CN112784894B - 一种岩石薄片显微图像自动标注方法 - Google Patents

Abstract

本发明公开了一种岩石薄片显微图像自动标注方法，针对图像的手动描点画框环节进行改进，实现复杂的岩石薄片图像进行自动标注，对同一图形内不同颗粒种类的分类标注，对各个颗粒进行画点描框，并赋予该颗粒对应的标签名称；本发明实现了岩石薄片图像自动画点描框，大大节约了专家标注的时间，可以有效的辅助专家进行批量复杂的岩石薄片图像标注的工作，具有较高的准确性，并极大的提高了工作效率。

Description

一种岩石薄片显微图像自动标注方法

技术领域

本发明属于图像处理技术领域，具体涉及一种岩石薄片显微图像自动标注方法。

背景技术

岩石薄片显微图像是将岩石样本研磨成厚度为0.03毫米的薄片，放置在偏光显微镜载物台上，由薄片鉴定工作者利用高清摄像头拍摄而成的图像。在地质学领域，岩石薄片鉴定是通过观察和分析岩石薄片图像中矿物的组分和含量，进而对其进行分类和命名的。然而，通常一张岩石薄片图像中矿物颗粒众多、不同颗粒之间的对比度低、同一颗粒内部微结构复杂，这就造成了砂岩图像的鉴定工作较为艰难，对鉴定工作者要求高，同时，鉴定结论主观性强，往往不同的鉴定专家的结论会有差异，而且鉴定效率也较低，通常一个经验丰富的鉴定人员，每天可以鉴定的砂岩薄片也只有数值张。

在上述鉴定过程汇总，涉及的标注数据更是重中之重，数据标注是将原始数据变成算法可用数据，传统的数据标注主要是靠人工方式对文本、图片等数据进行标注，需要耗费大量的人力物力，已经渐渐跟不上需求。一旦涉及到复杂的轮廓绘制，就会使得人工标注难度大大增加，因此本系统提出自动和智能的标注方法来辅助人工标注以提高标注效率。

现阶段，对于岩石薄片的标注都依靠于相关专家手动标注，即在一张布满许多岩石颗粒和杂质的图像上，精确判断各个颗粒的类型，然后手动描述点画框将颗粒轮廓给画出来，最后将不同的颗粒都打上对应的标签。这种人工标注的方式及其耗费专家的时间和精力，且偶尔也会出现误差；在专家通过标注软件对颗粒轮廓进行描点时，如果一张图片中颗粒超过100，长时间进行描点记忆出现问题，且整个过程精力有限。

发明内容

针对现有技术中的上述不足，本发明提供的岩石薄片显微图像自动标注方法解决了现有了上述背景技术中的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种岩石薄片显微图像自动标注方法，包括以下步骤：

S1、获取岩石薄片的正交偏光图像和单偏光图像；

S2、对正交偏光图像和单偏光图像进行图像融合处理，获得融合后的新图像；

S3、对融合后的图像进行超像素分割，获得具有颗粒和填隙物的二值图像；

S4、对二值图像中的各区域块进行边缘检测，确定对应的边缘坐标点；

S5、基于提前标注的具有不同类型标签和边缘坐标点的二值图像，训练U-net图像语义分割网络；

S6、将待标注的具有颗粒和填隙物的二值图像的轮廓坐标在融合后的新图像中的对应颗粒部分作为U-net图像语义分割网络的输入，获得具有岩石薄片图像颗粒类型标签的输出结果，实现岩石薄片显微图像的自动标注。

