引用本文
管宝滦, 解英明, 李战奎, 靳坤, 王俊. 基于图像处理技术的岩屑荧光含量定量计算方法[J]. 录井工程, 2026,37(1): 49-56.
GUAN Baoluan, XIE Yingming, LI Zhankui, JIN Kun, WANG Jun. Quantitative calculation method of rock cutting fluorescence content based on image processing techniques[J]. Mud Logging Engineering, 2026,37(1): 49-56.
Doi:10.3969/j.issn.1672-9803.2026.01.008  
Permissions
Copyright©2026, 《录井工程》杂志社
《录井工程》杂志社 所有
基于图像处理技术的岩屑荧光含量定量计算方法
管宝滦①, 解英明①, 李战奎②, 靳坤①, 王俊①
①中海油能源发展股份有限公司工程技术分公司
②中海石油（中国）有限公司天津分公司

作者简介：管宝滦 工程师,1987年生,2011年毕业于长江大学勘查技术与工程专业,现主要从事海上油气勘探和随钻录测井解释工作。通信地址：300459 天津市滨海新区海川路2121号渤海石油管理局C座。E-mail：guanbl@cnooc.com.cn

收稿日期: 2025-11-28
基金: 中海石油（中国）有限公司海油众创项目“基于深度学习的岩屑类型识别及荧光级别研究”（编号：HYZC-1-20250410-12284）
摘要

针对现场勘探开发中人眼观察岩屑荧光所存在的不确定性及不稳定性等问题,开展基于图像处理技术的岩屑荧光含量定量计算方法研究。经过对比Robert、Prewitt以及Sobel算子的特点,最后选用Sobel边缘检测算子及形态学算法准确锁定岩屑区域,再将岩屑区域图像进行HSV空间转换,提取出特定的荧光区域,从而实现定量化表征岩屑荧光含量。同时,通过对比可以看出,该方法与人工提取的岩屑区域误差小于5%,而荧光含量的提取误差小于0.2%,现场应用正确率为98.35%,表明该方法具有较高的准确度,可有效克服人眼识别带来的不确定性及量化不足等问题,提高录井作业效率,对推进录井技术智能化发展具有重大意义。

关键词: 岩屑; 荧光含量; Sobel算子; 形态学; HSV空间; 定量计算; 图像处理
中图分类号:TE132.1 文献标志码:A
Quantitative calculation method of rock cutting fluorescence content based on image processing techniques
GUAN Baoluan①, XIE Yingming①, LI Zhankui②, JIN Kun①, WANG Jun①
①CNOOC Ener Tech-Drilling & Production Co.,Tianjin 300459, China
②CNOOC China Limited Tianjin Company,Tianjin 300459, China
Abstract

Aiming at the problems of uncertainty and instability of rock cutting fluorescence observed by human eyes in the field exploration and development, research on the method of quantitative calculation of rock cutting fluorescence content based on image processing technology was carried out. After comparing characteristics of Robert, Prewitt, and Sobel operators, Sobel edge detection operator and morphological algorithm are finally selected to accurately lock the rock cutting area, and then the images of the rock cutting area are converted to HSV space to extract specific fluorescence areas, so as to realize the quantitative expression of the fluorescence content of rock cuttings. Meanwhile, through comparing, it can be seen that the error between this method and the manually chosen region is less than 5%, and the error of fluorescence content extraction is less than 0.2%, the correct rate of field application is 98.35%, which indicates that this method has a high degree of accuracy, and it can effectively overcome the problems of uncertainty and insufficient quantification of human eye recognition, enhance the mud logging work efficiency, and have great significance in advancing the intelligent development of the mud logging technology intelligently.

