CN114897917A - 一种多层次的岩石铸体薄片图像分割方法 - Google Patents
一种多层次的岩石铸体薄片图像分割方法 Download PDFInfo
- Publication number
- CN114897917A CN114897917A CN202210818064.7A CN202210818064A CN114897917A CN 114897917 A CN114897917 A CN 114897917A CN 202210818064 A CN202210818064 A CN 202210818064A CN 114897917 A CN114897917 A CN 114897917A
- Authority
- CN
- China
- Prior art keywords
- image
- polarization
- particles
- preprocessed
- binary 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005266 casting Methods 0.000 title claims abstract description 53
- 238000003709 image segmentation Methods 0.000 title claims abstract description 10
- 230000010287 polarization Effects 0.000 claims abstract description 204
- 239000002245 particle Substances 0.000 claims abstract description 151
- 239000007788 liquid Substances 0.000 claims abstract description 21
- 239000000853 adhesive Substances 0.000 claims description 40
- 230000001070 adhesive effect Effects 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 6
- 230000001464 adherent effect Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000011859 microparticle Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 239000011148 porous material Substances 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000003292 glue Substances 0.000 description 3
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Images
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种多层次的岩石铸体薄片图像分割方法，本发明结合岩石铸体薄片的铸体液呈现特征和岩石铸体薄片的单偏光和正交偏光连续变化的偏光角度下颗粒目标变化的特征，基于这两种特征上实现一种多层次的岩石铸体薄片颗粒分割方法，提高了岩石铸体薄片的分割精确度，使其能运用于生产实际当中。本发明提高了岩石铸体薄片的孔缝的计算准确率，使其在生产过程中对工作人员判断该岩石层油藏提供了帮助。
Description
技术领域
本发明属于岩石铸体薄片图像识别领域，具体涉及一种多层次的岩石铸体薄片图像分割方法。
背景技术
在岩石铸体薄片的颗粒分割方法中，颗粒分割是岩石薄片鉴定工作的前提，岩石铸体薄片是在真空加压条件下将有色液态胶注入岩石孔隙空间，待液态胶固化后磨制成的岩石薄片，目前常用有色液态胶的颜色为蓝色。
薄片鉴定是从岩石薄片图像中将颗粒目标提取出来，然后分为单独的目标区域，并计算每一个目标区域的属性，从而为薄片定名。其中分割质量的好坏直接影响了分析鉴定工作的准确性。然而，由于岩矿图像具有复杂多变性，颗粒不规则，大小不一致，纹理丰富等特点，这使得颗粒的分割变得十分困难。
图像分割技术是计算机视觉与人工智能领域中的一大经典难题，众多国内外学者深入研究，提出了大量的分割算法。目前已有的分割算法大多是基于岩石薄片的单偏光图像，然而在实际应用中，岩石颗粒排列较紧密，往往出现重叠、粘连等现象，尤其在岩石薄片的单偏光图像中，颗粒边缘模糊难以分辨，现有的算法分割效果一般。
发明内容
针对现有技术中的上述不足，本发明提供的一种多层次的岩石铸体薄片图像分割方法解决了岩石铸体薄片中颗粒分割边缘不准确，且容易造成过分割和欠分割的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种多层次的岩石铸体薄片图像分割方法，包括以下步骤：