进一步地，所述步骤S2具体为：

S21、对出现光照不均匀的单偏光图像光照均衡化处理；

S22、对经过光照均衡化处理的单偏光图像进行平滑去噪处理；

S23、将经过平滑去噪处理的单偏光图像作为参考图像，与正交偏光图像进行图像对齐处理；

S24、将经过图像对齐处理的图像进行图像融合，获得融合后的新图像。

进一步地，所述步骤S3具体为：

S31、采用GLCM算法提取融合后的新图像的灰度共生矩阵，并计算出自适应K值；

S32、使用自适应K值的超像素分割SLCM算法融合后的新图像进行边缘检测分割；

S33、基于颜色和距离，对分割后的图像各区域进行区域融合，结合多晶体和岩屑的分割规则，将多晶体的石英、长石颗粒与岩屑颗粒合并，获得最终的图像分割结果；

S34、基于图像分割结果，形成具有颗粒和填隙物的二值图像。

进一步地，所述步骤S31中的灰度共生矩阵为P(i,j,d,θ)，其中，d为空间距离，θ为方向角，i为起始点所在行，j为起始点所在列；

所述步骤S31中的自适应K值为：

式中，X,Y为图像的长和宽，Energy为熵，Contrast为对比度，Asm为能量，Correlation为相关性参数。

进一步地，所述步骤S32具体为：

A1、按照设定的超像素个数K，在融合后的新图像内均匀分配种子点；

A2、在当前确定的每个种子点的n*n区域内重新选择种子点；

A3、在重新选择的种子点的邻域内搜索像素点，并为其分配类标签；

A4、重复步骤A2-A3，直到搜索出的像素点聚类中心不再发生变化，基于其分配类标签，实现图像的边缘检测分割。

进一步地，所述步骤S4具体为：

S41、对二值图像中的各区域块进行边缘检测，得到各颗粒的边缘坐标；

S42、基于梯度筛选法对各颗粒的边缘坐标进行筛选，删除多余的坐标，得到各颗粒最终的边缘坐标点。

进一步地，所述步骤S5具体为：

S51、将各区域块对应的坐标点连接起来，形成封闭的独立区域，并为其添加标签及属性；

S52、基于各独立区域的标签及属性，对各不同类型的独立区域使用不同的颜色填充；

S53、基于完成颜色填充的各二值图像，对训练U-net图像语义分割网络进行训练。

本发明的有益效果为：

(1)本发明可针对复杂的岩石薄片图像进行自动标注，实现同一图形内不同颗粒种类的分类标注，对各个颗粒进行画点描框，并赋予该颗粒对应的标签名称；

(2)本发明实现的对岩石薄片图像自动画点描框，大大节约了专家标注的时间，可以有效的辅助专家进行批量复杂的岩石薄片图像标注的工作，具有较高的准确性，并极大的提高了工作效率。

附图说明

图1为本发明提供的岩石薄片显微图像自动标注方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种岩石薄片显微图像自动标注方法，包括以下步骤：

S1、获取岩石薄片的正交偏光图像和单偏光图像；

S2、对正交偏光图像和单偏光图像进行图像融合处理，获得融合后的新图像；

S3、对融合后的图像进行超像素分割，获得具有颗粒和填隙物的二值图像；

S4、对二值图像中的各区域块进行边缘检测，确定对应的边缘坐标点；

S5、基于提前标注的具有不同类型标签和边缘坐标点的二值图像，训练U-net图像语义分割网络；

S6、将待标注的具有颗粒和填隙物的二值图像的轮廓坐标在融合后的新图像中的对应颗粒部分作为U-net图像语义分割网络的输入，获得具有岩石薄片图像颗粒类型标签的输出结果，实现岩石薄片显微图像的自动标注。

上述步骤S2具体为：

S21、对出现光照不均匀的单偏光图像光照均衡化处理；

其中，进行光照均衡化处理的目的在于增强图像的对比度集保持图像的细节部分；

S22、对经过光照均衡化处理的单偏光图像进行平滑去噪处理，实现保边去噪的目的；

S23、将经过平滑去噪处理的单偏光图像作为参考图像，与正交偏光图像进行图像对齐处理；

具体地，将经过处理的单偏光图像作为参考图像，与不同角度拍摄的同一岩石薄片的多张正交偏光图像经过特征提取(ORB)、特征匹配(双向交叉匹配)、图像变换(RANSAC)三个步骤后将空间同一位置的点一一对应起来，实现未对准的多张正交偏光图像参照单偏光图像自动对齐的目的；

S24、将经过图像对齐处理的图像进行图像融合，获得融合后的新图像。

上述所述步骤S3具体为：

S31、采用GLCM算法提取融合后的新图像的灰度共生矩阵，并计算出自适应K值；

其中，灰度共生矩阵为P(i,j,d,θ)，其中，d为空间距离，θ为方向角，i为起始点所在行，j为起始点所在列；

所述步骤S31中的自适应K值为：

式中，X,Y为图像的长和宽，Energy为熵，Contrast为对比度，Asm为能量，Correlation为相关性参数。

其中，Contrast＝∑_i∑_j(i-j)²P(i,j)

Asm＝∑_i∑_jP(i,j)²

S32、使用自适应K值的超像素分割SLCM算法融合后的新图像进行边缘检测分割；

S33、基于颜色和距离，对分割后的图像各区域进行区域融合，结合多晶体和岩屑的分割规则，将多晶体的石英、长石颗粒与岩屑颗粒合并，获得最终的图像分割结果；

具体地，在进行区域融合时，基于颜色和距离，对于每个搜索到的像素点，分别计算它到该种子点(聚类中心)的距离，然后结合多晶体和岩屑的分割规则，将多晶体的石英、长石颗粒与岩屑颗粒合并；

