本發(fā)明涉及應(yīng)用計算方法對圖像進行處理的技術(shù)，具體是一種針對砂巖顯微薄片中巖石顆粒的自動識別方法，該方法運用圖像處理技術(shù)和機器學(xué)習(xí)方法，通過對像素級別的分類處理，實現(xiàn)對砂巖顯微薄片中巖石顆粒成分的識別。

背景技術(shù)：

砂巖是源區(qū)巖石經(jīng)風(fēng)化、剝蝕、搬運在盆地中堆積形成的沉積碎屑巖，由碎屑和填隙物兩部分構(gòu)成，主要巖石顆粒成分包括石英、長石和巖屑。砂巖不但是常見的建筑用石材，也是石油、天然氣的主要儲集層。砂巖顆粒識別和組分在礦物鑒別、油氣勘探等領(lǐng)域有著重要的意義。

現(xiàn)有的砂巖顯微薄片巖石顆粒識別經(jīng)常使用人工識別，這不但費時費力，而且可重復(fù)性差。另外，在砂巖顯微薄片中，部分巖石顆粒區(qū)域邊界交錯，一些區(qū)域與周邊區(qū)域相互浸潤，給巖石顆粒的相互區(qū)分和識別帶來了困難。最后，巖石顆粒內(nèi)常常含有雜質(zhì)，這些雜質(zhì)與周圍區(qū)域的性質(zhì)差異較大，可能對巖石顆粒的識別結(jié)果產(chǎn)生影響。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種砂巖顯微薄片中巖石顆粒的自動識別方法，該方法運用圖像處理技術(shù)和機器學(xué)習(xí)方法實現(xiàn)對砂巖顯微薄片中巖石顆粒成分的自動識別。

為達到上述目的，本方法采用如下的步驟：

1)讀取砂巖顯微薄片圖像，對其進行高斯平滑濾波預(yù)處理；對圖像中像素抽取顏色特征和紋理特征，組成像素相似度計算的特征向量；

2)分別以砂巖顯微薄片圖像中每個像素作為中心像素，采用圖遍歷算法和相似性度量方法，計算其鄰域n×n像素窗口中的鄰近像素群，其中n為像素個數(shù)，優(yōu)選值為5×5；

3)計算鄰近像素群的統(tǒng)計特征，作為中心像素的分類特征向量；

4)基于石英、長石、巖屑顆粒樣本數(shù)據(jù)集，訓(xùn)練邏輯回歸分類器；

5)用訓(xùn)練好的分類器進行預(yù)測，得到像素屬于不同類別的概率，通過預(yù)設(shè)條件確定像素的類別，不滿足條件的像素視為噪聲點；

6)對噪聲點進行除噪，通過對噪聲點的鄰近像素群進行類別統(tǒng)計，確定其類別；最后基于每個像素的類別，確定巖石顆粒劃分和類別；

上述步驟1)中計算砂巖顯微薄片圖像中像素顏色和紋理特征向量的處理過程是：首先計算砂巖薄片圖像所有像素的顏色特征值RGB，以及所有像素的灰度值Gray。然后，計算圖像每個像素的紋理特征，即局部二值模式Lbp值。于是，每個像素的特征向量由RGB、Gray和Lbp值組成，維度為5(即包含5個元素)。Lbp的計算方法如下：

對于像素p，以其為中心獲取鄰域3×3像素窗口。像素p的Lbp值為：

其中，vp和vi分別是像素p和像素i的灰度值。S(x)是符號函數(shù)，定義如下：

上述步驟2)中基于圖遍歷算法尋找像素的鄰近像素群的過程是：首先，對于像素pc，以其為中心獲取鄰域n×n像素窗口，n為像素個數(shù)，優(yōu)選值為5，初始化鄰近像素群Sp＝{pc}，pc標注為未處理；然后使用圖遍歷算法，選取Sp內(nèi)未被處理過的像素，尋找它的上、下、左、右四個鄰接像素，如果該像素與某鄰接像素特征向量的相似性小于臨界值D(建議值為11.56)，且該鄰接像素不在Sp內(nèi)，則把對應(yīng)的鄰接像素加入鄰近像素群Sp，并標注為未處理；重復(fù)以上過程，直到鄰域像素窗口內(nèi)的每個像素都被遍歷和處理過為止；最終得到中心像素pc的鄰近像素群Sp。