S1、将岩石铸体薄片样本在偏光显微镜下进行拍摄，生成正交偏光图像和单偏光图像，进而对生成的图像进行腐蚀算法和分段平滑处理，得到预处理的正交偏光二值图和单偏光二值图；
S2、将预处理的正交偏光二值图和单偏光二值图进行非粘连颗粒的提取，得到第一次处理的单偏光二值图，并将提取的非粘连颗粒保存在结果模板中；
S3、将正交偏光图像进行融合，并根据融合图像中的非粘连颗粒对第一次处理的单偏光二值图进行处理，得到第二次处理的单偏光二值图；
S4、将第二次处理的单偏光二值图再次进行非粘连颗粒的提取，完成岩石铸体薄片中所有颗粒的分离提取。
进一步地：所述步骤S1包括以下分步骤：
S11、将岩石铸体薄片样本通过偏光显微镜在0度下拍摄单偏光图像，并通过偏光显微镜在正交偏光下分别拍摄0度、36度、72度、108度和144度的正交偏光图像；
S12、将所述单偏光图像作为模板，通过特征点匹配的SIFT算法分别将5张所述正交偏光图像与单偏光图像进行对齐，得到对齐单偏光图像的正交偏光图像；
S13、将对齐单偏光图像的正交偏光图像和单偏光图像进行去除孔缝，得到正交偏光图像和单偏光图像，将正交偏光图像和单偏光图像进行处理，得到预处理的正交偏光二值图和单偏光二值图。
上述进一步方案的有益效果为：SIFT算法可以提取正交偏光图像与单偏光图像的特征点集，通过特征点匹配进行正交偏光矫正，实现正交偏光图像对齐。
进一步地：所述步骤S13具体为：
S13-1、将对齐后的正交偏光图像和单偏光图像转到HSV空间，得到HSV格式的正交偏光图像和单偏光图像，通过多通道元素检查的方法去除HSV格式的正交偏光图像和单偏光图像的铸体液部分区域，得到去除铸体液的正交偏光图像和单偏光图像；
其中，所述多通道元素检查的方法具体为：
检查HSV格式的图像中在蓝色颜色值范围之间的数组元素，去除其形成的蓝色部分区域；
S13-2、将所述去除铸体液的正交偏光图像和单偏光图像通过腐蚀算法和分段平滑处理，得到预处理后的正交偏光图像和单偏光图像；
其中，所述分段平滑的方法具体为：
将图像中凹凸不平的颗粒轮廓进行平滑的操作，设定初始段间距为1mm，根据图像自身比例尺将初始间距换算为像素点个数记为m个，设置滑动窗口的大小为m，采用滑动窗口对该轮廓进行滑动平滑，取出滑动窗口中轮廓坐标点，获取其最小外界矩形的四个顶点坐标，由4个顶点坐标计算出中位线段两端点a、b作为该段轮廓的新坐标点ai 和bi，在下一次滑动窗口时，上一次端点bi与此次端点a(i+1)处于同一位置，因此需要合并相邻的两个坐标点，取两坐标点的线段中点为新坐标点；
S13-3、将所述预处理后的正交偏光图像和单偏光图像制作为二值图，得到预处理的正交偏光二值图和单偏光二值图；
其中，得到所述预处理的正交偏光二值图和单偏光二值图的方法具体为：
将所述预处理后的正交偏光图像和单偏光图像通过连通域面积阈值的方法和高斯滤波的方法，去除二值图中的孤立噪声点和一些微小颗粒，得到预处理的正交偏光二值图和单偏光二值图。
上述进一步方案的有益效果为：本发明将岩石铸体薄片图像转到HSV空间，变成HSV格式的岩石铸体薄片图像，再利用HSV蓝色颜色信息的阈值范围，利用多通道元素检查的方法，可有效去除岩石薄片中铸体液的部分。
进一步地：所述步骤S2包括以下分步骤：
S21、将预处理的正交偏光二值图和单偏光二值图进行轮廓检测，对其中每一个连通域进行标记，并存储每个连通的颗粒轮廓坐标信息；
S22、根据每一个所述连通域，判断正交偏光二值图和单偏光二值图中的颗粒是否为粘连颗粒；
若是，则不做处理；
若否，则将所述颗粒轮廓坐标信息保存为最后的颗粒分割结果，并且在单偏光二值图上去除该颗粒的信息，进入步骤S23；
S23、在正交偏光二值图和单偏光二值图完成所有非粘连颗粒的提取，得到第一次处理的正交偏光二值图和单偏光二值图，并将提取的非粘连颗粒保存在结果模板中；
其中，所述结果模板为黑图，其大小与所述单偏光二值图相同。
进一步地：所述步骤S22中，判断是否为粘连颗粒的方法具体为：
S22-1、对二值图的颗粒进行凹点检测匹配，判断是否有匹配凹点；
若是，则所述颗粒为粘连颗粒；若否，则进入步骤S22-2；
S22-2、判断二值图的颗粒轮廓面积与颗粒凸包面积比例是否大于90%；
若是，则所述颗粒为非粘连颗粒；若否，则所述颗粒为粘连颗粒。
上述进一步方案的有益效果为：根据凹点检测匹配的方法和颗粒轮廓面积与颗粒凸包面积比的方法可以根准确的识别颗粒的类别，以此提取出非粘连颗粒。
进一步地：所述步骤S22-1中，凹点检测匹配的方法具体为：
SA1、基于分段平滑操作后的颗粒轮廓坐标点信息，计算颗粒轮廓的每一个轮廓点的曲率，筛选其中曲率变化异常的点作为待确定凹点；
SA2、对待确定凹点进行曲率方向检测，当两个距离最近的待确定凹点曲率方向夹角大于150度，且两个所述待确定凹点在两个凹区域上时，则存在匹配凹点；
所述步骤S22-2中，计算所述颗粒轮廓面积与颗粒凸包面积比的方法具体为：
根据所述颗粒的轮廓坐标点信息，分别计算轮廓面积和该轮廓的最小外界多边形的面积，进而计算轮廓面积与轮廓的最小外界多边形的面积比例，并将其作为所述颗粒轮廓面积与颗粒凸包面积比例。
进一步地：所述步骤S3包括以下分步骤：
