘,根据提取的阈值设定好各通道的阈值变量,H分量的低阈值为LHi,高阈值为UHi,S分量的低阈值为LSi,高阈值为USi,V分量的低阈值为LVi,高阈值为UVi,(i=1,2,3分别代表赤铁矿、磁铁矿、黄铜矿)定义:
flag i(:,:,0)为像素点H分量的值;
flag i(:,:,1)为像素点S分量的值;
flag i(:,:,2)为像素点V分量的值;
规则为:
If LH1<flag 1(:,:,0)<UH1&LS1<flag 1(:,:,1)<US1&LV1<flag 1(:,:,2)<UV1//赤铁矿;
else if LH2<flag 2(:,:,0)<UH2&LS2<flag 2(:,:,1)<US2&LV2<flag 2(:,:,2)<UV2//磁铁矿;
else if LH3<flag 3(:,:,0)<UH3&LS3<flag 3(:,:,1)<US3&LV3<flag 3(:,:,2)<UV3//黄铜矿;
其中,(//代表“就定义为”),将背景设为黑色,目标矿物为本身颜色,即可实现对矿相图像的识别分割。
本发明在使用的时候,根据颜色是矿物的重要光学性质之一,不同矿物在镜下观察的颜色信息不同,充分利用HSV三个特征之间的无关性及对光照的抗干扰能力,通过HSV色彩模型对矿相显微图像进行识别,对获取的彩色矿相图片进行降噪处理可有效增强图片质量,将去噪之后的RGB图片转换到HSV颜色空间,然后提取各通道的颜色阈值,利用矿物固有的颜色特征及亮度信息对H、S、V各通道分别进行有效的分割,然后将三个通道进行“与”运算,即可识别出该图片中的矿物组成,该方法精确高效、操作简单,有效促进工艺矿物学的发展,为工艺矿物学工作人员提供参考。
试验例1:
参照图7,滤波效果对比,以赤铁矿为例,不同的滤波方法结果如图7所示,图7(a)为均值滤波结果,图7(b)为中值滤波结果,均值滤波和中值滤波会在滤波的同时使图像变得很模糊,边缘不清晰,不适用于对细节要求较高的矿相识别,图7(c)高斯滤波可以保留部分细节,但是由于只考虑到空间距离关系,没有考虑像素值的关系,所以在灰度剧烈变化的边缘处也会有较明显的模糊,图7(d)为双边滤波,双边滤波比高斯滤波多一个高斯方差,多了一种掩膜,双边滤波同时考虑到空间与像素值信息,从而达到保边去噪的目的,矿物识别需要保留微小矿物信息,双边滤波的效果最佳,因此选取双边滤波方法。
试验例2:
HSV阈值提取
利用python中的cv2.COLOR_BGR2HSV函数把滤波后的RGB图像转化到HSV色彩空间,经Python-OpenCV的算法提取到各矿物的部分颜色分量阈值数据如表1所示:
表1部分阈值数据
对每种矿物的颜色阈值取均值计算,可得赤铁矿、磁铁矿和黄铜矿的HSV各颜色分量阈值如表2所示。
表2阈值范围
对比例:
参照图8-9,在python中利用cv2.inRange函数编程HSV阈值分割程序来实现矿相识别算法,根据矿物的颜色、饱和度、明度信息分别对赤铁矿、磁铁矿和黄铜矿进行阈值分割,结果如图8所示,经过三通道的双阈值分割后得到目标矿物的掩膜图像,脉石矿物作为黑色背景,目标矿物为感兴趣区,然后将掩膜与矿相原图相乘,得到目标矿物图像,感兴趣区内的图像值保持不变,区外的图像值为0,由分割结果可见,基于HSV颜色空间的矿相识别算法可以准确地识别出每张矿相图像里的赤铁矿、磁铁矿与黄铜矿,将本文算法与利用灰度图直接进行分割的大津法和利用RGB颜色模型进行分割的阈值分割方法对比,因二值图像对比度明显,更便于观察,所以采用分割后得到的掩膜图像来进行比较,得出图9的实验结果,包含赤铁矿、磁铁矿和黄铜矿的矿相显微图像原图,以及分别利用Otsu算法、基于RGB颜色模型的分割算法和HSV阈值分割算法进行分割的结果,由图9可见,Otsu大津法由于转为灰度图后失去了颜色信息,无法分割出颜色相近的矿物,分割出的赤铁矿包含大量的脉石矿物;也无法分辨出颜色不同灰度却相近的矿物,在黄铜矿的分割中,由于转为灰度图后黄铜矿与其中包含的磁铁矿的灰度值接近,所以大津法无法准确的区分黄铜矿与磁铁矿,分割的黄铜矿也包括了其中的磁铁矿,无法准确识别分割,基于RGB颜色空间的分割方法是先对R、G、B三通道分别进行阈值分割,再对分割后的二值图像进行相乘的结果,效果优于大津法,能基本识别出三种矿物,但是与HSV分割算法进行对比,可见红色方框所框细节区域,基于RGB颜色模型的识别方法识别结果不够全面,对于细节处的目标矿物不能准确识别出,准确度要低于HSV颜色模型的阈值分割,而基于HSV的阈值分割由于利用到矿石颜色、亮度等特征,可以识别出任意颜色的矿物,所以可以准确地提取出赤铁矿,提高了识别效率与准确度。
综上所述,针对传统的灰度图像分割算法不能应用于彩色矿石图像的问题,提出的彩色图像识别算法,基于HSV颜色模型对矿物的颜色、饱和度、明度特征进行提取,进而识别出目标矿物,以便为后续的分析提供依据,通过颜色阈值提取程序可提取各种矿物的颜色阈值,样本的增加可以提高方法的准确性,通过分割程序对赤铁矿、磁铁矿和黄铜矿进行分割,实验表明,此算法免于人工标定,提高了识别速度,并有较高的准确性,满足实时性的要求,不受工作人员的专业限制,节省成本,识别简单有效。
