CN107067379B - 基于三维fib-sem图像的页岩孔隙定量表征方法 - Google Patents
基于三维fib-sem图像的页岩孔隙定量表征方法 Download PDFInfo
- Publication number
- CN107067379B CN107067379B CN201710156327.1A CN201710156327A CN107067379B CN 107067379 B CN107067379 B CN 107067379B CN 201710156327 A CN201710156327 A CN 201710156327A CN 107067379 B CN107067379 B CN 107067379B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- pores
- pore
- fib
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001878 scanning electron micrograph Methods 0.000 title claims abstract 13
- 239000011148 porous material Substances 0.000 claims abstract description 240
- 239000005416 organic matter Substances 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000012512 characterization method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000012067 mathematical method Methods 0.000 abstract description 2
- 239000003208 petroleum Substances 0.000 abstract 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 24
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 239000007789 gas Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000010884 ion-beam technique Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 239000003079 shale oil Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 235000015076 Shorea robusta Nutrition 0.000 description 1
- 244000166071 Shorea robusta Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及石油天然气地质勘探开发领域，具体为一种在页岩油气勘探中，采用FIB‑SEM识别页岩内部三维孔隙的类型和定量表征其结构信息。方法包括：利用FIB‑SEM对页岩中的无机质、有机质和孔隙进行微米和纳米级尺度的高精度的三维成像，得到三维FIB‑SEM图像；将三维FIB‑SEM图像的各二维图像进行对齐、对图像亮度不均匀性进行校正、滤波去除图像的噪声；将预处理后的图像进行分割，把图像划分孔隙区、有机质区、无机质区；对图像孔隙区中各孔隙进行标注，根据各孔隙周围有机、无机的分布情况将孔隙分为有机孔隙、无机孔隙、边界孔隙；通过数学方法分别对各孔隙进行分析，得到三维孔隙的表征参数。
Description
技术领域
本发明涉及石油天然气地质勘探开发领域，特别涉及一种在页岩油气勘探中，采用FIB-SEM(聚焦离子束-扫描电镜)识别页岩内部三维孔隙的类型和定量表征其结构信息。
背景技术
页岩的储油和储气能力与页岩中的孔隙度和有效孔隙度等因素息息相关，而孔隙类型和大小的定量描述更是直接决定油和气在孔隙内的赋存状态、运移机理和能力。同时，页岩在沉积演化过程中，孔隙的演变始终是关注的焦点之一，是我们研究页岩油气沉积演化史的重点。因此对页岩储层的孔隙研究与刻画有意义重大。
页岩内的孔隙按形成的机理和位置，可以简单地分为有机孔隙和无机孔隙。有机孔隙是有机质成熟过程中在其内部形成的孔隙，分布在有机质周围和内部，而无机孔隙是由原始的孔隙演变而来或后期在无机矿物内部或矿物颗粒之间形成的，分布在无机矿物颗粒间或矿物内部。还有部分孔隙介于有机质和无机矿物颗粒之间。