在上述過程中，使用歐式距離度量兩個鄰接像素的相似性。給定兩個特征向量f1＝<f11,f12,…,f1n>和f2＝<f21,f22,…,f2n>，其歐式距離的公式如下：

其中f1i和f2i是特征向量f1和f2的第i個分量，n是特征向量f1和f2的維數(shù)。

在上述步驟3)中計算鄰近像素群的統(tǒng)計特征過程如下：對于鄰近像素群Sp＝{pc,p1,p2,…,pm}，其中每個像素的特征向量由RGB、Gray和Lbp值組成。對特征的每一維度，計算鄰近像素群Sp平均值A(chǔ)verage、中值Median、標準方差Standard Deviation、平均絕對偏差Mean Absolute Deviation四個統(tǒng)計特征。針對像素特征向量的某一維度X＝{x0,x1,x2,…,xm}，其中x0對應(yīng)中心像素，m代表鄰近像素群Sp除中心像素外的像素數(shù)量，計算公式如下：：

Median＝mid(x₀,x₁,x₂,...,x_m)，mid()是中值函數(shù)

通過上述計算公式，鄰近像素群可以得到5*4＝20維的特征向量，作為中心像素的特征向量。

在上述步驟4)中訓(xùn)練可區(qū)分石英、長石、巖屑邏輯回歸分類器的過程是：首先，基于石英、長石、巖屑顆粒的樣本數(shù)據(jù)集；對于每一張巖石顆粒顯微圖像，隨機采樣50個像素點，基于每個像素點，按照步驟1)計算顏色和紋理特征向量；然后，按步驟2)尋找鄰近像素群，計算鄰近像素群的統(tǒng)計特征，作為該像素的特征向量，并按照圖像類別標注，構(gòu)建分類器的訓(xùn)練集；最后，基于該訓(xùn)練集，訓(xùn)練可區(qū)分石英、長石、巖屑的邏輯回歸分類器。

在上述步驟5)中對砂巖顯微薄片圖像中所有像素進行預(yù)測的過程是：使用訓(xùn)練好的邏輯回歸分類器分別對每個像素進行預(yù)測，輸出一個概率值，以像素為單位得到一個概率向量p＝<p1,p2,p3>，分別是該像素屬于石英、長石和巖屑的概率；接著，設(shè)定預(yù)設(shè)條件對概率向量p進行處理：令p1,p2,p3中最大值是pmax，中間值是pmid。

當(dāng)pmax≥0.6，且pmax-pmid≥0.2，預(yù)測像素類別是pmax對應(yīng)的巖石顆粒種類；

當(dāng)pmax≤0.45，預(yù)測像素類別是雜質(zhì)；

其它情況下，像素暫定為噪聲點。

在上述步驟6)中對類別是噪聲點的像素進行類別判定的過程是：對于每個噪聲點像素，統(tǒng)計它所在的鄰近像素群中所有像素的類別，采用多數(shù)表決方式確定它的類別。

當(dāng)鄰近像素群里少于50％的像素類別為噪聲點時，則選取像素類別數(shù)最大的類別作為噪聲點的類別，計算方法如下

其中，Sp是鄰近像素群，m是Sp中除中心像素外的像素個數(shù)，yi是Sp中每個像素的預(yù)測類別，cj分別對應(yīng)石英、長石、巖屑和雜質(zhì)；I(x)是指示函數(shù)，當(dāng)yi＝cj時I為1，否則I為0；

