模式識別在微觀巖石圖像自動分類中的應用

1、模式識別在微觀巖石圖像自動分類中的應用翻譯：程志遠自動化123班129064428摘要對巖石的分類是現(xiàn)代地質學的一項內在組成部分。對巖石樣本 的手工分類是一項花費時間的過程，而且，由于人類的主觀判斷，使 得這一過程有風險性。在前文所提到的研究課程中，筆者討論了使這 個過程自動化的可能性。研究過程中，將會用到九種巖右樣本。它們的數(shù)字圖像由使用偏 光顯微鏡觀察巖石薄切面獲得。這些圖像就會在四種模式識別方式 下，通過自動模式依次分類：最近鄰算法，k鄰近算法，最近模式算 法和最佳球面鄰近方法。這些方法的有效性就會在四種不同的色彩空 間中得到檢驗：rgb,cielab, yiq和hsv。研究結果顯示對以

2、上討論的巖石類型進行自動識別是可能的。研 究同時顯示如果使用cielab色彩空間和最鄰近分類方法，巖石樣木 將會被準確分類，識別水平在99.8%o關鍵詞：自動分類模式識別色彩空間巖石樣本1 引言人工智能的發(fā)展使自動操作越來越多的任務成為可能，目前，這 種自動操作有人類判斷的因素。這歸因于信息技術提供的方法。因此，涉及到模式識別和人工智能的技術直到眾多科學學科被關 注為止都是研究的熱門范圍，同時也被運用到許多領域，比如天文學 (望遠鏡分辨率的改進和大氣遙感)，生命和行為科學(人類學，考 古學，昆蟲學等等)，丄業(yè)應用(圖像控制機器，語音分析，自動配 對細胞學等等)，社會和環(huán)境應用(天氣預測，交通分

3、析，城市增長 判斷(friedman and kande, 1999),醫(yī)療(手腕骨病變病理的計 算機輔助分析和識別(ogielaetal.,2006),手寫醫(yī)療表格的識別 (milewski et al., 2009),農業(yè)應用(水果成熟的自動識別 (jimenezetal.,1999),地球物理學(地球物理數(shù)據(jù)的持續(xù)分析 (turlapatyetal.,2010),或者是火山地震的持續(xù)監(jiān)測(messina and langer,2011)o到目前為止，在地質研究中運用這些方法的努力被認為是受到了 限制。一項由marschallinger (1997)主持的研究披露了被圖像掃描 器掃描過的巖

4、石樣本。借助于多種光譜圖像加工方法對這些圖像進行 了評估。該分類算法是對粗粒結晶巖媒介的測驗。受監(jiān)督的最大似然 算法是最成熟的算法，接近90%的識別水平。在baykan and yilmaz (2010)的實驗中，筆者研究了火成巖，變質巖和沉積巖薄切面的數(shù) 字圖像。在研究屮，用到了五種普通礦物質。采用最低平方法糾錯的 三層前饋網絡被證實是最成功的。用以前沒有看過的巖石樣木測試神 經網絡取得了成功的識別結果高達81%-98%o另一項市marmo et al (2005)主持的研究涉及了古代碳酸鹽薄切面的1000張圖像的 分析。結果是發(fā)展了另一種方法。這種方法采用了 256張gy-巖石的 數(shù)字圖像

5、作為輸入；由圖像處理而產生的一組23個數(shù)值特征值作為 輸出。這種技術在碳酸鹽巖石紋理的分類中展現(xiàn)了 93.3%和93.5%的 準確率這些巖石數(shù)字圖像是由268和215測試儀提供的。一種新的 基于對不同巖石樣本薄切面進行圖像處理來分辨紋理的方法是由 singh et al (2010)在一項實驗中提出來的。針對300個屮每一個不 同的薄切面，將會用到27個數(shù)值測量參數(shù)，用來訓練多層感知神經 網絡。為了測試這種方法，將會用到從不同地區(qū)采集的90張薄切面 圖像。這種方法在碳酸鹽巖石紋理自動分類中顯示出了 92.22%的正 確率。mlynarczuk (2005)使用圖像處理和數(shù)學形態(tài)學方法來分類巖