Keyword: rock cuttings; fluorescence content; Sobel operator; morphology; HSV space; quantitative calculation; image processing
0 引言

岩屑荧光录井作为石油勘探中识别油气显示的关键技术手段, 其荧光级别的判定结果直接影响勘探成效[1, 2, 3]。传统荧光录井借助紫外光源照射岩屑样本, 对其产生的荧光特征进行人眼观察, 记录荧光强度、显色特性及形态特征。这一过程受制于三重关键因素：检测对象的光谱属性、照明系统的光学参数及检测人员的视觉感知差异。上述因素导致传统人工荧光识别方法具有不确定性、环境依赖性, 以及定量化不足等局限性[4, 5, 6, 7]。

近年来, 光学成像技术的快速发展推动了石油地质录井领域的技术革新。目前, 业内已广泛采用专业化的岩样数字成像设备, 不仅实现了光照环境的精准控制, 而且取代了传统自然光源, 其成像系统检测的稳定性和重复性也显著优于人工观测, 为建立岩样荧光参数的定量计算分析体系提供了技术支撑[8, 9, 10]。本文采用图像处理技术对岩屑图像进行定量分析：经过选择对比多种方法, 应用Sobel边缘检测算子及形态学算法计算岩屑区域面积; 再将岩屑区域图像进行HSV空间转换, 提取出特定的荧光颜色区域; 最后计算得到该图像中岩屑区域的荧光面积数据, 实现岩屑荧光含量的定量化表征。

1 图像处理技术理论

通过图像处理技术进行岩屑图像荧光含量计算, 首先需要初步判断图像中岩屑是否覆盖整张图片, 若覆盖整张图片则岩屑总面积为图片大小, 否则需对图像进行灰度化处理, 降低处理难度, 为边缘检测算法准备灰度化环境; 然后采用边缘检测二值化方法表征岩屑表面特征与几何形态, 确定图像边缘区域, 并采用形态学算法, 通过膨胀、腐蚀、开运算、闭运算等核心操作[11], 分析和处理图像中岩屑的形状和结构, 计算岩屑区域面积; 最后采用HSV颜色空间转换算法对原图像进行分析, 提取图像中的特定颜色区域并进行二值化处理, 计算特定颜色部分占总岩屑面积的比例, 实现对岩屑荧光含量的定量计算。

1.1 边缘检测二值化

图像中物体轮廓的形成源于像素灰度的急剧变化, 反映了不同特征区域的边界过渡, 可作为图像分割的有效手段, 用于表征目标的表面特征与几何形态[12]。在图像边缘区域, 像素灰度呈现显著梯度变化。通过差分运算模拟微分计算, 对边缘灰度变化率进行求导分析, 其中一阶导数极大值与二阶导数过零点共同标识了图像边缘的精确位置。该技术是实现图像分割的重要技术途径, 能够有效提取目标的纹理属性与空间结构特征。经典的边缘检测方法是用梯度算子的模板与数字图像卷积, 使得图像中的物体边缘具有幅度特性和方向特性, 常见的梯度算子模板有Robert、Prewitt和Sobel等[13, 14], 且不同模板有不同特点。梯度算子为一阶导数算子, 对于连续的图像f（x, y）, 它在点（x, y）处的梯度是一个矢量, 定位为：

∇f（x，y）=GxGyT=∂f∂x∂f∂yT（1）

式中：Gx和Gy分别为f（x, y）在x、y方向的梯度。

梯度的幅度为：

∇f（x，y）=Gx2+Gy21/2（2）

梯度的方向为：

ϕ（x，y）=arctanGxGy（3）

以上各式的偏导数需要对图像中的每个像素进行运算, 使得图像中的物体边缘具有幅度特性和方向特性。在实际应用中常常采用模板进行卷积运算来近似。在灰度图像中, 像素的范围是0~255, 代表灰暗的程度。如果设定一个阈值, 规定像素的值大于阈值时等于1, 小于阈值时等于0, 则图像中每个像素点的值只有{0, 1}两种取值, 0代表黑, 1代表白, 图像就可以被转换成二值化图像。

1.2 形态学算法

形态学算法主要用于分析和处理图像中的形状和结构, 其核心操作包括腐蚀、膨胀、开运算、闭运算等[11]。

1.2.1 腐蚀运算

腐蚀运算[15]即腐蚀图像, 用结构元素（腐蚀或者膨胀操作的最基本组成部分, 用于测试输出图像, 通常比待处理的图像小许多）作为内部探针, 可消除图像的内、外边界。该过程可以理解为基于填充原理的操作：先在结构元素中指定一个参考点作为坐标原点, 随后以该原点为定位基准, 使结构元素在待处理图像上进行平移扫描, 遍历所有像素点, 直至覆盖图像中的所有空间位置。当结构元素全部包含在目标图像内, 原点对应的目标图像的像素点即为腐蚀后的像素点, 灰度值记为1; 反之, 如果结构元素不能被目标图像完全包含, 目标图像对应的点被腐蚀, 灰度值记为0[16]。

