CN116228804B - 一种基于图像分割的矿产资源识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像分割的矿产资源识别方法，包括：采集矿产资源遥感影像，根据每个灰度值的匹配像素点获取每个灰度值的分界度，筛选第一分块阈值以及第二分块阈值，根据每个灰度值的分界度获取每个灰度值的权重，构建每个灰度值的修正频率方程式以及所有灰度值的平均修正频率方程式，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对，获取每个增强阈值对的增强程度，进而获取最优增强图像，根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。本发明通过设置增强阈值防止林业区域的过增强，对矿产资源区域重点增强，使矿产资源类别识别更加准确。

Description

一种基于图像分割的矿产资源识别方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于图像分割的矿产资源识别方法。

背景技术

矿产资源的开发利用是社会发展的重要物质基础，而目前利用遥感手段进行矿产资源开发调查与监测，已成为快速准确掌握矿产资源开发秩序、矿山地质环境的重要手段。

现有技术通过将获得的遥感影像转换为灰度图像后，使用自适应阈值分割来识别出矿产资源，但由于灰度图像中目标区域的对比度不明显，故分割后导致矿产资源部分造成缺失。若使用全局均衡化算法对图像增强提高对比度时，该算法存在过度增强的问题，使用增强后的图像分割时可能仍旧存在着资源丢失问题。

发明内容

本发明提供一种基于图像分割的矿产资源识别方法，以解决现有的问题。

本发明的一种基于图像分割的矿产资源识别方法采用如下技术方案：

本发明一个实施例提供了一种基于图像分割的矿产资源识别方法，该方法包括以下步骤：

采集矿产资源遥感影像，获取矿产资源遥感影像的灰度直方图；获取矿产资源遥感影像中每个像素点的梯度幅值以及梯度方向；

将灰度直方图中每个灰度值在矿产资源遥感影像中对应的所有像素点作为每个灰度值的匹配像素点，根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度；获取分界度最大的两个灰度值，分别作为第一分块阈值以及第二分块阈值；

根据每个灰度值的分界度获取每个灰度值的权重；设置两个未知数：第一增强阈值以及第二增强阈值；根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式；获取所有灰度值的平均修正频率方程式；设置增强条件，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对；

获取每个增强阈值对下每个灰度值的修正频率，根据修正频率获取增强图像；根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度；

将增强程度最大的增强阈值对所对应的增强图像作为最优增强图像；根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。

优选的，所述根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度，包括的具体步骤如下：

将与像素点的梯度方向垂直的方向作为像素点的边缘方向，若灰度值的一个匹配像素点在另一个匹配像素点的边缘方向上且与另一个匹配像素点相邻，称此两个匹配像素点连续；

获取每个灰度值的分界度：

，

其中为灰度值/>的分界度；/>为灰度值/>的匹配像素点的个数；/>为灰度值/>的第/>个匹配像素的梯度幅值；/>为灰度值/>的第/>个匹配像素的梯度方向上相邻的像素点的梯度幅值；/>为与灰度值/>的第/>个匹配像素连续的匹配像素点的个数；/>为以自然常数为底的指数函数。

优选的，所述根据每个灰度值的分界度获取每个灰度值的权重，包括的具体步骤如下：

，

其中，为灰度值/>的权重；/>为灰度值/>的分界度；/>为所有灰度值的分界度构成的集合；/>为最大值函数；/>是以自然常数为底的指数函数；/>为灰度值大小；/>为第一分块阈值；/>为第二分块阈值。

优选的，所述根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式，包括的具体步骤如下：

，

其中为灰度值/>的修正频率；/>为灰度值/>的权重；/>为第一增强阈值；/>为第二增强阈值；/>为灰度值大小；/>为灰度值/>在灰度直方图中的频率；/>为第一分块阈值；/>为第二分块阈值。