S31、将5张所述正交偏光图像进行融合，得到融合图像；
S32、根据亮度对融合图像进行分割，得到提取亮度后的融合图像；
S33、基于提取亮度后的融合图像再次进行非粘连颗粒的提取；
S34、重复步骤S32~S33的方法分别对5张所述正交偏光图像提取非粘连颗粒；
S35、根据提取的所述非粘连颗粒，去除第一次处理的单偏光二值图中的所述非粘连颗粒，得到第二次处理的单偏光二值图，并将提取的非粘连颗粒保存在结果模板中。
上述进一步方案的有益效果为：根据5张所述第一次处理的正交偏光二值图进行融合处理可以进一步地提取第一次处理单偏光二值图中剩余的非粘连颗粒。
进一步地：所述步骤S31中，提取高亮度区域的方法具体为：
将所述融合图像转换为灰度图像，再获取所述灰度图像中每个通道的像素值的均方根值，再将融合图像中小于均方根值的像素值赋予0，得到提取亮度后的融合图像；
其中，计算均方根值x rms 的表达式具体为：
式中，x i 为每个通道的第i像素值，且i=1,…,n，n为该通道像素值的总数。
进一步地：所述步骤S4具体为：
将第二次处理的单偏光二值图再次进行非粘连颗粒的提取，并对剩下的颗粒通过凹点检测匹配方法进行分离提取，并将提取的非粘连颗粒保存在结果模板中 ，完成岩石铸体薄片中所有颗粒的分离提取。
本发明的有益效果为：
（1）本发明结合岩石铸体薄片的铸体液呈现特征和岩石铸体薄片的单偏光和正交偏光连续变化的偏光角度下颗粒目标变化的特征，基于这两种特征上实现一种多层次的岩石铸体薄片颗粒分割方法，提高了岩石铸体薄片的分割精确度，使其能运用于生产实际当中。
（2）本发明提高了岩石铸体薄片的孔缝的计算准确率，使其在生产过程中对工作人员判断该岩石层油藏提供了帮助。
附图说明
图1为一种多层次的岩石铸体薄片图像分割方法的流程图。
图2为特征点匹配的SIFT算法流程图。
图3为HSV颜色值对照图。
图4为去铸体液的图像。
图5为预处理后的图像。
图6为分段平滑的方法处理的示意图。
图7为预处理的正交偏光二值图和单偏光二值图。
图8为凹点分别位于两个凹区域，且夹角大于150度的示意图。
图9为凸包、轮廓和凹区域的示意图。
图10为提取非粘连颗粒后剩下的粘连颗粒示意图。
图11为提取高亮度区域示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，在本发明的一个实施例中，一种多层次的岩石铸体薄片图像分割方法，包括以下步骤：
S1、将岩石铸体薄片样本在偏光显微镜下进行拍摄，生成正交偏光图像和单偏光图像，进而对生成的图像进行腐蚀算法和分段平滑处理，得到预处理的正交偏光二值图和单偏光二值图；
S2、将预处理的正交偏光二值图和单偏光二值图进行非粘连颗粒的提取，得到第一次处理的单偏光二值图，并将提取的非粘连颗粒保存在结果模板中；
S3、将正交偏光图像进行融合，并根据融合图像中的非粘连颗粒对第一次处理的单偏光二值图进行处理，得到第二次处理的单偏光二值图；
S4、将第二次处理的单偏光二值图再次进行非粘连颗粒的提取，完成岩石铸体薄片中所有颗粒的分离提取。
所述步骤S1包括以下分步骤：
S11、将岩石铸体薄片样本通过偏光显微镜在0度下拍摄单偏光图像，并通过偏光显微镜在正交偏光下分别拍摄0度、36度、72度、108度和144度的正交偏光图像；
S12、将所述单偏光图像作为模板，通过特征点匹配的SIFT算法分别将5张所述正交偏光图像与单偏光图像进行对齐，得到对齐单偏光图像的正交偏光图像；
S13、将对齐单偏光图像的正交偏光图像和单偏光图像进行去除孔缝，得到正交偏光图像和单偏光图像，将正交偏光图像和单偏光图像进行处理，得到预处理的正交偏光二值图和单偏光二值图。
在本实施例中，SIFT算法的具体流程如图2所示，根据SIFT算法分别提取正交偏光图像与单偏光图像的特征点集，通过特征点匹配进行正交偏光矫正，实现正交偏光图像对齐；
所述步骤S13具体为：
S13-1、将对齐后的正交偏光图像和单偏光图像转到HSV空间，得到HSV格式的正交偏光图像和单偏光图像，通过多通道元素检查的方法去除HSV格式的正交偏光图像和单偏光图像的铸体液部分区域，得到去除铸体液的正交偏光图像和单偏光图像；
岩石铸体薄片中铸体液在图像上呈现为蓝色，其填充的是岩石薄片图像中的孔缝，因此本发明将岩石铸体薄片图像转到HSV空间，变成HSV格式的岩石铸体薄片图像，再利用如图3中HSV蓝色颜色信息的阈值范围，利用多通道元素检查的方法，即检查HSV铸体薄片图像中数组元素是否在蓝色颜色值范围之间，去除岩石薄片中蓝色（铸体液）部分，得到如图4所示去铸体液图像，其中，提取前的图像为左图，提取后的图像为右图，提取后的图像剩下的为岩石颗粒、胶结物和杂基。
其中，所述多通道元素检查的方法具体为：
检查HSV格式的图像中在蓝色颜色值范围之间的数组元素，去除其形成的蓝色部分区域；
在本实施例中，去除其形成的蓝色部分区域的条件为下式；
式中，x为每个通道的像素值，min和max分别为蓝色颜色值的下限和上限；将HSV图像中[H，S，V]满足条件1的像素点去除，即得到黑色的区域。
S13-2、将所述去除铸体液的正交偏光图像和单偏光图像通过腐蚀算法和分段平滑处理，得到预处理后的正交偏光图像和单偏光图像；
