岩矿薄片偏光序列图像的矿物颗粒分割方法

岩矿薄片图像中矿物颗粒的提取是岩矿薄片粒度分析、成分识别的基础,为了进一步提升矿物颗粒提取的准确性,提出一种新的矿物颗粒分割提取方法.该方法以相同视域、不同角度下的正交偏光序列图像为基础,对序列图像进行融合后,利用熵率超像素算法提取矿物颗粒目标.为了减少矿物颗粒的过分割现象,采用快速区域合并算法合并具有相似性的区域,最后,依据矿物颗粒在正交偏光下的变化规律对分割区域筛选,再次进行颗粒目标融合实现颗粒自动分割.该方法提取岩矿薄片图像中的矿物颗粒,可以获得较好的效果.

岩石薄片正交偏光序列图像的颗粒分割

岩石薄片粒度分析的基础是颗粒的分割提取,自动分割准确性的提高,有利于颗粒的进一步分析。在岩石薄片多角度正交偏光序列图的基础下,通过叠加序列图像获取融合图后,利用分水岭分割算法将目标颗粒提取,然后对过分割区域提取角度、面积、位置等特征后使用AGNES方法由底向上进行层次聚类,将过分割区域聚类为符合实际的目标颗粒,最终实现颗粒的自动分割。

岩石薄片正交偏光图像的颗粒分割方法

为了解决图像分析技术应用于岩石薄片粒度分析一直受到图像分割效果的制约问题,提高岩石颗粒自动分割的准确性,提出了一种岩石薄片图像颗粒分割的新方法。该技术是以自主研制的图像采集系统为基础,通过序列图像获取、序列图像处理、多分割层叠加、SRM算法分割以及小面积合并处理等实现颗粒分割。实践表明该技术用于碎屑岩薄片粒度分析可以实现90%以上的颗粒准确分割,具有良好的实用性、可靠性和准确性,弥补了普通显微镜在粒度分析中的不足,具有较高的推广价值。

基于岩石薄片偏光序列图的颗粒成分分析

石英和长石的识别对储集层研究具有重要意义。传统的矿物成分分析主要依靠人机交互式识别,工作量大且效率低,针对上述问题,提出一种利用岩石颗粒在正交偏光镜下的纹理特征进行识别的方法。首先用Sobel算子提取样本图像的梯度信息,计算每个样本梯度图像的灰度共生矩阵的能量和相关性,利用能量和相关性为目标特征参数组建石英、长石特征参数样本库。应用人工神经网络(ANN)分类方法进行训练,基于训练的结果,计算待识别颗粒的特征参数并分类。最后利用偏光序列图进行决策,得出最终识别结果。实验结果表明,此识别方法对石英和长石有较好的识别效果,识别率达85%。

基于相干特征的岩石薄片序列图像边缘提取及颗粒分割

针对岩石颗粒边缘模糊、结构复杂的特点,为了更有效地识别颗粒边缘,在基于特征值的C3相干算法的基础上,融合多尺度和多角度的特征表达,提出了一种改进的C3相干算法。该算法综合考虑岩石薄片图像角度域光学特征、空间尺度信息和各向异性信息,能更有效地表征颗粒边缘特征,表现出对复杂矿物结构的适应能力。在采集的岩石薄片正交偏光图像上验证提出的算法,实验结果表明,与原生C3相干算法相比,改进后的C3相干算法在全局图像上的方差和灰度差分乘积分别提升了68.41%和22.91%,信息熵下降了21.61%。

基于改进的SKnet和Bi-GRU的岩石薄片图像矿物识别

通过分析岩石薄片中矿物成分,研究储集层空间结构,对后续的油气勘探开发具有重要意义。基于正交偏光序列图像的矿物识别研究已经取得了一些成果,但多数方法未利用矿物颗粒在序列图中的变化信息,本文借鉴视频分类的思想,针对岩石矿物颗粒正交偏光序列图像,结合岩石矿物颗粒消光性特点,构建了卷积神经网络和循环神经网络相结合的识别模型。卷积神经网络选用SKnet并在此基础上添加了空间特征融合机制,循环神经网络采用双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)来提取序列图像的前后关联特征。选取石英、碱性长石、斜长石、岩屑4类矿物颗粒序列图像构建数据集进行验证,结果表明本文提出的矿物颗粒识别方法识别效果良好。

基于改进模糊C均值聚类和区域合并的矿物颗粒分割方法

岩矿石薄片图像中矿物颗粒的分割提取是分析鉴定工作的前提,为了进一步提高矿物颗粒提取的准确性,提出一种新的矿物颗粒提取分割方法。该方法以一组岩矿石薄片正交偏光序列图作为输入,对每张正交偏光序列图采用改进的模糊C均值聚类(fuzzy C-means,FCM)算法进行初始的边缘提取,并叠加多张边缘图像,再对得到的叠加边缘图像进行精细化处理并进行目标颗粒筛选,得到初始的分割提取图像。为了抑制颗粒的过分割现象,利用基于区域邻接图(region adjacency graph,RAG)的合并算法进行区域合并,首先依据颗粒的颜色纹理等特征进行初始合并操作,再根据矿物颗粒在不同正交偏光角度下的变化规律进行二次合并操作,从而得到最终的分割提取图像。通过对多组图像进行实验表明,该方法可以获得良好的效果。