شناسايي كاني هاي موجود در مقاطع نازك سنگ با استفاده از پردازش تصاوير رنگي

Recognition of Minerals in Thin Sections Using Color Image Processing

در روش سنتي براي مطالعه­ كاني­ هاي موجود در مقاطع نازك، مرز كاني­ ها به­ صورت دستي جدا شده و هر بخش برچسب­ گذاري مي­شود. اين روش هزينه ­بر و نيازمند دانش، تخصص و تجربه بالايي است. بنابراين وجود يك سامانه شناسايي خودكار در اين حوزه ضروري است. چنين سامانه­ اي مي­تواند باعث افزايش دقت و كاهش خطاهاي انساني، هزينه و زمان تشخيص كاني­ ها ­شود. هدف اين پژوهش، پيشنهاد يك سامانه تشخيص خودكار است كه با استفاده از پردازش تصوير، كاني­هاي موجود را شناسايي و طبقه­­ بندي كند. مراحل اصلي روش ارائه شده شامل جمع­ آوري تصاوير از مقاطع نازك، قطعه­ بندي، استخراج ويژگي و طبقه ­بندي است. پس از ايجاد پايگاه­ تصاوير، الگوريتم JSEG براي قطعه ­بندي انتخاب و اعمال شده است. سپس ويژگي­ هاي رنگ و بافت در دو فضاي رنگي RGB و HSI از هر ناحيه استخراج شده­ اند. اين ويژگي­ ها، براي طبقه ­بندي به طبقه ­بند فرستاده شده و طبقه­ بند هر ناحيه را به عنوان يك كاني برچسب­ گذاري كرده است. به علاوه، در اين پژوهش كارايي شش طبقه­ بند مختلف نيز براي اين منظور مورد ارزيابي قرار گرفته است. براساس نتايج، طبقه ­بند Bagged Tree داراي بالاترين دقت به ميزان 95٫52 و كمترين ميزان ميانگين خطاي مطلق برابر با 0٫04 مي­ باشد. همچنين همه طبقه ­بندها داراي دقت بالاي 93% هستند كه نشان مي ­دهد روش استخراج ويژگي پيشنهادي داراي قابليت مناسبي است.

In the traditional methods of analyzing minerals in thin sections, the boundaries of the minerals were manually separated and each section was labeled. This approach is expensive and requires high expertise and experience. Therefore, an automatic identification system is essential in this field. Such a system can increase the accuracy and reduce human error, cost and time of mineral identification. The aim of this study is to propose an automated identification system which uses image processing to identify and classify existing minerals.The main steps of the proposed method include collecting images from thin sections, segmentation, feature extraction and classification. After creating the image database, the JSEG algorithm is applied for segmentation. Then, the color and texture features in both RGB and HSI color spaces are extracted from each region and are sent to the classifier for classification, which labels each segment as a mineral. In this study, the efficiency of six different classifiers has been evaluated. According to the results, the Bagged Tree classifier has the highest accuracy of 95.52% and the lowest Mean Absolute Error of 0.04. Also, all classifiers have accuracies of over 93%, which indicates that the proposed feature extraction method is able to properly identify minerals.