需要说明的是,术语“包括”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于HSV颜色空间的矿相识别方法,其特征在于:包括以下步骤:
步骤一、采集图像,将制备完成的矿石光片试样放置在光学显微镜载物台上,调节物镜和目镜的倍数以及调节好其它设备参数,直至观察到清晰的图像,在单偏光镜下使用CCD相机进行拍摄,将拍摄到的清晰图像传入电脑保存,然后调整物镜倍数再次进行拍摄保存;
步骤二、双边滤波,双边滤波可以在滤波的同时保证边缘信息不被破坏,以确保矿物分割的准确性;
步骤三、转至HSV颜色空间,HSV色彩空间的三分量分别为色调Hue、饱和度Saturation、明度Value,处理后图像转至HSV颜色空间,HSV按颜色、深浅、亮暗有效的分离矿相的三个分量,进行颜色之间的对比;
步骤四、HSV颜色空间阈值提取,利用Python-OpenCV中的trackbar函数找到理想阈值,将去噪后的图像转化为HSV颜色模型,选取多张图像作为训练样本,从中提取各种矿物各分量的颜色阈值;
步骤五、HSV阈值分割,将阈值分割的概念扩展到3维空间,将3-D空间分割问题转化成三个1-D分割问题。
2.根据权利要求1所述的基于HSV颜色空间的矿相识别方法,其特征在于:所述步骤一中先将光学显微镜的物镜和目镜都调整为10倍,拍摄完成后将物镜调节到20倍再次进行拍摄保存,两次拍摄过程中,均要保持显微镜上的CCD相机在灯光为标准白的条件下拍摄。
5.根据权利要求1所述的基于HSV颜色空间的矿相识别方法,其特征在于:所述步骤四中去噪后提取各种矿物各分量的颜色阈值的过程,包括以下流程:
S1、读取样本图片,通过拖动bar来改变各通道阈值;
S2、同时观察mask(掩膜)窗口的样本图片分割效果,确定是否选中目标矿物,目标矿物作为感兴趣区,也可观察res窗口的分割结果,为原图与掩膜相乘的结果,直接显示目标矿物,背景为黑色;
S3、当选中全部目标矿物时,print输出一行六列矩阵,六个数据分别代表bar的H、S、V三个分量的最低、最高阈值,记录六个数据,就是此样本最合适的阈值;
S4、通过统计所有样本的阈值并计算,得出该目标矿物的最佳颜色阈值。
6.根据权利要求1所述的基于HSV颜色空间的矿相识别方法,其特征在于:所述步骤五中由于计算的阈值有显著的双分界特点,所以用双阈值法对三个分量进行分割并相乘,根据提取的阈值设定好各通道的阈值变量,H分量的低阈值为LHi,高阈值为UHi,S分量的低阈值为LSi,高阈值为USi,V分量的低阈值为LVi,高阈值为UVi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110979467.5A CN113657335A (zh) | 2021-08-25 | 2021-08-25 | 基于hsv颜色空间的矿相识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110979467.5A CN113657335A (zh) | 2021-08-25 | 2021-08-25 | 基于hsv颜色空间的矿相识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657335A true CN113657335A (zh) | 2021-11-16 |
Family
ID=78481908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110979467.5A Pending CN113657335A (zh) | 2021-08-25 | 2021-08-25 | 基于hsv颜色空间的矿相识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657335A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972777A (zh) * | 2021-12-22 | 2022-08-30 | 昆明理工大学 | 一种利用计算机图像颜色识别对矿物种类进行判别的方法 |
CN114994040A (zh) * | 2022-05-28 | 2022-09-02 | 江苏沙钢集团有限公司 | 一种烧结矿矿相的定量分析计算方法 |
CN117204655A (zh) * | 2023-10-14 | 2023-12-12 | 华南农业大学 | 一种基于EtherCAT总线通讯的异形钻石镶嵌系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366190A (zh) * | 2013-07-26 | 2013-10-23 | 中国科学院自动化研究所 | 一种识别交通标志的方法 |
CN109117759A (zh) * | 2018-07-27 | 2019-01-01 | 北京矿冶科技集团有限公司 | 一种金属硫化物矿物光学显微图像的自动识别方法 |