在本实施例中，所述分段平滑的方法具体为：
如图6所示，图6中的左图为需要进行分段平滑的图像，将图像中凹凸不平的颗粒轮廓进行平滑的操作，设定初始段间距为1mm，根据图像自身比例尺将初始间距换算为像素点个数记为m个，设置的滑动窗口图6中所示的矩形线框，设置滑动窗口的大小为m，采用滑动窗口对该轮廓进行滑动平滑，取出滑动窗口中轮廓坐标点，获取的轮廓坐标点如图6中的右图所示，获取其最小外界矩形的四个顶点坐标，由4个顶点坐标计算出中位线段两端点a、b作为该段轮廓的新坐标点ai 和bi，在下一次滑动窗口时，上一次端点bi与此次端点a(i+1)处于同一位置，因此需要合并相邻的两个坐标点，取两坐标点的线段中点为新坐标点；
由于在岩石颗粒边缘与铸体液相交的地方会呈现蓝色和颗粒颜色混合在一起的杂色，并不属于蓝色的范围，在上一步骤S13-1中无法去除，因此本发明运用腐蚀算法，将剩下的岩石颗粒进行腐蚀，去除岩石颗粒边缘的少许铸体液，其次腐蚀也会去除部分颗粒之间填充的胶结物和杂基和颗粒边缘带有的毛刺；腐蚀以后，颗粒边缘会出现参差不齐的现象，因此本发明进一步采用分段平滑的方法对颗粒边缘进行平滑，得到如图5所示的预处理后的图像。
腐蚀是一种去除一些边界点，使边界收缩更圆滑的过程，遍历像素点将结构元素与覆盖的像素点区域进行“与”运算，如果都为1，则该像素点为1；否则为0。但这样的腐蚀算法有个弊端就是耗费时间，因此本研究在应用腐蚀操作时进行了一些改进处理，为了节约时间，遍历像素点时只遍历颗粒内外轮廓上的像素点，本文采用7x7的结构元素，若“与”运算结果有0存在，则赋值该像素点为0。
在本实施例中，腐蚀的方法具体为：
遍历每一个像素点，以每一个像素点为中心，分别找到该像素点的8个相邻像素点，然后计算该像素点的8个相邻像素点不为0的个数，如果该像素点周围黑色像素点大于等于5个，即该像素点赋值为黑色；
S13-3、将所述预处理后的正交偏光图像和单偏光图像制作为二值图，得到预处理的正交偏光二值图和单偏光二值图；
其中，得到所述预处理的正交偏光二值图和单偏光二值图的方法具体为：
将所述预处理后的正交偏光图像和单偏光图像通过连通域面积阈值的方法和高斯滤波的方法，去除二值图中的孤立噪声点和一些微小颗粒，得到预处理的正交偏光二值图和单偏光二值图。
由于颗粒表面像素点灰度值变化剧烈，会产生很多噪声点，正交偏光图像和单偏光图像中会呈现出很多黑点，因此本发明利用连通域面积阈值的方法和高斯滤波的方法，去除二值图中的孤立噪声点（离散点）以及一些微小颗粒，得到如图7所示预处理的正交偏光二值图和单偏光二值图。其中，左边的为单偏光二值图，右边的为正交偏光二值图。
所述步骤S2包括以下分步骤：
S21、将预处理的正交偏光二值图和单偏光二值图进行轮廓检测，对其中每一个连通域进行标记，并存储每个连通的颗粒轮廓坐标信息；
S22、根据每一个所述连通域，判断正交偏光二值图和单偏光二值图中的颗粒是否为粘连颗粒；
若是，则不做处理；
若否，则将所述颗粒轮廓坐标信息保存为最后的颗粒分割结果，并且在单偏光二值图上去除该颗粒的信息，进入步骤S23；
S23、在正交偏光二值图和单偏光二值图完成所有非粘连颗粒的提取，得到第一次处理的正交偏光二值图和单偏光二值图，并将提取的非粘连颗粒保存在结果模板中；
其中，所述结果模板为黑图，其大小与所述单偏光二值图相同。
所述步骤S22中，判断是否为粘连颗粒的方法具体为：
S22-1、对二值图的颗粒进行凹点检测匹配，判断是否有匹配凹点；
若是，则所述颗粒为粘连颗粒；若否，则进入步骤S22-2；
S22-2、判断二值图的颗粒轮廓面积与颗粒凸包面积比例是否大于90%；
若是，则所述颗粒为非粘连颗粒；若否，则所述颗粒为粘连颗粒。
所述步骤S22-1中，凹点检测匹配的方法具体为：
SA1、基于分段平滑操作后的颗粒轮廓坐标点信息，计算颗粒轮廓的每一个轮廓点的曲率，筛选其中曲率变化异常的点作为待确定凹点；
SA2、对待确定凹点进行曲率方向检测，当两个距离最近的待确定凹点曲率方向夹角大于150度，且两个所述待确定凹点在两个凹区域上时，则存在匹配凹点；
如图8所示，在本实施例中，利用凸包减去颗粒轮廓得到多个凹区域，在待确定凹点上进行曲率方向检测，如果两距离最近的凹点曲率方向夹角大于150度，且这两个凹点在两个凹区域上，则为匹配凹点。
所述步骤S22-2中，计算所述颗粒轮廓面积与颗粒凸包面积比的方法具体为：
根据所述颗粒的轮廓坐标点信息，分别计算轮廓面积和凸包的面积，凸包是将颗粒原本最外层的轮廓坐标点连接起来构成的凸多边形，它能包含该颗粒轮廓中所有的坐标点，进而计算轮廓面积与凸包的面积比例，并将其作为所述颗粒轮廓面积与颗粒凸包面积比例。
如图9所示，在本实施例中，计算轮廓面积与轮廓的凸多边形的面积比可以替换为计算凹区域面积与凸包面积比例，轮廓面积与轮廓的凸多边形的面积比例大于90%相当于凹区域面积与凸包面积比例小于10%。
在本实施例中，第一次处理完成的单偏光二值图如图10所示。
所述步骤S3包括以下分步骤：
S31、将5张所述正交偏光图像进行融合，得到融合图像；
其中，融合的具体步骤包括：
SA-1、计算每个通道的数据分量的均值和协方差矩阵；
