Segmentation of Microtomography images of rocks using texture filter

Dias, Luciana Olivia; Guimarães, Heitor; Faria, Elisângela L.; Albuquerque, Márcio P. de; Albuquerque, Marcelo P. de; Correia, Maury Duarte; Surmas, Rodrigo

doi:10.7437/nt2236-7640/2016.01.003

Cited by 3 publications

(8 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Cada empacotamento composto de esferas com o mesmo tamanho de diâmetro, a mesma amostra foi utilizada em [53]. Uma com diâmetro médio de 212µm que corresponde a amostra 1 e a outra com 700µm que corresponde a amostra 2.…”

Section: Conjunto De Imagensunclassified

“…Como s imagens µCT de aquisição tem o formato retangular e o volume da amostra é cilíndrico, i necessário realizar um corte circular para definir a Região de interesse (ROI) nas 1 Para maiores detalhes sobre o processo de imageamento das amostras em [53] 10…”

Section: 2 Aquisição E Pré-processamento De Imagensunclassified

“…Como as imagens µCT de aquisição tem o formato retangular e o volume da amostraé cilíndrico, foi necessário realizar um corte circular para definir a Região de interesse (ROI) nas imagens. Esse processo foi estudado e apresentada em [53]. Para cada imagem, um corte foi definido pelo ajuste de Newton-Pratt [54] e o raio médio escolhido pode ser visto diretamente no slice 500 da amostra 1 na figura 6.…”

Section: Aquisição E Pré-processamento De Imagensunclassified

“…1 Para maiores detalhes sobre o processo de imageamento das amostras em [53] Figura 6: Slice 500 da amostra 1 com os cortes apresentados no gráfico. Definimos para os dois empacotamentos o raio médio que nessa imagem aparece em vermelho.…”

Section: Aquisição E Pré-processamento De Imagensunclassified

“…Foram definidas duas fases: esferas e fundo, para cada imagem 2D. Maiores detalhes sobre o processo de segmentação nestas imagens podem ser obtidos em [53], no qual diversos métodos de segmentação foram aplicados a estes conjuntos de imagens e posteriormente avaliados por testes de hipótese que atestaram a robustez da técnica K-means para separar as esferas do fundo nas imagens µ-ct. Para enfatizar a importância de um processo de segmentação confiável apresentamos nas figuras 8a e 8b a segmentação obtida pelo método K-means e uma limiarização de histograma.…”

Section: Segmentaçãounclassified

See 4 more Smart Citations

Estimativa de Permeabilidade Absoluta com Processamento de Imagens Utilizando Distribuição de Tamanho de Grãos

Dias¹,

Alves²,

Albuquerque³

et al. 2017

Self Cite

View full text Add to dashboard Cite

Resumo: A determinação da permeabilidadeé fundamental na caracterização de meios porosos em especial para estimar a capacidade de armazenamento e escoamento em formações particuladas. Diversos modelos baseados em tamanhos de grãos foram propostos para quantificar a permeabilidade. Todavia tais modelos apresentam limitações significativas que tornam seu uso restrito em diversas aplicações práticas. Neste trabalho apresentamos dois modelos, o primeiro, baseado no trabalho de Panda e Lake e o segundo, no trabalho de Kozeny e Carman, discutindo suas potenciais aplicações em imagens digitais de rochas geológicas e limitações com relaçãoà forma de medição de alguns parâmetros. Para analisar o desempenho destes modelos realizamos testes com imagens de microtomografia de amostras confeccionada com microesferas, buscando simular imagens de solo. As amostras sintéticas permitem construir um ambiente controlado para comparação com medidas obtidas apósà análise digital. Propomos uma cadeia de processamento de imagens para estimar medidas de permeabilidade e comparamos com quantidades obtidas através de simulações de fluxo. Verificamos que o modelo analítico Kozeny-Carman Generalizado obtivemos uma estimativa de permeabilidade absoluta em uma distribuição de partículas sintéticas com uma precisão de ±0.4µm 2 e ±61.1µm 2 (em duas amostras distintas).Com taxa de exatidão de 98% e 99% respectivamente, quando comparados com os valores obtidos através das

show abstract

Section: Conjunto De Imagensunclassified

Section: 2 Aquisição E Pré-processamento De Imagensunclassified

Section: Aquisição E Pré-processamento De Imagensunclassified

Section: Segmentaçãounclassified

See 3 more Smart Citations

Estimativa de Permeabilidade Absoluta com Processamento de Imagens Utilizando Distribuição de Tamanho de Grãos

Dias¹,

Alves²,

Albuquerque³

et al. 2017

Self Cite

View full text Add to dashboard Cite

show abstract

Evaluation of segmentation procedures using X-ray computed microtomography images of coquinas from Morro do Chaves Formation - NE Brazil

Hoerlle¹,

Silva²,

Rios³

et al. 2017

Proceedings of the XXXVIII Iberian Latin American Congress on Computational Methods in Engineering

View full text Add to dashboard Cite

On a method for Rock Classification using Textural Features and Genetic Optimization

Valentin¹,

Albuquerque²,

Albuquerque³

et al. 2017

Self Cite

View full text Add to dashboard Cite

In this work we present a method to classify a set of rock textures based on a Spectral Analysis and the extraction of the texture Features of the resulted images. Up to 520 features were tested using 4 different filters and all 31 different combinations were verified. The classification process relies on a Naïve Bayes classifier. We performed two kinds of optimizations: statistical optimization with covariance-based Principal Component Analysis (PCA) and a genetic optimization, for 10,000 randomly defined samples, achieving a final maximum classification success of 91% against the original ∼ 70% success ratio (without any optimization nor filters used). After the optimization 9 types of features emerged as most relevant.Keywords: Haralick Features, Genetic Algorithm, Texture Classification, Naïve Bayes, Image Processing, Principal Component Analysis.Resumo: Neste trabalho apresentamos um método para classificar um conjunto de texturas de rocha baseado na Análise espectral e na extração de features texturais das imagens resultantes. Um conjunto de 520 features foi testado usando 4 filtros diferentes e todas as 31 combinações dos mesmos foram verificadas. O processo de classificação propostoé baseado em um classificador Naïve Bayes. Foram realizados dois tipos de otimização nos parâmetros extraídos: uma otimização estatística usando uma Análise de Componente Principal por covariância (PCA) e uma otimização genética, para todas as 10.000 permutações aleatórias das imagens, obtendo um sucesso máximo final de classificação de 91%, sendo o sucesso inicial, sem nenhum tipo de otimização do 70%. Depois da aplicação do método aqui descrito 9 tipos diferentes de features emergeram como as mais relevantes para o problema de classificação de texturas de rochas.

show abstract

Segmentation of Microtomography images of rocks using texture filter

Cited by 3 publications

References 10 publications

Estimativa de Permeabilidade Absoluta com Processamento de Imagens Utilizando Distribuição de Tamanho de Grãos

Estimativa de Permeabilidade Absoluta com Processamento de Imagens Utilizando Distribuição de Tamanho de Grãos

Evaluation of segmentation procedures using X-ray computed microtomography images of coquinas from Morro do Chaves Formation - NE Brazil

On a method for Rock Classification using Textural Features and Genetic Optimization

Contact Info

Product

Resources

About