优选的，所述获取所有灰度值的平均修正频率方程式，包括的具体步骤如下：

，

其中为所有灰度值的平均修正频率；/>为灰度值/>的修正频率。

优选的，所述设置增强条件，包括的具体步骤如下：

增强条件为：第一增强阈值需小于平均修正频率，第二增强阈值需大于平均修正频率。

优选的，所述根据修正频率获取增强图像，包括的具体步骤如下：

将一个增强阈值对下的所有灰度值的修正频率作为纵轴，灰度值作为横轴，构建灰度修正频率直方图，对灰度修正频率直方图进行直方图均衡化，根据均衡化后的直方图得到矿产资源遥感影像的增强图像。

优选的，所述根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度，包括的具体步骤如下：

将任意一个增强阈值对作为目标增强阈值对，将目标增强阈值对所对应的增强图像作为目标增强图像；

获取目标增强阈值对的增强程度：

，

其中为目标增强阈值对的增强程度；/>为矿产资源遥感影像中灰度值/>的第/>个匹配像素的梯度幅值；/>为矿产资源遥感影像中灰度值/>的第/>个匹配像素在目标增强图像中对应的像素点的梯度幅值；/>为灰度值/>的分界度；/>为灰度值/>的匹配像素点的个数；为第一分块阈值；/>为超参数。

优选的，所述根据最优增强图像获取矿产资源区域图像，包括的具体步骤如下：

对最优增强图像进行大津阈值分割，得到二值图像，将二值图像与最优增强图像相乘，得到矿产资源区域图像。

本发明的技术方案的有益效果是：现有的直方图均衡化方法存在过度增强以及部分灰度值被吞噬导致细节丢失问题，对矿产资源遥感影像难以达到好的增强效果，使得矿产资源区域不能被准确分割识别出来。本发明根据矿产资源遥感影像中每个灰度值对应的像素点的梯度幅值和梯度方向获取每个灰度值的分界度，筛选出最可能为林业区域边界以及矿产资源区域边界的灰度值作为第一分块阈值以及第二分块阈值，利用第一分块阈值和第二分块阈值将灰度直方图分块，为不同块设置不同的增强阈值，构建每个灰度值的修正频率方程式以及所有灰度值的平均修正频率方程式，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对，获取每个增强阈值对的增强程度，进而获取最优增强图像，根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。本发明相较于现有的直方图均衡化方法，增强效果更好，防止了林业区域过度增强导致矿产资源区域的细节丢失，使得矿产资源区域更加显著，细节更加清晰，进一步使得矿产资源类别识别更加准确。

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，下面将对实施例或现有技术描述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为本发明的一种基于图像分割的矿产资源识别方法的步骤流程图；

图2为矿产资源遥感影像；

图3为灰度直方图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像分割的矿产资源识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于图像分割的矿产资源识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于图像分割的矿产资源识别方法的步骤流程图，该方法包括以下步骤：

S001．采集矿产资源遥感影像。

利用卫星采集可能存在矿产的无人区域的遥感影像，并对采集的遥感影像进行灰度化处理，将得到的图像记为矿产资源遥感影像，参见图2。

至此，获取了矿产资源遥感影像。

S002．获取每个灰度值的分割度，筛选分块阈值。

需要说明的是，矿产资源遥感影像中可能包含了林业区域以及矿产资源区域，林业区域较暗，对应的像素点的灰度值较小，矿产资源区域相对于林业区域较亮，但对比度不明显，因此需要对矿产资源遥感影像进行增强，使得矿产资源区域更加显著，细节更加清晰，便于识别矿产资源。传统的直方图均衡化算法可一定程度上提升图像对比度，但存在灰度值吞噬的现象，若矿产资源遥感影像中林业区域的占比较大，矿产资源区域的占比较小时，会对林业区域过度增强，造成矿产资源区域的部分灰度值丢失，使得矿产资源区域的细节丢失。因此本发明实施例对矿产资源遥感影像的灰度直方图进行分块，为每块设置增强阈值，根据增强阈值对矿产资源区域进行增强，从而防止林业区域过度增强导致矿产资源区域的细节丢失，使得矿产资源区域更加显著，细节更加清晰。