1.2.2 膨胀运算

膨胀运算是一种基于结构元素的形态学操作, 其核心机制是利用结构元素作为空间探针对目标图像进行边界扩展。具体而言, 该运算是以结构元素的几何尺寸为扩张基准, 通过系统性扩展目标区域的所有边界（包括内部孔洞边界和外部轮廓边界）来实现图像特征的增强。

从数学定义的角度分析, 膨胀运算可基于“命中准则”进行阐释。与腐蚀运算形成本质区别的是, 其结构元素的移动范围需同时覆盖目标图像的内部区域和外部背景。在空间变换过程中, 当结构元素与目标图像存在交集（即两者共享至少一个像素点）时, 即符合膨胀运算的判定条件。

1.2.3 开闭运算

开闭运算主要用来去除图像中细小的噪音, 并增加岩屑区域内部连通性, 减小后续标记区域的数量, 如图1所示。

图1 开运算和闭运算对比

开运算就是先进行腐蚀操作再进行膨胀操作。可以用来消除物体外的小区域, 一般用来去除噪声（图1a）。

闭运算就是先进行膨胀操作再进行腐蚀操作。闭运算操作的结果是可以将许多相近的图块连成一个无突起的连通域, 通常被用来填充物体中的小洞, 或者抹去物体上的小黑点（图1b）。

在实际应用中, 通过开闭运算分别显示岩屑区域的误差大小, 据此选择采用开运算或者闭运算。

1.3 填充孔洞

填充孔洞是岩屑区域确定的一项关键操作, 其核心目标在于精确识别并填充二值图像中被前景区域完全包围的内部背景孔洞, 同时确保与图像边界相连, 使得整个岩石区域连成一个整体。孔洞的定义是被较亮像素包围的暗色像素区域。由图2可知, 中间的黑色像素（0）因被周围的白色像素（255）完全包围, 可以被视为一个孔洞。但孔洞的定义并不局限于白色包围黑色的情况, 任何亮度低于其所有邻域像素值的孤立区域, 均可被判定为孔洞。此外, 孔洞不仅可以是单个像素, 也可以是由多个相邻像素构成的连通区域, 只要该区域内所有像素的亮度均低于其周围全部像素, 即可满足孔洞的判定条件。采用填充孔洞方法, 可将岩屑区域中的所有孔洞都填充为亮色, 以利于将岩屑区域选取出来。

图2 孔洞定义

1.4 HSV颜色空间转换

RGB颜色模型是采用物理三基色进行表示的, 容易受光照强度的影响, 不适合用来做颜色分割。HSV颜色模型比RGB更接近人对彩色的感知, 而且色调和饱和度分量代表了色彩信息, 因此非常适合用于颜色分割处理[17]。

HSV颜色空间分别对应色调、饱和度、亮度[18], 其模型为圆柱坐标系中的一个圆锥形子集。色调（H）就是当人眼看到不同波长的光时产生的彩色感觉, 反映了颜色的种类, 决定了颜色的基本特性; 饱和度（S）表征色彩的纯净程度, 数值越高则色彩越接近纯色; 亮度（V）反映视觉感知的明亮度, 与光辐射强度呈正相关。如图3所示, HSV颜色空间的坐标系统采用倒六棱锥几何结构：顶面为正六边形色相环, 沿圆周均匀分布红（0°）、黄（60°）、绿（120°）、青（180°）、蓝（240°）和品红（300°）6个基准色调, 以60°作为间隔; 径向表示饱和度变化（0~1）, 越接近六边形外框饱和度越高, 边缘饱和度为1, 而六边形中心的饱和度为0; 亮度值表示明度变化（0~1）, 底部对应黑色而顶部为白色。

图3 HSV颜色空间对应坐标系统

HSV颜色空间转换的核心原理是：将基于加色混合、设备相关的RGB色彩模型, 解耦并映射至符合人类视觉感知的心理物理学色彩模型。该转换过程通过非线性数学变换, 将颜色的亮度、色彩纯度及色相信息进行分离与重组。