CN109448010A (zh) * | 2018-08-31 | 2019-03-08 | 浙江理工大学 | 一种基于内容特征的四方连续纹样自动生成方法 |
CN109615623A (zh) * | 2018-12-04 | 2019-04-12 | 广东技术师范学院 | 一种基于OpenCV的管廊视频目标检测方法 |
CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
-
2021
- 2021-08-25 CN CN202110979467.5A patent/CN113657335A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366190A (zh) * | 2013-07-26 | 2013-10-23 | 中国科学院自动化研究所 | 一种识别交通标志的方法 |
CN109117759A (zh) * | 2018-07-27 | 2019-01-01 | 北京矿冶科技集团有限公司 | 一种金属硫化物矿物光学显微图像的自动识别方法 |
CN109448010A (zh) * | 2018-08-31 | 2019-03-08 | 浙江理工大学 | 一种基于内容特征的四方连续纹样自动生成方法 |
CN109615623A (zh) * | 2018-12-04 | 2019-04-12 | 广东技术师范学院 | 一种基于OpenCV的管廊视频目标检测方法 |
CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
Non-Patent Citations (1)
Title |
---|
汪鹞: "基于亮度校正与分区域特征点聚类的秧苗行线识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972777A (zh) * | 2021-12-22 | 2022-08-30 | 昆明理工大学 | 一种利用计算机图像颜色识别对矿物种类进行判别的方法 |
CN114994040A (zh) * | 2022-05-28 | 2022-09-02 | 江苏沙钢集团有限公司 | 一种烧结矿矿相的定量分析计算方法 |
CN117204655A (zh) * | 2023-10-14 | 2023-12-12 | 华南农业大学 | 一种基于EtherCAT总线通讯的异形钻石镶嵌系统 |
CN117204655B (zh) * | 2023-10-14 | 2024-04-05 | 华南农业大学 | 一种基于EtherCAT总线通讯的异形钻石镶嵌系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN113657335A (zh) | 基于hsv颜色空间的矿相识别方法 | |
Zhu et al. | Single image dehazing using color attenuation prior. | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
Shi et al. | Single image dehazing in inhomogeneous atmosphere | |
US9239281B2 (en) | Method and device for dividing area of image of particle in urine | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN111047530A (zh) | 基于多特征融合的水下图像颜色校正和对比度增强方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN112435184B (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN110310291A (zh) | 一种稻瘟病分级系统及其方法 | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN106997583A (zh) | 一种水下机器人自适应图像增强和特征提取方法 | |
CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN109948544A (zh) | 一种目标菌落自动定位与识别方法 | |
Han et al. | Automatic illumination and color compensation using mean shift and sigma filter | |
WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
CN116229084A (zh) | 一种对空目标的检测方法 |
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: 20211116 |