改进SLIC的岩石颗粒分割研究

发布时间：2022-01-24 17:58

　　对岩石薄片中大量混合的矿物颗粒进行准确划分是计算机辅助矿物识别与岩石分类的第一步,但是岩石矿物颗粒呈现的边界模糊,使得颗粒分割十分困难,而在不同角度的正交偏光下,岩石矿物颗粒的消光性可使颗粒边界变得较为明显,易于分割。因此,利用多角度正交偏光显微图像,实现了一种岩石矿物颗粒分割方法。该方法基于改进的简单线性迭代聚类（SLIC）算法,产生边缘较贴合的超像素块,然后利用超像素块间的相邻像素对和颜色信息融合过分割区域,提取分割出矿物颗粒。实验结果表明,改进后的SLIC算法能更好地保留岩石矿物颗粒边缘,有助于岩石矿物颗粒提取与分类,具有一定的实用性。 

【文章来源】：软件导刊. 2020,19(04)

【文章页数】：5 页

【部分图文】：

多角度偏光序列ll2ll2（c）

琸表示不同偏光角度。由于90o是矿物颗粒的一个消光周期［15］，故选取0°～90°的偏光图片，每10°采集一张图片，共10张图片。本文n取10，k={1?2?3?9?10}，对应偏光角度为0°，10°，20°…80°，90°的图片，最终的距离度量公式为：D′=(D′cm)2+(D′sS)2（8）保持最终的距离度量公式不变，将多个角度的偏光图数据加入D′c、D′s进行计算，生成的超像素块可以很好地保留颗粒边缘。生成的超像素块如图3（b）所示，图3（a）为使用原始SLIC算法提取偏光角度为0°的显微图像。（a）0°SLIC（b）本文算法图3超像素块提取效果比较图3（a）显示仅对0°的偏光图片提取超像素块的结果，许多消光的颗粒边缘都没有提取到，但在加入多个偏光角度图片的颜色信息后，在图3（b）方框中，消光颗粒边缘都能够提取到。2超像素块标签融合2.1基于边界的粗融合粗融合算法首先找到图像中所有相邻的超像素块对，利用相邻超像素块间边界像素对［16］的颜色特征实现超像素块粗合并，具体流程如下：（1）遍历整张图片的超像素块，对于任意两个超像素块，计算adj(i?j)，其定义如下：adj(i?j)={1$(N8(p)ìi?j)0其它（9）（2）遍历所有超像素块，若adj(i?j)=1，计算超像素块i、j中的相邻像素对(Vi?Vj)。对所有相邻像素对(Vi?Vj)，利用公式（9）计算Ds。其中，k={1?2?3?9?10}对应偏光角度为0°，10°，20°…80°，90°的图片，

第4期图40°的超像素块图5改进SLIC的超像素块将分割结果细节进行放大，为了便于分析对比，将0°的图片提取出来进行分析，结果如图6所示。其中图6（a）、（d）、（g）为偏光角度为0o的细节图片，图6（b）、（e）、（h）为先融合多角度序列图像后提取超像素块的结果，图6（c）、（f）、（i）为本文提出方法提取超像素块的结果。在图6（a）中可以明显看出，此时是两个不同颗粒，颜色差异较大。图6（b）为根据文献［14］进行多角度偏光图片融合效果［19］，可以发现由于融合后颗粒的边界不明显，直接采用SLIC获取到的超像素块也没有提取到颗粒间轮廓，而图6（c）中提取到了图6（a）中的颗粒轮廓。（a）（b）（c）（d）（e）（f）（g）（h）（i）图6分割结果局部示意在图6（e）、（h）中，超像素块边缘与矿物颗粒边缘没有贴合，而在图6（f）、（i）中的同一位置，改进后SLIC算法获得的超像素块能更好地贴合颗粒边缘。3.2分割结果在进行基于边界像素对的粗融合与基于颜色特征的融合后，结果如图7所示，此时大部分颗粒都已被提取出来。图7本文融合结果图8是对序列图融合后的图片进行分水岭分割的结果，图9是超像素块进行K-means聚类分割结果。本文提出的融合算法对于偏光角度下较暗的颗粒仍能获得很好的提取效果，颗粒边缘能得到较好的保留，但颗粒间的背景杂质也被提取出来；K-means算法可以去除杂质，但丢失了部分边缘信息；分水岭算法没有将亮度较暗的颗粒分割出来，提取效果较差。图8分水岭分割结果

【参考文献】：
期刊论文
[1]岩矿薄片偏光序列图像的矿物颗粒分割方法[J]. 吴耀坤,滕奇志,何海波,彭志伟.  计算机系统应用. 2018(12)
[2]基于改进的SLIC和OTSU的遥感影像水体提取[J]. 龚林松,李士进.  计算机技术与发展. 2019(01)
[3]融合SLIC与改进邻近传播聚类的彩色图像分割算法[J]. 程仙国,王明军.  计算机工程. 2018(06)
[4]基于岩石薄片偏光序列图的颗粒分割算法[J]. 彭志伟,滕奇志,何小海,卿粼波.  计算机应用与软件. 2018(05)
[5]彩色图像分割方法综述[J]. 杨红亚,赵景秀,徐冠华,刘爽.  软件导刊. 2018(04)
[6]基于图像超像素分析的图像分割方法[J]. 张小凤,刘向阳.  计算机技术与发展. 2018(07)
[7]超像素特征的运动目标检测算法[J]. 胡昭华,张维新,邵晓雯.  控制理论与应用. 2017(12)
[8]基于多尺度的水下图像显著性区域检测[J]. 刘晓阳,薛纯.  微型机与应用. 2017(09)
[9]图像分割中的超像素方法研究综述[J]. 宋熙煜,周利莉,李中国,陈健,曾磊,闫镔.  中国图象图形学报. 2015(05)
[10]条件随机场与多层算法模型的实体自动识别[J]. 刘殷,吕学强,刘坤.  计算机工程与应用. 2016(11)



本文编号：3607036