2 岩屑荧光含量智能化计算方法

在暗光条件下, 岩屑样本利用石油在紫外线照射下具有黄色和绿色的荧光特征, 分辨出不同种类岩屑含油面积的百分含量, 为后续的石油资源勘探提供重要的数据。

本文采用图像处理技术对岩屑图像进行荧光含量智能化计算, 其框架主要分为岩屑区域判定、图像荧光特征提取。首先, 判断原始图像中岩屑区域是否覆盖整张图片, 若不是则对图像进行灰度化处理, 并采用边缘检测二值化、形态学算法及填充孔洞将岩屑区域划分出来, 并计算岩屑区域的总面积, 再将原图像进行HSV颜色空间转换, 并提取图片中的特定颜色区域, 最后进行二值化处理并计算该颜色部分占总岩屑的面积比例。其主要流程如图4所示。

图4 岩屑荧光含量智能化计算流程

2.1 岩屑区域选定

2.1.1 灰度化

对于计算机来说, 色彩图像处理的难度远大于灰度图像, 很多图像处理算法仅适用于灰度图像, 例如边缘处理算法。因此, 需要将图像转换为灰度图像, 目的是为边缘检测算法提供灰度化环境, 对于后续处理没有太大的负面影响。其效果如图5所示。

图5 灰度化效果

2.1.2 边缘检测算子优选及二值化处理

图像边缘检测通常基于微分算子实现, 通过计算像素点的偏导数值来识别灰度突变区域。为提升运算效率, 实际工程中多采用卷积核近似替代微分运算。典型的边缘检测算子由一对正交的卷积模板构成, 每个模板分别对应特定方向的梯度计算。表1为Robert、Prewitt、Sobel 3种梯度算子模板及其特性。

表1 梯度算子模板及其特性

根据梯度计算的数学原理, 图像梯度本质上反映了局部邻域内像素灰度的差异程度, 具体表现为：在灰度突变区域（如边缘、裂缝等）梯度响应强烈, 而在灰度均匀区域梯度响应微弱。本研究对3种边缘检测算子进行系统性对比实验, 结果显示Sobel算子检测纹理的效果最佳, 可以完整地检测出岩屑边缘, 同时可以抑制一定的噪声, 较好地勾画出岩屑边缘。

检测图像中的灰度值在边缘与垂直边缘方向上的变化, 便于区分岩屑与地面的边界, 并对图像的每个像素做一个阈值处理, 为后续的形态学算法准备二值化图像, 如图6所示。

图6 边缘检测二值化效果

2.1.3 膨胀处理

图像进行边缘检测二值化处理后, 需要使岩屑边缘内的区域识别出来, 为此进行膨胀运算。形态学膨胀运算的特性表现：当作用于内凹型边界时, 其几何结构能够保持相对稳定; 对外凸型边界区域则会渐进呈现结构元素的形态特征。膨胀运算可以填充比结构元素小的内部孔洞, 具有内部去噪的能力, 同时可以连接距离较近的区域。

通过膨胀运算使岩屑边缘内的区域亮出来, 以便后续的孔洞填充, 其膨胀效果如图7所示。

图7 膨胀效果

2.1.4 填充孔洞处理

填充孔洞是岩屑区域识别中的一个重要步骤, 为了将岩屑区域内的黑色孔洞进行填充, 使得整个岩屑区域连成一个整体, 而引入填充孔洞的方法。若要将岩屑区域大概显示出来, 需要将岩屑区域中所有孔洞填充成亮色, 由此能够得出一个较为清晰的闭合岩屑区域, 使后续可以计算出更为准确的岩屑区域面积, 处理效果如图8所示。

图8 填充孔洞效果

2.1.5 开闭运算

最后通过对比开闭运算的运用效果, 去除图像中细小的噪音, 并增加岩屑区域内部连通性, 减小后续标记区域的数量。开运算可以用来消除物体外的小区域, 如图9a所示。闭运算通常用来消除物体内的“黑洞”, 使物体连接成为一个整体, 如图9b所示, 直接进行闭运算会将背景的一些非岩石区域也包含进去, 这显然会产生很大的误差。因此进行开运算的操作, 可以得到一个比较合适的岩屑区域。