需要进一步说明的是，由于矿产资源区域与林业区域的对比度较小，无法利用大津阈值获取准确的分割阈值，因此本发明实施例结合每个灰度值在矿产资源遥感影像中对应的像素点的分布特征获取每个灰度值的分界度，用来表示灰度值为林业区域与矿产资源区域之间分界线的灰度值的概率。

在本发明实施例中，绘制矿产资源遥感影像的灰度直方图，图2所示的矿产资源遥感影像的灰度直方图参见图3。

将灰度直方图中每个灰度值在矿产资源遥感影像中对应的所有像素点作为每个灰度值的匹配像素点，利用Sobel算子获取矿产资源遥感影像中每个像素点的梯度幅值以及梯度方向。需要说明的是，Sobel算子为公知技术，在本发明实施例中不再详细赘述，在其他实施例中，实施人员也可选择其他的梯度算法。

将与像素点的梯度方向垂直的方向作为像素点的边缘方向，若灰度值的一个匹配像素点在另一个匹配像素点的边缘方向上，且此两个匹配像素点相邻，则称此两个匹配像素点连续。若匹配像素点与/>连续，/>与/>连续，则认为/>与/>也连续。

根据每个灰度值的匹配像素点获取每个灰度值的分界度：

，

其中为灰度值/>的分界度；/>为灰度值/>的匹配像素点的个数；/>为灰度值/>的第/>个匹配像素的梯度幅值；/>为灰度值/>的第/>个匹配像素的梯度方向上相邻的像素点的梯度幅值；/>为与灰度值/>的第/>个匹配像素连续的匹配像素点的个数；/>为以自然常数为底的指数函数，当/>时，灰度值/>的第/>个匹配像素的梯度幅值较小，该匹配像素点为矿产资源遥感影像中纹理边缘的可能性较小，当/>时，灰度值/>的第/>个匹配像素的梯度幅值在局部范围内较大，此时若灰度值/>的第/>个匹配像素连续的匹配像素点的个数/>较大时，灰度值/>的第/>个匹配像素为矿产资源遥感影像中纹理边缘的可能性较大；若灰度值/>的所有匹配像素点为矿产资源遥感影像中纹理边缘的可能性较大时，灰度值越可能为矿产资源遥感影像中不同图像特征的分界灰度值，此时灰度值/>的分界度越大。

获取分界度最大的两个灰度值，将其中较小的灰度值作为第一分块阈值，将其中较大的灰度值作为第二分块阈值。

至此，获取了分块阈值。

S003．根据分块阈值获取增强阈值对。

需要说明的是，林业区域较暗，对应的像素点的灰度值较小，矿产资源区域相对于林业区域较亮，因此位于灰度直方图左侧（即区间内）的灰度值大概率为林业区域的灰度值，位于灰度直方图右侧（即/>区间内）的灰度值大概率为矿产资源区域的灰度值，位于灰度直方图中间（即/>区间内）的灰度值大概率为林业区域与矿产资源区域交界处的灰度值。本发明实施例的目的是识别矿产资源，因此对林业区域不关注，为了防止后续增强时，林业区域过度增强，挤压矿产资源区域的灰度值，需要为/>区间内的灰度值设置一个增强阈值，当/>区间内的灰度值的频率大于增强阈值时，则将灰度值的频率修正为增强阈值，从而限制/>区间内的灰度值过度增强。本发明实施例重点关注矿产资源区域，为了将矿产资源区域完整分割出来，同时准确识别矿产资源类别，需要重点关注/>以及/>区间的灰度值，若矿产资源区域的面积较小时，对应的灰度值的频率较小，在后续进行增强时，可能会存在灰度值吞噬的情况，因此也需要为/>区间内的灰度值设置一个增强阈值，当/>区间内的灰度值的频率小于增强阈值时，则将灰度值的频率修正为增强阈值，从而防止/>区间内的灰度值被吞噬。

