一種大理巖顯微薄片自動鑒別方法
【專利摘要】本發(fā)明公開了一種大理巖顯微薄片自動鑒別方法，其步驟是：1）將彩色圖像轉換為灰度圖像；2）參考二維一階離散小波分解處理灰度圖像，分解為低頻、水平、垂直和對角4個系數(shù)矩陣；3）分別將四個系數(shù)矩陣的元素值梯度化到0-255之間，并統(tǒng)計梯度分布；4）分別基于每一個梯度分布，計算分布特征，包括：均值、中位數(shù)、方差、偏度和峰值指標，構成紋理特征值向量；5）將薄片圖像視為紋理特征值向量，儲備樣本集，采用隨機森林分類技術，自動鑒別巖石薄片是否為大理巖。本發(fā)明方法運用信息處理技術自動鑒別大理巖顯微薄片，充分利用大理巖的紋理特性和巖性組成，計算簡單高效，具有擴展性；可隨著巖石薄片數(shù)據(jù)儲備的增加而提高鑒別方法的準確性；在地質勘探和礦物研究中具有應用價值。
【專利說明】-種大理巖顯微薄片自動鑒別方法

【技術領域】
[0001] 本發(fā)明涉及一種利用圖像進行物品鑒別的方法，具體是一種大理巖顯微薄片的自 動鑒別方法，該方法針對巖石顯微薄片人工鑒別成本高昂問題，應用信息處理技術實現(xiàn)大 理巖薄片的自動鑒別。抽取圖像的紋理特征，將薄片圖像轉換為紋理特征值向量，再采用人 工智能方法自動鑒別巖石薄片。

【背景技術】
[0002] 大理巖是由碳酸鹽巖經(jīng)區(qū)域變質作用或接觸變質作用而形成火成巖，是一種優(yōu)良 的建筑材料和美術工藝品原料。巖石薄片鑒定是根據(jù)巖石的紋理特性，確定巖石的類型，進 而確定其結構、來源和成因?，F(xiàn)有巖石薄片鑒定多采用人工，不僅需要專業(yè)的鑒別專家，且 代價高昂，效率較低；鑒別過程過度依賴個人經(jīng)驗，不可重復。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術問題是提供一種大理巖顯微薄片的自動鑒別方法，該方法 依靠計算機技術對巖石薄片的圖像紋理進行鑒別，從而判斷是否為大理巖，該方法完全替 代了人工，提高了效率，且具有重復性。
[0004] 本發(fā)明所述的大理巖顯微薄片自動鑒別方法，其包含以下步驟：
[0005] 1)讀取待確定巖石薄片的位圖圖像；將其轉換為灰度圖像，由灰度矩陣C表示：對 每一個像素，采用三基色顏色值（r，g，b)計算灰度值c，計算公式如下：
[0006] c = 0. 33Xr+0. 34Xg+0. 33Xb ；
[0007] 2)參考二維一階離散小波分解處理灰度圖像，分解為4個頻域的系數(shù)矩陣：低頻 分量系數(shù)矩陣A，水平方向系數(shù)矩陣H，堅直方向系數(shù)矩陣V和對角線方向系數(shù)矩陣D ;令原 始灰度圖像的像素行數(shù)為M,列數(shù)為N,則轉換后的系數(shù)矩陣行數(shù)為1_Μ/2丄列數(shù)為Ln/2」，其 中U表示向下取整；
[0008] 3)對每一個系數(shù)矩陣，將元素值梯度化到0-255之間，并統(tǒng)計梯度分布；
[0009] 4)基于每一個梯度分布，計算對應系數(shù)矩陣的統(tǒng)計特征，包括均值、中位數(shù)、方差、 偏度、以及峰值指標，構成紋理特征值向量；
[0010] 5)將薄片圖像轉換為紋理特征值向量，儲備樣本集，采用隨機森林分類技術，自動 鑒別巖石薄片是否屬于大理巖。
[0011] 上述步驟2)中參考二維一階離散小波分解處理灰度圖像的計算過程是：首先確 定Haar小波變換的尺度函數(shù)Φ ()和小波函數(shù)Ψ ()，由下述公式所示，其中X為參數(shù)，表示 任意實數(shù)：