SA-2、利用特征值分解方法计算特征值及相应的特征向量。其中特征值分解是将一个矩阵分解得到方阵，得到方阵A的表达式具体为：
式中，Ｑ为方阵Ａ的特征向量，
为一个对角阵，每一个对角线上的元素就是一个特征值。
SA-3、按照特征值从大到小对特征向量排序，选择前三个最大的特征向量；最后将这三个特征向量组成一个特征矩阵；
SA-4、将原始数据旋转到特征矩阵所在的空间上，得到对应的三个主成分。得到的前三个主成分分别作为R、G、B通道的分量合成为新的图像。
在本实施例中，融合指的将对应位置的单偏光二值图与正交偏光二值图进行分量提取，把对应的R、G、B三个通道分离出来，得到各自的R、G、B通道分量，然后将所有的R、G、B通道的数据分量叠加到一起，得到6个通道的数据，最后对该结果采用PCA主成分分析进行降维。
S32、根据亮度对融合图像进行分割，得到提取亮度后的融合图像；
其中，提取亮度后的融合图像为二值图。
S33、基于提取亮度后的融合图像再次进行非粘连颗粒的提取；
S34、重复步骤S32~S33的方法分别对5张所述正交偏光图像提取非粘连颗粒；
S35、根据提取的所述非粘连颗粒，去除第一次处理的单偏光二值图中的所述非粘连颗粒，得到第二次处理的单偏光二值图，并将提取的非粘连颗粒保存在结果模板中。
所述步骤S31中，提取高亮度区域的方法具体为：
将所述融合图像转换为灰度图像，再获取所述灰度图像中每个通道的像素值的均方根值，再将融合图像中小于均方根值的像素值赋予0，得到提取亮度后的融合图像，如图11所示，图中左图为提取高亮度前的图像，其中保留有剩下的粘连颗粒，右图为提取高亮度后的图像。
其中，计算均方根值x rms 的表达式具体为：
式中，x i 为每个通道的第i像素值，且i=1,…,n，n为该通道像素值的总数。
将第二次处理的单偏光二值图再次进行非粘连颗粒的提取，并对剩下的颗粒通过凹点检测匹配方法进行分离提取，并将提取的非粘连颗粒保存在结果模板中，完成岩石铸体薄片中所有颗粒的分离提取。
本发明的有益效果为：本发明结合岩石铸体薄片的铸体液呈现特征和岩石铸体薄片的单偏光和正交偏光连续变化的偏光角度下颗粒目标变化的特征，基于这两种特征上实现一种多层次的岩石铸体薄片颗粒分割方法，提高了岩石铸体薄片的分割精确度，使其能运用于生产实际当中。
本发明提高了岩石铸体薄片的孔缝的计算准确率，使其在生产过程中对工作人员判断该岩石层油藏提供了帮助。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (9)
1.一种多层次的岩石铸体薄片图像分割方法，其特征在于，包括以下步骤：
S1、将岩石铸体薄片样本在偏光显微镜下进行拍摄，生成正交偏光图像和单偏光图像，进而对生成的图像进行腐蚀算法和分段平滑处理，得到预处理的正交偏光二值图和单偏光二值图；
S2、将预处理的正交偏光二值图和单偏光二值图进行非粘连颗粒的提取，得到第一次处理的单偏光二值图，并将提取的非粘连颗粒保存在结果模板中；
S3、将正交偏光图像进行融合，并根据融合图像中的非粘连颗粒对第一次处理的单偏光二值图进行处理，得到第二次处理的单偏光二值图；
S4、将第二次处理的单偏光二值图再次进行非粘连颗粒的提取，完成岩石铸体薄片中所有颗粒的分离提取。
2.根据权利要求1所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S1包括以下分步骤：
S11、将岩石铸体薄片样本通过偏光显微镜在0度下拍摄单偏光图像，并通过偏光显微镜在正交偏光下分别拍摄0度、36度、72度、108度和144度的正交偏光图像；
S12、将所述单偏光图像作为模板，通过特征点匹配的SIFT算法分别将5张所述正交偏光图像与单偏光图像进行对齐，得到对齐单偏光图像的正交偏光图像；
S13、将对齐单偏光图像的正交偏光图像和单偏光图像进行去除孔缝，得到正交偏光图像和单偏光图像，将正交偏光图像和单偏光图像进行处理，得到预处理的正交偏光二值图和单偏光二值图。
3.根据权利要求2所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S13具体为：
S13-1、将对齐后的正交偏光图像和单偏光图像转到HSV空间，得到HSV格式的正交偏光图像和单偏光图像，通过多通道元素检查的方法去除HSV格式的正交偏光图像和单偏光图像的铸体液部分区域，得到去除铸体液的正交偏光图像和单偏光图像；
其中，所述多通道元素检查的方法具体为：
检查HSV格式的图像中在蓝色颜色值范围之间的数组元素，去除其形成的蓝色部分区域；
S13-2、将所述去除铸体液的正交偏光图像和单偏光图像通过腐蚀算法和分段平滑处理，得到预处理后的正交偏光图像和单偏光图像；
其中，所述分段平滑的方法具体为：
将图像中凹凸不平的颗粒轮廓进行平滑的操作，设定初始段间距为1mm，根据图像自身比例尺将初始间距换算为像素点个数记为m个，设置滑动窗口的大小为m，采用滑动窗口对该轮廓进行滑动平滑，取出滑动窗口中轮廓坐标点，获取其最小外界矩形的四个顶点坐标，由4个顶点坐标计算出中位线段两端点a、b作为该段轮廓的新坐标点ai 和bi，在下一次滑动窗口时，上一次端点bi与此次端点a(i+1)处于同一位置，因此需要合并相邻的两个坐标点，取两坐标点的线段中点为新坐标点；