在本发明实施例中，假设为区间内的灰度值设置的增强阈值为/>，称为第一增强阈值，为/>区间内的灰度值设置的增强阈值为/>，称为第二增强阈值。

需要进一步说明的是，每个灰度值的分界度可以一定程度上反应每个灰度值在矿产资源遥感影像中对应的像素点为纹理边界的概率，本发明实施例的目的是增强矿产资源区域与林业区域的对比度，同时使得矿产资源区域内部的纹理细节更加丰富清晰，因此在区间内，当灰度值的分界度较大时，灰度值可能为林业区域的边界，为了使得林业区域和矿产资源区域区分明显，对于林业区域的边界在增强时需要较为关注，此时对应灰度值的增强权重需较大，而对林业区域其他部分则无需关注，此时对应灰度值的增强权重需较小。同理，在/>区间内，当灰度值的分界度较大时，可能为矿产资源区域内纹理边缘的灰度值，在增强时需要重点关注，此时对应灰度值的增强权重需较大。因此可结合每个灰度值的分解度为第一增强阈值以及第二增强阈值设置一个权重，从而确保对于分界度较大的灰度值在增强时重点关注。

在本发明实施例中，根据每个灰度值的分界度获取每个灰度值的权重：

，

其中，为灰度值/>的权重；/>为灰度值/>的分界度；/>为所有灰度值的分界度构成的集合；/>为最大值函数，用来获取最大分界度；/>是以自然常数为底的指数函数；/>为灰度值大小；/>为第一分块阈值；/>为第二分块阈值；当灰度值/>的分界度较大时，灰度值/>的权重较大，反之，当灰度值/>的分界度较小时，灰度值/>的权重较小；当/>时，；当/>时，/>。

根据第一增强阈值、第二增强阈值以及每个灰度值的权重对每个灰度值在灰度直方图中对应的频率进行修正：

，

其中为灰度值/>的修正频率；/>为灰度值/>的权重；/>为第一增强阈值；/>为第二增强阈值；/>为灰度值大小；/>为灰度值/>在灰度直方图中的频率；/>为第一分块阈值；/>为第二分块阈值；当灰度值/>时，若灰度值/>的频率大于/>时，将其修正为/>，否则不修正；当灰度值/>时，若灰度值/>的频率小于/>时，将其修正为/>，否则不修正；当灰度值/>大于/>小于/>时，对灰度值/>的频率不修正。

根据每个灰度值的修正频率即可得到平均修正频率：

，

其中为所有灰度值的平均修正频率；/>为灰度值/>的修正频率。

需要说明的是，在直方图均衡化过程中，若灰度值的频率小于平均频率，则不会对灰度值进行展宽，若灰度值的频率大于平均频率，则会对灰度值进行展宽，达到增强的效果。为了确保林业区域对应的灰度值不会过度增强，需要使得，为了确保矿产资源区域的灰度值一定会被增强，需要使得/>。

在本发明实施例中，根据每个灰度值的修正频率以及平均修正频率获取同时满足以及/>的一个/>与/>的组合，作为一个增强阈值对。获取所有满足条件的增强阈值对。

至此，获取了所有增强阈值对。

S004．利用不同增强阈值对进行增强，获取最优增强图像。

将任意一个增强阈值对作为目标增强阈值对。利用目标增强阈值对获取每个灰度值修正频率，将所有灰度值的修正频率作为纵轴，灰度值作为横轴，构建灰度修正频率直方图，对灰度修正频率直方图进行直方图均衡化，根据均衡化后的直方图得到矿产资源遥感影像的增强图像，记为目标增强图像。

利用Sobel算子获取目标增强图像中每个像素点的梯度幅值。根据每个灰度值的分界度、矿产资源遥感影像以及目标增强图像中每个像素点的梯度幅值获取目标增强阈值对的增强程度。

