@article { author = {Saedi, Shokoofeh and Chalechale, Abdolah}, title = {Recognition of Minerals in Thin Sections Using Color Image Processing}, journal = {Journal of Machine Vision and Image Processing}, volume = {9}, number = {1}, pages = {17-29}, year = {2022}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {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.}, keywords = {image processing,thin section,Mineral,Segmentation,Classification}, title_fa = {شناسایی کانی های موجود در مقاطع نازک سنگ با استفاده از پردازش تصاویر رنگی}, abstract_fa = {در روش سنتی برای مطالعه­ کانی­ های موجود در مقاطع نازک، مرز کانی­ ها به­ صورت دستی جدا شده و هر بخش برچسب­ گذاری می­شود. این روش هزینه ­بر و نیازمند دانش، تخصص و تجربه بالایی است. بنابراین وجود یک سامانه شناسایی خودکار در این حوزه ضروری است. چنین سامانه­ ای می­تواند باعث افزایش دقت و کاهش خطاهای انسانی، هزینه و زمان تشخیص کانی­ ها ­شود. هدف این پژوهش، پیشنهاد یک سامانه تشخیص خودکار است که با استفاده از پردازش تصویر، کانی­های موجود را شناسایی و طبقه­­ بندی کند. مراحل اصلی روش ارائه شده شامل جمع­ آوری تصاویر از مقاطع نازک، قطعه­ بندی، استخراج ویژگی و طبقه ­بندی است. پس از ایجاد پایگاه­ تصاویر، الگوریتم JSEG برای قطعه ­بندی انتخاب و اعمال شده است. سپس ویژگی­ های رنگ و بافت در دو فضای رنگی RGB و HSI از هر ناحیه استخراج شده­ اند. این ویژگی­ ها، برای طبقه ­بندی به طبقه ­بند فرستاده شده و طبقه­ بند هر ناحیه را به عنوان یک کانی برچسب­ گذاری کرده است. به علاوه، در این پژوهش کارایی شش طبقه­ بند مختلف نیز برای این منظور مورد ارزیابی قرار گرفته است. براساس نتایج، طبقه ­بند Bagged Tree دارای بالاترین دقت به میزان ۹۵٫۵۲ و کمترین میزان میانگین خطای مطلق برابر با ۰٫۰۴ می­ باشد. همچنین همه طبقه ­بندها دارای دقت بالای 93% هستند که نشان می ­دهد روش استخراج ویژگی پیشنهادی دارای قابلیت مناسبی است.}, keywords_fa = {image processing,thin section,Mineral,Segmentation,Classification}, url = {https://jmvip.sinaweb.net/article_134025.html}, eprint = {https://jmvip.sinaweb.net/article_134025_5d03ea099c32f0efc5595fd57a42ad6b.pdf} }