S13-3、将所述预处理后的正交偏光图像和单偏光图像制作为二值图，得到预处理的正交偏光二值图和单偏光二值图；
其中，得到所述预处理的正交偏光二值图和单偏光二值图的方法具体为：
将所述预处理后的正交偏光图像和单偏光图像通过连通域面积阈值的方法和高斯滤波的方法，去除二值图中的孤立噪声点和一些微小颗粒，得到预处理的正交偏光二值图和单偏光二值图。
4.根据权利要求3所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S2包括以下分步骤：
S21、将预处理的正交偏光二值图和单偏光二值图进行轮廓检测，对其中每一个连通域进行标记，并存储每个连通的颗粒轮廓坐标信息；
S22、根据每一个所述连通域，判断正交偏光二值图和单偏光二值图中的颗粒是否为粘连颗粒；
若是，则不做处理；
若否，则将所述颗粒轮廓坐标信息保存为最后的颗粒分割结果，并且在单偏光二值图上去除该颗粒的信息，进入步骤S23；
S23、在正交偏光二值图和单偏光二值图完成所有非粘连颗粒的提取，得到第一次处理的正交偏光二值图和单偏光二值图，并将提取的非粘连颗粒保存在结果模板中；
其中，所述结果模板为黑图，其大小与所述单偏光二值图相同。
5.根据权利要求4所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S22中，判断是否为粘连颗粒的方法具体为：
S22-1、对二值图的颗粒进行凹点检测匹配，判断是否有匹配凹点；
若是，则所述颗粒为粘连颗粒；若否，则进入步骤S22-2；
S22-2、判断二值图的颗粒轮廓面积与颗粒凸包面积比例是否大于90%；
若是，则所述颗粒为非粘连颗粒；若否，则所述颗粒为粘连颗粒。
6.根据权利要求5所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S22-1中，凹点检测匹配的方法具体为：
SA1、基于分段平滑操作后的颗粒轮廓坐标点信息，计算颗粒轮廓的每一个轮廓点的曲率，筛选其中曲率变化异常的点作为待确定凹点；
SA2、对待确定凹点进行曲率方向检测，当两个距离最近的待确定凹点曲率方向夹角大于150度，且两个所述待确定凹点在两个凹区域上时，则存在匹配凹点；
所述步骤S22-2中，计算所述颗粒轮廓面积与颗粒凸包面积比的方法具体为：
根据所述颗粒的轮廓坐标点信息，分别计算轮廓面积和该轮廓的最小外界多边形的面积，进而计算轮廓面积与轮廓的最小外界多边形的面积比例，并将其作为所述颗粒轮廓面积与颗粒凸包面积比例。
7.根据权利要求5所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S3包括以下分步骤：
S31、将5张所述正交偏光图像进行融合，得到融合图像；
S32、根据亮度对融合图像进行分割，得到提取亮度后的融合图像；
S33、基于提取亮度后的融合图像再次进行非粘连颗粒的提取；
S34、重复步骤S32~S33的方法分别对5张所述正交偏光图像提取非粘连颗粒；
S35、根据提取的所述非粘连颗粒，去除第一次处理的单偏光二值图中的所述非粘连颗粒，得到第二次处理的单偏光二值图，并将提取的非粘连颗粒保存在结果模板中。
8.根据权利要求7所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S31中，提取高亮度区域的方法具体为：
将所述融合图像转换为灰度图像，再获取所述灰度图像中每个通道的像素值的均方根值，再将融合图像中小于均方根值的像素值赋予0，得到提取亮度后的融合图像；
其中，计算均方根值x rms 的表达式具体为：
式中，x i 为每个通道的第i像素值，且i=1,…,n，n为该通道像素值的总数。
9.根据权利要求6所述的多层次的岩石铸体薄片图像分割方法，其特征在于，所述步骤S4具体为：
将第二次处理的单偏光二值图再次进行非粘连颗粒的提取，并对剩下的颗粒通过凹点检测匹配方法进行分离提取，并将提取的非粘连颗粒保存在结果模板中，完成岩石铸体薄片中所有颗粒的分离提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210818064.7A CN114897917B (zh) | 2022-07-13 | 2022-07-13 | 一种多层次的岩石铸体薄片图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210818064.7A CN114897917B (zh) | 2022-07-13 | 2022-07-13 | 一种多层次的岩石铸体薄片图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897917A true CN114897917A (zh) | 2022-08-12 |
| CN114897917B CN114897917B (zh) | 2022-10-28 |
Family