目前对于页岩储层孔隙的分析已开展了大量研究，其中主要的测试技术手段有压汞法和气体吸附法，但这两种测试方法的结果展示的都是页岩整体的孔隙特征，不能将页岩中有机质孔隙和无机矿物孔隙进行区分。
而近几年普遍采用的三维扫描技术有：FIB-SEM技术、纳米CT技术。通过这些技术，可以清晰看到孔隙的三维空间分布。如果想要达到区分有机孔隙和无机孔隙并分别定量描述，往往是通过分割出孔隙后，人工根据经验区分有机孔隙和无机孔隙。这种方法操作简单，但是十分耗时，难以准确，推广困难。
另外，通过扫描电镜技术，也可以先获取真实页岩岩心在不同平面上的二维孔隙扫描图像，然后将图像分割转换得到页岩岩心二值图像；并利用模拟的方法构建有机孔隙数字岩心，并通过叠加，建立有机、无机孔隙的数字岩心。这种通过二维数据去模拟三维空间的方法，虽然使用的机时较少，但是不能真正地反应三维空间有机孔隙和无机孔隙的分布，从而对评价页岩储油储气能力、孔隙内的油和气的赋存状态、运移机理和能力带来局限性。
发明内容
针对上述问题，本发明提供一种基于FIB-SEM图像的页岩有机孔隙和无机孔隙的识别和分析新方法。
本发明是通过以下技术方案实现的：
基于三维FIB-SEM图像的页岩孔隙定量表征方法，所述方法包括：
图像采集：利用FIB-SEM对页岩中的无机质、有机质和孔隙进行微米和纳米级尺度的高精度的三维成像，得到三维FIB-SEM图像；
图像预处理：将三维FIB-SEM图像的各二维图像进行对齐、对图像亮度不均匀性进行校正、滤波去除图像的噪声；
图像分割：将预处理后的图像进行分割，把图像划分孔隙区、有机质区、无机质区；
孔隙分析：对图像孔隙区中各孔隙进行标注，根据各孔隙周围有机质区、无机质区的分布情况将孔隙分为有机孔隙、无机孔隙、边界孔隙；
定量表征参数：分别对有机孔隙、无机孔隙、边界孔隙进行分析，得到三维孔隙的各种表征参数值。
进一步地，所述孔隙分析具体为，
对三维图像的各XY方向二维图像进行孔隙连通性分析、提取各孔隙边缘；
一个区域中任意两个像素能够连通，则认为这是一个孔隙；
二维连通性分析依据为，像素p和q，q在像素p同一层周围的4或8个像素，则像素p和q是连通的；
对各二维图像中孔隙提取边缘；
对边缘进行Z方向连通性分析：三维连通性分析依据为，相邻两层面的孔隙边缘像素p1和q1，如果q1在像素p1上下相邻层周围的2或10或18个像素，则像素p1和q1在Z方向是连通的；
对各孔隙进行标注：对每个三维孔隙进行标注；
计算孔隙影响因子n：
其中，num_o为每个孔隙周围有机质像素的数目；num_i为每个孔隙周围无机质像素的数目；其中0≤n≤1；
孔隙类型判断：
0≤n≤k1，孔隙为有机质孔隙；k1＜n＜k2，孔隙为边界孔隙；k2≤n≤1，孔隙为无机质孔隙；
其中0≤k1＜k2≤1；
进一步地，所述对图像亮度不均匀性进行校正具体为：
采用径向基核函数各XY二维图像进行灰度校正，然后将FIB-SEM三维图像进行旋转，对ZX和ZY进行二维图像灰度校正，从而实现三维图像的灰度校正。
进一步地，所述将三维FIB-SEM图像的各二维图像进行对齐具体为：通过变化相邻两张二维图像的相对位置，计算其灰度差的平方和，得到相邻图像的差异程度，然后选取差异程度最小相对位置为对齐位置；依次循环，对所有二维图像进行配准，得到位置对齐后的三维图像。
进一步地，所述滤波去除图像的噪声具体为：
利用三维滤波方法滤除灰度图像的噪声；
所述三维滤波方法包括均值滤波、中值滤波、维纳滤波、高斯滤波。
进一步地，所述图像分割具体为：
其中，f(x,y,z)为原图像的灰度值；g(x,y,z)为分割后图像的灰度值；
T1、T2为分割域值；0≤T1＜T2≤255；式中a、b和c是不同的介于[0,255]灰度值。
进一步地，所述图像分割还包括异常点剔除，将分割后孔隙中小于3像素的点剔除。
进一步地，所述表征参数包括孔隙的体积、表面积、中心位置、长度、宽度、高度、倾角、直径。
本发明的有益技术效果：
(1)本发明在页岩油气勘探中，采用FIB-SEM识别孔隙的类型，判断孔隙是无机孔隙或有机孔隙，并对其结构进行分析表征，解决现有技术中没有方法实现对页岩孔隙在三维空间有效分类和定量表征的问题，为后续评价页岩储油储气能力、孔隙内的油和气的赋存状态、运移机理和能力提供基础。
(2)该方法具有普适性，可用于各种页岩的分析。
(3)本发明所用方法简单、可用于同时包含有机质、无机矿物和孔隙的FIB-SEM图像中，准确率高达100％。
附图说明
图1为本发明基本流程图；
图2为本发明实施例页岩的FIB-SEM三维图像；
图3a为本发明实施例页岩的配准三维图像；
图3b为本发明实施例页岩的灰度校正三维图像；
图3c为本发明实施例页岩的滤波平滑三维图像；
图4a为本发明实施例页岩的分割三维图像；
图4b为本发明实施例页岩的孔隙三维分布图；
图4c为本发明实施例页岩的有机质三维分布图；
图5a为本发明实施例页岩的有机孔隙三维分布图；
图5b为本发明实施例页岩的无机孔隙三维分布图；
图5c为本发明实施例页岩的边界孔隙三维分布图；
图6a为本发明实施例页岩的孔隙的直径——数量柱状分布图；
图6b为本发明实施例页岩的孔隙的直径——体积柱状分布图；
图6c为本发明实施例页岩的有机孔隙、无机孔隙和边界孔隙的直径——数量柱状分布图；
图6d为本发明实施例页岩的有机孔隙、无机孔隙和边界孔隙的直径——体积柱状分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
本实施例针对页岩样品进行孔隙分析，包括如下步骤：
1.FIB-SEM获取图像
FIB-SEM一种集扫描电镜(SEM)的成像功能和聚焦离子束(FIB)的切割功能为一体的双束系统，主要用于对岩石中的矿物、有机质和孔隙进行微米和纳米级尺度的高精度的三维成像。其成像原理为：样品表面与离子束保持垂直；使用FIB离子束对样品表面进行刻蚀，露出观察面，使用SEM电子束对观察面进行扫描，收集二次电子或背散射电子得到高分辨率成像；然后根据剥蚀厚度的要求，设置离子束能量参数对观察面进行剥蚀，剥蚀之后使用电子束对新的观察面进行成像，重复这个步骤直到成像完成。最终得到一系列图像。
FIB-SEM得到的图像就是一系列的二维图像，三维图像是通过各个二维图像在空间不同高度下的堆砌。
通过FIB-SEM获取的图像大小为：1188*1192，每个像素代表10nm。即扫描区域大小长为11.88um，宽为11.92um。切割的厚度为10nm，共切割了842张，即切割的物体高为8.42um。图2为本发明实施例页岩的FIB-SEM三维图像。对仪器本身型号没有要求。在此本发明使用的是蔡司生产的Crossbeam 540聚焦离子束-扫描电子显微镜。本发明使用二次电子信号成像，也可以是背散射电子成像。
2.图像预处理
由于FIB-SEM获得的三维图像是分别采集的，因此每张二维图像与下一张图像之间有时会有一定的偏移。因此在对FIB-SEM的三维图像分析之前，需要对三维图像的位置进行对齐。最简单的办法是：根据图像，人工拖拽将相邻图像对齐，然而FIB-SEM图像一般有几百或上千张图像，人工工作量很大。另一种方法是自动对齐方法，由于FIB-SEM切片厚度较薄(一般只有几纳米至几十纳米)，因此相邻两张二维图像具有一定的近似性，可对相邻两张二维图像进行图像配准。由于相邻二维图像只存在上下左右的偏移，因此可以通过变化相邻两张图像的相对位置，计算其差异程度，然后选取差异程度最小的状态，则认为该相对位置是校正好的位置。依次循环，采用上述方法对所有图像进行配准，得到位置校正对齐后的三维图像。采用两种方法相结合的方式，可以将图像很好地对齐，最后对校正后的图像进行剪裁，去掉校准过程中的多余部分，使得三维图像保持规范的长方体。
其次，由于FIB-SEM扫描样品观察面前方空间有时不够开阔，有些电子信号被前方遮挡，有时会出现观察面底部信号比上部弱，最终扫描图像的亮度由上至下逐步变暗。这种亮度的不均匀性，对图像分割会产生很大干扰。因此需要对图像的灰度进行校正。对此，本发明采用的方法是径向基核函数(Radial Basis Function，简称RBF)，它可以看作是一个高维空间中的曲面拟合(逼近)问题，学习是为了在多维空间中寻找一个能够最佳匹配训练数据的曲面，用这个训练的曲面来处理(比如分类、回归)后续新的数据。RBF的本质思想是应用递归技术反向传播学习算法，这种技术在统计学中被称为随机逼近。RBF里的basisfunction(径向基函数里的基函数)是在神经网络的隐单元里提供了一个函数集，该函数集在输入模式(向量)扩展至隐空间时，为其构建了一个任意的“基”。这个函数集中的函数就被称为径向基函数。但是，RBF灰度校正针对的是二维图像，若Z方向需要进行灰度校正，只需将FIB-SEM三维图像进行旋转，然后进行灰度校正，再旋转回来即可。
最后，在保证原始图像所有重要细节信息特征情况下，将FIB-SEM得到的带有一定噪声的灰度图像进行滤波处理。一般三维滤波方法有均值滤波、中值滤波、维纳滤波、高斯滤波等，本发明采用Mean Shift(均值偏移)滤波函数，Mean Shift滤波是一种有效的统计迭代算法，使得每一个点漂移到密度函数的局部极大值点。它能够在实现图像的自适应滤波过程中，有效地滤除复杂背景下噪音的干扰，同时不损失目标信息。它的一个重要特征是，在迭代的过程中，图像结构没有发生改变。因此，Mean Shift滤波具有非常好的边缘保持性，在图像降噪的同时能够最大程度地保留图像的细节特征。
本实施例首先进行图像配准，先采用人工方法，粗略地将图像进行配准；然后再进行自动配准；图3a为本发明实施例页岩的配准三维图像。配准裁剪多余部分后物体大小为：11.00*11.00*8.42um3。其次，进行灰度校正，图3b为本发明实施例页岩的灰度校正三维图像，可以看出图像有了很好的均一性。最后采用Mean Shift滤波函数进行滤波，图像子块为3*3*3，图3c为本发明实施例页岩的滤波平滑三维图像。可以看出通过以上三个步骤，图像的错位，灰度都得到很好的校正，同时三维图像在去除噪声的同时很好地保留图像的细节特征。
3.图像分割
所谓图像分割指的是根据灰度、颜色等特征把图像划分成若干个互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。常用的分割方法有：阈值分割、区域生长法、分水岭分割等。其中阈值分割以其实现简单、计算量小、便于并行、速度快等优势，成为三维图像分割中最常用的一种方法。阈值分割方法的本质是输入图像f到输出图像g的如下变换：
其中，T1、T2为阈值。阈值确定后，将阈值与像素点的灰度值逐个进行比较，然后给出每个阈值区间内对应的图像区域。通过阈值分割，我们可以初步将FIB-SEM扫描电镜下页岩样品的孔隙、有机质和无机矿物区分开。对于裂缝，在此我们认为是一种特殊的孔隙，不进行单独区分。
但是由于阈值分割不考虑孔隙真实存在的可能性，因此，需要将异常点剔除，例如：分割出小于3像素的点是否为孔隙，在此我们认为此情况下不是孔隙，需要将其剔除。然后重新得到分割结果。
对图3c采用阈值分割的方法，分割得到孔隙、有机质和无机矿物的分布图。在此，本发明实施例在公式(1)中的阈值T1、T2分别为：66、98。即孔隙的灰度值范围：0～66，有机质灰度值范围：67～98，无机质灰度值范围：99～255。然后将异常点小于3个像素的孔隙剔除。图4a为本发明实施例页岩的分割三维图像，其中黑色部分代表孔隙，灰色部分代表有机质，白色部分代表无机矿物。图4b为本发明实施例页岩的孔隙三维分布图，图4c为本发明实施例页岩的有机质三维分布图。其中灰色部分为分别为孔隙和有机质，白色部分为其它物质。为了凸显三维可视化立体效果，在图中加入了光照和阴影设计，其中黑色部分为阴影。
4.二维孔隙分析
分割后得到孔隙，首先需要定义什么是一个孔隙，以及什么是有机孔隙，什么是无机孔隙。
在此，我们认为不是每一个单独的像素都定义为一个孔隙，而是一个区域中任意两个像素能够连通，则认为这是一个孔隙，这与数学上的连通定义相一致，简单来说：像素p和q，如果q在像素p同一层周围的8个像素，或者上下层周围各9个像素，则称这两个像素p和q是26连通的。接下来需要判断每个孔隙是有机孔隙还是无机孔隙，在此根据孔隙周围是有机质还是无机矿物占优(含量所占的比重较大)，如果是有机质，则该孔隙为有机孔隙；如果是矿物，则该孔隙为无机孔隙；如果孔隙周围的有机质和无机含量相差不大，则称该孔隙为边界孔隙。
通过上述定义，首先需要对孔隙的连通性进行分析，从而得到有多少个孔隙。但是，由于三维FIB-SEM图像的像素十分大(一般为1000*1000个像素或更大)，层数也多(一般为500～1000层)，直接采用三维连通性分析将十分耗时，因此该方法可行性不大。对此，我们先对每个层面的二维孔隙进行连通性分析，然后进行边缘提取，再对边缘进行Z方向的连通性分析，通过这种方式的处理，需要分析的数据量将减少很多。
对二维孔隙进行分析，首先进行连通性分析，像素p和q，如果q在像素p周围的8个像素，则称这两个像素是8连通的。从而对每个二维层面的每个孔隙进行标注。标注后的孔隙的像素值为1～M1(M1为孔隙总个数)。标注的目的是为了区分每个孔隙，若像素彼此为一个孔隙，则标注的数值为相同，若像素属于不同孔隙，则标注的数值不同。
对于一个孔隙，由于内部孔隙周围仍是孔隙，对判断孔隙类型没有影响。因此，只需要对孔隙的边缘进行判断，在此采用提取边缘，常用的边缘提取模板有Laplacian算子、Roberts算子、Sobel算子、Laplacian-Gauss算子、Kirsch算子和Prewitt算子等。
然后对二维孔隙边缘进行接触面的类型判断，统计周围有机质和无机矿物的数量，分别得到每个孔隙周围有机质和无机矿物像素的数目num_o和num_i。为了减少运算量，本发明将这两个影响因子转化为一个，如采用下面公式(2)的变换，将两个影响因子转化为在区间[0,1]的一个影响因子n，以便于下一步三维孔隙的分析。若n值越接近1，则说明孔隙周围的无机矿物相对含量越多；n值越接近0，则说明孔隙周围的有机质含量越多；n值越接近0.5，则说明孔隙周围的有机质和无机矿物的含量相差不大。
首先对每个层面的孔隙进行连通性分析，然后进行边缘提取。在本发明实施例中，我们采用的是Sobel算子。对二维孔隙边缘进行分析，统计周围有机质和无机矿物的数量，并利用公式(2)中，得到每一个二维孔隙的影响因子n。
5.三维孔隙分析
将步骤4中每个孔隙的边缘沿着Z方向进行连通性分析，得到三维孔隙的连通性分析，统计得本发明实施例孔隙共有23524个。然后对每个孔隙的数据n进行数据统计，得到均值mean_n，这个数据在区间[0,1]内。而且越接近0，表示该孔隙周围有机质的比重越高，有机质越占优；越接近1，表示该孔隙周围无机矿物的比重越高，无机矿物越占优；越接近0.5，表示该孔隙周围无机矿物和有机质的比重越相近。
6.三维孔隙类型判断
根据三维孔隙的均值分析结果，判断每个孔隙周围是有机质还是无机矿物所占的比重大(占优)，若有机质明显占优，则认为该孔隙为有机孔隙；若无机矿物明显占优，则认为该孔隙为无机孔隙；若无二者所占比重相差不大，则认为该孔隙为边界孔隙。据此为依据，分别可得到有机孔隙、无机孔隙、边界孔隙的三维空间分布图。
在本发明实施例中，我们规定均值mean_n不大于0.4时，有机质明显占优，该孔隙为有机孔隙；mean_n不小于0.6时，无机矿物明显占优，该孔隙为无机孔隙；否则有机质和无机矿物都无明显占优，该孔隙为边界孔隙。得到有机孔隙共计22479个，无机孔隙共计782个，边界孔隙共计263个。图5a为本发明实施例页岩的有机孔隙三维分布图，图5b为本发明实施例页岩的无机孔隙三维分布图，图5c为本发明实施例页岩的边界孔隙三维分布图。其中灰色部分为分别为有机孔隙、无机孔隙和边界孔隙，白色部分为其它物质，为了凸显三维可视化立体效果，在图中加入了光照和阴影设计，其中黑色部分为阴影。
7.分析
进一步地，对孔隙进行分析定量表征。通过数学方法进行分析计算，根据步骤6得到的结果，分别对有机孔隙、无机孔隙、边界孔隙进行分析，得到三维孔隙的各种表征参数：比如孔隙的体积、表面积、中心位置、长度、宽度、高度、倾角、直径等数据。
在此，我们主要关注于孔隙的直径——数量分布和孔隙的直径——体积分布。首先对整体孔隙进行分析，孔隙的体积为6.167um3，对应孔隙度为0.61vol％。图6a为本发明实施例页岩的孔隙的直径——数量柱状分布图，图6b为本发明实施例页岩的孔隙的直径——体积柱状分布图。对图6a进行分析，可以看出页岩中孔隙的直径多分布于0～50nm、50～100nm之间。对图6b进行分析，可以看出孔隙的体积主要分布在10～50nm、50～100nm和100～200nm之间。
对有机孔隙、无机孔隙和边界孔隙分别分析定量表征，得到有机孔隙、无机孔隙和边界孔隙的体积分别为3.887um3、2.191um3、0.089um3，对应的有机孔隙、无机孔隙和边界孔隙的孔隙度分别为0.38％、0.22％、0.01％。图6c为本发明实施例页岩的有机孔隙、无机孔隙和边界孔隙的直径——数量柱状分布图，图6d为本发明实施例页岩的有机孔隙、无机孔隙和边界孔隙的直径——体积柱状分布图。
对图6c进行分析，可以看出页岩中的有机孔隙和边界孔隙直径主要分布于0～50nm和50～100nm之间，但超过400nm的孔隙只存在于有机孔隙中；而无机孔隙主要分布在10～50nm和50～100nm和100～200nm之间。
对图6d进行分析，可以看出页岩中有机孔隙的体积主要分布在10～50nm和50～100nm之间；而边界孔隙主要的体积主要分布在50～100nm和100～200nm之间；无机孔隙的体积主要分布在100～200nm和200～300nm之间。
Claims (7)
1.基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述方法包括：
图像采集：利用FIB-SEM对页岩中的无机质、有机质和孔隙进行微米和纳米级尺度的高精度的三维成像，得到三维FIB-SEM图像；
图像预处理：将三维FIB-SEM图像的各二维图像进行对齐、对图像亮度不均匀性进行校正、滤波去除图像的噪声；
图像分割：将预处理后的图像进行分割，把图像划分孔隙区、有机质区、无机质区；
孔隙分析：对图像孔隙区中各孔隙进行标注，根据各孔隙周围有机质区、无机质区的分布情况将孔隙分为有机孔隙、无机孔隙、边界孔隙；
定量表征参数：分别对有机孔隙、无机孔隙、边界孔隙进行分析，得到三维孔隙的各种表征参数值；
所述孔隙分析具体为，
（1）对三维图像的各XY方向二维图像进行孔隙连通性分析、提取各孔隙边缘；
一个区域中任意两个像素能够连通，则认为这是一个孔隙；
二维连通性分析依据为，像素p和q，q在像素p同一层周围的4或8个像素，则像素p和q是连通的；
对各二维图像中孔隙提取边缘；
（2）对边缘进行Z方向连通性分析：三维连通性分析依据为，相邻两层面的孔隙边缘像素p 1和q 1，如果q 1在像素p 1上下相邻层周围的2或10或18个像素，则像素p 1和q 1在Z方向是连通的；
（3）对各孔隙进行标注：对每个三维孔隙进行标注；
（4）计算孔隙影响因子n：
；
其中，num_o为每个孔隙周围有机质像素的数目；num_i为每个孔隙周围无机质像素的数目；其中；
（5）孔隙类型判断：
，孔隙为有机质孔隙；，孔隙为边界孔隙；，孔隙为无机质孔隙；
其中。
2.如权利要求1所述基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述对图像亮度不均匀性进行校正具体为：
采用径向基核函数各XY二维图像进行灰度校正，然后将FIB-SEM三维图像进行旋转，对ZX和ZY进行二维图像灰度校正，从而实现三维图像的灰度校正。
3.如权利要求1所述基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述将三维FIB-SEM图像的各二维图像进行对齐具体为：通过变化相邻两张二维图像的相对位置，计算其灰度差的平方和，得到相邻图像的差异程度，然后选取差异程度最小相对位置为对齐位置；依次循环，对所有二维图像进行配准，得到位置对齐后的三维图像。
4.如权利要求1所述基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述滤波去除图像的噪声具体为：
利用三维滤波方法滤除灰度图像的噪声；
所述三维滤波方法包括均值滤波、中值滤波、维纳滤波、高斯滤波。
5.如权利要求1所述基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述图像分割具体为：
；
其中，为原图像的灰度值；为分割后图像的灰度值；T 1、T 2为分割域值；；式中a、b和c是不同的介于[0,255]灰度值。
6.如权利要求5所述基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述图像分割还包括异常点剔除，将分割后孔隙中小于3像素的点剔除。
7.如权利要求1所述基于三维FIB-SEM图像的页岩孔隙定量表征方法，其特征在于，所述表征参数包括孔隙的体积、表面积、中心位置、长度、宽度、高度、倾角、直径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710156327.1A CN107067379B (zh) | 2017-03-16 | 2017-03-16 | 基于三维fib-sem图像的页岩孔隙定量表征方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710156327.1A CN107067379B (zh) | 2017-03-16 | 2017-03-16 | 基于三维fib-sem图像的页岩孔隙定量表征方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107067379A CN107067379A (zh) | 2017-08-18 |
| CN107067379B true CN107067379B (zh) | 2018-07-20 |
Family
ID=59618286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710156327.1A Active CN107067379B (zh) | 2017-03-16 | 2017-03-16 | 基于三维fib-sem图像的页岩孔隙定量表征方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107067379B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107993261B (zh) * | 2017-11-02 | 2019-02-12 | 中国科学院地质与地球物理研究所 | 一种基于三维岩心扫描图像的孔隙与孔喉识别方法 |
| CN109961465B (zh) * | 2017-12-21 | 2024-04-26 | 东莞东阳光科研发有限公司 | 一种基于多重分形的腐蚀箔表面隧道孔均匀性表征方法 |
| CN108318514B (zh) * | 2018-01-08 | 2021-03-09 | 中国石油天然气股份有限公司 | 一种确定笔石体与围岩的属性信息的方法 |
| CN108682020B (zh) * | 2018-04-28 | 2019-04-12 | 中国石油大学(华东) | 岩心微米ct孔隙结构重构方法 |
