CN113554071B - 一种岩石样品中伴生矿物识别方法及系统 - Google Patents
一种岩石样品中伴生矿物识别方法及系统 Download PDFInfo
- Publication number
- CN113554071B CN113554071B CN202110773556.4A CN202110773556A CN113554071B CN 113554071 B CN113554071 B CN 113554071B CN 202110773556 A CN202110773556 A CN 202110773556A CN 113554071 B CN113554071 B CN 113554071B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- mineral
- corner
- ore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 160
- 239000011707 mineral Substances 0.000 title claims abstract description 160
- 239000011435 rock Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005065 mining Methods 0.000 claims abstract description 90
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 77
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000005192 partition Methods 0.000 claims description 17
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 229910052949 galena Inorganic materials 0.000 claims description 6
- XCAUINMIESBTBL-UHFFFAOYSA-N lead(ii) sulfide Chemical compound [Pb]=S XCAUINMIESBTBL-UHFFFAOYSA-N 0.000 claims description 6
- 229910052950 sphalerite Inorganic materials 0.000 claims description 6
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 claims description 5
- 229910019142 PO4 Inorganic materials 0.000 claims description 5
- 229910052776 Thorium Inorganic materials 0.000 claims description 5
- 229910052770 Uranium Inorganic materials 0.000 claims description 5
- 239000013078 crystal Substances 0.000 claims description 5
- ZXOKVTWPEIAYAB-UHFFFAOYSA-N dioxido(oxo)tungsten Chemical compound [O-][W]([O-])=O ZXOKVTWPEIAYAB-UHFFFAOYSA-N 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 5
- 229910052759 nickel Inorganic materials 0.000 claims description 5
- RHDUVDHGVHBHCL-UHFFFAOYSA-N niobium tantalum Chemical compound [Nb].[Ta] RHDUVDHGVHBHCL-UHFFFAOYSA-N 0.000 claims description 5
- 239000010452 phosphate Substances 0.000 claims description 5
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 5
- 229910052761 rare earth metal Inorganic materials 0.000 claims description 5
- 150000002910 rare earth metals Chemical class 0.000 claims description 5
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims description 5
- 230000001154 acute effect Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 229910052845 zircon Inorganic materials 0.000 claims description 3
- GFQYVLUOOAAOGM-UHFFFAOYSA-N zirconium(iv) silicate Chemical compound [Zr+4].[O-][Si]([O-])([O-])[O-] GFQYVLUOOAAOGM-UHFFFAOYSA-N 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 241000132092 Aster Species 0.000 description 2
- QCWXUUIWCKQGHC-UHFFFAOYSA-N Zirconium Chemical compound [Zr] QCWXUUIWCKQGHC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052726 zirconium Inorganic materials 0.000 description 2
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 229910001570 bauxite Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052733 gallium Inorganic materials 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种岩石样品中伴生矿物识别方法及系统，通过采集岩石样品截面的截面图像；对截面图像进行预处理、筛选和分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；对第一图像集合中的各个子矿区图像进行分类识别；计算第一图像集合中标记为伴生矿的伴生矿图像数量；当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿，能够智能、快速和准确地识别出各个岩石样品中是否包含伴生矿，从而快速地分离筛选出包含伴生矿的矿石，能够提高提高开采价值，本发明应用于矿石筛选分类领域。
Description
技术领域
本公开属于机器视觉技术、矿石识别领域，具体涉及一种岩石样品中伴生矿物识别方法及系统。
背景技术
伴生矿物是存在于某种含有其他矿产的矿藏，有很多的矿石中都是含有伴生矿的。伴生矿在同一矿床(矿体)内，不具备单独开采价值，但能与其伴生的主要矿产一起被开采利用。伴生矿是相对主要矿产而言，由于它们具有相似的地球化学性质和共同的物质来源，因而常伴生在同一矿床(矿体)内。
伴生矿一般不独立存在于独立矿物中，如斑岩铜矿中的辉铝矿；或混合的被包含在主要矿产的矿物(主矿物)中，如方铅矿、闪锌矿中的锡、铟、镓、锗等,只是如果伴生的含量一般不太高,只是在其价值大的情况下开采分离，伴生矿采矿难，究其原因是因为，在大量的矿石中，只有一小部分附着有伴生矿，而大部分的矿石中并不存在伴生矿，因此很难从现有的矿石中分离筛选出哪些矿石具有伴生矿，目前的现有技术手段，难以快速识别出矿石是否具有伴生矿物。
发明内容
本发明的目的在于提出一种岩石样品中伴生矿物识别方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本公开的一方面，提供一种岩石样品中伴生矿物识别方法，所述方法包括以下步骤：
S100，采集岩石样品截面的截面图像；
S200，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；
S300，对第一图像集合中的各个子矿区图像进行分类识别；
S400，计算第一图像集合中标记为伴生矿的伴生矿图像数量；
S500，当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿。
进一步地，在S100中，采集岩石样品的截面图像的方法为：通过高光谱相机、高光谱成像仪、线阵CCD工业相机、近红外光图像传感器中任意一种对岩石样品的截面进行图像采集得到截面图像。
进一步地，在S100中，岩石样品包括斑岩铜矿、黑钨矿、方铅矿、闪锌矿、铁矿、水晶矿、镍矿、稀土矿、钽铌矿、锆英矿、磷酸盐矿、铀矿、钍矿中任意一种矿石。
进一步地，在S200中，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合的方法为：对截面图像进行高斯滤波并灰度化得到灰度图，将灰度图以分水岭算法计算得到边界点，以各个边界点连接得到边缘线，各个边缘线构成的集水盆区域作为子矿区图像，由各个子矿区图像构成第一图像集合。
进一步地，在S200中，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合的方法为：对截面图像进行高斯滤波并灰度化得到灰度图，将灰度图以通过Sobel边缘检测算子检测得到边缘线，以各个边缘线构成的封闭的图像区域作为子矿区图像，由各个子矿区图像构成第一图像集合。
进一步地，在S300中，对第一图像集合中的各个子矿区图像进行分类识别的方法为：
S301，令第一图像集合为G1＝{G1i}，令K为第一图像集合G1中子矿区图像的数量，设置变量i、j，i∈[1,K]，G1i为第一图像集合中第i个子矿区图像；令i的值为1；
S302，以角点检测算法对G1i进行角点检测得到G1i的各个角点，将各个角点按照角点到G1i的几何中心点距离从小到大排序得到有序的角点集合H1＝{Hj}，Hj为G1i的各个角点构成的角点集合H1中第j个角点；令S为G1i的角点的数量，令j的值为1，i∈[1,S]；所述角点检测算法为Harris角点检测算法或者Shi-Tomasi角点检测算法；
S303，(由于矿石上分布的子矿区图像表示的矿物区域不同，矿物区域之间密度不一样导致产生的应力不一样，从而矿石表面的子矿区图像形状呈现碎裂、拉伸状态，直接获取的子矿区图像用于伴生矿识别难以准确的识别，误识别率很高，因此，如果要准确的提取子矿区图像，需要对子矿区图像进行以下的处理以凸显出伴生矿和主矿物的特征)，
连接Hj与Hj+1得到线段L1、连接Hj与Hj+2得到线段L2、连接Hj+1与Hj+2得到线段L3，以Hj为顶点且以L1、L2为边的夹角为∠A，以Hj+1为顶点且以L1、L3为边的夹角为∠B，以Hj+2为顶点且以L2、L3为边的夹角为∠C；Hj在边L3上的垂线的线段或者Hj到L3中点的连线的线段为C1；
S304，如果∠A、∠B、∠C中任意一个角为钝角，(若此时进行采样矿物识别，即子矿区图像形状中伴生矿与主矿物由于过于狭小纠缠在一起，若采样的子矿区图像过于狭小会导致，容易采集到非矿物区域因此需要修正Hj的位置)，若点Hj到边L3上有投影点则令点Hj到边L3上的投影点为HPj，若点Hj到边L3上没有投影点则以L3的中点为HPj，即以点Hj到边L3上的垂线与边L3的交点或者以L3的中点为HPj；
连接点HPj到点Hj形成直线C1，以点Hj到点HPj的方向为第一方向，以点HPj到点Hj的方向为第二方向；
若∠A不是钝角，则将Hj的位置沿着直线C1往第一方向移动距离△L，从而更新Hj的位置坐标，其中，ΔL＝|Max(D2)-Min(D1)|，其中，Max(D2)为计算集合D2中最大的元素，Min(D1)为计算集合D1中最小的元素；
集合D1，D2分别为根据步骤S3041到步骤S3043得到的相邻采样点之间的最大距离阈值集合和最小距离阈值集合；
S3041：设变量k的初始值为1,设置空集合D1，D2；
S3042：计算有序的角点集合H1中的角点Hk到角点Hk+1的欧氏距离d1，角点Hk到角点Hk+2的欧氏距离d2，角点Hk+1到角点Hk+2的欧氏距离d3；Hk为H1中第K个角点；取d1、d2和d3中最大值加入到集合D1中，d1、d2和d3中最小值加入到集合D2中；
S3043：如果k+2＜S则令k的值增加1并转到步骤S3042，否则输出得到的最大距离阈值集合D1和最小距离阈值集合D2；
若∠A是钝角，则将Hj的位置沿着直线C1往第二方向移动距离△L，从而更新Hj的位置坐标；
S305，如果∠A、∠B、∠C均为锐角，(此时进行采样矿物识别，采样区域过小，会使主矿物和伴生矿物采样混淆导致失真，需要放大采样区)，令点Hj+1在边L2上投影点为HPj+1，令点Hj+2在边L1上的投影点为HPj+2，连接点HPj+1到点Hj+1形成直线C2，以点HPj+1到点Hj+1的方向为第三方向；连接点HPj+2到点Hj+2形成直线C3，以点HPj+2到点Hj+2的方向为第四方向；将Hj+1的位置沿着直线C2往第三方向移动距离△L，从而更新Hj+1的位置坐标；将Hj+2的位置沿着直线C3往第四方向移动距离△L，从而更新Hj+2的位置坐标；
S306，将更新后的顶点Hj、Hj+1与Hj+2构成的三角形区域记为待识别矿区；
S307，获取待识别矿区的三个顶点Hj、Hj+1与Hj+2位置的光谱波形数据，分别提取三个顶点位置的光谱波形数据的光谱波形特征，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别；
S308，如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第一矿物，则标记待识别矿区为第一矿物分区；如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第二矿物，则标记待识别矿区为第二矿物分区；如果j+2＜S则令j的值增加1并转到步骤S303，否则转到步骤S309；
S309，如果i＜K则令i的值增加1并转到步骤S302，否则对第一图像集合中的各个子矿区图像分类识别结束。
进一步地，在S307中，获取待识别矿区的光谱波形数据的方法为：通过地物光谱仪、高光谱相机、高光谱成像仪、近红外光谱仪中任意一种设备对光谱波形数据进行获取。
进一步地，在S307中，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别的方法为：
提取三个顶点的位置的光谱波形数据的光谱波形特征，光谱波形特征包括光谱波形的一阶微分、二阶微分、波峰、波谷；
将各个光谱波形特征与光谱数据库中各个矿物的光谱波形特征进行波长匹配，得到与三个顶点的光谱波形数据的光谱波形特征一致的匹配矿物。
进一步地，在S307中，光谱数据库具体包括USGS波谱数据库、ASD原子光谱数据库、JPL标准波谱数据库、ASTER波谱数据库、HIPAS波谱数据库、JHU波谱数据库，此外还包括文献：张莹彤,肖青,闻建光,等.地物波谱数据库建设进展及应用现状[J].遥感学报,2017,21(001):12-26，该文献中所涉及到的任意一种波谱数据库。
进一步地，在S400中，计算第一图像集合中标记为伴生矿的伴生矿图像数量的方法为：分别计算第一图像集合中标记为第一矿物分区的数量Ta1和第一图像集合中标记为第二矿物分区的数量Ta2，当Ta1＞Ta2时，以第一矿物为主矿物，以第二矿物为伴生矿；当Ta1≤Ta2时，以第一矿物为伴生矿，以第二矿物为主矿物；计算第一图像集合中是伴生矿的第一矿物分区或者第二矿物分区作为伴生矿图像数量。
进一步地，在S308中，主矿物包括铜矿、黑钨矿、方铅矿、闪锌矿、铁矿、水晶矿、镍矿中任意一种矿物；伴生矿包括稀土矿、钽铌矿、锆英矿、磷酸盐矿、铀矿、钍矿中任意一种矿物。
进一步地，在S500中，阈值的取值范围设置为第一图像集合中主矿物的图像数量的[0.2,0.5]倍或者将阈值设置为[5,20]个。
本发明还提供了一种岩石样品中伴生矿物识别系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
图像采集单元，用于采集岩石样品截面的截面图像；
图像分割单元，用于对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；
分类识别单元，用于对第一图像集合中的各个子矿区图像进行分类识别；
伴生矿识别单元，用于计算第一图像集合中标记为伴生矿的伴生矿图像数量；
伴生矿判断单元，用于当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿。
本公开的有益效果为：本发明提供一种岩石样品中伴生矿物识别方法及系统，能够智能的快速准确的识别出各个岩石样品中是否包含伴生矿，从而快速的分离筛选出包含伴生矿的矿石，能够提高提高开采价值。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种岩石样品中伴生矿物识别方法的流程图；
图2所示为一种岩石样品中伴生矿物识别系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种岩石样品中伴生矿物识别方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种岩石样品中伴生矿物识别方法，所述方法包括以下步骤：
S100，采集岩石样品截面的截面图像；
S200，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；
S300，对第一图像集合中的各个子矿区图像进行分类识别；
S400，计算第一图像集合中标记为伴生矿的伴生矿图像数量；
S500，当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿。
进一步地，在S100中，采集岩石样品的截面图像的方法为：通过高光谱相机、高光谱成像仪、线阵CCD工业相机、近红外光图像传感器中任意一种对岩石样品的截面进行图像采集得到截面图像。
进一步地，在S100中，岩石样品包括斑岩铜矿、黑钨矿、方铅矿、闪锌矿、铁矿、水晶矿、镍矿、稀土矿、钽铌矿、锆英矿、磷酸盐矿、铀矿、钍矿中任意一种矿石。
进一步地，在S200中，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合的方法为：对截面图像进行高斯滤波并灰度化得到灰度图，将灰度图以分水岭算法计算得到边界点，以各个边界点连接得到边缘线，各个边缘线构成的集水盆区域作为子矿区图像，由各个子矿区图像构成第一图像集合。
进一步地，在S200中，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合的方法为：对截面图像进行高斯滤波并灰度化得到灰度图，将灰度图以通过Sobel边缘检测算子检测得到边缘线，以各个边缘线构成的封闭的图像区域作为子矿区图像，由各个子矿区图像构成第一图像集合。
进一步地，在S300中，对第一图像集合中的各个子矿区图像进行分类识别的方法为：
S301，令第一图像集合为G1＝{G1i}，令K为第一图像集合G1中子矿区图像的数量，设置变量i、j，i∈[1,K]，G1i为第一图像集合中第i个子矿区图像；令i的值为1；
S302，以角点检测算法对G1i进行角点检测得到G1i的各个角点，将各个角点按照角点到G1i的几何中心点距离从小到大排序得到有序的角点集合H1＝{Hj}，Hj为G1i的各个角点构成的角点集合H1中第j个角点；令S为G1i的角点的数量，令j的值为1，i∈[1,S]；所述角点检测算法为Harris角点检测算法或者Shi-Tomasi角点检测算法；
S303，(由于矿石上分布的子矿区图像表示的矿物区域不同，矿物区域之间密度不一样导致产生的应力不一样，从而矿石表面的子矿区图像形状呈现碎裂、拉伸状态，直接获取的子矿区图像用于伴生矿识别难以准确的识别，误识别率很高，因此，如果要准确的提取子矿区图像，需要对子矿区图像进行以下的处理以凸显出伴生矿和主矿物的特征)，
连接Hj与Hj+1得到线段L1、连接Hj与Hj+2得到线段L2、连接Hj+1与Hj+2得到线段L3，以Hj为顶点且以L1、L2为边的夹角为∠A，以Hj+1为顶点且以L1、L3为边的夹角为∠B，以Hj+2为顶点且以L2、L3为边的夹角为∠C；Hj在边L3上的垂线的线段或者Hj到L3中点的连线的线段为C1；
S304，如果∠A、∠B、∠C中任意一个角为钝角，(若此时进行采样矿物识别，即子矿区图像形状中伴生矿与主矿物由于过于狭小纠缠在一起，若采样的子矿区图像过于狭小会导致，容易采集到非矿物区域因此需要修正Hj的位置)，若点Hj到边L3上有投影点则令点Hj到边L3上的投影点为HPj，若点Hj到边L3上没有投影点则以L3的中点为HPj，即以点Hj到边L3上的垂线与边L3的交点或者以L3的中点为HPj；
连接点HPj到点Hj形成直线C1，以点Hj到点HPj的方向为第一方向，以点HPj到点Hj的方向为第二方向；
若∠A不是钝角，则将Hj的位置沿着直线C1往第一方向移动距离△L，从而更新Hj的位置坐标，其中，△L＝|Max(D2)-Min(D1)|，其中，Max(D2)为计算集合D2中最大的元素，Min(D1)为计算集合D1中最小的元素；
集合D1，D2分别为根据步骤S3041到步骤S3043得到的相邻采样点之间的最大距离阈值集合和最小距离阈值集合；
S3041：设变量k的初始值为1,设置空集合D1，D2；
S3042：计算有序的角点集合H1中的角点Hk到角点Hk+1的欧氏距离d1，角点Hk到角点Hk+2的欧氏距离d2，角点Hk+1到角点Hk+2的欧氏距离d3；Hk为H1中第K个角点；取d1、d2和d3中最大值加入到集合D1中，d1、d2和d3中最小值加入到集合D2中；
S3043：如果k+2＜S则令k的值增加1并转到步骤S3042，否则输出得到的最大距离阈值集合D1和最小距离阈值集合D2；
若∠A是钝角，则将Hj的位置沿着直线C1往第二方向移动距离△L，从而更新Hj的位置坐标；
S305，如果∠A、∠B、∠C均为锐角，(此时进行采样矿物识别，采样区域过小，会使主矿物和伴生矿物采样混淆导致失真，需要放大采样区)，令点Hj+1在边L2上投影点为HPj+1，令点Hj+2在边L1上的投影点为HPj+2，连接点HPj+1到点Hj+1形成直线C2，以点HPj+1到点Hj+1的方向为第三方向；连接点HPj+2到点Hj+2形成直线C3，以点HPj+2到点Hj+2的方向为第四方向；将Hj+1的位置沿着直线C2往第三方向移动距离△L，从而更新Hj+1的位置坐标；将Hj+2的位置沿着直线C3往第四方向移动距离△L，从而更新Hj+2的位置坐标；
S306，将更新后的顶点Hj、Hj+1与Hj+2构成的三角形区域记为待识别矿区；
S307，获取待识别矿区的三个顶点Hj、Hj+1与Hj+2位置的光谱波形数据，分别提取三个顶点位置的光谱波形数据的光谱波形特征，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别；
S308，如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第一矿物，则标记待识别矿区为第一矿物分区；如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第二矿物，则标记待识别矿区为第二矿物分区；如果j+2＜S则令j的值增加1并转到步骤S303，否则转到步骤S309；
S309，如果i＜K则令i的值增加1并转到步骤S302，否则对第一图像集合中的各个子矿区图像分类识别结束。
进一步地，在S307中，获取待识别矿区的光谱波形数据的方法为：通过地物光谱仪、高光谱相机、高光谱成像仪、近红外光谱仪中任意一种设备对光谱波形数据进行获取。
进一步地，在S307中，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别的方法为：
提取三个顶点的位置的光谱波形数据的光谱波形特征，光谱波形特征包括光谱波形的一阶微分、二阶微分、波峰、波谷；
将各个光谱波形特征与光谱数据库中各个矿物的光谱波形特征进行波长匹配，得到与三个顶点的光谱波形数据的光谱波形特征一致的匹配矿物。
进一步地，在S307中，光谱数据库具体包括USGS波谱数据库、ASD原子光谱数据库、JPL标准波谱数据库、ASTER波谱数据库、HIPAS波谱数据库、JHU波谱数据库，此外还包括文献：张莹彤,肖青,闻建光,等.地物波谱数据库建设进展及应用现状[J].遥感学报,2017,21(001):12-26，该文献中所涉及到的任意一种波谱数据库。
进一步地，在S400中，计算第一图像集合中标记为伴生矿的伴生矿图像数量的方法为：分别计算第一图像集合中标记为第一矿物分区的数量Ta1和第一图像集合中标记为第二矿物分区的数量Ta2，当Ta1＞Ta2时，以第一矿物为主矿物，以第二矿物为伴生矿；当Ta1≤Ta2时，以第一矿物为伴生矿，以第二矿物为主矿物；计算第一图像集合中是伴生矿的第一矿物分区或者第二矿物分区作为伴生矿图像数量。
进一步地，在S308中，主矿物包括铜矿、黑钨矿、方铅矿、闪锌矿、铁矿、水晶矿、镍矿中任意一种矿物；伴生矿包括稀土矿、钽铌矿、锆英矿、磷酸盐矿、铀矿、钍矿中任意一种矿物。
进一步地，在S500中，阈值的取值范围设置为第一图像集合中主矿物的图像数量的[0.2,0.5]倍或者将阈值设置为[5,20]个。
本公开的实施例提供的一种岩石样品中伴生矿物识别系统，如图2所示为本公开的一种岩石样品中伴生矿物识别系统结构图，该实施例的一种岩石样品中伴生矿物识别系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种岩石样品中伴生矿物识别系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
图像采集单元，用于采集岩石样品截面的截面图像；
图像分割单元，用于对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；
分类识别单元，用于对第一图像集合中的各个子矿区图像进行分类识别；
伴生矿识别单元，用于计算第一图像集合中标记为伴生矿的伴生矿图像数量；
伴生矿判断单元，用于当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿。
所述一种岩石样品中伴生矿物识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种岩石样品中伴生矿物识别系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种岩石样品中伴生矿物识别系统的示例，并不构成对一种岩石样品中伴生矿物识别系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种岩石样品中伴生矿物识别系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种岩石样品中伴生矿物识别系统运行系统的控制中心，利用各种接口和线路连接整个一种岩石样品中伴生矿物识别系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种岩石样品中伴生矿物识别系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (9)
1.一种岩石样品中伴生矿物识别方法，其特征在于，所述方法包括以下步骤：
S100，采集岩石样品截面的截面图像；
S200，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；
S300，对第一图像集合中的各个子矿区图像进行分类识别；
S400，计算第一图像集合中标记为伴生矿的伴生矿图像数量；
S500，当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿；
其中，对第一图像集合中的各个子矿区图像进行分类识别的方法为：
S301，令第一图像集合为G1={G1i}，令K为第一图像集合G1中子矿区图像的数量，设置变量i、j，i∈[1,K]，G1i为第一图像集合中第i个子矿区图像；令i的值为1；
S302，以角点检测算法对G1i进行角点检测得到G1i的各个角点，将各个角点按照角点到G1i的几何中心点距离从小到大排序得到有序的角点集合H1={Hj}，Hj为G1i的各个角点构成的角点集合H1中第j个角点；令S为G1i的角点的数量，令j的值为1，i∈[1,S]；所述角点检测算法为Harris角点检测算法或者Shi-Tomasi角点检测算法；
S303，连接Hj与Hj+1得到线段L1、连接Hj与Hj+2得到线段L2、连接Hj+1与Hj+2得到线段L3，以Hj为顶点且以L1、L2为边的夹角为∠A，以Hj+1为顶点且以L1、L3为边的夹角为∠B，以Hj+2为顶点且以L2、L3为边的夹角为∠C；Hj在边L3上的垂线的线段或者Hj到L3中点的连线的线段为C1；
S304，如果∠A、∠B、∠C中任意一个角为钝角，若点Hj到边L3上有投影点则令点Hj到边L3上的投影点为HPj，若点Hj到边L3上没有投影点则以L3的中点为HPj，即以点Hj到边L3上的垂线与边L3的交点或者以L3的中点为HPj；
连接点HPj到点Hj形成直线C1，以点Hj到点HPj的方向为第一方向，以点HPj到点Hj的方向为第二方向；
若∠A不是钝角，则将Hj的位置沿着直线C1往第一方向移动距离△L，从而更新Hj的位置坐标，其中，△L=|Max(D2)-Min(D1)|，其中，Max(D2)为计算集合D2中最大的元素， Min(D1)为计算集合D1中最小的元素；
集合D1，D2分别为根据步骤S3041到步骤S3043得到的最大距离阈值集合和最小距离阈值集合；
S3041：设变量k的初始值为1,设置空集合D1，D2；
S3042：计算有序的角点集合H1中的角点Hk到角点Hk+1的欧氏距离d1，角点Hk到角点Hk+2的欧氏距离d2，角点Hk+1到角点Hk+2的欧氏距离d3；Hk为H1中第K个角点；取d1、d2和d3中最大值加入到集合D1中，d1、d2和d3中最小值加入到集合D2中；
S3043：如果k+2＜S则令k的值增加1并转到步骤S3042，否则输出得到的最大距离阈值集合D1和最小距离阈值集合D2；
若∠A是钝角，则将Hj的位置沿着直线C1往第二方向移动距离△L，从而更新Hj的位置坐标；
S305，如果∠A、∠B、∠C均为锐角，令点Hj+1在边L2上投影点为HPj+1，令点Hj+2在边L1上的投影点为HPj+2，连接点HPj+1到点Hj+1形成直线C2，以点HPj+1到点Hj+1的方向为第三方向；连接点HPj+2到点Hj+2形成直线C3，以点HPj+2到点Hj+2的方向为第四方向；将Hj+1的位置沿着直线C2往第三方向移动距离△L，从而更新Hj+1的位置坐标；将Hj+2的位置沿着直线C3往第四方向移动距离△L，从而更新Hj+2的位置坐标；
S306，将更新后的顶点Hj、Hj+1与Hj+2构成的三角形区域记为待识别矿区；
S307，获取待识别矿区的三个顶点Hj、Hj+1与Hj+2位置的光谱波形数据，分别提取三个顶点位置的光谱波形数据的光谱波形特征，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别；
S308，如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第一矿物，则标记待识别矿区为第一矿物分区；如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第二矿物，则标记待识别矿区为第二矿物分区；如果j+2＜S则令j的值增加1并转到步骤S303，否则转到步骤S309；
S309，如果i＜K则令i的值增加1并转到步骤S302，否则对第一图像集合中的各个子矿区图像分类识别结束。
2.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S100中，采集岩石样品的截面图像的方法为：通过高光谱相机、高光谱成像仪、线阵CCD工业相机、近红外光图像传感器中任意一种对岩石样品的截面进行图像采集得到截面图像。
3.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S100中，岩石样品包括斑岩铜矿、黑钨矿、方铅矿、闪锌矿、铁矿、水晶矿、镍矿、稀土矿、钽铌矿、锆英矿、磷酸盐矿、铀矿、钍矿中任意一种矿石。
4.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S200中，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合的方法为：对截面图像进行高斯滤波并灰度化得到灰度图，将灰度图以分水岭算法计算得到边界点，以各个边界点连接得到边缘线，各个边缘线构成的集水盆区域作为子矿区图像，由各个子矿区图像构成第一图像集合。
5.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S200中，对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合的方法为：对截面图像进行高斯滤波并灰度化得到灰度图，将灰度图以通过Sobel边缘检测算子检测得到边缘线，以各个边缘线构成的封闭的图像区域作为子矿区图像，由各个子矿区图像构成第一图像集合。
6.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S307中，获取待识别矿区的光谱波形数据的方法为：通过地物光谱仪、高光谱相机、高光谱成像仪、近红外光谱仪中任意一种设备对光谱波形数据进行获取。
7.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S307中，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别的方法为：
提取三个顶点的位置的光谱波形数据的光谱波形特征，光谱波形特征包括光谱波形的一阶微分、二阶微分、波峰、波谷；
将各个光谱波形特征与光谱数据库中各个矿物的光谱波形特征进行波长匹配，得到与三个顶点的光谱波形数据的光谱波形特征一致的匹配矿物。
8.根据权利要求1所述的一种岩石样品中伴生矿物识别方法，其特征在于，在S400中，计算第一图像集合中标记为伴生矿的伴生矿图像数量的方法为：分别计算第一图像集合中标记为第一矿物分区的数量Ta1和第一图像集合中标记为第二矿物分区的数量Ta2，当Ta1＞Ta2时，以第一矿物为主矿物，以第二矿物为伴生矿；当Ta1≤Ta2时，以第一矿物为伴生矿，以第二矿物为主矿物；计算第一图像集合中是伴生矿的第一矿物分区或者第二矿物分区作为伴生矿图像数量。
9.一种岩石样品中伴生矿物识别系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
图像采集单元，用于采集岩石样品截面的截面图像；
图像分割单元，用于对截面图像进行预处理筛选分割得到各个子矿区图像，各个子矿区图像构成第一图像集合；
分类识别单元，用于对第一图像集合中的各个子矿区图像进行分类识别；
伴生矿识别单元，用于计算第一图像集合中标记为伴生矿的伴生矿图像数量；
伴生矿判断单元，用于当伴生矿图像数量超过阈值时判断岩石样品包含伴生矿，否则岩石样品不包含伴生矿；
其中，对第一图像集合中的各个子矿区图像进行分类识别的方法为：
S301，令第一图像集合为G1={G1i}，令K为第一图像集合G1中子矿区图像的数量，设置变量i、j，i∈[1,K]，G1i为第一图像集合中第i个子矿区图像；令i的值为1；
S302，以角点检测算法对G1i进行角点检测得到G1i的各个角点，将各个角点按照角点到G1i的几何中心点距离从小到大排序得到有序的角点集合H1={Hj}，Hj为G1i的各个角点构成的角点集合H1中第j个角点；令S为G1i的角点的数量，令j的值为1，i∈[1,S]；所述角点检测算法为Harris角点检测算法或者Shi-Tomasi角点检测算法；
S303，连接Hj与Hj+1得到线段L1、连接Hj与Hj+2得到线段L2、连接Hj+1与Hj+2得到线段L3，以Hj为顶点且以L1、L2为边的夹角为∠A，以Hj+1为顶点且以L1、L3为边的夹角为∠B，以Hj+2为顶点且以L2、L3为边的夹角为∠C；Hj在边L3上的垂线的线段或者Hj到L3中点的连线的线段为C1；
S304，如果∠A、∠B、∠C中任意一个角为钝角，若点Hj到边L3上有投影点则令点Hj到边L3上的投影点为HPj，若点Hj到边L3上没有投影点则以L3的中点为HPj，即以点Hj到边L3上的垂线与边L3的交点或者以L3的中点为HPj；
连接点HPj到点Hj形成直线C1，以点Hj到点HPj的方向为第一方向，以点HPj到点Hj的方向为第二方向；
若∠A不是钝角，则将Hj的位置沿着直线C1往第一方向移动距离△L，从而更新Hj的位置坐标，其中，△L=|Max(D2)-Min(D1)|，其中，Max(D2)为计算集合D2中最大的元素， Min(D1)为计算集合D1中最小的元素；
集合D1，D2分别为根据步骤S3041到步骤S3043得到的最大距离阈值集合和最小距离阈值集合；
S3041：设变量k的初始值为1,设置空集合D1，D2；
S3042：计算有序的角点集合H1中的角点Hk到角点Hk+1的欧氏距离d1，角点Hk到角点Hk+2的欧氏距离d2，角点Hk+1到角点Hk+2的欧氏距离d3；Hk为H1中第K个角点；取d1、d2和d3中最大值加入到集合D1中，d1、d2和d3中最小值加入到集合D2中；
S3043：如果k+2＜S则令k的值增加1并转到步骤S3042，否则输出得到的最大距离阈值集合D1和最小距离阈值集合D2；
若∠A是钝角，则将Hj的位置沿着直线C1往第二方向移动距离△L，从而更新Hj的位置坐标；
S305，如果∠A、∠B、∠C均为锐角，令点Hj+1在边L2上投影点为HPj+1，令点Hj+2在边L1上的投影点为HPj+2，连接点HPj+1到点Hj+1形成直线C2，以点HPj+1到点Hj+1的方向为第三方向；连接点HPj+2到点Hj+2形成直线C3，以点HPj+2到点Hj+2的方向为第四方向；将Hj+1的位置沿着直线C2往第三方向移动距离△L，从而更新Hj+1的位置坐标；将Hj+2的位置沿着直线C3往第四方向移动距离△L，从而更新Hj+2的位置坐标；
S306，将更新后的顶点Hj、Hj+1与Hj+2构成的三角形区域记为待识别矿区；
S307，获取待识别矿区的三个顶点Hj、Hj+1与Hj+2位置的光谱波形数据，分别提取三个顶点位置的光谱波形数据的光谱波形特征，根据光谱波形特征位置的波长通过光谱数据库匹配进行矿物类型识别；
S308，如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第一矿物，则标记待识别矿区为第一矿物分区；如果三个顶点Hj、Hj+1与Hj+2中任意两个顶点的位置识别的矿物类型为第二矿物，则标记待识别矿区为第二矿物分区；如果j+2＜S则令j的值增加1并转到步骤S303，否则转到步骤S309；
S309，如果i＜K则令i的值增加1并转到步骤S302，否则对第一图像集合中的各个子矿区图像分类识别结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110773556.4A CN113554071B (zh) | 2021-07-08 | 2021-07-08 | 一种岩石样品中伴生矿物识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110773556.4A CN113554071B (zh) | 2021-07-08 | 2021-07-08 | 一种岩石样品中伴生矿物识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554071A CN113554071A (zh) | 2021-10-26 |
| CN113554071B true CN113554071B (zh) | 2022-05-20 |
Family
ID=78102825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110773556.4A Expired - Fee Related CN113554071B (zh) | 2021-07-08 | 2021-07-08 | 一种岩石样品中伴生矿物识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554071B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092489B (zh) * | 2021-11-02 | 2023-08-29 | 清华大学 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及系统 |
| CN105574621A (zh) * | 2016-01-18 | 2016-05-11 | 中国地质科学院矿产资源研究所 | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DK2198983T3 (da) * | 2008-12-19 | 2011-12-12 | Omya Development Ag | Fremgangsmåde til separering af mineralske urenheder fra calciumcarbonat-holdige klippestykker ved røntgensortering |
| CN108121949B (zh) * | 2017-12-04 | 2018-11-23 | 交通运输部规划研究院 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
| CN110873722A (zh) * | 2018-09-03 | 2020-03-10 | 中国石油化工股份有限公司 | 一种岩心矿物组分鉴别方法 |
| WO2020225592A1 (en) * | 2019-05-09 | 2020-11-12 | Abu Dhabi National Oil Company (ADNOC) | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks |
| CN112580659A (zh) * | 2020-11-10 | 2021-03-30 | 湘潭大学 | 一种基于机器视觉的矿石识别方法 |
-
2021
- 2021-07-08 CN CN202110773556.4A patent/CN113554071B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及系统 |
| CN105574621A (zh) * | 2016-01-18 | 2016-05-11 | 中国地质科学院矿产资源研究所 | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554071A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330376B (zh) | 一种车道线识别方法及系统 | |
| CN107330979B (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
| US8588466B2 (en) | Object area detection system, device, method, and program for detecting an object | |
| Bazi et al. | Unsupervised change detection in multispectral remotely sensed imagery with level set methods | |
| CN109978890B (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
| US9443162B2 (en) | Intelligent background selection and image segmentation | |
| CN111598088B (zh) | 目标检测方法、装置、计算机设备及可读存储介质 | |
| WO2020232910A1 (zh) | 基于图像处理的目标物统计方法、装置、设备及存储介质 | |
| JP2022549728A (ja) | 目標検出方法及び装置、電子機器、並びに記憶媒体 | |
| CN113554071B (zh) | 一种岩石样品中伴生矿物识别方法及系统 | |
| CN110807457A (zh) | Osd字符识别方法、装置及存储装置 | |
| CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
| CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
| Mohammadi et al. | 2D/3D information fusion for building extraction from high-resolution satellite stereo images using kernel graph cuts | |
| Huang et al. | Detecting shadows in high-resolution remote-sensing images of urban areas using spectral and spatial features | |
| Kumar | An efficient text extraction algorithm in complex images | |
| CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
| CN113807293B (zh) | 减速带的检测方法、系统、设备及计算机可读存储介质 | |
| CN112017221B (zh) | 基于尺度空间的多模态图像配准方法、装置和设备 | |
| WO2025007919A1 (zh) | 数据检测方法、装置、计算机、存储介质及程序产品 | |
| Zingman et al. | Detection of texture and isolated features using alternating morphological filters | |
| JP3319408B2 (ja) | 顔の特徴抽出装置 | |
| Yadav et al. | Road network identification and extraction in satellite imagery using Otsu's method and connected component analysis | |
| CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
| Katartzis et al. | Application of mathematical morphology and Markov random field theory to the automatic extraction of linear features in airborne images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220520 |