6、石表面。他使用激光輪廓獲得數(shù)據(jù)，而且提出來基于分析6維特征空 間的分類方法。這種方法展示出了對5種巖石的分類準確度提高到了 95%o bodziony et al (2003)將構建一個專家系統(tǒng)巖石學和巖石力學 分析的模式識別方法表達在了書面上。作者討論了三種模式識別自動 化和有效化的方法，也同時指出了這種方法的極高準確性。在 peternell和kruhl (2009)的工作屮，分析了火成巖自動數(shù)字化分布 格局的準確定量分析的可能性。ghiasi-freez et al (2012)介紹了一種 薄款圖像中的半自動識別孔隙類型，這種類型最后應用了一種模式識 別算法。ishikawa和gulic

7、k (2013)提出了一種健全、自主分析火成 巖礦物分類方法。這項研究表明，機器學習方法，特別是人工神經網絡, 可以被訓練使用光譜原位拉曼光譜獲得的數(shù)據(jù),以準確區(qū)分關鍵礦物 質描述了火成巖的成分。這些礦物質包括橄欖石、石英、斜長石、鉀 長石、云母、和幾個輝石。平均而言,該分類器的準確率是83%o dunlop （2006）在研究中提出了一個非常有趣的的自動檢測和分類的研究 巖石的自然場景。這樣的研究可能會發(fā)現(xiàn)自動分析法無法在一些人類 環(huán)境中得到應用，比如說另一個星球的表面或海底工作重點更多的巖 石而不是分類的檢測過程，但作者已經達到一個令人滿意的結果在 86.3%水平的正確分類。呈現(xiàn)在報告中的

8、研究的目的是去檢測基于模式識別標準方法發(fā)展 演算法的可能性，這種模式識別允許大量的微觀圖像巖石的口動分 類。這樣的分類,基于必不可少的數(shù)字圖像的參量，就微觀圖像數(shù)據(jù) 分析這個觀點而言是重要的。13m1.6l5-. .j:ii二曲.ij 【一 ： 一 戈 2 亠七 '上 ：- ' 一 一1.92 材料和方法2.1巖石九個巖石被用于這項研究。選中的巖石顯示不同的光譜特性,以及不 同的物理機械性能。薄片的巖石被使用。裝有顯微鏡的照相機記錄了保存于 tiff格式的數(shù)碼照片。照明被最佳安排（為了避免過度和曝光不足）， 并且在被給的薄片部分的圖像獲得期間決不會被改變。對于每個巖石 類型，這

9、些照片照出至少三個薄片部分。對于每塊巖石類型我們照了 300張照片。結果，九塊巖石被記錄了總共2700張彩色圖像。圖像 的分辨率是128 *960像素。以下巖石被記錄成圖像：l來自laskowa gora的白云石（swietokrzyskie山脈，波蘭的中南部） 一個泥盆系，完全由0.2-0.6mm大小的白云石品體組成的單礦物質巖石，沿直線連 接，或在極少數(shù)情況下，沿牙形線連接。2來自redziny的白云石（sudety山脈，波蘭的西南部）低碳變質, 相當于結晶的monomineral巖石完全由大小0.1-0.3毫米的白云石晶體組成。晶粒邊界線大多是平等 的，有時呈牙形，無粘合劑。3來自str

10、zelin的花崗巖（西里西亞低地，波蘭的西南）一個由長石, 石英和云母組成的全晶體結構的火成巖，長石由各種堿性巖和斜長石 呈現(xiàn)。石英產生0.4-2.0毫米尺寸的谷粒級煤。當肉眼可見范圍的觀 察被應用，黑云母的連勝板揭示了平行的紋理。4來自wisniowka的青石板（swietokrzyskie山脈，波蘭的中南部） 一個幾乎完全由0.08-0.2mm大小的石英晶體單礦物構成的細粒巖石。 個別石英谷粒級煤將再生，并與石英邊境密切鏈接。5比亞瓦瑪麗安娜大理石（sudety山脈，波蘭的西南部）由再結品的 方解石和白云石組成的巖石。它揭示了一個混亂的，質地致密可見貼 合。肉眼可見的裂紋都覆蓋著方解石刷。

11、6從圖姆林砂巖（圣十字山脈，波蘭的中南部）0.04-0.4毫米大小 的砂屑巖與石英顆粒。鋒利的石英顆粒以ca15%的程度被綁定了二 氧化硅-鐵或二氧化硅-粘土粘合劑。7來自miekinia斑巖（克拉科夫-琴斯托霍瓦高地，波蘭的南部） 一個噴出的，酸性的，低滲質地結晶的火成巖。長石，石英和黑云母 的大量晶體嵌在巖右地殼里。&來口 buszewo的石灰石（西部波美拉尼亞省，波蘭的西部）zechstein 石灰石起源的沉積巖，特點是非常高的孔隙度和滲透率。9來自zatkowice的石灰石（克拉科夫-琴斯托霍瓦高地，波蘭的南 部）由0.03-0.05毫米的顆粒大小的多細粒結構泥質的方解石制成的

12、 巖右。該再結晶泥質巖的主要部分形成隱晶巖的結晶粘合劑。無數(shù)的、 保存不好的有機殘留生存。2.2特征空間模式識別在調查中使用的方法基于特征空間的概念。這是一個抽象 其中每個樣本被表示為一個點的空間n維空間。參數(shù)的數(shù)量決定空間 的維數(shù)。因此特征空間的判定是在識別過程的一個關鍵的第一步。有 各種對象類別的方法；該理論并不提供一種算法，由于它有可能自動定義的功能。為了獲得是一個相對簡單和快速的演技分類 算法，不管測試巖石，它是有必要從大范圍的圖像分析工具選擇。測 試材料的種類顯著限于常在使用的資源圖像分析，如分割方法（比如 二化值）這排除了使用對象的測量方法，大多是基于二值圖像的分析。 作為一個替代

13、方案中，作者決定使用形態(tài)學變換結合標準算術值和 色彩通道的統(tǒng)計值。13個功能空間是定義如下：1平均灰度級上的第一顏色通道（依賴于顏色空間模型）2. 平均灰度電平在所述第二顏色通道3. 平均灰度水平上的第三顏色信道4第一顏色通道的標準偏差5.第二顏色信道的標準偏差6第三顏色信道的標準偏差7.意味著為得到的形態(tài)梯度的灰度級第一顏色通道&意味著為得到的形態(tài)梯度的灰度級第二顏色通道9. 意味著為得到的形態(tài)梯度的灰度級第三顏色通道10. 對于所獲得的形態(tài)梯度的標準偏差第一顏色通道11 對于所獲得的形態(tài)梯度的標準偏差第二顏色通道12對于所獲得的形態(tài)梯度的標準偏差第三顏色通道13為灰色調圖像獲得的窗

14、臺變差函數(shù)。雖然它在研究報道卻沒有這樣做，它應該是注意，雖然該特征空間的 參數(shù)是由選擇人類，但這種選擇的充足可以自動驗證。一個優(yōu)化的特 征空間的方法是pca方法，其將和關的變量數(shù)成更小的數(shù)目不和關 的數(shù)據(jù)，提供了一個最佳的描述給定的套索功能。所有圖像都登記在rg色彩空間。然而，一個圖像在rgb顏色模型 可以轉化為另一種顏色空間。對于實施例，許多作者提出，cie實驗 室給出最好的結果，只要巖石的分析顯微鏡圖像結構而言（小原，2007年）。 最終,rgb, cie實驗室yiq,和hsv顏色空間被用于本研究的目 的。其結果，四個獨立的13個參數(shù)集為每個顏色空間得到。為了防止一 些特點的統(tǒng)治，數(shù)據(jù)進行

15、標準化的范圍從0到1。2.3模式識別模式識別的目的是確定不同類型的屬于某些類的對象。阿斯達分類被 執(zhí)行時，它是必要的，以提供具有一定的算法研究有關類的信息。不 像人類，算法不具有該對象分類中的任何先驗知識，因此，這些信 息 已被預先輸入到它存儲器由手段訓練集，國際環(huán)境協(xié)定為對象的實例 正確的分類給出。正確選擇中樣品是用于識別的最終結果是至關重要 的。在實驗過程50的照片圖象，選定隨機地從該組的300張照片給 定巖石樣品的構成的訓練集的元素。這些照片是沒有考慮到在測試 組，所以它永遠不會發(fā)生的訓練集的元素分別被識別。為了獲得 可靠的結果，將不會是一個單一的隨機樣本中，所有的讀數(shù)進行20 次。每次

16、訓練集為繪制，并且平均通過。有許多不同的模式識別方法。 該選擇合適的方法對于給定的問題是不容易的事，和最優(yōu)算法經常通 過試驗和錯誤來實現(xiàn)。因此，似乎合理的應用，并隨后比較的若干識 別算法的性能。小心分析的結果不僅可以產生更好的分類，但也導致 在優(yōu)化特征空間和降低訓練集。作為后果，算法變得更快，和用于計算能力的需求減少。模式識別四種方法是在巖石樣本的分類中：1 最近鄰法（nn）,2.k最近鄰法（knn）,為k%33最近的方式方法（nm）4最佳球鄰里法（osn） o最簡單的方法是使用最近算法，這也是最古老的和最簡單的模式 分類算法之一。其操作的原則是基于分類的對象到最近的訓練集的對 象元素類（根據(jù)

17、所選的指標）。k最近鄰算法曾經是一個基準分類，即 使在比較最先進的機器學習方法，它仍然可以產生有競爭力的結果 （friedman, 1994） o該k近鄰算法試圖找到一個未知的k近鄰對象（或，實際上，它的特征矢量），并應用多數(shù)表決來確定它屬于 的類標簽。（song et al, 2007）.對于這些研究的目的中，k%3獲得通 過。nm方法類似于nn法然而，在這種方法中，訓練集的某些元件 被它們的模式所替換。通常，類的“重心”作為一種模式。在距離最 近的未知元素模式的基礎上做出分類決定。可替代地，一個單其結果 是，一的模式可以通過幾種模式來代替，作為特定子集，或集群的集 群中心。該方法變得類似于

18、nn法雖然訓練集得到減少該實驗是, 以測試培訓的聚類的作用來對圖像識別設置性能。采用減法聚類方法 找到給定類的聚類中心(該方法是一個延山群集clustering-rickard et al .,2005) o算法的主要優(yōu)點之一是,集群的數(shù)量可以因為不同的巖石類型而不 同。集群選擇這樣作為給給定類的最好的表示。(kimetal2005) osn方法基于一個簡單的規(guī)則。訓練集合的每個點由半徑不同的 球體所包圍和選擇最適用于在特征空間中的每個點。3 結果3.1識別方法有效性的分析分類的概述結果歸因于使用的模式識別方法和通過顏色空間分 析，示于圖2它總結了所分析的巖石的所有圖像的分類。該圖顯示 了這種

19、描述的方法產生非常高的正確分類率，往往超過99% o可以注意到，相對來說神經網絡和k近鄰方法在分類的正確性方 面執(zhí)行的最好。他們不顯示有關所使用的顏色空間的顯著差異。在略 差的表現(xiàn)可以的情況下，可以觀察到nm和osn法增強了所使用的 顏色空間的影響。然而，在osn方法的情況下，考慮到它返回有關 信息，它應該不可能識別。在所報道的研究中，它介于5.32%和 13.52%。一個不正確的診斷的方法osn僅發(fā)生在rgb和達0.09%。 這意味著該osn的方法和確定只有正確的rgb色彩空間2250張照 片只出2張，而對于其他顏色空間這種方法沒有返冋錯誤識別（只有 有關信息不可能做出決定）。因此，可以說，

20、這種方法是非常安全可 靠。當討論結果中，nm方法的多模態(tài)，必須考慮到。經典nm方法（cielab色空間）提供96.7%的識別準確率。一個更好的結果，訓 練集進行聚類由減法聚類方法（涉及45簇），接近98.55%。當簇的 數(shù)目增加至261 z后實現(xiàn)的準確度等級接近99.31%。此方法允許達 到99.6%,這是類似于市該方法所提供的精度水平。然而，在這種情 況下，訓練聚類后設置的長度比在nn法（以450相416的元素）中 使用的訓練集的長度僅略短。在分析了顏色空間對研究的影響結果， 人們可以大膽地說，盡管顯示了一些小的不同，最好的結果是幾乎總 是通過處理在圖像中的cielab獲得雖然兩者的yiq空

21、間和hsv取 得了類似成果的過程。毫無疑問，最差（但仍令人滿意）結果與所獲 得的使用rgb色彩空間。作者處理彩色圖像突出的rgb顏色空間是 適合于顯示的顏色，但不是最好的一個用于正確分割和分析彩色圖 像。這是由于個別的r, g, b分量的高關聯(lián)。obara, 2007）.有幾 篇比較使用不同的色彩空間中獲得的分割結果的論文表明cielab導 致非常令人滿意的結果（chengjin和da-wen, 2005； visscarra rossel 等 2006）.3.2根據(jù)巖石類型對識別準確性的分析結果下面的介紹僅僅著眼于cielab色空間。圖3列出了各巖石 類型的止確分類，這取決于所選擇的方法。值

22、得注意的是，對于神經 網絡和k近鄰方法，結果是接近100%。這表明，當被明確規(guī)定其數(shù) 量,所提出的方法似乎是普遍的，適并用于選定的巖石類型的群分類。 nm方法生成了最不正確的分類的。這是特別明顯的圖姆林砂巖，花 崗巖和比亞瓦瑪麗安娜大理石。在這種情況下，確定所述模式中，通 過算術平均值的裝置訓練集的元素，得到相對最不利的結果。由k近 鄰法產生更多的錯誤。這可能是由于某些類的特征空間的不足。100.00% -t90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% -20.00% -10.00% 0.00% nnknnnmosn rgb98.40%96.

23、90%92.80%86.40% cielab99.80%99.50%96.70%94.70% yiq99.80%9930%97.90%93.10% hsv99.70%99.10%97.80%93%圖2最頻繁的誤分類是以上提到的strzelin花崗巖，tumlin砂巖和 white marianna大理石（見表1）。在所用到的方法中，沒有分類的 是僅在osn的方法，其中，如上述可見，是該方法的一個特性（見 表2）.3.4對個別巖石無法分類的分析。分析以確定哪些巖石是最常誤判的。這種知識可以在核實特征間 的精度是特別有用的。它也可以得出結論，這些類沒有充分彼此分開, 并且，添加了新的特征可效地把這

24、些層次分開。nn法不會產生大量 的錯誤決定然而，strzelin花崗巖被證明是最會被誤判的。平均來說, wisniowka砂巖有0.66%的誤分類率。三種巖石-laskowa白云石， wisniowka石英巖和czatkowice石灰石沒有誤劌（見表4）。dolomite from laskowa goradolomite from redzinygranite fromstrzelinquartzite from wisniowkabialamarian namarblesandstone from tumlinporphyry from miekinialimestone from bus

25、zewolimestone from czatkowice nn100%99.56%99.34%100%99.98%99.86%99.70%99.82%100% knn100%99.56%99.02%99.94%99.98%99.60%99.50%99.82%99.84%nm99.80%98.82%91.94%99.78%95.40%87.88%98.94%99.78%98.32% osn97.57%98.36%77.82%97.52%92.48%93,24%98.66%9832%9&】6驚fig- 3. summary of the correct recognition of ea

26、ch rock type depending on the method used當涉及到的k近鄰法，誤判率還是比較低的。再一次的，最常見 的錯誤分類發(fā)生在strzelin花崗巖（0.98%）,它被認為是wisniowka 石英巖。還應當注意到，wisniowka石英巖被認定為strzelin花崗巖 的錯誤分類幾乎是微不足道的數(shù)量（0.06%）。如在先前描述的情況 中,nm方法產生最頻繁的采樣錯誤識別是strzelin花崗巖和tumlin 砂巖（分別是7.18%和11.60%）,這些巖石被分類為wisniowka石 英巖。另外，一個顯著的誤分類率（4.38%）出現(xiàn)在biala marianna

27、大理石屮這次，這些巖石樣本被認為是laskowa gora白云石。觀察到的誤分類相對比例最小的是laskowa白云石，wisniowka石英 巖 buszewo 石灰石（分別為 0.20%, 0.22%,和 0.22%）。osn方法沒有產生誤分類。表4僅提供了 nn方法的樣本分類總結。tjble 1summary of erroneous classifications of the rock types depending on the method used.dolomite from laskowa gora (%)dolomite from redziny (x)granite fro

28、m scrzelin (x)quartzite from wisniowkj (x)biak mananna marble (x)sandstone from tumlin (x)porphyry from miekinu (x)umestone from buszewo (x)umestone from cutkowice (%)nn0.000.440.660.000.020.140.300.18oxm)knn0.000.440.980.060.020.340.500.180.16nm0.201.187.980.224.6011.961220221£8osn0.000.000.00

29、0.000.000.000.000.00odotable 2summary of missing classifications of the rode types depending on the method used.dolomite from laskowa gora (x)dolomite from redziny (x)granite from strzdm (x)quartzite from wisniowka (%)bula manannj marble (x)sandstone fromtumiin (%)porphyry from mtekinu (x)umestone f

30、rom buszewo (%)umestone from czatkowice (%)nn0.000.000.000.000.000.000.000.000.00knn0.000.000.000.000.000.060.000.000.00nm0.000.000.000.000.000.000.000.00000osn2.441.6422.182.487.526.761341.681.84table 3summary of the standard devutions of the correct recognitions yielded for 20 different training s

31、ets depending on the method used.dolomite from ltskowj cord (x)dolomite from rednny (x)granite from strzehn (x)quartzite from wisniowkj (x)bmij marianna marble (x)sandstone fromtumlin (x)porphyry from miekmu (x)bmestonc from buvewo (t)limestone from cutkowke (%)nn0.000260£70.000,090.230.480350.

32、00knn0.000291£30.120.000.42024063asinm0331x)33.770.462.837200200200.48osn1.641d64201.191.522.230.75093075table 4a detailed list of nusclassifkauons for the nn methcxlrecognitionrockdolomite from laskowa gotj (x)dolomite from redziny (x)granite from suzebn (x)quartnte from wismowka (x)biab manan

33、na mart)c (x)sandstone from tumlin(x)pofphyry from miekinu (%)limestone from buszewo (x)limestone from czjckowke (x)dolomite fromlaskowjgora00000000dolomite from redziny000000.3000granite from strzelin00.44000000quartzite from wisiuowka000.6600.14000buh maruniu marble0000000.180sandstone from tumlin

34、00000000porphyry from miekinu00000000limestone from buwrwo00000.02000limestone from czjtkowke000000003.5巖石數(shù)量的增加對分類準確性的彩響。到目前為止提出的結果表明，明確規(guī)定巖石類型的范圍之后， 圖像識別方法可以很好地應用于巖石樣本圖像分類。本章總結確定的 巖石樣本的數(shù)量對分類結果的影響的測試結果。將十二種新的巖石樣品，加入到迄今為止測試的9種巖石樣品， 共計21種。這是值得一提的是一些這些巖石類型沒有透露(視覺) 的差異。該組選擇的巖石樣木包括：硬石膏，斑巖，sienite,大理石, 白云石(4巖石類型),花崗巖(2),頁巖(2),砂巖(3),石 灰石(6)。30 0個拍攝圖像和21種巖石樣品，每一個都按照以上概 述的過程