图9 开闭运算效果

通过对图像的遍历可以分别对所有连通区域进行标记, 然后筛选出面积最大的连通区域即为岩屑区域, 最后计算该区域面积即为岩屑区域的面积。

2.2 荧光含量计算

针对岩屑样本的荧光颜色识别, 通过大量的实验统计, 得到基于人视觉系统的常见颜色在HSV颜色模型中的数据范围[19, 20, 21], 从而真实反映人眼所观察的荧光颜色, 如表2所示。

表2 HSV颜色分类

通过分析得出岩屑荧光区域所呈现出的荧光颜色为绿色和黄色。基于HSV颜色模型处理的具体步骤如下。

岩屑荧光图像首先经过RGB到HSV色彩空间的转换, 并对色调H分量进行直方图均衡化增强, 随后分两个阶段处理：第一阶段根据表2的绿色阈值范围检测各像素点的H、S、V分量, 符合条件的标记为白色, 即置为255, 否则为黑色, 即置为0; 第二阶段采用相同方法检测黄色阈值范围并进行二值化处理, 最终分别得到绿色和黄色特征区域的二值图像（图10）。

图10 HSV模型检测处理

最后分别将绿色和黄色检测处理后的图像进行遍历, 计算出两张图片的白色像素点之和, 总的白色像素点与得出的岩屑总面积之比即为荧光含量。

3 结果分析

以渤海地区现场作业数据为基础, 采集渤中、龙口、旅大等区域20多口井的荧光扫描图像, 对图像进行岩屑区域提取及荧光含量定量计算。选取4个不同区块, 每个区块以数口井的岩屑图像为一组, 共构成4组测试样本, 分别进行岩屑区域提取及荧光含量计算的误差估计, 并进行现场应用分析。

3.1 岩屑区域提取

岩屑区域的提取主要是通过边缘检测算法中的Sobel算子实现：通过检测岩屑的边缘来逐渐扩大岩屑区域内的小连通区域, 最后扩展到整个区域的边缘, 形成一个较大的连通区域即为岩屑区域。要辨别该岩屑区域的提取是否准确, 通过Photoshop手动勾画岩屑区域边界, 然后读取勾画区域的像素数量, 其中测试组1岩屑区域选定对比如图11所示。

图11 测试组1岩屑区域选定对比

根据测试结果来看, 识别的平均误差为3.26%, 小于5%, 达到现场岩屑区域识别的要求, 4组测试结果如表3所示。

表3 区域像素测试结果
3.2 荧光含量定量计算

因为荧光含量算法是基于颜色进行识别的, 所以采用标准色块来对该算法进行准确度评价。该标准色块由100个长宽相同的正方形色块所组成。对图12a的标准色块进行黄色和绿色识别, 其中绿色和黄色的色块有38个, 通过颜色识别算法得到的颜色占比为38.0%, 而实际占比为38%（图12b）, 误差为0。

图12 标准色块识别效果

通过不断调整各色块颜色的深浅进行测试, 得出测试数据如表4所示, 识别色块占比的误差平均在0.116%左右, 其误差影响极小可略, 可以满足现场计算岩屑荧光含量的要求。

表4 色块测试数据
3.3 井场应用结果

采用本文方法对现场渤中、龙口、旅大等区域的20多口井900多张荧光扫描图像进行荧光面积与荧光级别识别, 计算图像中的荧光含量, 得出对应的荧光级别, 对比现场作业人员判定的荧光级别, 测试结果正确率为98.35%, 满足现场作业要求。部分数据如表5所示。

表5 区域像素测试（部分）
4 结论

（1）对比Robert、Prewitt以及Sobel算子的特点, 采用Sobel边缘检测算子及形态学算法选定岩屑区域, 通过多次测试, 其识别结果平均误差为3.26%, 达到现场岩屑区域识别的要求。

（2）对比RGB与HSV颜色模型, 最后选取HSV颜色模型, 其更接近人眼观察对彩色的感知, 并且H和S分量代表了色彩信息, 更适合颜色分割处理, 可以准确提取出特定的荧光区域, 从而实现定量化表征岩屑荧光含量。测试结果显示, 该方法识别色块占比的误差小于0.2%。

（3）依据渤海地区现场作业数据, 采集渤中、龙口、旅大等20多井900多张荧光扫描图像进行荧光面积与荧光级别识别, 测试结果正确率为98.35%, 满足现场作业要求。