ID=82729792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210818064.7A Active CN114897917B (zh) | 2022-07-13 | 2022-07-13 | 一种多层次的岩石铸体薄片图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897917B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012118868A2 (en) * | 2011-02-28 | 2012-09-07 | Schlumberger Technology Corporation | Petrographic image analysis for determining capillary pressure in porous media |
| 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 |
| CN107146233A (zh) * | 2017-04-24 | 2017-09-08 | 四川大学 | 基于岩石薄片偏光序列图的颗粒分割方法 |
| CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
| US20190318467A1 (en) * | 2018-04-17 | 2019-10-17 | Saudi Arabian Oil Company | Automated analysis of petrographic thin section images using advanced machine learning techniques |
| CN112614167A (zh) * | 2020-12-17 | 2021-04-06 | 西南石油大学 | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 |
| CN112784894A (zh) * | 2021-01-18 | 2021-05-11 | 西南石油大学 | 一种岩石薄片显微图像自动标注方法 |
| CN113378825A (zh) * | 2021-07-09 | 2021-09-10 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
| CN113670791A (zh) * | 2021-08-03 | 2021-11-19 | 中国地质大学（北京） | 一种对储层孔隙及颗粒表面积的定量分析方法 |
-
2022
- 2022-07-13 CN CN202210818064.7A patent/CN114897917B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012118868A2 (en) * | 2011-02-28 | 2012-09-07 | Schlumberger Technology Corporation | Petrographic image analysis for determining capillary pressure in porous media |
| US20120275658A1 (en) * | 2011-02-28 | 2012-11-01 | Hurley Neil F | Petrographic image analysis for determining capillary pressure in porous media |
| 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 |
| CN107146233A (zh) * | 2017-04-24 | 2017-09-08 | 四川大学 | 基于岩石薄片偏光序列图的颗粒分割方法 |
| US20190318467A1 (en) * | 2018-04-17 | 2019-10-17 | Saudi Arabian Oil Company | Automated analysis of petrographic thin section images using advanced machine learning techniques |
| CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
| CN112614167A (zh) * | 2020-12-17 | 2021-04-06 | 西南石油大学 | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 |
| CN112784894A (zh) * | 2021-01-18 | 2021-05-11 | 西南石油大学 | 一种岩石薄片显微图像自动标注方法 |
| CN113378825A (zh) * | 2021-07-09 | 2021-09-10 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
