《模式识别在微观岩石图像自动分类中的应用》由会员分享，可在线阅读，更多相关《模式识别在微观岩石图像自动分类中的应用（20页珍藏版）》请在金锄头文库上搜索。
1、模式识别在微观岩石图像自动分类中的应用翻译：程志远自动化 123 班129064428 摘要对岩石的分类是现代地质学的一项内在组成部分。对岩石样本 的手工分类是一项花费时间的过程，而且，由于人类的主观判断，使得这一过程有风险性。在前文所提到的研究课程中，笔者讨论了使这个过程自动化的可能性。研究过程中，将会用到九种岩石样本。它们的数字图像由使用偏光显微镜观察岩石薄切面获得。这些图像就会在四种模式识别方式下，通过自动模式依次分类：最近邻算法，K 邻近算法，最近模式算法和最佳球面邻近方法。这些方法的有效性就会在四种不同的色彩空间中得到检验：RGB,CIELab，YIQ 和 HSV。研究结果显示对以上
2、讨论的岩石类型进行自动识别是可能的。研究同时显示如果使用 CIELab 色彩空间和最邻近分类方法，岩石样本将会被准确分类，识别水平在 99.8%。关键词：自动分类 模式识别 色彩空间 岩石样本1.引言人工智能的发展使自动操作越来越多的任务成为可能，目前，这种自动操作有人类判断的因素。这归因于信息技术提供的方法。因此，涉及到模式识别和人工智能的技术直到众多科学学科被关注为止都是研究的热门范围，同时也被运用到许多领域，比如天文学（望远镜分辨率的改进和大气遥感），生命和行为科学（人类学，考古学，昆虫学等等），工业应用（图像控制机器，语音分析，自动配对细胞学等等），社会和环境应用（天气预测，交通分析，
3、城市增长判断（Friedman and Kande，1999），医疗（手腕骨病变病理的计算机辅助分析和识别（Ogielaetal.,2006），手写医疗表格的识别（Milewski et al., 2009），农业应用（水果成熟的自动识别（Jimenezetal.,1999），地球物理学（地球物理数据的持续分析（Turlapatyetal.,2010），或者是火山地震的持续监测(Messina and Langer,2011)。到目前为止，在地质研究中运用这些方法的努力被认为是受到了限制。一项由 Marschallinger（1997）主持的研究披露了被图像扫描器扫描过的岩石样本。借助于多种光
4、谱图像加工方法对这些图像进行了评估。该分类算法是对粗粒结晶岩媒介的测验。受监督的最大似然算法是最成熟的算法，接近 90%的识别水平。在 Baykan and Yilmaz（2010）的实验中，笔者研究了火成岩，变质岩和沉积岩薄切面的数字图像。在研究中，用到了五种普通矿物质。采用最低平方法纠错的三层前馈网络被证实是最成功的。用以前没有看过的岩石样本测试神经网络取得了成功的识别结果高达 81%-98%。另一项由 Marmo et al（2005）主持的研究涉及了古代碳酸盐薄切面的1000 张图像的分析。结果是发展了另一种方法。这种方法采用了256 张 Gy-岩石的数字图像作为输入；由图像处理而产生
5、的一组 23个数值特征值作为输出。这种技术在碳酸盐岩石纹理的分类中展现了 93.3%和 93.5%的准确率- 这些岩石数字图像是由 268 和 215 测试仪提供的。一种新的基于对不同岩石样本薄切面进行图像处理来分辨纹理的方法是由 Singh et al（2010）在一项实验中提出来的。针对300 个中每一个不同的薄切面，将会用到 27 个数值测量参数，用来训练多层感知神经网络。为了测试这种方法，将会用到从不同地区采集的 90 张薄切面图像。这种方法在碳酸盐岩石纹理自动分类中显示出了 92.22%的正确率。Mlynarczuk（2005 ）使用图像处理和数学形态学方法来分类岩石表面。他使用激光