编辑 陈 娟

参考文献
[1] 陆春峰, 吴早平. 岩屑荧光扫描油气检测技术在镇泾油田的应用[J]. 科技情报开发与经济, 2011, 21(15): 192-194.
LU Chunfeng, WU Zaoping. Application of cuttings fluorescence scanning technology for oil and gas detection in Zhenjing Oilfield[J]. Science Information Development & Economy, 2011, 21(15): 192-194. [本文引用:1]
[2] 王国钧. 荧光扫描术在石油勘探开发中的应用[J]. 中国新技术新产品, 2016(22): 57.
WANG Guojun. Application of fluorescence scanning in petroleum exploration and development[J]. New Technology & New Products of China, 2016(22): 57. [本文引用:1]
[3] 江程舟, 王贵文, 宋连腾, 等. 定量荧光技术在页岩油储层研究中的应用: 以准噶尔盆地玛湖凹陷二叠系风城组为例[J]. 石油实验地质, 2025, 47(3): 634-644.
JIANG Chengzhou, WANG Guiwen, SONG Lianteng, et al. Application of quantitative fluorescence technology in shale oil reservoir research: A case study of the Fengcheng Formation in the Mahu Sag, Junggar Basin[J]. Petroleum Geology & Experiment, 2025, 47(3): 634-644. [本文引用:1]
[4] 石鑫. 定量荧光录井技术在石油勘探中的应用探讨[J]. 科学与财富, 2015, 7(20): 1.
SHI Xin. Exploration of the application of quantitative fluorescence logging technology in petroleum exploration[J]. Sciences & Wealth, 2015, 7(20): 1. [本文引用:1]
[5] 胡斌, 李广之, 吴向华, 等. 岩屑荧光录井技术及荧光指标量化方法[J]. 天然气地球科学, 2007, 18(1): 121-124.
HU Bin, LI Guangzhi, WU Xianghua, et al. Rock debris fluorescence logging technology and quantification method of fluorescence indicators[J]. Natural Gas Geoscience, 2007, 18(1): 121-124. [本文引用:1]
[6] 王赟娜. 定量荧光录井技术在轻质油储层中的应用探究[J]. 中文科技期刊数据库(文摘版)自然科学, 2016(19): 262.
WANG Yunna. Exploration of the application of quantitative fluorescence logging technology in light oil reservoirs[J]. China Science and Technology Journal Database (Abstract Edition) Natural Science, 2016(19): 262. [本文引用:1]
[7] 湛建利, 丁群, 桂传松, 等. 录井岩样荧光面积定量化分析软件开发[J]. 录井工程, 2022, 33(2): 30-34.
ZHAN Jianli, DING Qun, GUI Chuansong, et al. Development of quantitative analysis software for fluorescence area of mud logging rock samples[J]. Mud Logging Engineering, 2022, 33(2): 30-34. [本文引用:1]
[8] RYDER A G. Analysis of crude petroleum oils using fluorescence spectroscopy[C]//Reviews in Fluorescence. London: Springer, 2005. [本文引用:1]
[9] 董帅. 基于深度学习的含油岩屑图像识别研究[D]. 大庆: 东北石油大学, 2023.
DONG Shuai. Research on oil containing rock fragment image recognition based on deep learning[D]. Daqing: Northeast Petroleum University, 2023. [本文引用:1]
[10] 杨金强, 杨瑞芳, 赵南京, 等. 粒径对土壤石油烃荧光特性影响及校正方法研究[J]. 光谱学与光谱分析, 2024, 44(7): 2093-2100.
YANG Jinqiang, YANG Ruifang, ZHAO Nanjing, et al. Study on the influence of particle size on the fluorescence characteristics of soil petroleum hydrocarbons and calibration methods[J]. Spectroscopy and Spectral Analysis, 2024, 44(7): 2093-2100. [本文引用:1]
[11] 董跃华, 张先光. 二值形态学边缘检测算法的量子实现及仿真[J]. 量子电子学报, 2023, 40(5): 654-665.
DONG Yuehua, ZHANG Xianguang. Quantum implementation and simulation of binary morphological edge detection algorithm[J]. Chinese Journal of Quantum Electronics, 2023, 40(5): 654-665. [本文引用:2]
[12] 江苏维普光电科技有限公司. 一种基于GPU的边缘检测图像二值化方法: CN201611152692. 7[P]. 2020-05-01.
Jiangsu Weipu Optoelectronics Technology Limited Company. A GPU based edge detection image binarization method: CN201611152692. 7[P]. 2020-05-01. [本文引用:1]
[13] 常熟理工学院. 一种自适应的图像边缘检测提取方法及系统: CN202411899251. 8[P]. 2024-12-23.
Changshu Institute of Technology. An adaptive image edge detection extraction method and system: CN20241189251. 8[P]. 2024-12-23. [本文引用:1]
[14] 刘远哲, 刘旭光, 刘宇. 基于FPGA的Sobel图像边缘检测设计[J]. 电子产品世界, 2025, 32(1): 18-20.
LIU Yuanzhe, LIU Xuguang, LIU Yu. Design of Sobel image edge detection based on FPGA[J]. Electronic Products World, 2025, 32(1): 18-20. [本文引用:1]
[15] 梁利利, 毛露露, 高楠. 基于Kirsch算子与数学形态学的马铃薯图像芽眼识别与定位方法[J]. 微型电脑应用, 2024, 40(1): 92-95.
LIANG Lili, MAO Lulu, GAO Nan. Potato image bud eye recognition and localization method based on Kirsch operator and mathematical morphology[J]. Microcomputer Applications, 2024, 40(1): 92-95. [本文引用:1]
[16] 王娟, 张娜, 雷虎. 基于计算机图像处理的纸浆纤维检测与分类研究[J]. 造纸科学与技术, 2025, 44(1): 25-28.
WANG Juan, ZHANG Na, LEI Hu. Research on pulp fiber detection and classification based on computer image processing[J]. Paper Science & Technology, 2025, 44(1): 25-28. [本文引用:1]
[17] 尉金强, 杜文正, 孙晓艳, 等. 基于目标HSV(色调-饱和度-亮度)空间图像自适应分割的直线检测算法[J]. 火箭军工程大学学报, 2024, 38(5): 59-68.
WEI Jinqiang, DU Wenzheng, SUN Xiaoyan, et al. Line detection algorithm based on adaptive segmentation of target HSV (hue-saturation-value) spatial image[J]. Journal of Rocket Force University of Engineering, 2024, 38(5): 59-68. [本文引用:1]
[18] 梁秀满, 姚珊珊, 牛福生, 等. 基于HSV颜色空间的矿物识别研究[J]. 有色金属(选矿部分), 2022(6): 1-8.
LIANG Xiuman, YAO Shanshan, NIU Fusheng, et al. Research on mineral identification based on HSV color space[J]. Nonferrous Metals (Mineral Processing Section), 2022(6): 1-8. [本文引用:1]
[19] 李战奎, 谭忠健, 郭明宇, 等. 细分岩屑荧光颜色法在渤中19-6潜山裂缝储层油气识别中的应用[J]. 中国海上油气, 2022, 34(6): 24-33.
LI Zhankui, TAN Zhongjian, GUO Mingyu, et al. Application of segmented rock fragment fluorescence color method in oil and gas identification of Bohai 19-6 buried hill fractured reservoir[J]. China Offshore Oil and Gas, 2022, 34(6): 24-33. [本文引用:1]
[20] 佘庆龙. 分子荧光光谱技术在原油及石油产品上的应用[J]. 中国石油和化工标准与质量, 2022, 42(9): 160-162.
SHE Qinglong. Application of molecular fluorescence spectroscopy technology in crude oil and petroleum products[J]. China Petroleum and Chemical Industry Stand ards and Quality, 2022, 42(9): 160-162. [本文引用:1]
[21] 谢贝贝, 周炫宇, 赵佳伟, 等. 基于激光诱导荧光的土壤石油污染物荧光仿真研究[J]. 中国激光, 2024, 51(5): 221-229.
XIE Beibei, ZHOU Xuanyu, ZHAO Jiawei, et al. Fluorescence simulation study of soil petroleum pollutants based on laser-induced fluorescence[J]. Chinese Journal of Lasers, 2024, 51(5): 221-229. [本文引用:1]