| CN113670791A (zh) * | 2021-08-03 | 2021-11-19 | 中国地质大学（北京） | 一种对储层孔隙及颗粒表面积的定量分析方法 |
Non-Patent Citations (7)
| Title |
|---|
| PASCAL ASMUSSEN等: "Semi-automatic segmentation of petrographic thin section images using a "seeded-region growing algorithm" with an application to characterize wheathered subarkose sandstone", 《COMPUTERS & GEOSCIENCES》 * |
| 张欣等: "基于正交偏光序列消光特征的岩石薄片颗粒分割与孔隙提取", 《岩石矿物学杂志》 * |
| 彭志伟等: "基于岩石薄片偏光序列图的颗粒分割算法", 《计算机应用与软件》 * |
| 李周等: "岩石薄片正交偏光序列图像的颗粒分割", 《现代计算机(专业版)》 * |
| 胡小晴 等: "基于连续消光特征分析的岩石薄片分析系统", 《地学前缘》 * |
| 钟逸 等: "岩石薄片正交偏光融合图像的颗粒分割方法", 《岩石薄片正交偏光融合图像的颗粒分割方法》 * |
| 陈雁 等: "页岩薄片孔缝分割的自动阈值生成方法", 《海洋地质前沿》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114897917B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
| US11282185B2 (en) | Information processing device, information processing method, and storage medium | |
| CN111415363B (zh) | 一种图像边缘识别方法 | |
| CN111275697B (zh) | 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法 | |
| Sobottka et al. | Looking for faces and facial features in color images | |
| JP2003511651A (ja) | 光学検査システム | |
| CN105740860A (zh) | 自然场景中商铺标牌汉字区域自动检测方法 | |
| CN111539409B (zh) | 一种基于高光谱遥感技术的古墓题记文字识别方法 | |
| 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 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN115049669A (zh) | 金属缺陷识别方法 | |
| Narkhede et al. | Color image segmentation using edge detection and seeded region growing approach for CIELab and HSV color spaces | |
| CN106650738A (zh) | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 | |
| CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
| CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
| CN109584253A (zh) | 油液磨粒图像分割方法 | |
| CN113298809A (zh) | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 | |
| CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
| CN114897917B (zh) | 一种多层次的岩石铸体薄片图像分割方法 | |
| CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
| CN115527038A (zh) | 一种岩石粘连颗粒分割方法 | |
| CN111882529B (zh) | 显示屏Mura缺陷检测方法及装置 | |
| CN113763404A (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
| CN113920423A (zh) | 一种免疫印迹图像识别方法 | |
| CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |