模式识别在微观岩石图像自动分类中的应用.docVIP

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 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，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