| CN109269953B (zh) * | 2018-08-21 | 2019-11-26 | 中国科学院地质与地球物理研究所 | 岩石无机矿物孔隙分类表征的方法 |
| CN109255764A (zh) * | 2018-08-31 | 2019-01-22 | 中国石油大学(北京) | 一种去除fib-sem图像幕帘噪声的方法及装置 |
| CN109448104B (zh) * | 2018-10-11 | 2020-10-30 | 中国科学院力学研究所 | 一种基于岩心图像的拓展重构方法及装置 |
| CN109115819B (zh) * | 2018-10-15 | 2019-06-04 | 中国科学院地质与地球物理研究所 | 一种基于fib-him对页岩有机微孔和介孔进行表征的方法及系统 |
| CN109444015A (zh) * | 2018-10-31 | 2019-03-08 | 成都理工大学 | 多视域、多尺度下的页岩储层微孔系统鉴定方法 |
| CN110018108B (zh) * | 2019-05-14 | 2020-04-28 | 中国科学院地质与地球物理研究所 | 岩石孔隙孔径的测定方法及设备 |
| CN110223282B (zh) * | 2019-06-10 | 2021-05-14 | 中国石油大学(华东) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 |
| CN110849785B (zh) * | 2019-10-21 | 2020-12-25 | 中国地质大学（武汉） | 一种利用多次压汞实验表征页岩孔隙连通性的方法 |
| CN110910444B (zh) * | 2019-11-14 | 2022-12-09 | 中国科学院力学研究所 | 一种res尺度页岩等效三维孔隙参数快速提取方法 |
| CN110910411B (zh) * | 2019-11-14 | 2022-12-09 | 中国科学院力学研究所 | 一种具有尺寸自适应的页岩裂缝自动提取方法 |
| CN112881253B (zh) * | 2019-11-29 | 2022-11-25 | 华北理工大学 | 一种确定岩石铸体薄片图片孔隙区域的方法、面孔率计算方法及其应用 |
| CN111610130B (zh) * | 2020-05-30 | 2022-05-31 | 中国石油天然气股份有限公司 | 一种大型淡水湖盆陆相泥页岩油储集层孔隙形成与演化评价方法 |
| CN111862306B (zh) * | 2020-07-03 | 2023-09-19 | 大连理工大学 | 一种基于ct图像的孔隙填充型水合物沉积物三维建模方法 |
| CN112308819A (zh) * | 2020-09-16 | 2021-02-02 | 宜宾学院 | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 |
| CN113191330A (zh) * | 2021-05-27 | 2021-07-30 | 宜宾学院 | 融合二次电子和背散射电子图像的区域生长孔隙识别方法 |
| CN113281237B (zh) * | 2021-06-02 | 2022-06-03 | 中国石油大学(华东) | 基于孔径分布的页岩多相数字岩心的表面提取方法 |
| CN113570505B (zh) * | 2021-09-24 | 2022-01-04 | 中国石油大学(华东) | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
| CN114624470B (zh) * | 2022-03-16 | 2023-10-20 | 贝光科技(苏州)有限公司 | 基于复合电子信号图像的页岩孔缝类型识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104237103B (zh) * | 2014-09-23 | 2017-10-17 | 中国石油天然气股份有限公司 | 一种孔隙连通性定量表征方法及装置 |
| CN104574420A (zh) * | 2015-01-29 | 2015-04-29 | 中国石油大学(华东) | 一种纳米级泥页岩数字岩心构建方法 |
| CN105352873B (zh) * | 2015-11-26 | 2018-12-21 | 中国石油大学(北京) | 页岩孔隙结构的表征方法 |
-
2017