获取目标增强阈值对的增强程度：

，

其中为目标增强阈值对的增强程度，用于对目标增强阈值对的增强效果进行评价；/>为矿产资源遥感影像中灰度值/>的第/>个匹配像素的梯度幅值；/>为矿产资源遥感影像中灰度值/>的第/>个匹配像素在目标增强图像中对应的像素点的梯度幅值；/>为灰度值/>的分界度；/>为灰度值/>的匹配像素点的个数；/>为第一分块阈值；/>为超参数；/>为矿产资源遥感影像中像素点增强后梯度幅值与增强前的梯度幅值的比值，用来表示像素点的梯度增长程度；当灰度值的分界度越大时，说明该灰度值对应的像素点可能为纹理边界，则在增强后，该灰度值对应的像素点的梯度增长程度越大时，增强效果越好，因此将灰度值的分界度作为该灰度值的每个匹配像素点的一个权重，当灰度值的分界度越大时，越关注该灰度值的匹配像素点的梯度增长程度；/>范围内的灰度值大概率为林业区域的灰度值，在本发明实施例中无需重点专注林业区域，将/>作为/>范围内的灰度值的每个匹配像素点的另一个权重，在本发明实施例中/>；/>范围内的灰度值大概率为林业区域与矿产资源区域交界处以及矿产资源区域内部的灰度值，为了获取准确的矿产资源区域以及内部细节信息，需要重点关注/>范围内的灰度值的每个匹配像素点的增强效果，因此将/>作为/>范围内的灰度值的每个匹配像素点的另一个权重，在本发明实施例中/>，在其他实施例中，实施人员可根据实际实施情况设置超参数/>的值；当范围内的灰度值的每个匹配像素点的梯度增长程度越大时，矿产资源区域的增强效果越好；矿产资源区域的增强效果以及纹理边界的增强效果越好，目标增强阈值对的增强程度越大，反之则越小。

同理，获取所有增强阈值对的增强程度，将增强程度最大的增强阈值对作为最优增强阈值对，将最优增强阈值对所对应的增强图像作为最优增强图像。

至此，获取了最优增强图像。

S005．根据最优增强图像识别矿产资源。

对最优增强图像进行大津阈值分割，将灰度值大于阈值的像素点标为1，将灰度值小于阈值的像素点标为0，得到二值图像，将二值图像作为最优增强图像的遮罩，与最优增强图像相乘，得到矿产资源区域图像。

本发明实施例利用DNN网络进行矿产资源区域图像中矿产资源类别的识别。网络具体内容如下：网络采用Encoder-Decoder的形式，先对矿产资源区域图像进行编码，而后进行解码；网络的输入为矿产资源区域图像，输出为包围框中心点、回归出的包围框长宽高尺寸、矿产资源类别；网络的训练所用数据集为包含所有矿产资源类别的矿产资源区域图像数据集；矿产资源区域图像的标签为矿产资源类别、矿产资源对应的包围框，包括包围框中心点坐标和包围框的长宽高尺寸；loss损失函数为均方差损失函数。

需要说明的是，最优增强图像中林业区域与矿产资源区域对比明显，利用大津阈值分割可将矿产资源区域完整的分割出来，得到的矿产资源区域图像内部细节纹理清晰丰富，利用DNN网络对矿产资源区域图像进行处理相较于对矿产资源遥感影像进行处理，排除了林业区域的干扰，计算量更少，网络收敛速度更快，识别的矿产资源类别更加准确。

通过以上步骤，完成了矿产资源的识别。

本发明实施例根据矿产资源遥感影像中每个灰度值对应的像素点的梯度幅值和梯度方向获取每个灰度值的分界度，筛选出最可能为林业区域边界以及矿产资源区域边界的灰度值作为第一分块阈值以及第二分块阈值，利用第一分块阈值和第二分块阈值将灰度直方图分块，为不同块设置不同的增强阈值，构建每个灰度值的修正频率方程式以及所有灰度值的平均修正频率方程式，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对，获取每个增强阈值对的增强程度，进而获取最优增强图像，根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。本发明相较于现有的直方图均衡化方法，增强效果更好，防止了林业区域过度增强导致矿产资源区域的细节丢失，使得矿产资源区域更加显著，细节更加清晰，进一步使得矿产资源类别识别更加准确。