【權利要求】
1. 一種大理巖顯微薄片自動鑒別方法，其特征在于包含以下步驟： 1) 讀取待確定巖石薄片的位圖圖像，將其轉換為灰度圖像，由灰度矩陣C表示：對每一 個像素，采用三基色顏色值（r，g，b)計算灰度值C，計算公式如下： c = 0. 33Xr+0. 34Xg+0. 33Xb ； 2) 參考二維一階離散小波分解處理步驟1)的灰度圖像，分解為4個頻域的系數(shù)矩陣： 低頻分量系數(shù)矩陣A，水平方向系數(shù)矩陣H，堅直方向系數(shù)矩陣V和對角線方向系數(shù)矩陣 D ;令原始灰度圖像的像素行數(shù)為M,列數(shù)為N,則轉換后的系數(shù)矩陣行數(shù)為1_Μ/2」，列數(shù)為 LN/2」,其中U表示向下取整； 3) 對每一個系數(shù)矩陣，將元素值梯度化到0-255之間，并統(tǒng)計梯度分布； 4) 基于每一個梯度分布，計算對應系數(shù)矩陣的統(tǒng)計特征，包括均值、中位數(shù)、方差、偏 度、以及峰值指標，構成紋理特征值向量； 5) 將薄片圖像轉換為紋理特征值向量，儲備樣本集，采用隨機森林分類技術，自動鑒別 巖石薄片是否屬于大理巖。
2. 根據(jù)權利要求1所述的大理巖顯微薄片自動鑒別方法，其特征在于步驟2中參考 二維一階離散小波分解處理灰度圖像的計算過程是：首先確定Haar小波變換的尺度函數(shù) Φ0和小波函數(shù)Ψ()，由下述公式所示，其中X為參數(shù)，表示任意實數(shù)：
然后基于上述基本函數(shù)，四個系數(shù)矩陣的計算方法分別由下述公式所示，其中，Μ和Ν 為圖像的像素行數(shù)和列數(shù)，c(x, y)為灰度矩陣C中第χ+1行、y+Ι列像素的灰度值： M-1JV -1 / χ \ / \ i/(/H,/7) = ^^c(.r,>·)^ --/? Φ T--/7 ； λ-0 _ν-〇 ν ^ \ 2 ) 其中a(m，n)為低頻分量系數(shù)矩陣A中第m+1行，n+1列的元素值，m的值域是 [0,LM/2」-l], η的值域是[0丄祕2」-1]丄」表示向下取整； M-lN-i r χ \ ? \ h(m,) - X XC(.ν,>')(// ~-ηι\φ η ； χ-0 μ-0 V ^ ./ V 2 ) 其中h(m, η)為水平方向系數(shù)矩陣Η中第m+Ι行，η+1列的元素值； Μ-ΙΝ-l ? χ Λ / \ --IH ψ ； χ-0 y-〇 \ ^ J V ) 其中v(m, η)為垂直方向系數(shù)矩陣V中第m+Ι行，η+1列的元素值； M-iN-i r χ Λ ? \ ?(ηι,η)^Υ^ο(χ,ν)ψ\ -~ηι ψ j--n ； χ-0 y-0 V ^ \ ^ ) 其中d(m，η)為對角線方向系數(shù)矩陣D中第m+Ι行，η+1列的元素值。
3. 根據(jù)權利要求2所述的大理巖顯微薄片自動鑒別方法，其特征在于，上述步驟3)的 具體過程為：對于系數(shù)矩陣X (X表示A，H，V，D中的一個矩陣），令max和min分別表示矩陣X 中元素的最大值和最小值，則對于矩陣X中的任意元素 X (m，η)，梯度化后的元素值X'（m，η) 為：
其中，X (m，η)代表矩陣X中第m+1行、η+1列的元素值，m和η的取值分別是[0, LM/2」-l] 和[0, LN/2」-l]中的整數(shù)，Μ和N為原始灰度圖像的像素行數(shù)和列數(shù)； 梯度化后的系數(shù)矩陣元素的取值范圍是[〇, 255];針對[0, 255]中的每一個整數(shù)i，統(tǒng) 計系數(shù)矩陣中值為i的元素個數(shù)Ζρ構成分布向量Z =〈Zd, Zp . . .，z255>。
4. 根據(jù)權利要求3所述的大理巖顯微薄片自動鑒別方法，其特征在于，步驟4)中各紋 理特征指標的計算方法是：分別基于四個系數(shù)矩陣的梯度分布向量Z = <Z(I，Zl，. . .，z255>， 依次計算均值u、中位數(shù)I、方差v、偏度s和峰值f，計算公式如下：
其中Μ和N分別為原始灰度圖像的像素行數(shù)和列數(shù)；根據(jù)四個系數(shù)矩陣的梯度分布，各 計算5個特征指標，總計獲得20個紋理特征值，構成特征值向量。
5. 根據(jù)權利要求4所述的大理巖顯微薄片自動鑒別方法，其特征在于，上述步驟5)中 采用隨機森林分類技術自動鑒別巖石薄片的過程是：首先基于儲備的巖石薄片圖像數(shù)據(jù) 集，將薄片圖像集合轉換為紋理特征值向量集合，標識每一個薄片所屬的巖石類型；然后在 數(shù)據(jù)集上訓練隨機森林集成分類器；最后將目標圖像的紋理特征值向量作為輸入，由隨機 森林集成分類器判定目標薄片是否屬于大理巖。
【文檔編號】G06K9/00GK104112126SQ201410382323
【公開日】2014年10月22日 申請日期:2014年8月6日 優(yōu)先權日:2014年8月6日
【發(fā)明者】郝慧珍, 汪丹茹, 顧慶, 胡修棉, 陳道蓄 申請人:南京大學鎮(zhèn)江高新技術研究院