Авторизация

Логин:
Пароль:
Восстановить пароль
Регистрация
  • Форум
  • Блоги
  • Контакты
  • Новости
  • Продукты
  • Отрасли
  • Обучение
  • Поддержка
  • События
  • О компании
  • 4 (31) | 2004 Палеореконструкция окружающей среды

    ERDAS IMAGINE в изучении микрослоистости осадочных пород

    Инна Чернова, доцент кафедры геофизики, геологический факультет,

    Казанский государственный университет,

    лаборатория палеомагнетизма и магнетизма горных пород,

     тел. (8432) 31-55-75, e-mail: inna.chernova@ksu.ru

    Окружающая среда – это динамичная система, текущее состояние которой, а также ее будущее определяются многими внешними и внутренними факторами. Чтобы в полной мере понять причины происходящих изменений, а также предвидеть, что будет нас окружать в ближнем и отдаленном будущем, необходимо как следует покопаться в истории, образно говоря методично «отшлифовать» наслоившиеся свидетельства о прошлом нашей планеты. В том числе геологическом прошлом.

    Введение

    Микрослоистые осадки являются продуктом особых геологических условий, которые создали неповторимые, но в то же время закономерные последовательности слоев. Основная первопричина слоеобразования, по-видимому, связана с различными (земными и космическими) явлениями: годовой сменой климатических сезонов; определенными палеогеографическими условиями, обеспечивающими контрастность характера седиментации в различные сезоны и годы; периодичностью солнечной активности; изменением других астрономических параметров и т.д. [3, 5]. Последовательность наслоения тонкослоистых осадков, как правило, характеризуется цикличностью. Задача количественного анализа цикличности и микроцикличности осадочных пород и извлечения информации об изменениях окружающей среды в геологическом прошлом является чрезвычайно актуальной с точки зрения палеоклиматических реконструкций [4]. Мы попытались развить метод исследования и интерпретации микроцикличности на основе компьютерного анализа полноцветных цифровых изображений текстуры осадков. Области использования такого подхода огромны - от количественной документации образцов различных типов горных пород (в дополнение к словесному описанию) как в полевых, так и лабораторных условиях, до детального анализа текстуры микрослоистых осадочных пород с прогнозом изменения состава и генезиса слойков.

    Обычно используется следующая технология анализа микрослоистости. Поверхность штуфов, перпендикулярная плоскости напластования, выравнивается и шлифуется. В некоторых случаях пришлифованная поверхность пропитывается каким-либо веществом (например, маслом) для улучшения контрастности и насыщенности цвета наблюдаемых слойков. Подсчет числа слойков, описание и измерение их мощности проводятся далее под микроскопом. Понятно, что когда нужно подсчитать и описать несколько тысяч пар слойков, ошибки наблюдений и большие затраты времени неизбежны. Поэтому с появлением в нашей лаборатории ERDAS IMAGINE возникла идея заменить утомительный процесс разглядывания поверхностей образцов в микроскоп более простым и приятным рассмотрением сканированного изображения этой же поверхности на экране монитора, а такой мощный инструмент по обработке изображений, как ERDAS IMAGINE, использовать для решения задачи выявления слоистости. Следует заметить, что в мире существует немало программ, в том числе и свободно распространяемых через Internet, предназначенных для обработки изображений. Многие из них широко используются в биологии и медицине. Некоторые из этих программных продуктов можно адаптировать под наши нужды. Однако наблюдаемое изображение слоистости является гораздо более сложным, в смысле его распознавания, в сравнении с изображениями, например, годовых колец деревьев. Поэтому для его обработки требуется больший и более разнообразный набор инструментов, чем тот, который могут предоставить упомянутые программы. ERDAS IMAGINE обладает широкими возможностями в смысле фильтрации, выделения полезного сигнала на фоне помех, сжатия и отображения информации.

    Объект исследования

    Для опробования новых методик нами были взяты несколько образцов из двух разрезов «лингуловых» глин (разрез «Борок» - 55°34' N, 51°42' E и разрез «Танайка» - 55°44' N, 51°51' E). Стратиграфически «лингуловые» глины располагаются на границе уфимского и казанского ярусов и относятся к нижнеказанским отложениям, литологически представляют собой глины известковистые зеленовато серые тонкослоистые по всему разрезу, с красновато-бурыми и желтоватыми прослоями. Микрослоистость представлена чередованием светлых и темных слойков. По данным рентгеноструктурного, химического и минералогического анализов, светлые слойки сложены тонкодисперсным глинистым веществом, характеризующимся повышенным (в сравнении с темными слойками) содержанием карбонатного материала и белой слюды. Светлую окраску имеют также прослои более грубозернистого (алевритого) материала, разделяющего слойки светлой и темной глин. Эти прослои обогащены окислами и гидроокислами железа, которые и придают им такую окраску (рис. 1).


    Рис. 1.
    Типы слойков.

    Получение изображений

    Для получения изображения пришлифованная поверхность образца помещалась непосредственно на планшет сканера. Сканирование проводилось с разрешением 1200 dpi, что позволяет наблюдать и выделять объекты (слойки и включения) мощностью менее 0.05 мм, поскольку размер пикселя полученных изображений равен 0.021 мм.

    Удаление помех

    Глина - довольно мягкий материал, поэтому при шлифовании поверхность образца невозможно довести до состояния зеркала. На шлифованной поверхности остаются разного рода царапины и неровности, которые дают на изображении пятна и полосы. Неравномерная подсветка лампы сканера в процессе сканирования также сказывается на качестве изображения.

    Основные типы помех показаны на рис. 2. После того как образец был пропитан маслом и подсох, все углубления на поверхности оказались заполнены высохшим маслом. Масло при сканировании дает белый цвет. Помехи белого цвета крайне нежелательны, поскольку этот цвет является идентификационным признаком светлых слойков. Особенно нежелательны помехи в виде горизонтальных полос, т.к. они становятся неотличимы от полезного сигнала.


    Рис. 2.
    Основные виды помех.

    Грубые помехи в виде пятен или широких полос отфильтровать без потери полезной информации невозможно. Поэтому они удалялись простой заменой значений поврежденных пикселей значениями соседних, неповрежденных. Неглубокие царапины остаются на поверхности образца после его обработки на шлифовальном круге. Они дают помехи в виде круговых, хаотически ориентированных линий, которые, в принципе, поддаются фильтрации.

    ERDAS IMAGINE имеет массу возможностей по улучшению изображений [8]. Из всех способов фильтрации для решения данной задачи была выбрана фильтрация посредством Фурье-преобразования. Удачно подобранный комбинированный фильтр позволяет существенно улучшить исходное изображение. Так, в результате применения фильтра низких частот на изображении исчезает «рябь», возникающая из-за шероховатости отображаемой поверхности (рис. 3). Использование прямоугольных фильтров позволяет подчеркнуть слоистость, фильтра высоких частот - получить более контрастное изображение (рис. 4), а клинообразный фильтр удаляет помехи в виде субвертикальных полос.


    Рис. 3.
    Фильтрация с применением фильтра низких частот.


    Рис. 4.
    Фильтрация с использованием фильтра высоких частот.

    Сжатие информации

    Следующим этапом обработки изображения было преобразование по методу главных компонент. Предпосылки для использования метода главных компонент были следующие.

    Сканированное изображение получено в RGB-формате, все три слоя изображения содержат фактически одну и ту же информацию – это обнаруживается визуально, просто сравнивая между собой три слоя синтезированного изображения. Большие коэффициенты корреляции между слоями (0.68?0.92) также свидетельствуют об избыточности информации.

    Метод главных компонент [7] и в нашем случае дал интересные результаты. Изображение главных компонент показано на рис. 5. Оно содержит три слоя, отображающие значения 1-й, 2-й и 3-й компонент, соответственно. Значимыми являются две компоненты, общий вес которых составляет 99.1%. Влияние третьей компоненты на формирование значений исходных признаков не существенно, и в дальнейшем она не рассматривалась.


    Рис. 5.
    Основные этапы обработки изображения.

    Если посмотреть на изображение первой компоненты (рис. 6), то смысл ее становиться очевидным – 1-я главная компонента совершенно отчетливо показывает чередование светлых и темных слоев, т.е. представляет собственно слоистость.


    Рис. 6.
    Результаты преобразования по методу главных компонент.

    Вторая главная компонента надежно коррелирует с зонами окисления. Это обнаруживается визуально при сравнении изображений на рис. 6: темные зоны на изображении 2-й главной компоненты соответствуют зонам исходного изображения, где преобладает красный цвет. Об этом же свидетельствует высокое значение факторной нагрузки (-0.74) 2-й компоненты на показатель красного цвета.

    Возможность выделения на изображениях зон окисления представляет интерес для дальнейших исследований, т.к. существует мнение, что появление этих зон является процессом периодическим и связано с 11-летними циклами солнечной активности [2].

    Таким образом, цветность исследуемых пород определяется двумя факторами: вещественным составом сносимого материала и текущими климатическими условиями, что является, в общем, очевидным.

    Кривая «яркости» слойков

    Разложив цветовую гамму изображения на две независимые компоненты, мы имеем возможность исследовать периодичность изменения двух составляющих процесса осадкообразования независимо друг от друга. Вернемся к первой главной компоненте. Если сравнить распределение значений пикселей по вертикальному профилю на исходном (необработанном) изображении и изображении 1-й главной компоненты (рис. 7), то без труда можно заметить, что график изменения значений пикселей по профилю на обработанном изображении более дифференцирован и легко читается в сравнении с аналогичным графиком для необработанного изображения.


    Рис. 7.
    Сравнение исходного и обработанного изображений.

    Детальное сравнение исходного изображения и изображения 1-й компоненты показало, что после всех этапов обработки лишь очень небольшая часть светлых слойков исчезла с изображения. Это были те слойки, яркость которых на исходном изображении мало отличалась от яркости темных. Таким образом, задача выявления слоистости решается практически без потерь полезной информации.

    Вертикальный срез (профиль) изображения 1-й главной компоненты представляет собой график изменения ее значений от вертикальной координаты y. Каждый максимум кривой соответствует светлому слойку, каждый минимум – темному. Здесь можно легко определить число слойков, их местоположение, а также разделить их по яркости (в данном случае речь идет не о спектральной яркости: слово «яркость» употребляется для удобства, поскольку чем больше абсолютная величина главной компоненты для какого-либо пикселя, тем глубже тон цвета отображения данного пикселя). Как говорилось выше, первая главная компонента показывает чередование темных и светлых слойков и слоев, т.е. отражает характер поступления седиментационного материала, который, в свою очередь, является функцией многих климатических и палеогеографических факторов. Следовательно, выявив периодические составляющие кривой «яркости» слойков, можно получить представление о периодичности изменения одной из групп факторов образования осадков.

    Определение количественных характеристик микроциклов и построение модели микрослоистости

    Задача выявления скрытых периодичностей и последующего определения количественных характеристик микроциклов решалась на основе вейвлет-анализа [6]. Спектральный состав кривой «яркости» демонстрирует, что процесс осадконакопления составляют компоненты следующих периодов: 61.8, 5.8, 1.5, 0.68, 0.24, 0.15 мм. Набор количественных характеристик (мощности и «яркости» чередующихся темных и светлых слойков), полученных в результате обработки изображений и вейвлет-анализа, позволяет построить детальные модели цикличности осадконакопления любого порядка. Графическое представление одной из этих моделей показано на рис. 4. Здесь представлены циклы первых четырех порядков, а более мелкие циклы не показаны, т.к. их различия в данном масштабе изображения будут незаметны. Для каждого порядка интенсивность окраски слоя представлена в градациях серого цвета: самый темный слой из циклов одного порядка показан черным цветом, самый светлый – белым. Нетрудно заметить, что кроме мощности, цветонасыщенности слойков, в описание циклов можно добавить и другие расчетные характеристики: контрастность окраски между соседними слоями (или циклами), средняя мощность и средняя яркость единичного цикла, число циклов, составляющих более крупные циклы и т.д. Когда набор количественных характеристик будет собран со всего разреза, данных будет достаточно для более глубокого изучения цикличности: классификации и кодирования циклов. Далее к последовательностям кодированных циклов может быть применен анализ последовательностей временных рядов или цепи Маркова.

    Заключение

    Предложенный способ выделения слоистости дал хорошие результаты и обладает рядом преимуществ в сравнении с традиционным:

    • утомительное разглядывание образцов под микроскопом заменено более простым наблюдением слоистости с экрана монитора
    • все расчеты и обработка информации проводятся с помощью программных средств, поэтому нет необходимости вести документацию, что дает выигрыш во времени при больших объемах работ
    • модифицированные изображения могут дать в конечном итоге новые представления об изучаемом объекте.

    Все вышеизложенное свидетельствует о высокой информативности цифровых изображений образцов горных пород. Возможности извлечения разнообразной информации из цифровых изображений не исчерпаны и требует дальнейшего развития. Относительная простота получения изображений (за исключением полевых работ и шлифования образцов), а также легкость выявления структуры цикличности и определения количественных характеристик слоев и циклов, вселяют надежду на то, что у исследователей в скором времени появится возможность решения задач анализа цикличности с большей эффективностью. Передав наиболее трудоемкую часть работы компьютеру, мы сможем сосредоточить свои усилия на более важной и интересной части задачи - на выяснении природы обнаруженных циклов, восстановлении палеогеографических и палеоклиматических обстановок осадконакопления.

    Литература

    1. Жемчужников Ю.А. Сезонная слоистость и периодичность осадконакопления. М.: Изд-во АН СССР, 1963, 71 с.

    2. Нургалиев Д.К., Хасанов Д.И. Запись солнечных циклов в позднепермских осадочных породах/ Солнечные данные, 1992, №8, с.82-85.

    3. Korn H. Schichtung und absolute Zeit.- Rundschau, 1935, 26.

    4. Дафф П., Халлам А., Уолтон Э. Цикличность осадконакопления. М.:Мир, 1971, 284 с.

    5. Шостакович В.Б. /Изв.ВГО. т.73. вып.3. 1941. с.393-405.

    6. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения. Успехи физических наук. Том 166, № 11, 1996, с.1145-1170.

    7. ERDAS Field Guide, ERDAS, Inc. Atlanta, Georgia, 1999.

    8. ERDAS IMAGINE Tour Guides, ERDAS, Inc. Atlanta, Georgia, 1999.




    Версия для печати