CN115239966A - 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 - Google Patents

Abstract

本发明提供了一种基于图像处理的隐伏基底古裂谷识别提取方法及系统，本发明通过提供的基于图像处理技术的隐伏基底古裂谷识别和提取技术，可用于自动识别和提取布格重力数据中大陆裂谷区或深大断裂，并可在其它航磁、地震、遥感数据中推广应用。其中，高斯滤波、最佳阈值处理、线特征扩展等图像处理技术，快速准确地识别和提取布格重力数据中重力异常边界，克服了噪声和细小图斑的影响，为隐伏基底古裂谷识别和提取提供了新思路，能够为成矿条件挖掘和矿产资源预测提供有力的支持。

Description

一种基于图像处理的隐伏基底古裂谷识别提取方法及系统

技术领域

本发明属于地质体目标模式识别技术领域，特别是一种基于图像处理的隐伏基底古裂谷识别提取方法及系统。

背景技术

矿产资源在国民经济中占有十分重要的战略地位，随着对矿产资源需求量的增大，对矿产资源预测的需求与日俱增。成矿物质来源是研究成矿作用源-运-储过程涉及的关键问题，业已证实大型陆内裂谷是巨量地幔成矿物质底辟上涌到地壳成矿的主要通道和聚集场所之一。发现隐伏的陆内早期大型裂谷，查明成矿物质运移通道是研究成矿条件，以及开展矿产资源预测研究的重要问题，也是利用物化遥资料进行地质大数据挖掘的重要目标。

重力数据能相对直观地从平面上反映深部构造特征、早期大型古裂谷和矿产资源的空间分布等信息。在重力数据中，还包含着埋藏深度较大、分布较广的各种地球物理场源信息。目前，基于理论模型的重力数据处理的有效方法很多，然而由于传统解释方法和图示技术上存在着不足，使得在地质情况复杂的地区，常因为异常相互叠加、干扰，弱信号与误差并存且难以分离，造成了解释困难。

发明内容

本发明的目的是提供一种基于图像处理的隐伏基底古裂谷识别提取方法，旨在解决现有技术中重力数据提取基底古裂谷边界由于地质情况复杂导致解释困难的问题，实现快速准确提取基底古裂谷边界，为成矿条件挖掘和矿产资源预测提供有力的支持。

为达到上述技术目的，本发明提供了一种基于图像处理的隐伏基底古裂谷识别提取方法，所述方法包括以下操作：

S1、将研究区原始布格重力数据向上延拓20km，并将延拓数据转为栅格8位灰度图像；利用大津法寻找最佳阈值对灰度图像进行分割，获得重力高异常与低异常不同灰度的图像；

S2、使用2×2大小模板，计算每个像素的梯度，并采用非递归方法对整幅图像的梯度进行快速排序，并采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢区域较小的梯度值；

S3、以梯度排序中当前未使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域寻找与区域角度偏差小于容忍值的点，并将该点合并到区域中并更新区域角度；

S4、利用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取；

S5、采用线特征扩展方法处理提取的短线段，按长度降序排序线段，以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历，遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界。

优选地，所述像素的梯度计算前需要采用高斯滤波对分割后的图像进行平滑处理，消除图像中噪声和细碎图斑。

优选地，所述像素的梯度计算如下：

令坐标为(x,y)像素点的灰度值为i(x,y)，该点的梯度值G(x,y)计算如下：

梯度幅值计算如下：

优选地，所述梯度阈值的计算公式如下：

式中，τ为区域增长的角度容忍度，ρ为梯度阈值，q为量化效应产生的可能误差。

本发明还提供了一种基于图像处理的隐伏基底古裂谷识别提取系统，所述系统包括：

图像分割模块，用于将研究区原始布格重力数据向上延拓20km，并将延拓数据转为栅格8位灰度图像；利用大津法寻找最佳阈值对灰度图像进行分割，获得重力高异常与低异常不同灰度的图像；

梯度去除模块，用于使用2×2大小模板，计算每个像素的梯度，并采用非递归方法对整幅图像的梯度进行快速排序，并采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢区域较小的梯度值；

区域合并模块，用于以梯度排序中当前未使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域寻找与区域角度偏差小于容忍值的点，并将该点合并到区域中并更新区域角度；

线段提取模块，用于利用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取；

边界识别模块，用于采用线特征扩展方法处理提取的短线段，按长度降序排序线段，以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历，遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界。

优选地，所述像素的梯度计算前需要采用高斯滤波对分割后的图像进行平滑处理，消除图像中噪声和细碎图斑。

优选地，所述像素的梯度计算如下：

令坐标为(x,y)像素点的灰度值为i(x,y)，该点的梯度值G(x,y)计算如下：

梯度幅值计算如下：

优选地，所述梯度阈值的计算公式如下：

式中，τ为区域增长的角度容忍度，ρ为梯度阈值，q为量化效应产生的可能误差。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

与现有技术相比，本发明通过提供的基于图像处理技术的隐伏基底古裂谷识别和提取技术，可用于自动识别和提取布格重力数据中大陆裂谷区或深大断裂，并可在其它航磁、地震、遥感数据中推广应用。其中，高斯滤波、最佳阈值处理、线特征扩展等图像处理技术，快速准确地识别和提取布格重力数据中重力异常边界，克服了噪声和细小图斑的影响，为隐伏基底古裂谷识别和提取提供了新思路，能够为成矿条件挖掘和矿产资源预测提供有力的支持。

附图说明

图1为本发明实施例中所提供的一种基于图像处理的隐伏基底古裂谷识别提取方法流程图；

图2为本发明实施例中所提供的布格重力向上延拓20km栅格数据示意图；

图3为本发明实施例中所提供的布格重力数据灰度变换与最佳阈值分割后的示意图；

图4为本发明实施例中所提供的经过梯度计算、梯度排序、区域增长、线特征扩展方法识别的隐伏基底古裂谷边界示意图；

图5为本发明实施例中所提供的一种基于图像处理的隐伏基底古裂谷识别提取系统框图。

具体实施方式

为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

下面结合附图对本发明实施例所提供的一种基于图像处理的隐伏基底古裂谷识别提取方法及系统进行详细说明。

如图1所示，本发明实施例公开了一种基于图像处理的隐伏基底古裂谷识别提取方法，所述方法包括以下操作：

S1、将研究区原始布格重力数据向上延拓20km，并将延拓数据转为栅格8位灰度图像；利用大津法寻找最佳阈值对灰度图像进行分割，获得重力高异常与低异常不同灰度的图像；

S2、使用2×2大小模板，计算每个像素的梯度，并采用非递归方法对整幅图像的梯度进行快速排序，并采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢区域较小的梯度值；

S3、以梯度排序中当前未使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域寻找与区域角度偏差小于容忍值的点，并将该点合并到区域中并更新区域角度；

S4、利用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取；

S5、采用线性特征扩展方法处理提取的短线段，按长度降序排序线段，以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历，遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界。

本发明实施例基于图像处理技术对隐伏基底古裂谷进行识别和提取，可快速准确识别和提取布格重力数据中重力异常边界。

将原始布格重力延拓20km数据，如图2所示，转为8位灰度栅格图像数据，利用大津法寻找最佳阈值对图像进行分割，获得重力高异常与低异常不同灰度的图像，如图3所示。

利用高斯滤波方法对灰度图像进行平滑处理，消除噪声和细碎图斑，减少后期梯度计算与边界提取的干扰，高斯滤波模板边长的长度要大于欲消除最大细碎图斑的直径。

使用2×2大小模板，计算每个像素的梯度，包括梯度值和梯度幅值。令坐标为(x,y)像素点的灰度值为i(x,y)，该点的梯度值G(x,y)计算如下：

梯度幅值计算如下：

梯度计算结束后，对所有的梯度采用非递归方法实现快速排序对整幅图像的梯度进行排序。采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢的区域，一般具有较小的梯度值。

式中，τ为区域增长的角度容忍度，ρ为梯度阈值，q为量化效应产生的可能误差，一般取2。

利用种子点生长方法，以梯度排序中当前未被使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域像素中寻找与区域角度偏差小于容忍值的点，然后将该点合并区域并更新区域角度，搜索策略采用广度优先搜索。

使用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取。

采用线性特征扩展方法，根据提取的短线段长度进行降序排序，分别以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历；遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界，如图4所示。

本发明实施例通过提供的基于图像处理技术的隐伏基底古裂谷识别和提取技术，可用于自动识别和提取布格重力数据中大陆裂谷区或深大断裂，并可在其它航磁、地震、遥感数据中推广应用。其中，高斯滤波、最佳阈值处理、线特征扩展等图像处理技术，快速准确地识别和提取布格重力数据中重力异常边界，克服了噪声和细小图斑的影响，为隐伏基底古裂谷识别和提取提供了新思路，能够为成矿条件挖掘和矿产资源预测提供有力的支持。

如图5所示，本发明实施例还公开了一种基于图像处理的隐伏基底古裂谷识别提取系统，所述系统包括：

图像分割模块，用于将研究区原始布格重力数据向上延拓20km，并将延拓数据转为栅格8位灰度图像；利用大津法寻找最佳阈值对灰度图像进行分割，获得重力高异常与低异常不同灰度的图像；

梯度去除模块，用于使用2×2大小模板，计算每个像素的梯度，并采用非递归方法对整幅图像的梯度进行快速排序，并采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢区域较小的梯度值；

区域合并模块，用于以梯度排序中当前未使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域寻找与区域角度偏差小于容忍值的点，并将该点合并到区域中并更新区域角度；

线段提取模块，用于利用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取；

边界识别模块，用于采用线特征扩展方法处理提取的短线段，按长度降序排序线段，以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历，遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界。

本发明实施例所述系统可实现前文所述基于图像处理的隐伏基底古裂谷识别提取方法，在此不作赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像处理的隐伏基底古裂谷识别提取方法，其特征在于，所述方法包括以下操作：

S1、将研究区原始布格重力数据向上延拓20km，并将延拓数据转为栅格8位灰度图像；利用大津法寻找最佳阈值对灰度图像进行分割，获得重力高异常与低异常不同灰度的图像；

S2、使用2×2大小模板，计算每个像素的梯度，并采用非递归方法对整幅图像的梯度进行快速排序，并采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢区域较小的梯度值；

S3、以梯度排序中当前未使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域寻找与区域角度偏差小于容忍值的点，并将该点合并到区域中并更新区域角度；

S4、利用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取；

S5、采用线特征扩展方法处理提取的短线段，按长度降序排序线段，以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历，遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界。

2.根据权利要求1所述的一种基于图像处理的隐伏基底古裂谷识别提取方法，其特征在于，所述像素的梯度计算前需要采用高斯滤波对分割后的图像进行平滑处理，消除图像中噪声和细碎图斑。

3.根据权利要求1所述的一种基于图像处理的隐伏基底古裂谷识别提取方法，其特征在于，所述像素的梯度计算如下：

令坐标为(x,y)像素点的灰度值为i(x,y)，该点的梯度值G(x,y)计算如下：

梯度幅值计算如下：

4.根据权利要求1所述的一种基于图像处理的隐伏基底古裂谷识别提取方法，其特征在于，所述梯度阈值的计算公式如下：

式中，τ为区域增长的角度容忍度，ρ为梯度阈值，q为量化效应产生的可能误差。

5.一种基于图像处理的隐伏基底古裂谷识别提取系统，其特征在于，所述系统包括：

图像分割模块，用于将研究区原始布格重力数据向上延拓20km，并将延拓数据转为栅格8位灰度图像；利用大津法寻找最佳阈值对灰度图像进行分割，获得重力高异常与低异常不同灰度的图像；

梯度去除模块，用于使用2×2大小模板，计算每个像素的梯度，并采用非递归方法对整幅图像的梯度进行快速排序，并采用自适应算法确定梯度阈值，去除平滑区域或梯度变化缓慢区域较小的梯度值；

区域合并模块，用于以梯度排序中当前未使用、幅值最大的像素点作为种子点，以该点的水平线角度作为区域初始角度，在8邻域寻找与区域角度偏差小于容忍值的点，并将该点合并到区域中并更新区域角度；

线段提取模块，用于利用旋转卡壳方法构造包含线性区域所有像素点的最小外接矩形，进行直线提取；

边界识别模块，用于采用线特征扩展方法处理提取的短线段，按长度降序排序线段，以当前长度最大、未被使用的线段左右端点为基点，其他未被使用线段的端点为候选点，进行线段遍历，遍历完成后选取候选列表中候选点距离基点最近的端点，生成新的长线段，长线段构成隐伏基底古裂谷边界。

6.根据权利要求5所述的一种基于图像处理的隐伏基底古裂谷识别提取系统，其特征在于，所述像素的梯度计算前需要采用高斯滤波对分割后的图像进行平滑处理，消除图像中噪声和细碎图斑。

7.根据权利要求5所述的一种基于图像处理的隐伏基底古裂谷识别提取系统，其特征在于，所述像素的梯度计算如下：

令坐标为(x,y)像素点的灰度值为i(x,y)，该点的梯度值G(x,y)计算如下：

梯度幅值计算如下：

8.根据权利要求5所述的一种基于图像处理的隐伏基底古裂谷识别提取系统，其特征在于，所述梯度阈值的计算公式如下：

式中，τ为区域增长的角度容忍度，ρ为梯度阈值，q为量化效应产生的可能误差。

Images