6、轮廓获得数据，而且提出来基于分析 6 维特征空间的分类方法。这种方法展示出了对 5 种岩石的分类准确度提高到了 95%。Bodziony et al（2003）将构建一个专家系统岩石学和岩石力学分析的模式识别方法表达在了书面上。作者讨论了三种模式识别自动化和有效化的方法，也同时指出了这种方法的极高准确性。在 Peternell 和 Kruhl（2009）的工作中，分析了火成岩自动数字化分布格局的准确定量分析的可能性。Ghiasi-Freez et al（2012）介绍了一种薄款图像中的半自动识别孔隙类型，这种类型最后应用了一种模式识别算法。Ishikawa 和Gulick（2013 ）提出了一
7、种健全、自主分析火成岩矿物分类方法。这项研究表明,机器学习方法,特别是人工神经网络,可以被训练使用光谱原位拉曼光谱获得的数据,以准确区分关键矿物质描述了火成岩的成分。这些矿物质包括橄榄石、石英、斜长石、钾长石、云母、和几个辉石。平均而言,该分类器的准确率是 83%。Dunlop（2006）在研究中提出了一个非常有趣的的自动检测和分类的研究岩石的自然场景。这样的研究可能会发现自动分析法无法在一些人类环境中得到应用，比如说另一个星球的表面或海底工作重点更多的岩石而不是分类的检测过程，但作者已经达到一个令人满意的结果在 86.3%水平的正确分类。呈现在报告中的研究的目的是去检测基于模式识别标准方法发
8、展演算法的可能性，这种模式识别允许大量的微观图像岩石的自动分类。这样的分类,基于必不可少的数字图像的参量，就微观图像数据分析这个观点而言是重要的。 2.材料和方法2.1 岩石九个岩石被用于这项研究。选中的岩石显示不同的光谱特性,以及不同的物理机械性能。薄片的岩石被使用。装有显微镜的照相机记录了保存于TIFF 格式的数码照片。照明被最佳安排（为了避免过度和曝光不足），并且在被给的薄片部分的图像获得期间决不会被改变。对于每个岩石类型，这些照片照出至少三个薄片部分。对于每块岩石类型我们照了 300 张照片。结果，九块岩石被记录了总共 2700 张彩色图像。图像的分辨率是 128 *960 像素。以下
9、岩石被记录成图像：1.来自 Laskowa Gora 的白云石（Swietokrzyskie 山脉，波兰的中南部） 一个泥盆系，完全由 0.2-0.6mm 大小的白云石晶体组成的单矿物质岩石，沿直线连接，或在极少数情况下，沿牙形线连接。2.来自 Redziny 的白云石（(Sudety 山脉，波兰的西南部）低碳变质，相当于结晶的 monomineral 岩石完全由大小 0.1-0.3 毫米的白云石晶体组成。晶粒边界线大多是平等的，有时呈牙形，无粘合剂。3.来自 Strzelin 的花岗岩（西里西亚低地，波兰的西南）一个由长石，石英和云母组成的全晶体结构的火成岩，长石由各种碱性岩和斜长石呈现。石
10、英产生 0.4-2.0 毫米尺寸的谷粒级煤。当肉眼可见范围的观察被应用，黑云母的连胜板揭示了平行的纹理。4.来自 Wisniowka 的青石板（ Swietokrzyskie 山脉，波兰的中南部）一个几乎完全由 0.08-0.2mm 大小的石英晶体单矿物构成的细粒岩石。个别石英谷粒级煤将再生，并与石英边境密切链接。5.比亚瓦玛丽安娜大理石（Sudety 山脉，波兰的西南部）由再结晶的方解石和白云石组成的岩石。它揭示了一个混乱的，质地致密可见贴合。肉眼可见的裂纹都覆盖着方解石刷。6.从图姆林砂岩（圣十字山脉，波兰的中南部）0.04-0.4 毫米大小的砂屑岩与石英颗粒。锋利的石英颗粒以 ca.15
11、的程度被绑定了二氧化硅 - 铁或二氧化硅 - 粘土粘合剂。7.来自 Miekinia 斑岩（克拉科夫 - 琴斯托霍瓦高地，波兰的南部）一个喷出的，酸性的，低渗质地结晶的火成岩。长石，石英和黑云母的大量晶体嵌在岩石地壳里。8.来自 Buszewo 的石灰石（西部波美拉尼亚省，波兰的西部）Zechstein 石灰石起源的沉积岩，特点是非常高的孔隙度和渗透率。9.来自 Zatkowice 的石灰石（克拉科夫 - 琴斯托霍瓦高地，波兰的南部）由 0.03-0.05 毫米的颗粒大小的多细粒结构泥质的方解石制成的岩石。该再结晶泥质岩的主要部分形成隐晶岩的结晶粘合剂。无数的、保存不好的有机残留生存。2.2