S34、基于图像分割结果，形成具有颗粒和填隙物的二值图像。

生成的二值图像中，白色为颗粒，黑色为填隙物。

上述骤S32具体为：

A1、按照设定的超像素个数K，在融合后的新图像内均匀分配种子点；

假设图像中共有N个像素点，预分割为K个相同尺寸的超像素，那么每个超像素的大小为N/K；

A2、在当前确定的每个种子点的n*n区域内重新选择种子点；

具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；

A3、在重新选择的种子点的邻域内搜索像素点，并为其分配类标签；

具体地，SLIC算法的搜索范围限制为2S*2S，可以加速算法收敛；

A4、重复步骤A2-A3，直到搜索出的像素点聚类中心不再发生变化，基于其分配类标签，实现图像的边缘检测分割。

上述步骤S4具体为：

S41、对二值图像中的各区域块进行边缘检测，得到各颗粒的边缘坐标；

S42、基于梯度筛选法对各颗粒的边缘坐标进行筛选，删除多余的坐标，得到各颗粒最终的边缘坐标点。

例如，在一个不规则的多边形边界点的筛选过程中，如果边界线为一条直线，那么只需要保留直线两端的坐标点，如果边界线不规则，则保留各个梯度差距极大的点的坐标。

上述步骤S5具体为：

S51、将各区域块对应的坐标点连接起来，形成封闭的独立区域，并为其添加标签及属性；

S52、基于各独立区域的标签及属性，对各不同类型的独立区域使用不同的颜色填充；

S53、基于完成颜色填充的各二值图像，对训练U-net图像语义分割网络进行训练。

具体地，在U-net图像语义分割网络训练过程中，专家可以同步对自动标注的图像进行人机交互修改，以提高网络标注的准确性。

Claims (5)

1.一种岩石薄片显微图像自动标注方法，其特征在于，包括以下步骤：

S1、获取岩石薄片的正交偏光图像和单偏光图像；

S2、对正交偏光图像和单偏光图像进行图像融合处理，获得融合后的新图像；

S3、对融合后的图像进行超像素分割，获得具有颗粒和填隙物的二值图像；

S4、对二值图像中的各区域块进行边缘检测，确定对应的边缘坐标点；

S5、基于提前标注的具有不同类型标签和边缘坐标点的二值图像，训练U-net图像语义分割网络；

S6、将待标注的具有颗粒和填隙物的二值图像的轮廓坐标在融合后的新图像中的对应颗粒部分作为U-net图像语义分割网络的输入，获得具有岩石薄片图像颗粒类型标签的输出结果，实现岩石薄片显微图像的自动标注；

所述步骤S3具体为：

S31、采用GLCM算法提取融合后的新图像的灰度共生矩阵，并计算出自适应K值；

S32、使用自适应K值的超像素分割SLIC算法对融合后的新图像进行边缘检测分割；

S33、基于颜色和距离，对分割后的图像各区域进行区域融合，结合多晶体和岩屑的分割规则，将多晶体的石英、长石颗粒与岩屑颗粒合并，获得最终的图像分割结果；

S34、基于图像分割结果，形成具有颗粒和填隙物的二值图像；

所述步骤S31中的灰度共生矩阵为P(i,j,d,θ)，其中，d为空间距离，θ为方向角，i为起始点所在行，j为起始点所在列；

所述步骤S31中的自适应K值为：

式中，X,Y为图像的长和宽，Energy为熵，Contrast为对比度，Asm为能量，Correlation为相关性参数。

2.根据权利要求1所述的岩石薄片显微图像自动标注方法，其特征在于，所述步骤S2具体为：

S21、对出现光照不均匀的单偏光图像光照均衡化处理；

S22、对经过光照均衡化处理的单偏光图像进行平滑去噪处理；

S23、将经过平滑去噪处理的单偏光图像作为参考图像，与正交偏光图像进行图像对齐处理；

S24、将经过图像对齐处理的图像进行图像融合，获得融合后的新图像。

3.根据权利要求1所述的岩石薄片显微图像自动标注方法，其特征在于，所述步骤S32具体为：

A1、按照设定的超像素个数K，在融合后的新图像内均匀分配种子点；

A2、在当前确定的每个种子点的n*n区域内重新选择种子点；

A3、在重新选择的种子点的邻域内搜索像素点，并为其分配类标签；

A4、重复步骤A2-A3，直到搜索出的像素点聚类中心不再发生变化，基于其分配类标签，实现图像的边缘检测分割。

4.根据权利要求1所述的岩石薄片显微图像自动标注方法，其特征在于，所述步骤S4具体为：

S41、对二值图像中的各区域块进行边缘检测，得到各颗粒的边缘坐标；

S42、基于梯度筛选法对各颗粒的边缘坐标进行筛选，删除多余的坐标，得到各颗粒最终的边缘坐标点。

5.根据权利要求1所述的岩石薄片显微图像自动标注方法，其特征在于，所述步骤S5具体为：

S51、将各区域块对应的坐标点连接起来，形成封闭的独立区域，并为其添加标签及属性；

S52、基于各独立区域的标签及属性，对各不同类型的独立区域使用不同的颜色填充；

S53、基于完成颜色填充的各二值图像，对训练U-net图像语义分割网络进行训练。

Images