當(dāng)鄰近像素群中超過50％的像素類別為噪聲點時，則選取其它噪聲點進行處理；

重復(fù)上述過程，直到所有噪聲點都有類別為止。

本發(fā)明基于砂巖顯微薄片圖像，運用圖像處理技術(shù)和機器學(xué)習(xí)方法，利用砂巖顯微薄片中巖石顆粒顏色相異、紋理清晰的特點，提取巖石顆粒的顏色和紋理特征，應(yīng)用圖像處理技術(shù)和機器學(xué)習(xí)方法，實現(xiàn)巖石顆粒的自動識別；針對巖石顆粒邊界交錯清晰度不高和顆粒區(qū)域內(nèi)存有雜質(zhì)的問題，本發(fā)明以像素為基本單位，提出基于歐式距離尋找像素的鄰近像素群，計算統(tǒng)計特征作為像素分類特征，基于樣本數(shù)據(jù)集訓(xùn)練可以識別石英、長石、巖屑的邏輯回歸分類器，最后對預(yù)測產(chǎn)生的噪聲點進行除噪，從而達到理想的識別效果。本發(fā)明對不同種類巖石顆粒區(qū)域邊界的定位和巖石顆粒內(nèi)雜質(zhì)的識別有較高的準確性，可有效降低巖石顆粒識別的時間和成本，具有較好的擴展性；在礦物鑒別、油氣勘探中具有應(yīng)用價值。

附圖說明

圖1是砂巖顯微薄片中巖石顆粒自動識別的技術(shù)框架圖；

圖2是砂巖顯微薄片巖石顆粒區(qū)域浸潤示意圖；

圖3是砂巖顯微薄片中巖石顆粒區(qū)域雜質(zhì)示意圖；

圖4是給定像素獲取其鄰近像素群的處理流程圖。

具體實施方式

本發(fā)明的主要目的是自動識別砂巖顯微薄片中的巖石顆粒，運用圖像處理技術(shù)和機器學(xué)習(xí)方法，抽取像素的顏色和紋理特征組成特征向量，基于圖遍歷算法和相似度度量尋找鄰近像素群，計算鄰近像素群的統(tǒng)計特征作為像素分類的特征向量；訓(xùn)練區(qū)分石英、長石和巖屑的邏輯回歸分類器，并對預(yù)測結(jié)果進行噪聲處理；通過對像素類別的預(yù)測，實現(xiàn)對砂巖顯微薄片中巖石顆粒的自動識別。

圖1所示為砂巖顯微薄片中巖石顆粒自動識別的技術(shù)框架圖。輸入的是砂巖顯微薄片圖像，輸出是砂巖薄片中巖石顆粒的劃分和類別(石英、長石和巖屑)。為了保證方法的正確應(yīng)用，需要預(yù)先制備標注為石英砂巖、長石砂巖和巖屑砂巖的巖石顆粒顯微圖像，作為樣本數(shù)據(jù)集。技術(shù)框架分為6個步驟：對輸入的砂巖顯微薄片進行高斯平滑濾波預(yù)處理，提取像素顏色和紋理特征，組成像素相似度度量的特征向量；利用圖遍歷算法和相似性度量方法尋找每個像素的鄰近像素群；計算鄰近像素群的統(tǒng)計特征作為像素的特征向量；基于樣本數(shù)據(jù)集訓(xùn)練邏輯回歸分類器；預(yù)測每個像素屬于石英、長石、巖屑的概率，確定噪聲點；對噪聲點進行處理，確定巖石顆粒劃分和類別。

圖2和圖3所示為砂巖顯微薄片中巖石顆粒存在區(qū)域浸潤和雜質(zhì)的示意圖。從圖中可以看出，砂巖顯微薄片中巖石顆粒的形狀不規(guī)則，分布交錯參差，顆粒所在的區(qū)域基本都是封閉圖形；不同種類的巖石顆粒具有不同的顏色和紋理，適于通過顏色和紋理特征予以分類和識別；圖2巖石顆粒區(qū)域浸潤示意圖說明在砂巖顯微薄片中，巖石顆粒相互交錯，邊界較難確定，圖3巖石顆粒區(qū)域雜質(zhì)示意圖說明在砂巖顯微薄片中，一些巖石顆粒內(nèi)存在性質(zhì)差異較大的雜質(zhì)，這些雜質(zhì)可能會對巖石顆粒的自動識別產(chǎn)生影響。

本發(fā)明提出基于歐式距離尋找像素鄰近像素群，計算統(tǒng)計特征作為像素分類特征，并訓(xùn)練可以區(qū)分石英、長石、巖屑的邏輯回歸分類器，最后對預(yù)測產(chǎn)生的噪聲點進行除噪，從而能夠更好地識別巖石顆粒。本發(fā)明采用的步驟如下：

1)讀取砂巖顯微薄片圖像，對其進行高斯平滑濾波預(yù)處理；對圖像中像素抽取顏色特征和紋理特征，組成像素相似度計算的特征向量；

2)分別以砂巖顯微薄片圖像中每個像素作為中心像素，采用圖遍歷算法和相似性度量方法，計算其鄰域n×n像素窗口中的鄰近像素群，其中n為像素個數(shù)，優(yōu)選值為5；

3)計算鄰近像素群的統(tǒng)計特征，作為中心像素的分類特征向量；

4)基于石英、長石、巖屑顆粒樣本數(shù)據(jù)集，訓(xùn)練邏輯回歸分類器；

5)用訓(xùn)練好的分類器進行預(yù)測，得到像素屬于不同類別的概率，通過預(yù)設(shè)條件確定像素的類別，不滿足條件的像素視為噪聲點；

6)對噪聲點進行除噪，通過對噪聲點的鄰近像素群進行類別統(tǒng)計，確定其類別；最后基于每個像素的類別，確定巖石顆粒劃分和類別；

上述步驟1)中計算砂巖顯微薄片圖像中像素顏色和紋理特征向量的處理過程是：首先計算砂巖薄片圖像所有像素的顏色特征值RGB，以及所有像素的灰度值Gray。然后，計算圖像每個像素的紋理特征——局部二值模式Lbp值。于是，每個像素的特征向量由RGB、Gray和Lbp值組成，維度為5(即包含5個元素)。Lbp的計算方法如下：

對于像素p，以其為中心獲取鄰域3×3像素窗口。像素p的Lbp值為：

其中，vp和vi分別是像素p和像素i的灰度值。S(x)是符號函數(shù)，定義如下：

上述步驟2)中基于圖遍歷算法尋找像素的鄰近像素群的過程是：首先，對于像素pc，以其為中心獲取鄰域n×n像素窗口，n為像素個數(shù)，優(yōu)選值為5，初始化鄰近像素群Sp＝{pc}，pc標注為未處理；然后使用圖遍歷算法，選取Sp內(nèi)未被處理過的像素，尋找它的上、下、左、右四個鄰接像素，如果該像素與某鄰接像素特征向量的相似性小于臨界值D(建議值為11.56)，且該鄰接像素不在Sp內(nèi)，則把對應(yīng)的鄰接像素加入鄰近像素群Sp，并標注為未處理；重復(fù)以上過程，直到鄰域像素窗口內(nèi)的每個像素都被遍歷和處理過為止；最終得到中心像素pc的鄰近像素群Sp。

在上述過程中，使用歐式距離度量兩個鄰接像素的相似性。給定兩個特征向量f1＝<f11,f12,…,f1n>和f2＝<f21,f22,…,f2n>，其歐式距離的公式如下：

其中f1i和f2i是特征向量f1和f2的第i個分量，n是特征向量f1和f2的維數(shù)。

在上述步驟3)中計算鄰近像素群的統(tǒng)計特征過程如下：對于鄰近像素群Sp＝{pc,p1,p2,…,pm}，其中每個像素的特征向量由RGB、Gray和Lbp值組成。對特征的每一維度，計算鄰近像素群Sp平均值A(chǔ)verage、中值Median、標準方差Standard Deviation、平均絕對偏差Mean Absolute Deviation四個統(tǒng)計特征。針對像素特征向量的某一維度X＝{x0,x1,x2,…,xm}，其中x0對應(yīng)中心像素，m代表鄰近像素群Sp除中心像素外的像素數(shù)量，計算公式如下：：

Median＝mid(x₀,x₁,x₂,...,x_m)，mid(·)是中值函數(shù) (5)

通過上述計算公式，鄰近像素群可以得到5*4＝20維的特征向量，作為中心像素的特征向量。

在上述步驟4)中訓(xùn)練可區(qū)分石英、長石、巖屑邏輯回歸分類器的過程是：首先，基于石英、長石、巖屑顆粒的樣本數(shù)據(jù)集；對于每一張巖石顆粒顯微圖像，隨機采樣50個像素點，基于每個像素點，按照步驟1)計算顏色和紋理特征向量；然后，按步驟2)尋找鄰近像素群，計算鄰近像素群的統(tǒng)計特征，作為該像素的特征向量，并按照圖像類別標注，構(gòu)建分類器的訓(xùn)練集；最后，基于該訓(xùn)練集，訓(xùn)練可區(qū)分石英、長石、巖屑的邏輯回歸分類器。

在上述步驟5)中對砂巖顯微薄片圖像中所有像素進行預(yù)測的過程是：使用訓(xùn)練好的邏輯回歸分類器分別對每個像素進行預(yù)測，輸出一個概率值，以像素為單位得到一個概率向量p＝<p1,p2,p3>，分別是該像素屬于石英、長石和巖屑的概率；接著，設(shè)定預(yù)設(shè)條件對概率向量p進行處理：令p1,p2,p3中最大值是pmax，中間值是pmid。

當(dāng)pmax≥0.6，且pmax-pmid≥0.2，預(yù)測像素類別是pmax對應(yīng)的巖石顆粒種類；

當(dāng)pmax≤0.45，預(yù)測像素類別是雜質(zhì)；

其它情況下，像素暫定為噪聲點。

在上述步驟6)中對類別是噪聲點的像素進行類別判定的過程是：對于每個噪聲點像素，統(tǒng)計它所在的鄰近像素群中所有像素的類別，采用多數(shù)表決方式確定它的類別。

當(dāng)鄰近像素群里少于50％的像素類別為噪聲點時，則選取像素類別數(shù)最大的類別作為噪聲點的類別，計算方法如下

其中，Sp是鄰近像素群，m是Sp中除中心像素外的像素個數(shù)，yi是Sp中每個像素的預(yù)測類別，cj分別對應(yīng)石英、長石、巖屑和雜質(zhì)；I(x)是指示函數(shù)，當(dāng)yi＝cj時I為1，否則I為0；

當(dāng)鄰近像素群中超過50％的像素類別為噪聲點時，則選取其它噪聲點進行處理；

重復(fù)上述過程，直到所有噪聲點都有類別為止。

本發(fā)明利用砂巖顯微薄片中巖石顆粒顏色相異、紋理清晰的特點，提取巖石顆粒的顏色和紋理特征，應(yīng)用圖像處理技術(shù)和機器學(xué)習(xí)方法，實現(xiàn)巖石顆粒的自動識別；針對巖石顆粒邊界交錯清晰度不高和顆粒區(qū)域內(nèi)存有雜質(zhì)的問題，本發(fā)明以像素為基本單位，提出基于歐式距離尋找像素的鄰近像素群，計算統(tǒng)計特征作為像素分類特征，基于樣本數(shù)據(jù)集訓(xùn)練可以識別石英、長石、巖屑的邏輯回歸分類器，最后對預(yù)測產(chǎn)生的噪聲點進行除噪，從而達到理想的識別效果。基于實地采集的砂巖顯微圖像數(shù)據(jù)，采用本發(fā)明方法的實驗結(jié)果表明針對砂巖顯微薄片中的巖石顆粒具有較好的識別效果，對不同種類巖石顆粒區(qū)域邊界的定位和巖石顆粒內(nèi)雜質(zhì)的識別也有較高的準確性。另外，本發(fā)明方法可以應(yīng)用砂巖顯微圖像中其它像素特征和訓(xùn)練不同類型的分類器，具有較好的擴展性，有效降低巖石顆粒識別的時間和成本；在礦物鑒別、油氣勘探中具有應(yīng)用價值。

本發(fā)明方法的具體應(yīng)用途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進，這些改進也應(yīng)視為本發(fā)明的保護范圍。本發(fā)明具體應(yīng)用途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進，這些改進也應(yīng)視為本發(fā)明的保護范圍。