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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于图像分割的矿产资源识别方法，其特征在于，该方法包括以下步骤：

采集矿产资源遥感影像，获取矿产资源遥感影像的灰度直方图；获取矿产资源遥感影像中每个像素点的梯度幅值以及梯度方向；

将灰度直方图中每个灰度值在矿产资源遥感影像中对应的所有像素点作为每个灰度值的匹配像素点，根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度；获取分界度最大的两个灰度值，分别作为第一分块阈值以及第二分块阈值；

根据每个灰度值的分界度获取每个灰度值的权重；设置两个未知数：第一增强阈值以及第二增强阈值；根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式；获取所有灰度值的平均修正频率方程式；设置增强条件，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对；

获取每个增强阈值对下每个灰度值的修正频率，根据修正频率获取增强图像；根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度；

将增强程度最大的增强阈值对所对应的增强图像作为最优增强图像；根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别；

所述根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式，包括的具体步骤如下：

，

其中为灰度值/>的修正频率；/>为灰度值/>的权重；/>为第一增强阈值；/>为第二增强阈值；/>为灰度值大小；/>为灰度值/>在灰度直方图中的频率；/>为第一分块阈值；/>为第二分块阈值；

所述获取所有灰度值的平均修正频率方程式，包括的具体步骤如下：

，

其中为所有灰度值的平均修正频率；/>为灰度值/>的修正频率；

所述设置增强条件，包括的具体步骤如下：

增强条件为：第一增强阈值需小于平均修正频率，第二增强阈值需大于平均修正频率；

所述根据修正频率获取增强图像，包括的具体步骤如下：

将一个增强阈值对下的所有灰度值的修正频率作为纵轴，灰度值作为横轴，构建灰度修正频率直方图，对灰度修正频率直方图进行直方图均衡化，根据均衡化后的直方图得到矿产资源遥感影像的增强图像。

2.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度，包括的具体步骤如下：

将与像素点的梯度方向垂直的方向作为像素点的边缘方向，若灰度值的一个匹配像素点在另一个匹配像素点的边缘方向上且与另一个匹配像素点相邻，称此两个匹配像素点连续；

获取每个灰度值的分界度：

，

其中为灰度值/>的分界度；/>为灰度值/>的匹配像素点的个数；/>为灰度值/>的第/>个匹配像素的梯度幅值；/>为灰度值/>的第/>个匹配像素的梯度方向上相邻的像素点的梯度幅值；/>为与灰度值/>的第/>个匹配像素连续的匹配像素点的个数；/>为以自然常数为底的指数函数。

3.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据每个灰度值的分界度获取每个灰度值的权重，包括的具体步骤如下：

，

其中，为灰度值/>的权重；/>为灰度值/>的分界度；/>为所有灰度值的分界度构成的集合；/>为最大值函数；/>是以自然常数为底的指数函数；/>为灰度值大小；/>为第一分块阈值；/>为第二分块阈值。

4.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度，包括的具体步骤如下：

将任意一个增强阈值对作为目标增强阈值对，将目标增强阈值对所对应的增强图像作为目标增强图像；

获取目标增强阈值对的增强程度：

，

其中为目标增强阈值对的增强程度；/>为矿产资源遥感影像中灰度值/>的第/>个匹配像素的梯度幅值；/>为矿产资源遥感影像中灰度值/>的第/>个匹配像素在目标增强图像中对应的像素点的梯度幅值；/>为灰度值/>的分界度；/>为灰度值/>的匹配像素点的个数；/>为第一分块阈值；/>为超参数。

5.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据最优增强图像获取矿产资源区域图像，包括的具体步骤如下：

对最优增强图像进行大津阈值分割，得到二值图像，将二值图像与最优增强图像相乘，得到矿产资源区域图像。