CN107851316B - 地质薄层剖面的基于图像的分析方法和系统 - Google Patents

地质薄层剖面的基于图像的分析方法和系统 Download PDF

Info

Publication number
CN107851316B
CN107851316B CN201680041234.8A CN201680041234A CN107851316B CN 107851316 B CN107851316 B CN 107851316B CN 201680041234 A CN201680041234 A CN 201680041234A CN 107851316 B CN107851316 B CN 107851316B
Authority
CN
China
Prior art keywords
image
images
seed
particle
composite image
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
Application number
CN201680041234.8A
Other languages
English (en)
Other versions
CN107851316A (zh
Inventor
穆赫莱丝·穆斯塔法·梅兹加尼
塞勒姆·哈穆德·沙马里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saudi Arabian Oil Co
Original Assignee
Saudi Arabian Oil Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Saudi Arabian Oil Co filed Critical Saudi Arabian Oil Co
Publication of CN107851316A publication Critical patent/CN107851316A/zh
Application granted granted Critical
Publication of CN107851316B publication Critical patent/CN107851316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/361—Optical details, e.g. image relay to the camera or image sensor
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365—Control or image processing arrangements for digital or video microscopes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/63—Control of cameras or camera modules by using electronic viewfinders
    • H04N23/631—Graphical user interfaces [GUI] specially adapted for controlling image capture or setting capture parameters
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/02—Objectives
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/06—Means for illuminating specimens
    • G02B21/08—Condensers
    • G02B21/082—Condensers for incident illumination only
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/24—Base structure
    • G02B21/26—Stages; Adjusting means therefor
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B5/00—Optical elements other than lenses
    • G02B5/30—Polarising elements
    • G02B5/3025—Polarisers, i.e. arrangements capable of producing a definite output polarisation state from an unpolarised input state
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Optics & Photonics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

用于地质薄层剖面的基于图像的分析的技术包括(i)从来自地下区域的岩石样本的地质薄层剖面获取多个图像；(ii)操纵所述多个图像以导出合成图像；(iii)优化合成图像以导出种子图像；(iv)在所述种子图像中识别多个连续像素中的特定种子像素，所述特定种子像素包括种子图像中岩石样本的多个颗粒中的颗粒的图像；(v)利用指定的算法基于种子像素确定颗粒的形状；(vi)根据颗粒的形状确定颗粒的尺寸；以及(vii)准备颗粒的尺寸的确定结果以呈现给用户。

Description

地质薄层剖面的基于图像的分析方法和系统
优先权要求
本申请要求2015年5月20日提交的第62/164,292号美国临时专利申请和2016年3月28日提交的第15/082,540号美国专利申请的优先权，其全部内容通过引用合并于此。
技术领域
本公开涉及地质薄层剖面分析，并且更具体地涉及用于地质薄层剖面的基于图像的分析的方法和系统。
背景技术
地质岩相学工作中的一个常见问题是薄层剖面的分析。这方面的一个示例是岩石样本的岩相学研究，例如矿物成分、纹理等。信息可以由地质学家和岩石学家从薄层剖面推断出来。这些信息包括但不限于碎屑成分、纹理、粘土、基质、水泥和孔隙度。由于烃类流体可能位于碎屑颗粒之间的孔隙空间中，所以薄层剖面分析是用于检查岩石和估计其不同参数的一种示例技术。因此，地质薄层剖面的研究(例如沉积岩相学)已成为烃类勘探的重要学科之一。
传统上，薄层剖面分析通过在薄层剖面上实施的点计数方法来确定。尽管点计数计算非常耗时，但在包括地质学、生物学、医学和材料科学等若干领域中也是常用的。薄层剖面点计数通常通过附接到显微镜的机械或机电设备进行。这种机械或机电设备可能非常昂贵，并且提供有限的功能。点计数也可能需要地质学家广泛的认知工作量。此外，点计数分析的最终结果可能是主观的，并且取决于地质学家的理解力和专业知识。
发明内容
本公开描述了用于地质薄层剖面分析的方法和系统的实现。在一些示例性实现方式中，自动工作流程过程确定地质薄层剖面的多个颗粒的尺寸和尺寸分布。自动工作流程采用偏振显微镜系统获取地质薄层剖面的多个图像，操纵图像，并自动对所操纵的图像应用迭代算法过程，以确定地质薄层剖面颗粒的颗粒形状和尺寸。
在一般的实现方式中，一种用于地质薄层剖面的基于图像的分析的计算机实现的方法包括：(i)从来自地下区域的岩石样本的地质薄层剖面部分获取多个图像；(ii)操纵所述多个图像以导出合成图像；(iii)优化合成图像以导出种子图像；(iv)在所述种子图像中识别多个连续像素中的特定种子像素，所述特定种子像素包括所述种子图像中所述岩石样本的多个颗粒中的颗粒的图像；(v)利用指定的算法基于所述种子像素确定所述颗粒的形状；(vi)基于所述颗粒的形状确定所述颗粒的尺寸；以及(vii)准备颗粒的尺寸的确定结果以呈现给用户。
可与一般实现方式组合的方面还包括：基于所述颗粒的形状来确定所述颗粒的球形度、圆度、伸长率或锐度中的至少一个。
可以与任何前述方面组合的另一方面还包括：产生更新的合成图像以从合成图像去除颗粒的形状。
在可与任何前述方面组合的另一方面中，产生更新的合成图像以从合成图像去除颗粒的形状包括：将包括颗粒图像的多个连续像素设置为零值。
在可与任何前述方面组合的另一方面中，从来自地下区域的岩石样本的地质薄层剖面获取多个图像包括：从所述地质薄层剖面获取至少一个平面偏振图像；以及从所述地质薄层剖面获取至少两个交叉偏振图像。
在可与任何前述方面组合的另一方面中，从所述地质薄层剖面获取至少一个平面偏振图像包括：从所述地质薄层剖面获取四个平面偏振图像，并且所述地质薄层剖面获取至少两个交叉偏振图像包括：从所述地质薄层剖面获取四个交叉偏振图像。
在可与任何前述方面组合的另一方面中，从所述地质薄层剖面获取四个平面偏振图像包括：从所述地质薄层剖面获取四个平面偏振图像，每个平面偏振图像从所述地质薄层剖面相对于零位置角度旋转不同的角度。
在可与任何前述方面组合的另一方面中，从所述地质薄层剖面获取四个交叉偏振图像包括：从所述地质薄层剖面获取四个交叉偏振图像，每个交叉偏振图像相对于零位置角度旋转不同的角度。
在可与任何前述方面组合的另一方面中，所述不同的角度包括自所述零位置角度始的0度、25度、45度和65度。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像包括配准所述多个图像。
在可与任何前述方面组合的另一方面中，配准所述多个图像包括：以等于相对于所述零位置角度的不同角度的对角值的旋转角度将旋转变换应用于所述多个图像中的每个图像。
可与任何前述方面组合的另一方面还包括：针对所述多个图像中的每个图像确定对其应用旋转变换的旋转中心。
在可与任何前述方面组合的另一方面中，确定旋转中心包括执行数值算法以获得旋转中心。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像还包括产生第一合成图像。
在可与任何前述方面组合的另一方面中，通过将边缘检测算法应用于所述至少两个交叉偏振图像来产生所述第一合成图像。
在可与任何前述方面组合的另一方面中，边缘检测算法包括Sobel算法。
在可与任何前述方面组合的另一方面中，第一合成图像包括多个第一合成图像的聚合，每个第一合成图像对应于多个交叉偏振图像中的特定一个交叉偏振图像。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像还包括产生第二合成图像。
在可与任何前述方面组合的另一方面中，第二合成图像包括基于第一合成图像的组合交叉偏振图像。
在可与任何前述方面组合的另一方面中，组合的交叉偏振图像包括基于多个第一合成图像的平均交叉偏振图像。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像还包括产生第三合成图像。
在可与任何前述方面组合的另一方面中，第三合成图像包括所述至少一个平面偏振图像的分割图像。
可与任何前述方面组合的另一方面还包括：通过确定区分所述地质薄层剖面的颗粒和所述地质薄层剖面的孔隙的颜色的临界值来产生所述至少一个平面偏振图像的分割图像；并且将临界值应用于所述至少一个平面偏振图像。
在可与任何前述方面组合的另一方面中，所确定的临界值基于所述地质薄层剖面的环氧树脂的颜色。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像包括：通过基于所述第一个合成图像标记所述第三合成图像中的所述多个颗粒的颗粒边缘来创建最终的合成图像，从而产生用于导出所述种子图像的最终合成图像。
在可与任何前述方面组合的另一方面中，优化合成图像以导出种子图像包括：基于最终合成图像的平均值产生第一种子图像；以及基于所述第一种子图像的绝对偏差或标准偏差产生第二种子图像。
可与任何前述方面组合的另一方面还包括通过在第二种子图像中针对第二种子图像中包括低于阈值的平均值的每个像素分配绝对偏差值来产生第三种子图像。
可与任何前述方面组合的另一方面还包括基于像素的最低平均值从第三种子图像中选择种子像素。
在可与任何前述方面组合的另一方面中，所指定的算法包括种子区域生长算法(SRG)，所述方法还包括：将所述种子像素添加到顺序搜索列表(SSL)队列。
在可与任何前述方面组合的另一方面中，利用指定的算法基于种子像素确定颗粒的形状包括：从SSL队列中选择种子像素。
可与任何前述方面组合的另一方面还包括：对于与种子像素相邻的多个相邻像素中的每一个，确定相邻像素与种子像素的相似度；基于相邻像素的相似度满足阈值相似度，将相邻像素加入到颗粒形状中。
在可与任何前述方面组合的另一方面中，所述多个相邻像素包括与种子像素相邻的八个相邻像素。
在可与任何前述方面组合的另一方面中，相似度包括颜色相似度。
在可与任何前述方面组合的另一方面中，确定所述相邻像素与所述种子图像的相似度包括：测量所述种子像素的颜色矢量与所述相邻像素的颜色矢量之间的欧几里得距离，并且所述阈值相似度包括欧几里得距离的最大值。
在可与任何前述方面组合的另一方面中，基于所述多个相邻像素的颜色矢量与种子像素的颜色矢量的绝对偏差来确定阈值相似度。
可与任何前述方面组合的另一方面还包括：从SSL队列中选择另一种子像素；并且对于与另一种子像素相邻的多个相邻像素中的每一个，确定相邻像素与另一种子像素的相似度；并且基于相邻像素的相似度满足阈值相似度，将相邻像素添加到另一颗粒形状。
在可与任何前述方面组合的另一方面中，基于颗粒的形状来确定颗粒的尺寸包括以下中的至少一个：确定颗粒内的最长段的长度；或者确定颗粒的外接圆的直径。
可与任何前述方面组合的另一方面还包括通过对岩石样本的所述多个颗粒中的另一颗粒重复步骤(iii)-(vi)来执行迭代过程。
可与任何前述方面组合的另一方面还包括：当所述多个颗粒中的特定颗粒的所确定的颗粒尺寸小于指定的阈值颗粒尺寸时，停止所述迭代过程。
可与任何前述方面组合的另一方面还包括向用户以图形方式显示岩石样本中的多个颗粒的确定的颗粒尺寸的颗粒尺寸分布。
在可与任何前述方面组合的另一方面中，岩石样本包括各向异性岩石样本或碎屑岩样本。
在另一个一般的实现方式中，用于地质薄层剖面的基于图像的分析的系统包括：偏振显微镜；以及包括存储器和一个或多个处理器的控制系统。所述存储器包括在由所述一个或多个处理器执行时执行操作的可操作指令，所述操作包括：(i)从来自地下区域的岩石样本的地质薄层剖面部分获取多个图像；(ii)操纵所述多个图像以导出合成图像；(iii)优化合成图像以导出种子图像；(iv)在所述种子图像中识别多个连续像素中的特定种子像素，所述特定种子像素包括所述种子图像中所述岩石样本的多个颗粒中的颗粒的图像；(v)利用指定的算法基于所述种子像素确定所述颗粒的形状；(vi)基于所述颗粒的形状确定所述颗粒的尺寸；以及(vii)准备颗粒的尺寸的确定结果以呈现给用户。
在可与一般实现方式组合的方面中，所述操作还包括：基于所述颗粒的形状来确定所述颗粒的球形度、圆度、伸长率或锐度中的至少一个。
在可与任何前述方面组合的另一方面中，所述操作还包括：产生更新的合成图像以从合成图像去除颗粒的形状。
在可与任何前述方面组合的另一方面中，产生更新的合成图像以从合成图像去除颗粒的形状包括：将包括颗粒图像的多个连续像素设置为零值。
在可与任何前述方面组合的另一方面中，从来自地下区域的岩石样本的地质薄层剖面获取多个图像包括：从所述地质薄层剖面获取至少一个平面偏振图像；以及从所述地质薄层剖面获取至少两个交叉偏振图像。
在可与任何前述方面组合的另一方面中，从所述地质薄层剖面获取至少一个平面偏振图像包括：从所述地质薄层剖面获取四个平面偏振图像，并且所述地质薄层剖面获取至少两个交叉偏振图像包括：从所述地质薄层剖面获取四个交叉偏振图像。
在可与任何前述方面组合的另一方面中，从所述地质薄层剖面获取四个平面偏振图像包括：从所述地质薄层剖面获取四个平面偏振图像，每个平面偏振图像相对于零位置角度旋转不同的角度，并且从所述地质薄层剖面获取四个交叉偏振图像包括：从所述地质薄层剖面获取四个交叉偏振图像，每个交叉偏振图像相对于零位置角度旋转不同的角度。
在可与任何前述方面组合的另一方面中，所述不同的角度包括自所述零位置角度始的0度、25度、45度和65度。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像包括配准所述多个图像。
在可与任何前述方面组合的另一方面中，配准所述多个图像包括：以等于相对于所述零位置角度的不同角度的对角值的旋转角度将旋转变换应用于所述多个图像中的每个图像。
在可与任何前述方面组合的另一方面中，所述操作还包括：针对所述多个图像中的每个图像确定对其应用旋转变换的旋转中心。
在可与任何前述方面组合的另一方面中，确定旋转中心包括执行数值算法以获得旋转中心。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像还包括产生第一合成图像。
在可与任何前述方面组合的另一方面中，通过将边缘检测算法应用于所述至少两个交叉偏振图像来产生所述第一合成图像。
在可与任何前述方面组合的另一方面中，边缘检测算法包括Sobel算法。
在可与任何前述方面组合的另一方面中，第一合成图像包括多个第一合成图像的聚合，每个第一合成图像对应于多个交叉偏振图像中的特定一个交叉偏振图像。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像还包括产生第二合成图像。
在可与任何前述方面组合的另一方面中，第二合成图像包括基于第一合成图像的组合交叉偏振图像。
在可与任何前述方面组合的另一方面中，组合的交叉偏振图像包括基于多个第一合成图像的平均交叉偏振图像。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像还包括产生第三合成图像。
在可与任何前述方面组合的另一方面中，第三合成图像包括所述至少一个平面偏振图像的分割图像。
在可与任何前述方面组合的另一方面中，所述操作还包括：通过确定区分所述地质薄层剖面的颗粒和所述地质薄层剖面的孔隙的颜色的临界值来产生所述至少一个平面偏振图像的分割图像；并且将临界值应用于所述至少一个平面偏振图像。
在可与任何前述方面组合的另一方面中，所确定的临界值基于所述地质薄层剖面的环氧树脂的颜色。
在可与任何前述方面组合的另一方面中，操纵所述多个图像以导出合成图像包括：通过基于所述第一个合成图像标记所述第三合成图像中的所述多个颗粒的颗粒边缘来创建最终的合成图像，从而产生用于导出所述种子图像的最终合成图像。
在可与任何前述方面组合的另一方面中，优化合成图像以导出种子图像包括：基于最终合成图像的平均值产生第一种子图像；以及基于所述第一种子图像的绝对偏差或标准偏差产生第二种子图像。
在可与任何前述方面组合的另一方面中，所述操作还包括通过在第二种子图像中针对第二种子图像中包括低于阈值的平均值的每个像素分配绝对偏差值来产生第三种子图像。
在可与任何前述方面组合的另一方面中，所述操作还包括基于像素的最低平均值从第三种子图像中选择种子像素。
在可与任何前述方面组合的另一方面中，所指定的算法包括种子区域生长算法(SRG)，所述方法还包括：将所述种子像素添加到顺序搜索列表(SSL)队列。
在可与任何前述方面组合的另一方面中，利用指定的算法基于种子像素确定颗粒的形状包括：从SSL队列中选择种子像素，并且对于与种子像素相邻的多个相邻像素中的每一个，确定相邻像素与种子像素的相似度；并且基于相邻像素的相似度满足阈值相似度，将相邻像素加入到颗粒形状中。
在可与任何前述方面组合的另一方面中，所述多个相邻像素包括与种子像素相邻的八个相邻像素。
在可与任何前述方面组合的另一方面中，相似度包括颜色相似度。
在可与任何前述方面组合的另一方面中，确定所述相邻像素与所述种子图像的相似度包括：测量所述种子像素的颜色矢量与所述相邻像素的颜色矢量之间的欧几里得距离，并且所述阈值相似度包括欧几里得距离的最大值。
在可与任何前述方面组合的另一方面中，基于所述多个相邻像素的颜色矢量与种子像素的颜色矢量的绝对偏差来确定阈值相似度。
在可与任何前述方面组合的另一方面中，所述操作还包括：从SSL队列中选择另一种子像素；并且对于与另一种子像素相邻的多个相邻像素中的每一个，确定相邻像素与另一种子像素的相似度；并且基于相邻像素的相似度满足阈值相似度，将相邻像素添加到另一颗粒形状。
在可与任何前述方面组合的另一方面中，基于颗粒的形状来确定颗粒的尺寸包括以下中的至少一个：确定颗粒内的最长段的长度；或者确定颗粒的外接圆的直径。
在可与任何前述方面组合的另一方面中，所述操作还包括通过对岩石样本的所述多个颗粒中的另一颗粒重复步骤(iii)-(vi)来执行迭代过程。
在可与任何前述方面组合的另一方面中，所述操作还包括：当所述多个颗粒中的特定颗粒的所确定的颗粒尺寸小于指定的阈值颗粒尺寸时，停止所述迭代过程。
在可与任何前述方面组合的另一方面中，所述操作还包括向用户以图形方式显示岩石样本中的多个颗粒的确定的颗粒尺寸的颗粒尺寸分布。
在可与任何前述方面组合的另一方面中，岩石样本包括各向异性岩石样本或碎屑岩样本。
根据本公开的用于地质薄层剖面工作流程分析的方法和系统的实现方式可以包括以下特征中的一个或多个。例如，工作流程可以包括高水平的自动化，与如点计数的传统的岩相学方法相比，可以在更短的时间内(相比较几小时的人工操作，只需十分之几秒的计算即可完成)提供精确的薄层剖面分析。该工作流程可能会显著缩短进行薄层剖面分析所需的时间。作为另一示例，工作流程可以最小化人类用户(例如，地质学家)的认知工作量。此外，工作流程可减少与传统点计数方法相关联的人为错误。另外，工作流程不需要昂贵的专用设备来实施地质薄层剖面分析。作为另一示例，与传统方法相比，工作流程可以提高颗粒计数一致性。另外，工作流程可以允许非地质学家进行地质薄层剖面分析。
在附图和下面的描述中阐述了在本公开中描述的主题的一个或多个实现方式的细节。实现方式可以是系统、方法、装置和计算机可读介质的形式。例如，一个或多个计算机的系统可以被配置为通过在系统上安装软件、固件、硬件或者它们的组合来实施特定的动作，所述软件、固件、硬件或者它们的组合在操作中导致系统实施动作。一个或多个计算机程序可以被配置为通过包括在由数据处理装置执行时使得装置实施动作的指令来实施特定的动作。所述主题的特征、方面和优点将从描述、附图和权利要求中变得清晰。
附图说明
图1A是地质薄层剖面的示意图。
图1B是描述用于地质薄层剖面的基于图像的分析的方法的流程图。
图2示出了用于地质薄层剖面的基于图像的分析的偏振显微镜的实现方式。
图3示出了地质薄层剖面的平面偏振图像。
图4示出了地质薄层剖面的交叉偏振图像。
图5示出了地质薄层剖面的配准图像。
图6示出了地质薄层剖面的旋转交叉偏振图像。
图7示出了地质薄层剖面的合成图像。
图8示出了地质薄层剖面的另一个平面偏振图像。
图9示出了地质薄层剖面的分段平面偏振图像。
图10示出了地质薄层剖面的合成图像。
图11示出了具有地质薄层剖面的对应边缘的平面偏振图像。
图12-15示出了在地质薄层剖面的不同旋转处具有对应边缘的交叉偏振图像。
图16示出了地质薄层剖面的聚合的边缘图像。
图17示出了地质薄层剖面的合成图像。
图18示出了地质薄层剖面的配准图像的覆盖。
图19示出了地质薄层剖面的平面偏振图像的平均值。
图20示出了地质薄层剖面的平面偏振图像的偏差。
图21示出了用于识别初始颗粒的地质薄层剖面的合成图像。
图22示出了用于识别最佳初始颗粒的地质薄层剖面的合成图像。
图23示出已经识别出初始颗粒形状的地质薄层剖面的图像。
图24示出了更新以去除先前识别的颗粒的地质薄层剖面的合成图像。
图25示出了更新以去除先前识别的颗粒的地质薄层剖面的平面偏振图像。
图26-27示出了显示所识别的颗粒的颗粒性质的地质薄层剖面的合成图像。
图28A示出了显示通过用于地质薄层剖面的基于图像的分析的示例方法确定的地质薄层剖面的颗粒尺寸范围的曲线图。
图28B示出了显示与地质薄层剖面的常规点计数方法相比，通过用于地质薄层剖面的基于图像的分析的示例方法确定的地质薄层剖面的颗粒尺寸范围的曲线图。
图29示出了显示与地质薄层剖面的传统点计数方法相比，通过用于地质薄层剖面的基于图像的分析的示例方法确定的地质薄层剖面的颗粒尺寸范围的曲线图。
图30示出了用于地质薄层剖面的基于图像的分析的计算机实现的方法的图形用户界面(GUI)的实现方式。
图31示出了用于地质薄层剖面的基于图像的分析的计算机实现的方法的计算系统的示意图。
具体实施方式
图1A是地质薄层剖面100(也称为岩相薄层剖面)的示意图。地质薄层剖面100可以被地质学家用来在例如图2所示的偏振显微镜系统200下面检查岩石(来自露头、岩心和岩屑)。地质学家和岩石学家可以推断来自地质薄层剖面100的信息，例如碎屑成分、纹理、粘土、基质、水泥和孔隙度。由于纹理是沉积过程的产物，因此颗粒纹理是用于确定碎屑沉积物的特定参数。对地质薄层剖面100中的颗粒纹理的分析涉及颗粒尺寸参数、颗粒表面和颗粒形态。理解纹理特征是准确评价储层岩石的一个有效探索工具。知晓这些参数可以帮助岩石学家了解沉积过程并且解释这些沉积物沉积的沉积环境。而且，地质薄层剖面100的颗粒或岩石纹理可以给出关于从其获取地质薄层剖面100的岩层的流动条件和储层质量的信息。
如图所示，地质薄层剖面100包括玻璃载片115，岩石样本105放置在玻璃载片115上。将岩石样本105放置在染料环氧树脂110中以将样本105固定到玻璃载片115上。将另一层环氧树脂120放置在岩石样本105上方。将盖玻片125放置在环氧树脂120的顶部上。如图所示，岩石样本105包括孔隙107(例如岩石中的空洞)。为了制造地质薄层剖面100，使用不同类型的锯、研磨机和研磨轮(lap wheel)。制造地质薄层剖面100的一般程序包括：(1)用染料环氧树脂110浸渍岩石样本105，(2)让岩石样本105干燥，(3)压平岩石样本105，(4)将岩石样本105粘合到玻璃载片115上，(5)将岩石样本105放置在积水夹具/超轻量中，(6)使用锯子使岩石样本105变薄，(7)使用研磨轮将岩石样本105调整到指定的厚度，以及(8)检查岩石样本105的厚度并且抛光样本105(如果需要的话)。
在所示的实现方式中，岩石样本105具有约30毫米(mm)的厚度。玻璃载片115大约为26mm×46mm，但是可以根据薄层剖面100的需要改变玻璃载片115的尺寸。在该实现方式中，染料环氧树脂110可以是蓝色的，以便例如，澄清孔隙107。地质薄层剖面100的总厚度约为1200微米(μm)。这些维度仅仅是示例，并且在本公开的范围内的其它地质薄片可以具有不同的维度。此外，在本上下文中，“约”包括5％以内的其它维度。
在替代实现方式中，地质薄层剖面100可以不包括盖玻片125。例如，如果需要使用扫描电子显微镜(SEM)或电子微探针进行特殊类型的化学分析，则盖玻片125可以被排除，并且岩石样本105可以被抛光。
如图所示，岩石样本105包括岩石样本105的颗粒109之间的孔隙107(即，空洞)。有几个因素可以定义岩石纹理：颗粒尺寸、形状(球形度)、分类、圆度(角度)、压实(颗粒间接触)以及颗粒109的优选取向。颗粒尺寸通常用于将沉积物分成不同的类别，从而使地质学家相应地更容易描述沉积物。如表1所示，Udden-Wentworth颗粒尺寸尺度描述了若干沉积物。在该表中，使用以下缩写：Phi是以-log2d为单位测量颗粒尺寸的尺度，其中d是以毫米(mm)为单位的颗粒尺寸；vcU是上部很粗；vcL下部很粗；cU是上部粗；cL是下部粗；mU是上部中等；mL是下部中等；fU是上部细；fL是下部细；vfU是上部很细；以及vfL是下部很细。
Figure GDA0003391383910000131
表1
一旦获得颗粒尺寸分布，则可以以不同的方式呈现平均颗粒尺寸、模式、中等颗粒尺寸、分类和偏度(例如，实值随机变量关于其均值的概率分布的不对称度量)。这些参数中的每一个都具有可以描述沉积物纹理的一个方面的值。
简要转到图2，示出了可以用于地质薄层剖面100的基于图像的分析的偏振显微镜系统200的实现方式。可以使用偏振显微镜系统200检查诸如地质薄层剖面100的地质薄层剖面，以检查地质薄层剖面100的颗粒和孔隙。显微镜系统200使用偏振光，因为光波在一个方向上振动，而在正常光下，光波在随机方向上振动。
偏振显微镜系统200的主要部件包括：旋转台230、偏振器240、伯特兰透镜控制器215、塞纳蒙补偿器265、旋转分析器滑块270、物镜225分束棱镜，带有延伸管285的数码相机系统，以及聚光器235分束棱镜。旋转台230在观察期间支撑地质薄层剖面100。在此实现方式中，旋转台230是360度圆形旋转台，以便于以不同旋转视角查看地质薄层剖面100。偏振器240包括偏振和分析设备或滤波器，并且可以被放置在旋转台230的上方和下方。在这个实现方式中，偏振器240允许光沿NS振动方向通过并且放置在旋转台230的下方。伯特兰透镜控制器215允许在锥形视图中进行观察，其中它将干涉图的图像带入目镜的焦平面中。补偿器265用补偿器锁220保持在适当位置，并且帮助确定交叉尼科耳之间的干涉色的顺序。分析器滑块270允许光沿E-W振动方向通过。它被放置在旋转台230上方。
如已知的，其它光学附件(诸如云母板、石膏板和石英楔)可以包括在偏振显微镜系统200中。例如，云母板给出一阶白色的干涉色(如在光学显微镜中理解的)。石膏板在一阶和二阶颜色之间的边界处给出明显的品红色。石英楔有助于产生干涉色并且产生一定范围的延迟。
图2中所示的偏振显微镜系统200还包括诸如目镜205、观察管210和支撑其它部件的基座245的标准部件。如已知的，还包括多个滤波器250和聚焦器255。还有照度控制器260。
偏振显微镜系统200包括或可通信地耦合到计算系统280。在该实现方式中，计算系统280是基于微处理器的计算系统，其包括一个或多个存储器模块、一个或多个处理器、输入和输出外围设备(包括偏振显微镜作为输入)以及其它相关部件。计算系统280还可以包括存储在一个或多个存储器模块上并且可由一个或多个处理器执行以自动实施操作无需人工干预或利用人工输入的指令形式的软件。
偏振显微镜系统200可便于在平面偏振光和交叉偏振光中对地质薄层剖面100进行查看和图像捕捉。在平面偏振光中，许多矿物是无色的，这使得无法区分两个相邻无色颗粒之间的颗粒边界。类似地，在交叉偏振光中，所显示的干涉色依赖于矿物类型、颗粒相对于偏振器的指示量的取向以及薄层剖面100的厚度。因此，两个相邻的颗粒在薄层剖面100相对于偏振器240的一些取向处可以具有类似的干涉色。如果相邻颗粒之间存在足够的对比度，则可以识别它们之间的边界。
如果地质薄层剖面100中的两个相邻的颗粒显示相似的干涉色，则边界可能难以识别。如下面更充分地解释的，可以通过相对于偏振器240和分析器270旋转薄层剖面100而增加相邻颗粒之间的对比度。因此，可以通过使用以不同旋转角度拍摄的多个薄层剖面图像来促进地质薄层剖面100中岩石样本105的颗粒的颗粒边界的完全视觉识别。
回到图1B，该图示出了描述用于地质薄层剖面的基于图像的分析的方法150的流程图。例如，方法150可以由偏振显微镜系统200在分析地质薄层剖面100时实现。在一些方面中，方法150的一个或多个步骤可以通过或利用偏振显微镜系统200的计算系统280例如作为由一个或多个处理器执行的操作来实现。
方法150实现可以通过组合(偏振显微镜的)光学设备和(在计算系统280中实现的)图像处理算法来最大化从地质薄层剖面100提取的信息量的工作流程。方法150可以提供高水平的自动化，与如点计数的传统的岩相学方法相比，可以在短得多的时间内提供薄层剖面分析(例如，与人工操作的小时数相比只需十分之几秒的计算即可完成)。
在一些方面中，方法150可以是用于分析整个地质薄层剖面100的全自动化过程。方法150可以针对地质薄层剖面100的每个单独的颗粒形状识别(一次一个颗粒)实现区域生长算法。在算法顶部的迭代过程可以允许对地质薄层剖面100进行完整的扫描。区域生长算法是可以用于颗粒形状识别的鲁棒算法，因为例如该算法显示对地质薄层剖面100(更具体地说，岩石样本105的颗粒)可能包含的“噪音”具有低敏感度。“噪声”包括流体包含物、裂纹、灰尘、部分溶解物以及倾向于模糊颗粒区别性的其它特性，诸如由薄层剖面制备条件和图像获取条件引起的薄层剖面上的可见杂质。例如，噪声可以包括小于特定尺寸的岩石样本105的任何特性。具体的尺寸可以基于岩石样本105中的最小或最低的期望的颗粒尺寸。
方法150中描述的图像的性质和质量提供了存在于地质薄层剖面100的图像上的颗粒之间的对比度。岩石样本105中的颗粒必须是“可见的”以允许区域生长算法检测颗粒-颗粒界面和颗粒-孔隙界面。例如，如果颗粒-颗粒界面和颗粒-孔隙界面(例如，小的微分值，诸如10)中具有足够的对比度，则岩石样本105中的颗粒是“可见的”。在方法150中，通过使用平面偏振光和交叉偏振光图像，产生合成图像，其中在颗粒-颗粒界面和颗粒-孔隙界面处可见明显的对比度。
方法150可进一步提供图像像素位置的自动识别，图像像素位置具有与地质薄层剖面100中(以及岩石样本105中)的颗粒相关的高概率。然后，所识别的像素可以用作区域生长算法的种子点。种子点例如可以是定义区域生长算法可以从其开始的颗粒的多个像素内的特定像素。方法150可以迭代地实现这些特征，以在没有任何人为干预的情况下使地质薄层剖面100的整个图像处理自动化。例如，方法150产生从平面偏振图像以及已经识别的颗粒计算出的概率图像，以实现这些特征。
方法150还可以实现一个或多个生长区域标准，以将颗粒区域从识别的种子像素扩展到地质薄层剖面100的岩石样本105中的最终颗粒形状。在一些方面中，方法150可以使用基于地质薄层剖面100的局部非均质性的标准来检测颗粒-颗粒界面和颗粒-孔隙界面以限定颗粒形状。
图3-27示出了在方法150的步骤期间的地质薄层剖面100的不同图像。在方法150的该实现方式中，在从颜色到灰度的任何处理之前转换图像。但是方法150也可以用彩色图像来实现(例如，每个颜色带一次：红色、绿色和蓝色)。
方法150可以开始于步骤152，其包括从岩石样本的地质薄层剖面(例如，地质薄层剖面100)获取多个图像。多个图像可以是各种类型的。例如，在一个实现方式中，可以获取(例如，利用偏振显微镜系统200)地质薄层剖面的至少一个平面偏振图像和地质薄层剖面的至少两个交叉偏振图像。
在另一实现方式中，可以获取地质薄层剖面100的四个平面偏振图像和四个交叉偏振图像。在这样的实现方式中，四个图像(平面偏振的和交叉偏振的)中的每一个可以相对于基座以不同的角度获取，或者为零角度，也就是说，相对于基座角度的特定角度被定义为零角度)。例如，可以在相对于零(或基座)旋转角度的0°、25°、45°和65°处获取平面偏振图像。交叉偏振图像也可以相对于零(或基座)旋转角度在0°、25°、45°和65°处获取。不同的旋转角度也可以用于替代实现方式中。例如，可以选择足够不同的角度来指示第一颗粒与第二颗粒分离或不同，即使这样的颗粒物理地合并或融合在一起。以这种方式选择角度可以减轻发生的错误，因为地质薄层剖面是三维物体的二维表示。
可以用多种技术获取如前所述的来自不同旋转角度的图像。例如，偏振显微镜系统200的分析器和偏振器可以在固定显微镜台上相对于地质薄层剖面100一起旋转。这样，每个点在偏振器/分析器的所有位置处被配准到图像中的相同像素上。然后可以直接实施多个薄层剖面图像的重叠(不需要应用如下所述的图像配准)，简化了计算要求并且使数值近似最小化。作为另一个示例，地质薄层剖面100可以相对于偏振显微镜系统200的固定偏振器和分析器旋转。为了实施多个图像的重叠，可能需要图像配准步骤(如下文所述)以向内旋转来自不同旋转位置的图像。
与步骤152相关联，图3示出了地质薄层剖面100的平面偏振图像305、310、315和320。图4示出了地质薄层剖面100的交叉偏振图像405、410、415和420。图像305和405在0相对角度处获取，图像310和410在25°相对角度处获取，图像315和415在45°的相对角度处获取，并且图像320和420在65°的相对角度处获取。在一些方面中，角度的选择可以基于例如在几个不同的角度处拍摄的图像之间的图像颜色的最大差异。最大差异可以基于颗粒的各向异性轴与光传播轴之间的反射角。
方法150可以继续到步骤154，其包括操纵多个图像以导出合成图像(例如，通过偏振显微镜的计算系统)。在一些方面中，操纵图像可以包括配准多个图像。例如，如前所述，取决于所使用的旋转技术，可能需要图像配准。配准图像包括在前述的步骤152中将与施加于图像的旋转相反的旋转变换应用于多个图像中的每一个图像。
在一些方面中，在应用旋转变换之前，在配准过程中确定每个图像的旋转中心(例如，精确的旋转中心)。精确的旋转中心是每个相应图像(例如，四个平面偏振图像和四个交叉偏振图像)的视场的中心，但是可能不与图像中心一致。在一些方面中，确保每个图像的精确的旋转中心重合包括确保偏振显微镜系统200的光学相机(相机285)安装成使得相机285的光轴垂直于台230。通过在图像旋转变换之前确定精确旋转中心，可以避免几个问题。例如，未被最佳配准的重叠图像可能导致模糊的合成图像，不适合于准确的颗粒和孔隙识别。
在一些方面中，可以执行数值算法以获得旋转的精确中心。
用于旋转变换以配准图像的表达式的实现方式是：
Figure GDA0003391383910000181
等式1
旋转角度Θ等于在步骤152中使用的角度的对角值，用于例如四个平面偏振图像和四个交叉偏振图像(例如，0°、25°、45°和65°)的图像获取。旋转的中心(i_center，j_center)是视野的中心(获取的图像的中心)。如果光学相机285以其光轴不垂直于显微镜台的方式安装，则旋转中心不与图像中心重合，而是可能接近图像中心。
图5示出了平面偏振图像中的一个的示例配准图像500。在该图像500中，红色正方形表示图像中心的附近。此外，如图所示，旋转中心与图像中心不重合。“最佳”旋转中心是提供两个图像之间的差异最小的中心：参考图像和配准图像。在数值上，对于给定的旋转中心(i_center，j_center)，计算目标函数以测量每个配准图像(本示例中为四个)与参考图像之间的不匹配。
在这个实现方式中，目标函数是：
Figure GDA0003391383910000191
等式2
该目标函数针对位于图像中心附近的旋转中心(图像500中的红色正方形)进行估计。实际上，如果相机光轴垂直于显微镜台230，则图像中心是用于该最小化问题的精确解决方案。
在各向同性岩石样本105的情况下，在配准之后，平面偏振的图像与参考图像(该台的0度旋转)是(或应该是)相同的。在各向异性岩石样本的情况下，这样的图像可能不相同。然而，在碎屑储层的情况下，各向同性假设是可以接受的，并且只有在来自不同台旋转角度的平面偏振图像之间才能观察到小的差异。
操纵多个图像以导出合成图像可以包括产生多个合成图像。例如，可以通过将边缘检测算法应用于平面偏振配准图像和交叉偏振图像(如图4所示)来产生第一合成图像。在这个实现方式中，实现了Sobel边缘检测算法，但是其它边缘检测算法(例如，Canny，Prewitt或Roberts)也是可用的。在一些方面中，可以设置临界值来分割边缘图像并且识别属于颗粒边缘的图像像素。
图11-15中示出了由边缘检测算法产生的第一合成图像。图11示出在边缘检测之前(在1100中)和在边缘检测之后(在1105中)的配准的平面偏振图像。图12示出在边缘检测之前(在1200中)和在边缘检测之后(在1205中)的交叉偏振图像(在0°旋转处)。图13示出在边缘检测之前(在1300中)和在边缘检测之后(在1305中)的交叉偏振图像(在25°旋转处)。图14示出在边缘检测之前(在1400中)和在边缘检测之后(在1405中)的交叉偏振图像(在45°旋转处)。图15示出在边缘检测之前(在1500中)和在边缘检测之后(在1505中)的交叉偏振图像(在65°旋转处)。
一旦通过边缘检测算法产生不同的第一合成图像，就可以形成聚合的边缘图像，如图16所示。图16的图像1600示出了用前面描述的图11-15的边缘图像构建的最终边缘图像。在聚合的边缘图像的示例方面中，如果在五个边缘图像(图像1100、1200、1300、1400和1500)中的至少一个中像素代表颗粒的边缘，则通过将该最终图像1600中的每个像素视为地质薄层剖面100中的颗粒的边缘来构建独特且最终的边缘图像。
第二合成图像可以由用边缘检测算法产生的第一合成图像形成。在方法150的这个实现方式中，交叉偏振图像可以形成区域生长算法的基础。然而，在原始的交叉偏振图像中(如图4所示)，相邻颗粒之间可能很少或没有对比度。在很少或没有对比度的情况下，区域生长算法可能不能成功地确定真实的颗粒形状。例如，图6示出了地质薄层剖面100的旋转交叉偏振图像600和605。图像600示出了在0°旋转处的地质薄层剖面100的交叉偏振图像，而图像605示出了在25°旋转处的地质薄层剖面100的交叉偏振图像。如图所示，在图像600中标记为“1”和“2”的颗粒显示了区域生长算法由于缺乏对比度而不能区分两个颗粒的情况。在图像605中，这两个颗粒“1”和“2”之间的对比度更加明显，这可以增加区域生长算法可以区分颗粒形状的可能性。
为了产生第二合成图像，形成交叉偏振图像的组合图像(如图4所示)。图7示出了地质薄层剖面100的第二合成图像700，其中通过对四个交叉偏振图像405、410、415和420进行平均来组合交叉偏振图像。例如，组合来自可用的交叉偏振图像的信息并且使用该结果作为用于区域生长的输入图像可以增强地质薄层剖面100的岩石样本105中的颗粒109的最大数量之间的对比度。要被“组合”的图像的数量以及相应的获取角度可以不同于本文所描述的。
在方法150的一个方面中，获取角度的空间被最佳地扫描(例如，用从一个图像到下一个图像的颗粒颜色之间的最大差异来扫描)。基于交叉偏振图像获取是具有90°周期角度的周期性过程(例如，0°处获取的图像与90°处获取的图像相同)，前面描述的四个角度(0°、25°、45°和65°)被选择用于当获取图像时台230的旋转。平均旋转步长(大约22°)可以提供从图像的显著变化的外观。
还可以在步骤154中通过孔隙空间映射和分割平面偏振图像来形成第三合成图像。在一些方面中，孔隙空间映射可以通过增强可以从平面偏振图像(图5的图像500)映射的颗粒-孔隙对比度来改进区域生长算法的实现方式。例如，在一些方面中，图像500中的暗颗粒和孔隙空间之间的对比度可能不足以使区域生长算法抑制将所确定的颗粒形状扩展到孔隙空间中。因此，孔隙空间应该被排除在区域生长空间之外。
由于平面偏振图像的直方图805是双峰的，如图8中所示，所以可以通过使用平面偏振图像来最好地实现孔隙空间的排除。事实上，如图所示，图像800显示可以确定或计算明确的截断，以将该图像分割成颗粒颜色和孔隙颜色。该值可以应用于平面偏振图像500以更容易地将颗粒与孔隙区分开。
在步骤154的一些方面中，临界值可以取决于用于制备地质薄层剖面100的染料环氧树脂110的颜色。例如，可以手动地估计关于要分析的特定地质薄层剖面的临界值，然后用于其它要分析的地质薄层剖面，只要所有地质薄层剖面使用相同的环氧树脂即可。
然后可以将平面偏振的图像分段，如图9所示。图9的图像900示出了分割图像，其中图像900的白色像素表示用于确定颗粒形状的区域生长算法中不使用的孔隙空间。根据该分割图像900，可以通过标记图7所示的第二合成图像700中的孔隙像素(即，代表岩石样本105的孔隙和非颗粒的图像中的像素)来计算第三合成图像。孔隙像素的标记可以通过偏振显微镜的计算系统自动完成(例如，无需人工干预)或手动(例如，人为干预)完成。第三合成图像在图10中被显示为图像1000。
还可以在步骤154中通过孔隙空间映射平面偏振图像来形成最终合成图像。在产生最终合成图像的一个示例中，通过在图10的图像1000上标记聚合边缘图像1600(图16中示出)中确定的边缘来产生图17所示的最终合成图像1700。如图像1700所示，该最终合成图像似乎比其它获取的图像更适合运行区域生长算法。更具体地说，和地质薄层剖面100中的大量颗粒的颗粒-颗粒界面一样，颗粒-孔隙界面更清楚。
步骤154还可以包括确定最终合成图像1700中的感兴趣区域(ROI)。例如，可以通过将四个配准图像(由先前描述的旋转变换产生的图像)重叠到图像1700上来确定ROI。可以确定ROI以用于地质薄层剖面100的分析。重叠的图像在图18中示出为具有ROI 1805的图像1800(以虚线示出)。数值照明对比度出现在来自重叠的图像的角落。这种数值照明(即人工照亮)对比度可能导致由该对比度穿过的颗粒的不正确的颗粒形状结果。
方法150可以继续到步骤156，其包括优化合成图像以导出种子图像。为了应用区域生长算法，确定种子图像中的种子点。种子点或种子像素是位于地质薄层剖面部分100中的颗粒内部或内的图像中的点或像素。用于选择种子点的一种技术是通过使用户或操作者手动(使用输入设备或以其它方式)点击感兴趣的颗粒内部某处的某个点来选择颗粒用于识别。这种技术是准确的，因为用户能够提供用于研究的颗粒的种子，并且可以在视觉上避免选择靠近颗粒的噪声区域(例如，具有流体包含物、溶解物、灰尘、裂缝、或其它的区域)的不代表真实的颗粒纹理的种子像素。然而，这种方法要求必须手动选择(例如，使用计算系统的输入设备)所有的颗粒，并且可能是时间上不允许的。事实上，对于单个地质薄层剖面而言，必须使用数百个颗粒来提供对地质薄层剖面的可靠统计分析。
因此，方法150的步骤156采用在没有用户干预的情况下可以完成选择种子点(或种子像素)的自动技术。当种子点位于特定颗粒内的最匀质区域时，可以获得在使用区域生长算法时的颗粒形状识别(例如，识别颗粒而不是孔隙)方面的最佳结果。基于这个位置，即使在颗粒内部存在噪声像素的情况下，区域生长算法到达颗粒边界的机会也可能非常高。在该实现方式中，步骤156包括通过使用平面偏振图像来确定这样的种子像素的算法。
例如，步骤156包括从最终合成图像1700导出至少一个新图像。在特定方面，从最终合成图像1700导出两个新图像。第一种子图像可以通过取最终合成图像1700的平均值导出第一种子图像。第一种子图像在图19中显示为图像1900。使用移动窗口从最终合成图像1700计算图像1900。在这个示例中，移动窗口是应用于计算原始图像的本地统计的滤波器。在一个方面中，窗口尺寸是11个像素×11个像素。更改移动的窗口尺寸可能会改变识别和处理颗粒的顺序，但不会改变薄层剖面分析的整体结果。
还计算第二种子图像，第二种子图像在图20中显示为图像2000。在该实现方式中，图像2000是第一种子图像1900的绝对或标准偏差。地质薄层剖面100中具有高匀质的区域由具有低值的绝对偏差图像中的像素(即，黑暗的像素)给出。这些像素位于地质薄层剖面100的颗粒或孔隙中。由于颗粒形状和尺寸是感兴趣的(而不是孔隙的形状和尺寸)，因此可以使用第一种子图像1900来决定像素类别(孔隙或颗粒)。
从第一种子图像和第二种子图像计算第三种子图像(分别在图19和20中示出)。第三种子图像在图21中显示为图像2100并且通过如下方式创建图像2100：在绝对偏差图像(图像2000)中，根据平均图像(图像1900)向具有低平均值的像素(例如，当前图像中的最低值)分配高绝对偏差值。
方法150继续到步骤158，其包括在种子图像(种子图像2100)中识别构成岩石样本的多个颗粒中的颗粒的图像的多个连续像素中的特定种子像素。因此，初始颗粒像素的最佳位置是来自具有最低值的第三种子图像(图像2100)的种子像素。例如，如图22中的图像2200所示，基于种子图像上的最小像素值进行最佳种子识别，其中最暗的像素的值为0，并且最亮的像素的值为255。最佳种子像素或点对应于最低值像素并且也对应于高均质的颗粒。
方法150继续到步骤160，该步骤包括利用指定的算法基于种子像素来确定颗粒的形状。
图22示出了用于识别最佳初始颗粒的地质薄层剖面的合成图像2200。图像2200与图像2100相同，但也包括关于种子图像位置的评论。如前所述，指定的算法可以是种子区域生长(SRG)算法，其从属于感兴趣区域的点(或种子)(在这种情况下，是地质薄层剖面100中的岩石样本105的颗粒)开始。然后通过添加与种子像素“相似”的点来生长该区域。
在步骤160的示例方面中，在步骤158中选择的种子点(或种子像素)被添加到顺序搜索列表(SSL)队列。从SSL队列中选择该种子点(或已包含在SSL队列中的另一个种子点)。接下来，检查队列的所选种子点的相邻点或像素。尽管可以检查任意数量的相邻点或像素，但是在所示出的实现方式中，存在与所选择的种子点相邻的八个相邻点。对于每个相邻点，将该点与选择的种子点进行相似度比较。如果相邻点相似，则将该点添加到该区域和SSL队列中。
有多种标准可用于判断相邻点是否与种子像素和颗粒区域“相似”。在示例实现方式中，相似度标准基于颜色相似度。一种用于测量颜色相似度的技术是通过测量相邻点和种子点的颜色矢量(或者通常在两个感兴趣点之间)之间的欧几里德距离。如果该测量值大于指定的阈值，则相邻点和种子点不相似(或相似度不足以包括在颗粒区域中)。如果该测量值小于指定的阈值，则相邻点和种子点是相似的(或者相似度足以包括在颗粒区域中)。
指定阈值的选择应该足够大以允许区域内的自然变化，但是足够小以能够检测与颗粒区域外的点的变化。因此，如果阈值太小，则识别的区域将太小。如果阈值太大，则识别的区域将会太大(并且可能包括其它颗粒或孔隙)。
可以通过反复试错(通过将所识别的区域与原始图片进行视觉比较)来进行最佳阈值的选择。由于同一图像中存在多种颜色和亮度水平，不同的颗粒可能具有不同的最佳阈值。在一些方面中，单个阈值可以用于地质薄层剖面100中的所有颗粒。在其它方面中，例如由于阈值的宽范围以及颗粒识别相对于阈值选择的相对灵敏度，可以为每个颗粒分别选择最佳阈值。例如，为了确定来自SSL队列的相邻点是否与种子像素相似以及是否应该被整合到颗粒区域中，可以确定相邻点的颜色值的绝对偏差。高于阈值的绝对变化意味着该窗口正在穿过另一颗粒或孔隙空间。在一些方面中，所述阈值可能不依赖于颗粒，而是对于一定数量(例如整个组)的地质薄层剖面(例如，来自相同的沉积环境)而言是固定的。可以使用阈值的默认值(例如，根据之前的测试确定的)。默认值也可以基于例如对该组地质薄层剖面的分析来调整。
可以继续将每个相邻点与选择的种子点进行比较的过程，直到SSL队列为空。一旦队列为空，则已经确定了特定的颗粒。此外，一旦SSL队列为空，则确定了包括所选择的种子像素的颗粒的形状。例如，如图23所示，根据图像2300中的步骤160确定颗粒2305(及其形状)。
方法150继续到步骤162，其包括基于颗粒的形状确定颗粒的尺寸。还可以在步骤162中确定或估计颗粒的其它性质。例如，也可以根据颗粒的形状来确定或估计颗粒的形态特性(球形度、圆度等)。在一个示例方面中，基于颗粒内部最长段的长度来确定或估计颗粒的尺寸。图26示出了具有所示颗粒的长度2605的确定颗粒的图像2600。在另一个示例方面中，基于颗粒的外接圆的直径来确定或估计颗粒的尺寸。图27示出了具有所示颗粒的外切圆2705的确定颗粒的图像2700。
方法150继续到步骤164，其包括颗粒的确定尺寸(步骤162)是否大于指定阈值的决定。例如，可以在迭代过程中重复步骤156至162以确定地质薄层剖面100的每个颗粒的尺寸。诸如低于指定阈值的颗粒中的较小颗粒可以指示应该完成迭代过程。例如，在方法150的一些方面中，一旦确定任何颗粒具有小于指定阈值的尺寸，则步骤164可以前进到步骤168，结束迭代过程。在方法150的另一实现方式中，当地质薄层剖面100的特定数量的连续分析的颗粒(例如，十个)具有小于指定阈值的确定尺寸时，结束迭代过程(将方法带到步骤168)。
在一些方面中，如果所确定的颗粒尺寸(或多个连续迭代的确定的颗粒尺寸)是小于先前确定的尺寸的量级，则可以停止迭代过程。这可能表明一个错误，或者表明只有微不足道的颗粒留在地质薄层剖面中。例如，被确定为在微米范围内的颗粒(随后是被确定为在纳米或毫米范围内的颗粒)可能指示错误。在这方面，检测到的最大和最小尺寸可以考虑这样的值，并且将它们放在“错误”文件中或者停止该方法并且向用户指示可能存在问题。例如，“最大”警报(即指示颗粒尺寸比预期大得多的警报)可能是石英基水泥所包围的如石英的材料的固体颗粒的指示，石英基水泥给出相同的极性但具有不同的固有孔隙度(假阳性或α误差)。“最小”警报可能指示已经在地质薄层剖面考虑所有重要的颗粒(例如，尺寸大于特定阈值尺寸的颗粒)。
一旦在步骤164中作出决定停止迭代过程(“否”)，方法150继续到步骤168，其包括准备颗粒的尺寸的确定结果以呈现给用户。例如，偏振显微镜系统200的计算系统280可以准备或聚合颗粒尺寸用于通过系统280的输出设备进行图形呈现(例如图形、表格或其它)。接下来，方法150可以继续到步骤170，其包括向用户显示颗粒的尺寸分布。例如，如图28A所示(在下文中更详细地讨论)，可以向用户显示图形化地示出的颗粒尺寸的分布(例如，与颗粒尺寸相比颗粒的数量)。
如果步骤164中决定继续进行迭代过程(“是”)，则方法150继续到步骤166，其包括产生更新的合成图像以从合成图像中去除确定的颗粒形状。例如，为了确保颗粒不被分析两次或更多次(由此使得任何分析结果不准确)，方法150可以有效地将颗粒的图像(即，构成颗粒的像素)从最终的合成图像(图像1700)中去除。
在一些方面中，去除确定的颗粒的形状包括将包含颗粒的像素设置为零值。如图24所示，图像2400包括基于颗粒2405的像素(由步骤160中的SRG算法确定)被设置为零值而从最终合成图像1700去除的颗粒2405。图25还示出了包括从第三合成图像1000(即，平面偏振图像1000)中去除的颗粒2505的图像2500。基于步骤166，迭代过程(包括步骤156-164)在下一次迭代期间移动到另一颗粒(尚未分析的颗粒)。
在一些实现方式中，步骤166可在步骤160之后实施。因此，在一些实现方式中，在步骤162中确定颗粒的尺寸之前，可去除步骤160中确定的颗粒像素(例如，设置为零值)。
图28A示出显示通过用于地质薄层剖面的基于图像的分析的示例方法确定的地质薄层剖面的颗粒尺寸范围的曲线图2800。更具体地说，曲线图2800示出了实施方法150的特定地质薄层剖面的测试示例的结果。在这个示例中，特定的地质薄层剖面是通过Unayza A砂岩储层(“砂岩地质薄层剖面”)钻出的井筒获得的。砂岩地质薄层剖面沉积成风沙相，形成沙丘相，呈现出高角度的平面交错层理，表现为沙丘滑面上具有清晰的剥离结构的碎屑颗粒(主要是石英)流动。
将方法150应用于从该井筒获得的砂岩地质薄层剖面产生了曲线图2800中所示的颗粒尺寸直方图2815。如图所示，y轴2805代表颗粒的数量，而x轴2810代表以微米(μm)为单位的颗粒尺寸。所示出的直方图2815包括砂岩地质薄层剖面的142个识别的颗粒，其范围从60μm到320μm。
还由地质学家在砂岩地质薄层剖面上实施手工点计数分析。与从图28A所示的方法150获得的结果相比较的点计数分析的结果显示在图28B中。图28B示出了显示与砂岩地质薄层剖面的常规点计数方法相比的由方法150确定的砂岩地质薄层剖面的颗粒尺寸范围的曲线图2850。如图所示，曲线图2850包括代表颗粒的数量的y轴2855，而x轴2860代表以微米(μm)为单位的颗粒尺寸。直方图2870表示应用于砂岩地质薄层剖面的方法150的结果，而直方图2865表示应用于砂岩地质薄层剖面的手动点计数方法的结果。
如结果所示，直方图2865包括144个计数的颗粒，而直方图2870(如前所述)包括142个颗粒。因此，与点计数方法相比，方法150导致在颗粒检测方面有99％的成功概率。此外，直方图2865和2870显示了自动方法150和手动点计数方法之间的良好的一致性。另外，与点计数方法相比，自动方法150花费少于完成分析所需时间的2％(与2小时相比只需2分钟)。
继续，图29示出了曲线图2900，其显示了与点计数方法相比，由方法150确定的砂岩地质薄层剖面的颗粒尺寸范围的曲线图。曲线图2900包括表示来自自动方法150的颗粒尺寸的y轴2905，而x轴2910表示来自点计数方法的颗粒尺寸。如曲线图2800所示，示出了自动方法150和手动点计数方法之间的良好的一致性。线性回归结果也显示在曲线图2900上。在一些方面中，回归的线性度以及R系数可以确定从方法150的自动分析获得的结果与(例如由地质学家)实施的手动点计数分析之间的一致性。
图30示出了用于地质薄层剖面的基于图像的分析的计算机实现的方法的图形用户界面(GUI)3000的实现方式。例如，GUI 3000可以表示在执行自动方法150期间显示在偏振显微镜系统200的计算系统280上的示例GUI。在该实现方式中，可以通过在C#中开发的GUI来应用自动方法150，其可以安装在诸如
Figure GDA0003391383910000271
和
Figure GDA0003391383910000272
等操作系统上。通过GUI 3000，地质学家可以提供自动方法150所需的数据(例如，用偏振显微镜系统200获取的交叉偏振图像和平面偏振图像)。然后，数据可以从地质学家的工作站自动复制到
Figure GDA0003391383910000281
或
Figure GDA0003391383910000282
工作站，在那里可以执行方法150的大部分或多个步骤。一旦执行完成，结果(图像和文本文件)可以被复制回地质学家工作站。然后，GUI3000可以通过可视化颗粒尺寸直方图以及可以帮助检查结果的图像(例如，图28A-28B和29所示的曲线图)来进行结果后处理。
如图所示，GUI 3000的这种实现方式包括主显示器3005，该主显示器3005可以向地质学家显示从图像3015a-3015e的库3010中选择的图像。GUI 3000还包括地质学家的输入/输出数据3020(诸如用于在执行工作流程期间使用的阈值的输入或来自工作流程的输出)。GUI3000还包括控件3025和3030以开始或停止工作流程的执行并且显示工作流程的结果。
图31示出了用于地质薄层剖面的基于图像的分析的计算机实现的方法的计算系统的示意图。系统3100可以用于与前述任何计算机实现的方法相关描述的操作，例如作为包括在图2所示的偏振显微镜系统200内的计算系统280。
系统3100旨在包括各种形式的数字计算机，诸如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机以及其它适当的计算机。系统3100还可以包括移动设备，诸如个人数字助理、蜂窝电话、智能手机以及其它类似的计算设备。另外，该系统可以包括便携式存储介质，诸如通用串行总线(USB)闪存驱动器。例如，USB闪存驱动器可以存储操作系统和其它应用程序。USB闪存驱动器可以包括输入/输出组件，诸如可以插入另一个计算设备的USB端口的无线发射器或USB连接器。
系统3100包括处理器3110、存储器3120、存储设备3130以及输入/输出设备3140。组件3110、3120、3130和3140中的每一个使用系统总线3150互连。处理器3110能够处理用于在系统3100内执行的指令。可以使用多种架构中的任何架构来设计处理器。例如，处理器3110可以是CISC(复杂指令集计算机)处理器、RISC(精简指令集计算机)处理器或MISC(最小指令集计算机)处理器。
在一个实现方式中，处理器3110是单线程处理器。在另一个实现方式中，处理器3110是多线程处理器。处理器3110能够处理存储在存储器3120中或存储设备3130上的指令，以在输入/输出设备3140上显示用于用户界面的图形信息。
存储器3120在系统3100内存储信息。在一个实现方式中，存储器3120是计算机可读介质。在一个实现方式中，存储器3120是易失性存储器单元。在另一个实现方式中，存储器3120是非易失性存储单元。在一些实现方式中，本文的控制模块可以不包括存储模块3120。
存储设备3130能够为系统3100提供大容量存储。在一个实现方式中，存储设备3130是计算机可读介质。在各种不同的实现方式中，存储设备3130可以是软盘设备、硬盘设备、光盘设备或磁带设备。
输入/输出设备3140为系统3100提供输入/输出操作。在一个实现方式中，输入/输出设备3140包括键盘和/或指示设备。在另一实现方式中，输入/输出设备3140包括用于显示图形用户界面的显示单元。
所描述的特征可以在数字电子电路中或者在计算机硬件、固件、软件或其组合中实现。装置可以在有形地体现在信息载体中的计算机程序产品中实现，例如在由可编程处理器执行的机器可读存储设备中实现，并且方法步骤可以由执行指令程序的可编程处理器实施，以通过对输入数据进行操作并产生输出来实施所描述的实现方式的功能。所描述的特征可以有利地实现在可编程系统上可执行的一个或多个计算机程序中，所述可编程系统包括至少一个可编程处理器，所述至少一个可编程处理器被耦合以从数据存储系统、至少一个输入设备和至少一个输出设备接收数据和指令，以及将数据和指令传送到数据存储系统、至少一个输入设备和至少一个输出设备。计算机程序是一组指令，可以直接或间接地用于计算机中以实施某种活动或产生某种结果。计算机程序可以以任何形式的编程语言编写，包括编译或解释的语言，并且可以以任何形式进行部署，包括作为独立的程序或作为模块、组件、子程序或适合在计算环境中使用的其它单元。
举例来说，用于执行指令程序的合适的处理器包括通用和专用微处理器以及任何种类的计算机的唯一处理器或多个处理器中的一个。通常，处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器。通常，计算机还将包括用于存储数据文件的一个或多个大容量存储设备，或者可操作地耦合以与其通信。这样的设备包括磁盘，诸如内部硬盘和可移动磁盘、磁光盘和光盘。适合于有形地体现计算机程序指令和数据的存储设备包括所有形式的非易失性存储器，例如包括诸如EPROM、EEPROM和闪存设备的半导体存储设备，诸如内部硬盘和可移动磁盘的磁盘、磁光盘，以及CD-ROM和DVD-ROM盘。处理器和存储器可以由ASIC(专用集成电路)来补充或包含在其中。
为了提供与用户的交互，这些特征可以在计算机上实现，所述计算机具有用于向用户显示信息的诸如CRT(阴极射线管)或LCD(液晶显示器)监视器的显示设备，以及键盘和用户可以通过其向计算机提供输入的诸如鼠标或轨迹球的指点设备。此外，这些活动可以经由触摸屏平板显示器和其它适当的机制来实现。
这些特征可以在控制系统中实现，所述控制系统包括诸如数据服务器的后端组件或包括诸如应用服务器或互联网服务器的中间件组件或者包括诸如具有图形用户界面或互联网浏览器的客户端计算机的前端组件，或者它们的任何组合。该系统的组件可以通过诸如通信网络的数字数据通信的任何形式或介质来连接。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)、对等网络(具有专门或静态成员)、网格计算基础设施和互联网。
尽管本说明书包含许多具体的实现细节，但是这些不应该被解释为对任何发明或者可以要求保护的范围的限制，而是作为特定于特定发明的特定实现方式的特征的描述。在本说明书中在单独实现方式的上下文中描述的某些特征也可以在单个实现方式的组合中实现。相反，在单个实现方式的上下文中描述的各种特征也可以在多个实现方式中单独或以任何合适的子组合来实现。此外，虽然特征可以在上面描述为在某些组合中起作用并且甚至最初要求如此，但是来自所要求保护的组合的一个或多个特征在一些情况下可以从该组合中删除，并且所要求保护的组合可以针对子组合或子组合的变型。
类似地，尽管在附图中以特定的顺序描绘了操作，但是这不应该被理解为要求以所示出的特定顺序或按顺序实施这样的操作，或者所有示出的操作都被实施，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。而且，上述实现方式中的各种系统组件的分离不应理解为在所有实现方式中都需要这种分离，并且应该理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或者封装到多个软件产品中。
已经描述了多个实现方式。然而，应该理解，在不脱离本公开的精神和范围的情况下可以进行各种修改。例如，本文描述的示例操作、方法和/或过程可以包括比所描述的更多的步骤或更少的步骤。此外，这样的示例性操作、方法和/或过程中的步骤可以以不同于图中所描述或示出的顺序来实施。因此，其它实现方式也在所述权利要求的范围内。

Claims (28)

1.一种用于地质薄层剖面的基于图像的分析的计算机实现的方法，包括：
(i)从来自地下区域的岩石样本的地质薄层剖面获取多个图像，其中从来自地下区域的岩石样本的地质薄层剖面获取多个图像包括：
通过如下方式从所述地质薄层剖面获取至少一个平面偏振图像：从所述地质薄层剖面获取四个平面偏振图像，每个平面偏振图像从所述地质薄层剖面相对于零位置角度旋转不同的角度；以及
通过如下方式从所述地质薄层剖面获取至少两个交叉偏振图像：从所述地质薄层剖面获取四个交叉偏振图像，每个交叉偏振图像从所述地质薄层剖面相对于零位置角度旋转不同的角度；
(ii)操纵所述多个图像以导出合成图像，其中操纵所述多个图像以导出合成图像包括：
配准所述多个图像，所述配准包括：针对所述多个图像中的每个图像确定对其应用旋转变换的旋转中心；以及
以等于相对于所述零位置角度的不同角度的对角值的旋转角度将所述旋转变换应用于所述多个图像中的每个图像，
产生第一合成图像；
产生第二合成图像；以及
产生第三合成图像，其中通过将边缘检测算法应用于所述至少两个交叉偏振图像来产生所述第一合成图像，并且所述第一合成图像包括多个第一合成图像的聚合，每个第一合成图像对应于所述多个交叉偏振图像中的特定一个交叉偏振图像；
(iii)优化所述合成图像以导出种子图像；
(iv)在所述种子图像中识别多个连续像素中的特定种子像素，所述多个连续像素包括所述种子图像中所述岩石样本的多个颗粒中的颗粒的图像；
(v)利用指定的算法基于所述种子像素确定所述颗粒的形状；
(vi)基于所述颗粒的形状确定所述颗粒的尺寸；以及
(vii)准备所述颗粒的尺寸的确定结果以呈现给用户。
2.根据权利要求1所述的计算机实现的方法，还包括：基于所述颗粒的形状来确定所述颗粒的球形度、圆度、伸长率或锐度中的至少一个。
3.根据权利要求1所述的计算机实现的方法，还包括：通过将包括所述颗粒的图像的所述多个连续像素设置为零值，来产生更新的合成图像以从所述合成图像去除所述颗粒的形状。
4.根据权利要求1所述的计算机实现的方法，其中所述不同的角度包括自所述零位置角度始的0度、25度、45度和65度。
5.根据权利要求1所述的计算机实现的方法，其中所述第二合成图像包括基于所述第一合成图像的组合交叉偏振图像，所述组合交叉偏振图像包括基于所述多个第一合成图像的平均交叉偏振图像。
6.根据权利要求5所述的计算机实现的方法，其中所述第三合成图像包括至少一个平面偏振图像的分割图像，所述分割图像通过以下方式产生：
确定区分所述地质薄层剖面的颗粒和所述地质薄层剖面的孔隙的颜色的临界值，所确定的临界值基于所述地质薄层剖面的环氧树脂的颜色；以及
将所述临界值应用于所述至少一个平面偏振图像。
7.根据权利要求6所述的计算机实现的方法，其中操纵所述多个图像以导出合成图像包括：通过基于所述第一个合成图像标记所述第三合成图像中的所述多个颗粒的颗粒边缘来创建最终的合成图像，从而产生用于导出所述种子图像的最终合成图像。
8.根据权利要求7所述的计算机实现的方法，其中优化所述合成图像以导出所述种子图像包括：
基于所述最终合成图像的平均值产生第一种子图像；
基于所述第一种子图像的绝对偏差或标准偏差产生第二种子图像；以及
通过在所述第二种子图像中针对第二种子图像中包括低于阈值的平均值的每个像素分配绝对偏差值来产生第三种子图像。
9.根据权利要求8所述的计算机实现的方法，还包括：基于所述像素的最低平均值从所述第三种子图像中选择所述种子像素。
10.根据权利要求9所述的计算机实现的方法，其中所指定的算法包括种子区域生长算法SRG，所述方法还包括：
将种子像素添加到顺序搜索列表SSL队列；以及
通过以下方式用SRG基于所述种子像素确定所述颗粒的形状：
从所述SSL队列中选择所述种子像素；以及
对于与所述种子像素相邻的多个相邻像素中的每一个：
确定所述相邻像素与所述种子像素的颜色相似度；和
基于相邻像素的颜色相似度满足阈值颜色相似度，将所述相邻像素添加到所述颗粒形状。
11.根据权利要求10所述的计算机实现的方法，其中确定所述相邻像素与所述种子图像的颜色相似度包括：测量所述种子像素的颜色矢量与所述相邻像素的颜色矢量之间的欧几里得距离，并且所述阈值颜色相似度包括所述欧几里得距离的最大值。
12.根据权利要求1所述的计算机实现的方法，其中基于所述颗粒的形状来确定所述颗粒的尺寸包括以下中的至少一个：
确定所述颗粒内最长分段的长度；或者
确定所述颗粒的外接圆的直径。
13.根据权利要求1所述的计算机实现的方法，还包括：
通过对所述岩石样本的所述多个颗粒中的另一颗粒重复步骤(iii)-(vi)来执行迭代过程；以及
当所确定的所述多个颗粒中的特定颗粒的颗粒尺寸小于指定的阈值颗粒尺寸时，停止所述迭代过程。
14.根据权利要求1所述的计算机实现的方法，其中所述岩石样本包括各向异性岩石样本或碎屑岩样本。
15.一种用于地质薄层剖面的基于图像的分析的系统，包括：
偏振显微镜；以及
包括存储器和一个或多个处理器的控制系统，所述存储器包括在由所述一个或多个处理器执行时实施操作的可操作指令，所述操作包括：
(i)从来自地下区域的岩石样本的地质薄层剖面获取多个图像，其中从来自地下区域的岩石样本的地质薄层剖面获取多个图像包括：
通过如下方式从所述地质薄层剖面获取至少一个平面偏振图像：从所述地质薄层剖面获取四个平面偏振图像，每个平面偏振图像从所述地质薄层剖面相对于零位置角度旋转不同的角度；以及
通过如下方式从所述地质薄层剖面获取至少两个交叉偏振图像：从所述地质薄层剖面获取四个交叉偏振图像，每个交叉偏振图像从所述地质薄层剖面相对于零位置角度旋转不同的角度；
(ii)操纵所述多个图像以导出合成图像，其中操纵所述多个图像以导出合成图像包括：
配准所述多个图像，所述配准包括：针对所述多个图像中的每个图像确定对其应用旋转变换的旋转中心；以及
以等于相对于所述零位置角度的不同角度的对角值的旋转角度将所述旋转变换应用于所述多个图像中的每个图像，
产生第一合成图像；
产生第二合成图像；以及
产生第三合成图像，其中通过将边缘检测算法应用于所述至少两个交叉偏振图像来产生所述第一合成图像，并且所述第一合成图像包括多个第一合成图像的聚合，每个第一合成图像对应于所述多个交叉偏振图像中的特定一个交叉偏振图像；
(iii)优化所述合成图像以导出种子图像；
(iv)在所述种子图像中识别多个连续像素中的特定种子像素，所述多个连续像素包括所述种子图像中所述岩石样本的多个颗粒中的颗粒的图像；
(v)利用指定的算法基于所述种子像素确定所述颗粒的形状；
(vi)基于所述颗粒的形状确定所述颗粒的尺寸；以及
(vii)准备所述颗粒的尺寸的确定结果以呈现给用户。
16.根据权利要求15所述的系统，其中所述操作还包括：基于所述颗粒的形状来确定所述颗粒的球形度、圆度、伸长率或锐度中的至少一个。
17.根据权利要求15所述的系统，其中所述操作还包括：通过将包含所述颗粒的图像的所述多个连续像素设置为零值来产生更新的合成图像，以从所述合成图像去除所述颗粒的形状。
18.根据权利要求15所述的系统，其中所述不同的角度包括自所述零位置角度始的0度、25度、45度和65度。
19.根据权利要求15所述的系统，其中所述第二合成图像包括基于所述第一合成图像的组合交叉偏振图像，所述组合交叉偏振图像包括基于所述多个第一合成图像的平均交叉偏振图像。
20.根据权利要求19所述的系统，其中所述第三合成图像包括至少一个平面偏振图像的分割图像，所述分割图像通过以下方式产生：
确定区分所述地质薄层剖面的颗粒和所述地质薄层剖面的孔隙的颜色的临界值，所确定的临界值基于所述地质薄层剖面的环氧树脂的颜色；以及
将所述临界值应用于所述至少一个平面偏振图像。
21.根据权利要求20所述的系统，其中操纵所述多个图像以导出合成图像包括：通过基于所述第一个合成图像标记所述第三合成图像中的所述多个颗粒的颗粒边缘来创建最终的合成图像，从而产生用于导出所述种子图像的最终合成图像。
22.根据权利要求21所述的系统，其中优化所述合成图像以导出所述种子图像包括：
基于所述最终合成图像的平均值产生第一种子图像；
基于所述第一种子图像的绝对偏差或标准偏差产生第二种子图像；以及
通过在所述第二种子图像中针对所述第二种子图像中包括低于阈值的平均值的每个像素分配绝对偏差值来产生第三种子图像。
23.根据权利要求22所述的系统，其中所述操作还包括：基于所述像素的最低平均值从所述第三种子图像中选择所述种子像素。
24.根据权利要求23所述的系统，其中所指定的算法包括种子区域生长算法SRG，所述操作还包括：
将种子像素添加到顺序搜索列表SSL队列；以及
通过以下方式用SRG基于所述种子像素确定所述颗粒的形状：
从所述SSL队列中选择所述种子像素；以及
对于与所述种子像素相邻的多个相邻像素中的每一个：
确定所述相邻像素与所述种子像素的颜色相似度；和
基于相邻像素的颜色相似度满足阈值颜色相似度，将所述相邻像素添加到所述颗粒形状。
25.根据权利要求24所述的系统，其中确定所述相邻像素与所述种子图像的颜色相似度包括：测量所述种子像素的颜色矢量与所述相邻像素的颜色矢量之间的欧几里德距离，并且所述阈值颜色相似度包括欧几里德距离的最大值。
26.根据权利要求15所述的系统，其中基于所述颗粒的形状来确定所述颗粒的尺寸包括以下中的至少一个：
确定所述颗粒内最长分段的长度；或者
确定所述颗粒的外接圆的直径。
27.根据权利要求15所述的系统，其中所述操作还包括：
通过对所述岩石样本的所述多个颗粒中的另一颗粒重复步骤(iii)-(vi)来执行迭代过程；以及
当所确定的所述多个颗粒中的特定颗粒的颗粒尺寸小于指定的阈值颗粒尺寸时，停止所述迭代过程。
28.根据权利要求15所述的系统，其中所述岩石样本包括各向异性岩石样本或碎屑岩样本。
CN201680041234.8A 2015-05-20 2016-04-28 地质薄层剖面的基于图像的分析方法和系统 Active CN107851316B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562164292P 2015-05-20 2015-05-20
US62/164,292 2015-05-20
US15/082,540 2016-03-28
US15/082,540 US9626771B2 (en) 2015-05-20 2016-03-28 Image-based analysis of a geological thin section
PCT/US2016/029748 WO2016186809A1 (en) 2015-05-20 2016-04-28 Image-based analysis of a geological thin section

Publications (2)

Publication Number Publication Date
CN107851316A CN107851316A (zh) 2018-03-27
CN107851316B true CN107851316B (zh) 2022-03-18

Family

ID=56072403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680041234.8A Active CN107851316B (zh) 2015-05-20 2016-04-28 地质薄层剖面的基于图像的分析方法和系统

Country Status (6)

Country Link
US (2) US9626771B2 (zh)
EP (1) EP3298582B1 (zh)
CN (1) CN107851316B (zh)
CA (1) CA2986008A1 (zh)
SA (1) SA517390349B1 (zh)
WO (1) WO2016186809A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11010883B2 (en) * 2018-04-17 2021-05-18 Saudi Arabian Oil Company Automated analysis of petrographic thin section images using advanced machine learning techniques
US11010881B2 (en) * 2018-05-16 2021-05-18 The Board Of Trustees Of The University Of Illinois Second-harmonic patterned polarization-analyzed reflection confocal microscope
US11506804B2 (en) * 2018-05-31 2022-11-22 Saudi Arabian Oil Company Inverse stratigraphic modeling using a hybrid linear and nonlinear algorithm
US11062439B2 (en) * 2019-09-24 2021-07-13 Halliburton Energy Services, Inc. Automating microfacies analysis of petrographic images
US11079581B2 (en) * 2019-11-25 2021-08-03 Saudi Arabian Oil Company Resolution preserving methodology to generate continuous log scale reservoir permeability profile from petrographic thin section images
US11339651B2 (en) * 2020-02-13 2022-05-24 Saudi Arabian Oil Company Systems and methods for generating continuous grain size logs from petrographic thin section images
US11126819B1 (en) 2020-07-09 2021-09-21 Saudi Arabian Oil Company Systems and methods for optimizing camera and microscope configurations for capturing thin section images
US11668847B2 (en) 2021-01-04 2023-06-06 Saudi Arabian Oil Company Generating synthetic geological formation images based on rock fragment images
WO2022160064A1 (en) * 2021-01-29 2022-08-04 University Of Guelph Petrographic imaging method and apparatus
DE102021201987A1 (de) 2021-03-02 2022-09-08 Carl Zeiss Microscopy Gmbh Verfahren, Computerprogrammprodukt und Mikroskopiesystem zur Darstellung von polarisierenden Proben
CN113222923B (zh) * 2021-04-30 2021-11-12 广东石油化工学院 一种基于岩心照片识别裂缝类型的方法
CN113378691B (zh) * 2021-06-08 2024-05-17 衡阳览众科技有限公司 基于实时用户行为分析的智能家居管理系统及方法
CN115598025B (zh) * 2022-12-13 2023-03-10 四川亿欣新材料有限公司 图像处理方法及使用该方法的碳酸钙粉质检系统
CN117132588B (zh) * 2023-10-23 2024-01-26 深圳市金利源绝缘材料有限公司 基于视觉的复合铜排导电层焊接缺陷检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109613A (zh) * 2009-12-23 2011-06-29 中国石油天然气股份有限公司 一种复杂地质条件下目标储层有效厚度的确定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4783751A (en) * 1983-08-17 1988-11-08 University Of South Carolina Analysis of pore complexes
US7630872B2 (en) * 2004-09-16 2009-12-08 Schlumberger Technology Corporation Methods for visualizing distances between wellbore and formation boundaries
US8583410B2 (en) * 2010-05-28 2013-11-12 Ingrain, Inc. Method for obtaining consistent and integrated physical properties of porous media
US9430499B2 (en) * 2014-02-18 2016-08-30 Environmental Systems Research Institute, Inc. Automated feature extraction from imagery
EP2930543B1 (de) * 2014-04-10 2021-09-15 Müller-Elektronik GmbH Fallrohrsensor und Verfahren zur Einzelkornerkennung

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109613A (zh) * 2009-12-23 2011-06-29 中国石油天然气股份有限公司 一种复杂地质条件下目标储层有效厚度的确定方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A COMPUTER-CONTROLLED ROTATING POLARIZER STAGE FOR THE PETROGRAPHIC MICROSCOPE;FRANK FUETEN;《Computers & Geosciences》;19970301;第23卷(第2期);第203-208页 *
A microscopic information system (MIS) for petrographic analysis;SIMONE TAROUINI;《COMPUTERS AND GEOSCIENCES》;20100501;第36卷(第5期);标题、摘要、第3-4节、附录 *
Automatic recognition of hematite grains under polarized reflected light microscopy through image analysis;JULIO CESAR ALVAREZ IGLESIAS;《Minerals Engineering》;20110412;第24卷(第12期);第1264-1270页 *
GIS-based detection of grain boundaries;Yingkui Li等;《Journal of Structural Geology》;20071227;第30卷(第4期);第431-443页 *
Segmentation of petrographic images by integrating edge detection and region growing;ZHOU Y等;《COMPUTERS AND GEOSCIENCES》;20041001;第30卷(第8期);第817-831页 *
薄互层地震切片解释中的几个问题-一个三维地质模型为例;李国发 等;《石油地球物理勘探》;20140430;第49卷(第2期);第388-393页 *

Also Published As

Publication number Publication date
EP3298582A1 (en) 2018-03-28
US9626771B2 (en) 2017-04-18
US20160343150A1 (en) 2016-11-24
WO2016186809A1 (en) 2016-11-24
CA2986008A1 (en) 2016-11-24
US9786065B2 (en) 2017-10-10
US20170091958A1 (en) 2017-03-30
CN107851316A (zh) 2018-03-27
SA517390349B1 (ar) 2021-09-09
EP3298582B1 (en) 2020-06-03

Similar Documents

Publication Publication Date Title
CN107851316B (zh) 地质薄层剖面的基于图像的分析方法和系统
US10991078B2 (en) Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
US8909508B2 (en) Petrographic image analysis for determining capillary pressure in porous media
US9396547B2 (en) Output display for segmented digital volume representing porous media
US9927554B2 (en) Digital core model construction
Detert et al. User guide to gravelometric image analysis by BASEGRAIN
US10223782B2 (en) Digital rock physics-based trend determination and usage for upscaling
US20150104078A1 (en) Image Data Processing
NO328937B1 (no) Fremgangsmate for automatisk deteksjon av planare uensartetheter som krysser et miljos stratifikasjon
Ehrig et al. Comparison of crack detection methods for analyzing damage processes in concrete with computed tomography
Mohebbi et al. Rock mass structural data analysis using image processing techniques (Case study: Choghart iron ore mine northern slopes)
Masson et al. Quantification of the morphology of gold grains in 3D using X-ray microscopy and SEM photogrammetry
Winiarski et al. Correction of artefacts associated with large area EBSD
Jiang et al. A vertical profile imaging method for quantifying rock fragments in gravelly soil
Paetsch et al. Automated 3D crack detection for analyzing damage processes in concrete with computed tomography
Cappuccio et al. Three-dimensional separation and characterization of fractures in X-ray computed tomographic images of rocks
Ye et al. Scientific computational visual analysis of wood internal defects detection in view of tomography image reconstruction algorithm
Schankula et al. Multi-angle plasma focused ion beam (FIB) curtaining artifact correction using a Fourier-based linear optimization model
Kherroubi Automatic extraction of natural fracture traces from borehole images
Sandhu et al. Survey of microscopic image segmentation techniques and image quality measures
Sarhan et al. Development of multimodal/multidimensional image registration tools
Yanici Laboratory analysis of the predictive value of image-based computations for resistivity index
Dabek et al. Superpixel-Based Grain Segmentation in Sandstone Thin-Section. Minerals 2023, 13, 219
Mouland Semi-automated characterization of thin-section petrographic images

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