基于OpenCV的粒度分析方法

基于OpenCV的薄片粒度分析方法与应用

郭龙1陈金定1郭桂生2

1中海油能源发展采技服湛江实验中心

2 中石油新疆油田分公司开发公司

摘要：由于传统薄片鉴定方法人为因素干扰较大，数据重复性差，利用彩色图像摄像（CCD）系统处理薄片信息正受到人们越来越多的关注。彩色薄片图像分析系统中关键的是孔隙喉道识别技术、粒度分析技术。本文利用Intel公司的图形类库OpenCV尝试开发了一种新的利用分水岭颗粒识别算法和内连接去噪算法的颗粒粒度识别测量技术，在彩色碎屑岩薄片粒度图像分析上与主要的国产软件相比能更精确的识别颗粒并求取其粒度，为更精细准确的储层评价提供科学依据。

0引言

岩石薄片图像分析是利用CCD摄像设备将传统的薄片鉴定定量化的一种手段，它避免了传统薄片鉴定中数据重复性差的缺点。粒度统计是该分析中的一个重要部分，而粒度统计中最重要的是彩色图像分割技术。图像分割问题可以看作是颜色空间的分类问题[1-6]。目前研究者提出的分类方法大致有：Power等[7]的最大似然、决策树、K最近邻、神经元网络等方法。Hance等[8-10]比较了自适应阈值法、模糊C均值聚类、球坐标变换／中心分裂、主分量变换、分裂合并、多分辨率等6种边界识别算法，并提示自适应阈值法、主分量变换具有较高精确度和错判率。Ohlander等[9]提出了一种多维直方图阈值化方案。Guo等[10]对图像数据在多维特征空间的多峰概率密度函数采用基于直方图熵的分水岭算法。Kurugollu等[11]提出了一种多频谱图像分割方法。Lim等[12]把直方图阈值化和FCM相结合用于彩色图像分割。Michael等[13]在分析向量量化和聚类关系的基础上，以最小平方和作为准则实现分割。Cheng 等[14]提出了一种分层的分割方法，通过对同一性直方图进行阈值化操作来辨识同一个区域。Shafarenko等[15]通过对原图像进行形态“闭”运算来对“伪”谷底进行填充，以获得更有意义的局部极值点作为标记；Lezoray等[16]从贝叶斯分类器分类的结果中选取分水岭算法的种子。Prewitt[17]最早建议应该用模糊集合替代常规集合来表示图像分割结果。这些方法在石油工业实验室图像分析工作中大部分仍然处于研究性质，并未出现较成熟的标准方法，图像分析由于软件标准不统一给数据比对造成了一定困难。本文试图从上述图形学方法中找出最本质的边缘识别和去噪技术，用该技术实现标准识别软件，从而提供更好的薄片粒度图像分析方法。

1 方法研究

由于图像分析方法依赖于CCD摄像系统提供的二进制图像的计算机处理，我们选择Intel公司1999年为实现真实世界的实时视觉应用而开发的OpenCV函数库和32位C/C++编译系统（VS2005）作为软件开发平台。OpenCV是一个基于BSD许可证授权（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。[18]

1.1分水岭颗粒识别算法

假设整个视域照片的背景颜色或我们可称之为孔隙颜色表示一种流体，该流体充满在颗

粒之间。这个视域可以被看作是地质学上的地形等高图，不同的颜色代表不同的海拔高度，越接近孔隙颜色的海拔越低。[15]在颜色空间中我们指定某一个海拔颜色为海平面，距离这种海拔颜色的欧氏距离被认为是海拔距离，如图1A 到图1B 将图片分割成为“海平面之下”和“海平面之上”两个部分。其中我们定义海平面以上的部分为颗粒，海平面以下的部分为孔隙，进而能将颗粒和孔隙区分开。想要对一个颗粒的长轴进行测量，下一步需要将两个邻

图1不同海拔高度的颗粒识别情况 1.2 颗粒边缘平滑分割

图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。在我们常用的几种用于边缘检测的算子中Laplace 算子常常会产生双边界；而其他一些算子如

Sobel 算子又往往会形成不闭合区域。[19]

由于噪声的存在，用各种算子得到的边缘象素不连续，但是由于边缘象素之间有一定的连续性，我们就可以根据边缘象素在梯度幅度或梯度方向上的连续性把他们连接起来。具体说来，如果象素(s,t)在象素(x ，y)的领域且它们的梯度幅度与梯度方向在给定的阈值下应满足： T 是幅度阈值；A 是角度阈值；

A t s y x T

t s f y x f ≤-≤?-?

),(),(),(),(??

在OpenCV 中常用的是Canny 边缘检测。图象边缘检测必须满足两个条件：一能有效地抑制噪声；二是必须尽量精确确定边缘的位置。根据对信噪比与定位乘积进行测度，得到最优化逼近算子，即Canny 边缘检测算子。用高斯滤波器平滑图象：

)

,(*),(),(),(2222y x H y x f y x G e y x H b

a ==+-σ

用一阶偏导的有限差分来计算梯度的幅值和方向：

11111--=H 11112--=H

)/(tan ),()

,(*),(),()

,(*),(),(12122212211??θ?????-=+=

==n m y x H n m f n m y x H n m f n m

对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。利用该算法的全阈值图像如图2A 所示，得到该图像后利用手动干预可得到精确的颗粒边缘。但此时颗粒内部的噪点仍然影响颗粒直径和面积的测定。

1.3 颗粒内去噪

由于颗粒内一些部分被溶蚀风化或者在磨片时受到伤害核污染会导致一些细小的点状痕迹。这些痕迹并不能代表这个颗粒的原始状态，因此称其为噪音。要消除噪音必须给出一个判别方法，本文应用颗粒内部噪点的外接圆直径来判别该颗粒是否为噪点。为了检查去噪

内部连接算法首先从颗粒内部的一点出发，在4个方向上有限范围内寻找颗粒内空洞，如果找到测量在该方向上的所经过长度，若长度小于某一阈值T ，则将该空洞在该方向上填充为颗粒点。以此类推，遍历整个颗粒内点，即可将颗粒去噪。如图3A 所示，其中一点的

四个方向上经过颗粒和空洞，当空洞长度达不到一定阈值即会被消除即图3B。图3C、D显示在去噪之前图像中央部分高频成分较多，去噪之后可以明显看见中央区域高频成分（噪音点）减少较多，留下周围较多的低频分量。[20]

1.4 颗粒粒度测量

对Canny算法的得到的边缘上的每一个点遍历对另一个点求距离，将得到的最大距离保存为颗粒的粒径。

2 薄片图像粒度分析方法应用

应用上述方法对南海某井的铸体薄片单偏光图像进行分析，得到颗粒识别部分图像如图4A所示，我们用现有四川大学开发的另一套系统进行比对实验如图4B所示。图4中红色部分表示被识别出的颗粒，颗粒中间的反色线条代表该颗粒的长轴。从图4A和B两幅图的对比中可以明显看出中央部分的长条状长石颗粒被本文系统识别的很好，而仅仅基于颜色分割的川大的系统却无法识别这种颗粒。

图4 颗粒识别效果对比试验

遍历计算完每个颗粒的粒径后，即可在频率分布图中统计出每个粒级所对应的面积频率分布图和累计概率分布图。通过这两幅图（通常画在同一个图表中如图5所示）我们可以知道该样品的水动力条件历史以及沉积环境。图5中的结果的正确性已被生产实践所证明。

3.认识和结论

（1）利用Intel公司开源算法和图形图像处理库OpenCV编制了一套基于CCD摄像系统的薄片图像粒度分析程序，并用该程序对南海某井的铸体薄片图像进行处理，取得了较好的效果。

（2）本文首次联合了分水岭算法、Canny算法和颗粒内连接算法，并利用这些算法提高了程序对颗粒的识别能力。

（3）对比原有（四川大学研制）的薄片图像粒度分析程序，本文介绍的程序可得出更精确的分析结论。

参考文献：

[1]Lou X P，Tian J，Zhu G Y，eta1．A survey on image segmentation techniques[J]．Pattern

Recognition and Artiifcial Intelligence，1999，12(3)：300～312．

[2]Lin Y，Tian J．A suvrey on medical image segmentation methods[J]. Pattern Recongition and

Artiifcail Inteligence，2002，15(2)：192～204．

[3]Cheng H D，Jiang X H，Sun Y，eta1．Color image segmentation：advances and

prospects[J]．Pattern Recongition，2001，34(12)：2259～2281．

[4]Ohta Y，Kanade T，Sakai T．Color information for region segmentation [J]．Computer

Graphics and Image Processing，1980，13(3)：222～241．

[5]Liu J Q，Y ang Y H．Muhiresolution color images segmentation [J]．IEEE Transactions on

Pattern Analysis and Machine Inteligence，1994，16(7)：689～700．

[6]Nevatia．A color edge detector and its use in scene segmentation [J]．IEEE Transactionson

Systems，Manand Cybenretics，1977，7(11)：820～826．

[7]Power W．Clist R．Comparison of supervised learning techniques applied to color

semgentation of fruit image[A]．In：Proceeding of SPIE，Intelligent Roberts and ComputerVision．XV：Algorithms，Techniques，Active Vision，and Material Handing

[C]．Boston，MA，USA，1996：370～381．

[8]Hance G A，Umbaugh SE，MossR H，eta1．Unsupervised color image segmentation with

application to skintunlor borders[J]．IEEE Engineering in Medicine na d Biology．，1996，15(1)：140～111．

[9]OhlanderR，Price K，Reddy D R．Picture semg entation using a recursive region splitting

method[J]．Computer Graphics and Image Processing，1978，8(3)：3l3～333．

[10]Guo G D，Y u S，Ma S D．Unsupevrised segmentation of colorimages A．In：Proceeding of

1998 IEEE Intemationla Cofnerenceon Image Processing[C]．Chicago，IL，USA，1998：299～302．

[11]Kurugollu F，Sankur B，Harnmnei A E．Color imgae semgentation using histogram

multithresholding and fusion[J]．Image and V ision Computing，2001，19(13)：915～928．[12]Lim Y W，Lee S U．On the color image segmentation algoirthm based on the thresholding

and the fuzzyc-means techniques[J]．Pattern Recongition，1990，23(9)：935～952．[13]Michael T U，Arbib A．Color image semgentation using competitive learning[J]．IEEE

Transactions on Pattern Analysis and Machine Intelligence，1994，16(12)：1197～l206．[14]Cheng H D，Sun Y．A hierarchical apporach to color imgae semg entation using

homogeneity[J]．IEEE Transactions on Imgae Processing，2000，9(12)：207l～2082．[15]Shafarenko L，Petrou M，Kittler J．Automatic watesrhed segmentation of randomly textured

color imgaes[J]．IEEE Trnasactions on Imgae Processing，1997，6(11)：1530～154．

[16]Lezoray O，Cardot H．Cooperation of color pixel classification schemes and color watershed:

a study of rmicroscopic images[J]．IEEE Trnasactions on Imgae Processing，2002，11(7)：

783～789．

[17]Pal N R，Pla S K Aerviewonimagesemgentationtechniques[J]．Pattern Recognition，1993，

26(9)：1277～1294．

[18]Intel，Open Source Computer V ision Library Reference Manual [M]．2001，1-111

[19]Pratt W K．Digital Image Processing[M]．New Y ork：Wiley，1991．1-43

[20]徐建华．图像处理与分析[M]．北京：科学出版社，1992．