本技术涉及图像处理，具体涉及一种高纯度石英砂岩的智能识别方法。
背景技术：
1、在工业生产和科学研究中，石英砂岩作为一种重要的岩石原料，具有广泛的应用领域，包括建筑材料、玻璃制造、电子产品等。石英砂岩的纯度，特别是sio2含量的高低，是决定其应用领域和工艺价值的关键指标。其中，高纯度石英砂岩因其独特的物理化学性质，在光纤通讯、太阳能光伏、航空航天、电子及半导体等现代高新技术产业有着特殊的地位。
2、在野外或者矿场环境采集的图片中高纯度石英砂岩样本可能嵌于复杂的地质背景，包括其他类型的岩石、土壤、植被等，而高纯度石英砂岩的颜色相对单一、表面光滑且质地纯净，因此在不同物体的边缘结合处和部分纹理细节处的灰度特征值误差较大，而在高纯石英砂岩内部却有较高的灰度一致性。传统算法通过分析图像中像素的邻域关系，利用邻域统计量来提取图像的灰度特征值，但是在不同边缘接合处和部分纹理细节处的灰度特征值误差较大，简单求取平均值的方法会损失部分重要的边缘信息和纹理信息，不利于图像的后期分割和识别，不能有效应对高纯石英砂岩因矿区不同、背景不同导致的复杂变化。
技术实现思路
1、为了解决上述技术问题，本技术提供一种高纯度石英砂岩的智能识别方法，以解决现有的问题。
2、本技术的一种高纯度石英砂岩的智能识别方法采用如下技术方案：
3、本技术一个实施例提供了一种高纯度石英砂岩的智能识别方法，该方法包括以下步骤：
4、采集高纯度石英砂岩的表面可见光图像；对于表面可见光图像中每个像素点设置预设尺寸的滑动窗口；采用区域生长算法获取滑动窗口内的各连通域；
5、基于每个像素点滑动窗口内的连通域大小以及灰度均值，确定每个像素点的矿物分布特征值；设置矿物分布特征值的特征级，基于特征级确定每个像素点的岩面匹配程度；
6、采用阈值分割算法获取表面可见光图像的二值化图像；采用轮廓跟踪算法获取二值化图像的闭合边缘轮廓线；获取每个闭合边缘轮廓线各边缘像素点的邻近闭合边缘轮廓线；
7、基于每个闭合边缘轮廓线各边缘像素点与其邻近闭合边缘轮廓线的相似情况，确定每个闭合边缘轮廓线各边缘像素点的砂岩联通环绕度；结合砂岩联通环绕度以及岩面匹配程度确定每个闭合边缘轮廓线的缝隙匹配系数；结合矿物分布特征值以及缝隙匹配系数确定表面可见光图像中每个像素点的缝隙特征系数；
8、基于岩面匹配程度与缝隙特征系数构建石英砂岩特征矩阵；基于石英砂岩特征矩阵采用卷积神经网络对高纯度石英砂岩进行识别。
9、优选的，所述基于每个像素点滑动窗口内的连通域大小以及灰度均值，确定每个像素点的矿物分布特征值，包括：
10、获取所述滑动窗口内所有连通域的面积和值；获取所述滑动窗口内的最大连通域面积；计算所述最大连通域面积与所述面积和值的比值；
11、计算所述滑动窗口内每个连通域内像素点的灰度均值；计算所有任意两个相邻连通域之间的灰度均值的差值绝对值的和值；将所述和值的相反数作为以自然常数为底数的指数函数的指数；
12、将所述指数函数的计算结果与所述比值的乘积作为每个像素点的矿物分布特征值。
13、优选的，所述设置矿物分布特征值的特征级，基于特征级确定每个像素点的岩面匹配程度，包括：
14、将表面可见光图像中的每种矿物分布特征值作为一个特征级；基于每个滑动窗口内的矿物分布特征值以及特征级，确定每个滑动窗口内每个特征级的特征差异；
15、计算每个滑动窗口内所有特征级的特征差异的和值，记为第一和值；计算第一和值与预设误差项的和值，记为第二和值；
16、将每个像素点的矿物分布特征值与所述第二和值的比值的归一化值，作为每个像素点的岩面匹配程度。
17、优选的，所述基于每个滑动窗口内的矿物分布特征值以及特征级，确定每个滑动窗口内每个特征级的特征差异包括：使用相邻灰度差分矩阵算法，输入为每个滑动窗口内所有的矿物分布特征值，输出为不同特征级中所有像素点与其八邻域内像素点的差异之和，记为每个滑动窗口内每个特征级的特征差异。
18、优选的，所述获取每个闭合边缘轮廓线各边缘像素点的邻近闭合边缘轮廓线，包括：
19、计算任意两个闭合边缘轮廓线所包含区域内的质心之间的欧式距离，将所有所述欧式距离的均值作为连通阈值；
20、以每个闭合边缘轮廓线各边缘像素点为中心，连通阈值为半径的圆内，将圆内所有质心所属的闭合边缘轮廓线记为各边缘像素点的邻近闭合边缘轮廓线。
21、优选的，所述基于每个闭合边缘轮廓线各边缘像素点与其邻近闭合边缘轮廓线的相似情况，确定每个闭合边缘轮廓线各边缘像素点的砂岩联通环绕度，包括：
22、采用傅里叶描述子算法获取每个闭合边缘轮廓线的傅里叶描述子；计算傅里叶描述子的变异系数；
23、对于每个闭合边缘轮廓线各边缘像素点的任一邻近闭合边缘轮廓线，计算每个闭合边缘轮廓线与任一闭合边缘轮廓线的变异系数的比值；计算任一闭合边缘轮廓线与其前一闭合边缘轮廓线之间的余弦相似度；计算所述比值与所述余弦相似度的乘积；
24、将每个闭合边缘轮廓线各边缘像素点的所有邻近闭合边缘轮廓线的所述乘积的和值，作为每个闭合边缘轮廓线各边缘像素点的砂岩联通环绕度。
25、优选的，所述结合砂岩联通环绕度以及岩面匹配程度确定每个闭合边缘轮廓线的缝隙匹配系数，包括：
26、对于每个闭合边缘轮廓线各边缘像素点，计算各边缘像素点的岩面匹配程度与预设调参因子的和值，计算各边缘像素点的砂岩联通环绕度与所述和值的比值；
27、将每个闭合边缘轮廓线所有边缘像素点的所述比值的和值，作为每个闭合边缘轮廓线的缝隙匹配系数。
28、优选的，所述结合矿物分布特征值以及缝隙匹配系数确定表面可见光图像中每个像素点的缝隙特征系数，包括：
29、对于表面可见光图像中的每个像素点，将每个像素点的矿物分布特征值的相反数作为以自然常数为底数的指数函数的指数；
30、计算每个像素点所在闭合边缘轮廓线的缝隙匹配系数与预设误差项的和值；将所述和值与所述指数函数的乘积的归一化值作为每个像素点的缝隙特征系数。
31、优选的，所述基于岩面匹配程度与缝隙特征系数构建石英砂岩特征矩阵，包括：
32、将表面可见光图像每个像素点的岩面匹配程度与缝隙特征系数组成数对；将表面可见光图像中所有像素点的数对按照对应位置构成石英砂岩特征矩阵。
33、优选的，所述基于石英砂岩特征矩阵采用卷积神经网络对高纯度石英砂岩进行识别，包括：
34、将石英砂岩特征矩阵进行归一化处理得到特征矩阵；
35、将特征矩阵与人为标注的标签作为卷积神经网络模型训练的输入，完成卷积神经网络模型训练；所述标签为：存在高纯度石英砂岩标签设置为0，不存在高纯度石英砂岩标签设置为1；
36、将高纯度石英砂岩图像输入到卷积神经网络模型，识别高纯度石英砂岩图像中的高纯度石英砂岩。
37、本技术至少具有如下有益效果：
38、本技术通过根据高纯度石英砂岩均匀光滑与复杂地质背景的差异，构建矿物分布特征值指标，初步筛选每个滑动窗口区域内的可能为高纯石英砂岩的区域，排除连通域内色彩斑驳且不具备色彩单一等干扰区域，从而更加准确挖掘高纯度石英砂岩区域；再根据矿物分布特征值以及相邻岩石局部不规则重叠和局部间隙较大的特点，构建岩面匹配程度和缝隙特征系数，规避由于重叠导致表面起伏不平而产生的矿体识别的复杂度，同时结合高纯度石英砂岩边缘轮廓线之间的差异，通过采用傅里叶描述子的变异系数评价砂岩边缘特征，从砂岩边缘特征角度更准确区分高纯度石英砂岩；并结合岩面匹配程度与缝隙特征系数构建二维特征向量，避免了传统算法通过简单分析图像中像素的邻域关系从而损失部分高纯度石英砂岩图像中的重要的边缘信息和纹理信息，提高了图像识别的准确性。
1.一种高纯度石英砂岩的智能识别方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述基于每个像素点滑动窗口内的连通域大小以及灰度均值，确定每个像素点的矿物分布特征值，包括：
3.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述设置矿物分布特征值的特征级，基于特征级确定每个像素点的岩面匹配程度，包括：
4.如权利要求3所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述基于每个滑动窗口内的矿物分布特征值以及特征级，确定每个滑动窗口内每个特征级的特征差异包括：使用相邻灰度差分矩阵算法，输入为每个滑动窗口内所有的矿物分布特征值，输出为不同特征级中所有像素点与其八邻域内像素点的差异之和，记为每个滑动窗口内每个特征级的特征差异。
5.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述获取每个闭合边缘轮廓线各边缘像素点的邻近闭合边缘轮廓线，包括：
6.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述基于每个闭合边缘轮廓线各边缘像素点与其邻近闭合边缘轮廓线的相似情况，确定每个闭合边缘轮廓线各边缘像素点的砂岩联通环绕度，包括：
7.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述结合砂岩联通环绕度以及岩面匹配程度确定每个闭合边缘轮廓线的缝隙匹配系数，包括：
8.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述结合矿物分布特征值以及缝隙匹配系数确定表面可见光图像中每个像素点的缝隙特征系数，包括：
9.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述基于岩面匹配程度与缝隙特征系数构建石英砂岩特征矩阵，包括：
10.如权利要求1所述的一种高纯度石英砂岩的智能识别方法，其特征在于，所述基于石英砂岩特征矩阵采用卷积神经网络对高纯度石英砂岩进行识别，包括：