12、特征空间模式识别在调查中使用的方法基于特征空间的概念。这是一个抽象其中每个样本被表示为一个点的空间 n 维空间。参数的数量决定空间的维数。因此特征空间的判定是在识别过程的一个关键的第一步。有各种对象类别的方法；该理论并不提供一种算法，由于它有可能自动定义的功能。为了获得是一个相对简单和快速的演技分类算法，不管测试岩石，它是有必要从大范围的图像分析工具选择。测试材料的种类显著限于常在使用的资源图像分析，如分割方法（比如二化值）这排除了使用对象的测量方法，大多是基于二值图像的分析。作为一个替代方案中，作者决定使用形态学变换结合标准算术值和色彩通道的统计值。13 个功能空间是定义如下：1.平均灰度级
13、上的第一颜色通道（依赖于颜色空间模型）2.平均灰度电平在所述第二颜色通道3.平均灰度水平上的第三颜色信道4.第一颜色通道的标准偏差5.第二颜色信道的标准偏差6.第三颜色信道的标准偏差7.意味着为得到的形态梯度的灰度级第一颜色通道8.意味着为得到的形态梯度的灰度级第二颜色通道9.意味着为得到的形态梯度的灰度级第三颜色通道10.对于所获得的形态梯度的标准偏差第一颜色通道11.对于所获得的形态梯度的标准偏差第二颜色通道12.对于所获得的形态梯度的标准偏差第三颜色通道13.为灰色调图像获得的窗台变差函数。虽然它在研究报道却没有这样做，它应该是注意，虽然该特征空间的参数是由选择人类，但这种选择的充足可以
14、自动验证。一个优化的特征空间的方法是 PCA 方法，其将相关的变量数成更小的数目不相关的数据，提供了一个最佳的描述给定的套索功能。所有图像都登记在 RG 色彩空间。然而，一个图像在 RGB 颜色模型可以转化为另一种颜色空间。对于实施例，许多作者提出，CIE 实验室给出最好的结果，只要岩石的分析显微镜图像结构而言（小原，2007 年）。最终，RGB ，CIE 实验室 YIQ，和 HSV 颜色空间被用于本研究的目的。其结果，四个独立的 13 个参数集为每个颜色空间得到。为了防止一些特点的统治，数据进行标准化的范围从 0 到 1。2.3 模式识别模式识别的目的是确定不同类型的属于某些类的对象。阿斯达
15、分类被执行时，它是必要的，以提供具有一定的算法研究有关类的信息。不像人类，算法不具有该对象分类中的任何先验知识，因此，这些信 息已被预先输入到它存储器由手段训练集，国际环境协定为对象的实例正确的分类给出。正确选择中样品是用于识别的最终结果是至关重要的。在实验过程 50 的照片图象，选定随机地从该组的 300张照片给定岩石样品的构成的训练集的元素。这些照片是没有考虑到在测试组，所以它永远不会发生的训练集的元素分别被识别。为了获得可靠的结果，将不会是一个单一的随机样本中，所有的读数进行 20次。每次训练集为绘制，并且平均通过。有许多不同的模式识别方法。该选择合适的方法对于给定的问题是不容易的事，和
16、最优算法经常通过试验和错误来实现。因此，似乎合理的应用，并随后比较的若干识别算法的性能。小心分析的结果不仅可以产生更好的分类，但也导致在优化特征空间和降低训练集。作为后果，算法变得更快，和用于计算能力的需求减少。模式识别四种方法是在岩石样本的分类中：1.最近邻法（NN），2.K 最近邻法（KNN），为 k33.最近的方式方法（NM）4.最佳球邻里法（OSN）。最简单的方法是使用最近算法，这也是最古老的和最简单的模式分类算法之一。其操作的原则是基于分类的对象到最近的训练集的对象元素类(根据所选的指标)。K 最近邻算法曾经是一个基准分类，即使在比较最先进的机器学习方法，它仍然可以产生有竞争力的结果（Friedman，1994）。该 k 近邻算法试图找到一个未知的 k 近邻对象（或，实际上，它的特征矢量），并应用多数表决来