- 2017-03-16 CN CN201710156327.1A patent/CN107067379B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107067379A (zh) | 2017-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107067379B (zh) | 基于三维fib-sem图像的页岩孔隙定量表征方法 | |
| CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
| US6539106B1 (en) | Feature-based defect detection | |
| US11449977B2 (en) | Generating training data usable for examination of a semiconductor specimen | |
| CN106651839A (zh) | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 | |
| Guntoro et al. | Application of machine learning techniques in mineral phase segmentation for X-ray microcomputed tomography (µCT) data | |
| CN112132791B (zh) | 一种页岩扫描电镜图像处理方法、装置、设备和存储介质 | |
| CN113706603B (zh) | 页岩有机质孔隙连通性分类表征的方法 | |
| Kazak et al. | Machine-learning-assisted segmentation of focused ion beam-scanning electron microscopy images with artifacts for improved void-space characterization of tight reservoir rocks | |
| Wan et al. | Wavelet-based statistical features for distinguishing mitotic and non-mitotic cells in breast cancer histopathology | |
| JP7464370B2 (ja) | 顕微鏡画像のスマート計測 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| CN112308819A (zh) | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 | |
| Kozakiewicz | Image analysis algorithm for detection and measurement of Martian sand grains | |
| CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
| Kim et al. | Entropy‐assisted image segmentation for nano‐and micro‐sized networks | |
| CN113191330A (zh) | 融合二次电子和背散射电子图像的区域生长孔隙识别方法 | |
| CN112802042A (zh) | 二维岩心数字化图像颗粒分割方法、装置及可读存储介质 | |
| CN112116581A (zh) | 获取原子成像中的原子位置的方法与装置 | |
| KR20230161868A (ko) | 반도체 시편의 결함 검출 | |
| CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
| US20220397697A1 (en) | Grain-based minerology segmentation system and method | |
| CN115410049B (zh) | 一种岩体溶蚀程度的分类评估方法及装置 | |
| Alqahtani et al. | Segmentation of X-Ray Images of Rocks Using Supervoxels Over-Segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |