CN109003248B - 一种细粒沉积岩纹层结构的表征方法 - Google Patents
一种细粒沉积岩纹层结构的表征方法 Download PDFInfo
- Publication number
- CN109003248B CN109003248B CN201810813521.7A CN201810813521A CN109003248B CN 109003248 B CN109003248 B CN 109003248B CN 201810813521 A CN201810813521 A CN 201810813521A CN 109003248 B CN109003248 B CN 109003248B
- Authority
- CN
- China
- Prior art keywords
- bright
- image
- dark
- layer
- continuity
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 54
- 238000012512 characterization method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000010419 fine particle Substances 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 206010040925 Skin striae Diseases 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 210000003462 vein Anatomy 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 16
- 239000003079 shale oil Substances 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003703 image analysis method Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 241000446313 Lamella Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/954—Inspecting the inner surface of hollow bodies, e.g. bores
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
- G09B23/40—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for geology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
Abstract
本发明涉及一种细粒沉积岩纹层结构的表征方法,其具体步骤为:S1、图像预处理;S2、加载图像,并把图像归一化到规定尺寸;S3、对图像依次进行均值滤波、膨胀运算和二值化处理;S4、判断是否发育纹层;S5、确定亮纹层和暗纹层的数量;S6、确定亮纹层和暗纹层的连续度;S7、根据统计和计算的结果,将亮纹层数、暗纹层数、亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度、亮纹层连续度、暗纹层连续度、亮暗纹层连续度、亮纹层宽度方差、暗纹层宽度方差以及亮暗纹层平均宽度方差写入Excel即可。本发明能够准确定表征细粒沉积岩纹层的结构特征,与现有技术相比,效果更好,满足了系统性刻画细粒沉积岩纹层发育特征的要求,为页岩油气的勘探开发提供了技术支持。
Description
技术领域
本发明属于非常规页岩油气勘探技术领域,具体地说,涉及一种细粒沉积岩纹层结构的表征方法。
背景技术
近年来,随着页岩气在美国获得重大突破,细粒沉积岩逐渐受到人们的高度重视。在国内,自2014年四川威201气井得到突破后,这也标志着我国对非常规油气资源的勘探开发取得了新的进展。但是,从近两年钻探的牛业1井、梁页1井、利页1井、樊页1井以及渤页平1井等十几口页岩气井发现,在湖相细粒沉积岩中的页岩油气开发均未获得明显的突破。由此说明我国在陆相页岩气勘探开发理论技术上还存在一系列亟待解决的难题,尤其是细粒沉积岩的可压裂性是其中一个至关重要的因素,纹层结构的定量化表征又是评价可压裂性的基础。因此,研究一种细粒沉积岩纹层结构的表征方法,能够准确评价细粒沉积岩的可压裂性与开发潜力以及选择有效的压裂作业方式和材料,对我国页岩油气的勘探开发具有十分重要的意义。
发明内容
本发明针对现有细粒沉积岩油气开发过程中存在的量化表征纹层结构困难、甚至无法量化等上述问题,提供一种准确性高、能够量化表征不同纹层结构的细粒沉积岩纹层结构的表征方法。
为了达到上述目的,本发明提供了一种细粒沉积岩纹层结构的方法,其具体步骤为:
S1、图像预处理;
获取细粒沉积岩薄片镜下图像,对细粒沉积岩薄片镜下图像中的非纹层特征进行涂抹处理;
S2、加载图像,并把图像归一化到规定尺寸;
S3、对图像依次进行均值滤波、膨胀运算和二值化处理;
S4、判断是否发育纹层;
统计图像每一行的亮像素点,根据波峰-即亮像素点高值情况设定第一阈值,根据第一阈值判断图像是否发育纹层;
S5、确定亮纹层和暗纹层的数量;
设定第二阈值,根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于第二阈值时,认为存在波谷,获取准确的波峰和波谷的位置,其中,有效波峰数为亮纹层数,有效波谷数为暗纹层数;
S6、确定亮纹层和暗纹层的连续度
在亮纹层或暗纹层内,以图像中每一行像素点为单元,统计相应的断点数,并对平均断点数进行求倒数,倒数的大小表征亮纹层连续度或暗纹层连续度的强弱;
S7、根据统计和计算的结果,将亮纹层数、暗纹层数、亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度、亮纹层连续度、暗纹层连续度、亮暗纹层连续度、亮纹层宽度方差、暗纹层宽度方差以及亮暗纹层平均宽度方差写入Excel即可。
优选的,步骤S3中,均值滤波将周围临近像素点均值代表目标像素点,从而去掉目标像素点,即瑕疵;膨胀运算将有效像素进行扩充,消除均值滤波后图像中的瑕疵;二值化处理是指将图像上的像素点的灰度值设置为0或255,只呈现出明显的黑白图像。
优选的,步骤S4中,由函数由函数[v1,l1]=attain_peak(y1,thresholding)获取图像的波峰,其中,[v1,l1]代表波峰值,y1为横向像素点累加值,thresholding为波峰阈值,即第一阈值,如果v1值超过该波峰阈值被认定为有波峰,则判断为有纹层,如果返回v1为空,即没有波峰,则判断为无纹层。
优选的,步骤S5中,由函数[bright_stripe,dull_stripe,stripe_map]=cal_index(y1,[v1,l1],bw,theshold1)确定波谷的位置,式中,bright_stripe代表亮纹层,dull_stripe代表暗纹层,stripe_map代表纹层模拟图,bw代表二值图像,由bw得到模拟图的尺寸,theshold1为第二阈值;根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于theshold1时,认为存在波谷,由此可以准确地得到波峰和波谷的位置,其中有效波峰数即为亮纹层数,有效波谷数量即为暗纹层数,从而确定亮暗纹层的数量。
优选的,步骤S6中,根据二值化处理结果,若图像中每一行相邻的像素点同色,记为一个断点。
优选的,步骤S6中,确定亮纹层连续度的过程为:统计亮纹层区域每行像素点的暗断点数,再根据亮纹层区域的总行数进一步求出平均断点数,最后根据亮纹层数计算出图像的平均暗断点数,图像亮纹层平均暗断点数的倒数即为图像亮纹层的连续度。
优选的,步骤S6中,确定暗纹层连续度的过程为:统计暗纹层区域每行像素点的亮断点数,再根据暗纹层区域的总行数进一步求出平均断点数,最后根据暗纹层数计算出图像的平均亮断点数,图像暗纹层平均亮断点数的倒数即为图像暗纹层的连续度。
优选的,步骤S6中,对图像亮纹层的连续度和图像暗纹层的连续度求平均,即为图像亮暗纹层的连续度。
与现有技术相比,本发明的有益效果在于:
(1)本发明利用图像分析方法定量表征细粒沉积岩纹层的结构特征,过程处理方便、快捷,能够准确刻画细粒沉积岩纹层发育特征,满足系统性地刻画细粒沉积岩纹层发育特征的要求,从根本上解决了人工统计上耗时多、准确度低的难题,为页岩油气的勘探开发提供技术支持。
(2)本发明基于沉积岩石学的相关理论为指导,分别定量描述了细粒沉积岩亮纹层、暗纹层的各自特征及亮暗纹层综合特征,并以数学方差为指标,量化了不同纹层厚度差异性。
(3)本发明通过统计亮纹层、暗纹层对应的“断点数”,并计算出相应的倒数来表征纹层的连续度,不仅符合沉积岩石学连续度的含义,还为评价纹层连续度对其他因素(如岩石的脆性、断裂韧性、可压裂性等)的影响提供了可靠的数值基础。
附图说明
图1为本发明所述细粒沉积岩纹层结构的表征方法的流程图
图2为本发明实施例一中图像处理前的细粒沉积岩薄片镜下图像;
图3为本发明实施例一中图像进行均值滤波、膨胀运算以及二值化处理后的结果图;
图4为本发明实施例一中图像经y1累加后的结果图;
图5为本发明实施例一中图像由波峰与波谷之间的阈值所确定的纹层图;
图6为本发明实施例一中图像亮纹层带的确定图;
图7为本发明实施例一中图像纹层的模拟图;
图8为本发明实施例一中纹层连续度示意图;
图9为本发明实施例二中图像处理前的细粒沉积岩薄片镜下图像;
图10为本发明实施例二中图像进行均值滤波、膨胀运算以及二值化处理后的结果图;
图11为本发明实施例二中图像由波峰与波谷之间的阈值所确定的纹层图;
图12为本发明实施例二中图像纹层的模拟图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1,本发明揭示了一种细粒沉积岩纹层结构的表征方法,其具体步骤为:
S1、图像预处理;
获取细粒沉积岩薄片镜下图像,对细粒沉积岩薄片镜下图像中的非纹层特征进行涂抹处理;其中,非纹层特征包括生物碎屑和裂纹等特征;
S2、加载图像,并把图像归一化到规定尺寸;
S3、对图像依次进行均值滤波、膨胀运算和二值化处理;其具体步骤为:
均值滤波将周围临近像素点均值代表目标像素点,从而去掉目标像素点,即瑕疵;膨胀运算将有效像素进行扩充,消除均值滤波后图像中的瑕疵;二值化处理是指将图像上的像素点的灰度值设置为0或255,只呈现出明显的黑白图像;
S4、判断是否发育纹层;
统计图像每一行的亮像素点,根据波峰-即亮像素点高值情况设定第一阈值,根据第一阈值判断图像是否发育纹层;
S5、确定亮纹层和暗纹层的数量;
设定第二阈值,根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于第二阈值时,认为存在波谷,获取准确的波峰和波谷的位置,其中,有效波峰数为亮纹层数,有效波谷数为暗纹层数;
S6、确定亮纹层和暗纹层的连续度
根据二值化处理结果,若图像中每一行相邻的像素点同色,记为一个断点;在亮纹层或暗纹层内,以图像中每一行像素点为单元,统计相应的断点数,并对平均断点数进行求倒数,倒数的大小表征亮纹层连续度或暗纹层连续度的强弱;
S7、根据统计和计算的结果,将亮纹层数、暗纹层数、亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度、亮纹层连续度、暗纹层连续度、亮暗纹层连续度、亮纹层宽度方差、暗纹层宽度方差以及亮暗纹层平均宽度方差写入Excel即可。
本发明上述方法以沉积岩石学的相关理论为指导,以细粒沉积岩薄片为基础,利用图像分析方法定量化表征了细粒沉积岩的纹层数量、纹层厚度、纹层厚度差异性以及纹层连续性。尤其是纹层的厚度差异性利用数学方差来表示,纹层的连续性通过统计断点数的方法来表征。能够准确定表征细粒沉积岩纹层的结构特征,且与现有技术相比,效果更好,满足了系统性刻画细粒沉积岩纹层发育特征的要求,为页岩油气的勘探开发提供了技术支持。
作为上述方法的优选设计,步骤S4中,由函数[v1,l1]=attain_peak(y1,thresholding)获取图像的波峰,其中,[v1,l1]代表波峰值,y1为横向像素点累加值,thresholding为波峰阈值,即第一阈值,如果v1值超过该波峰阈值被认定为有波峰,则判断为有纹层,如果返回v1为空,即没有波峰,则判断为无纹层。
作为上述方法的优选设计,步骤S5中,由函数[bright_stripe,dull_stripe,stripe_map]=cal_index(y1,[v1,l1],bw,theshold1)确定波谷的位置,式中,bright_stripe代表亮纹层,dull_stripe代表暗纹层,stripe_map代表纹层模拟图,bw代表二值图像,由bw得到模拟图的尺寸,theshold1为第二阈值;根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于theshold1时,认为存在波谷,由此可以准确地得到波峰和波谷的位置,其中有效波峰数即为亮纹层数,有效波谷数量即为暗纹层数,从而确定亮暗纹层的数量。为了便于统计从而确定亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度以及亮暗纹层平均宽度方差。,在设定暗纹层和亮纹层的带宽时,由于亮纹层与暗纹层存在亮暗过渡带,参见图6,可设定亮暗纹层界限的值为波峰的2/5处。
作为上述方法的优选设计,步骤S6中,确定亮纹层连续度的过程为:统计亮纹层区域每行像素点的暗断点数,再根据亮纹层区域的总行数进一步求出平均断点数,最后根据亮纹层数计算出图像的平均暗断点数,图像亮纹层平均暗断点数的倒数即为图像亮纹层的连续度。确定暗纹层连续度的过程为:统计暗纹层区域每行像素点的亮断点数,再根据暗纹层区域的总行数进一步求出平均断点数,最后根据暗纹层数计算出图像的平均亮断点数,图像暗纹层平均亮断点数的倒数即为图像暗纹层的连续度。对图像亮纹层的连续度和图像暗纹层的连续度求平均,即为图像亮暗纹层的连续度。一般地,断点数越多图像纹层的连续度越低,反之,连续度越高。此外,为了便于对比分析,还可以对连续度进行归一化处理,即连续度越接近于1的细粒沉积岩,其纹层连续性越好,反之,连续度越接近于0,其纹层连续性越差。
为了能更清楚地对上述方法进行说明,以下分别以不同的实施例做出进一步说明。
实施例一:以济阳坳陷东营凹陷,NY1井3296.44m处的细粒沉积岩为研究对象,通过本发明上述方法进行纹层结构表征。继续参见图1,其具体步骤为:
S1、选取本实施例中研究区中的细粒沉积岩图像,图像处理前的岩石薄片镜下图像参见图2,利用Photoshop对细粒沉积岩薄片镜下图像的生物碎屑和裂纹进行涂抹处理,将这些非纹层特征的因素去掉。
S2、加载图像,并把图像归一化到规定的尺寸,本实施例中,规定的尺寸设置为1944×2592像素,也就是说,规定的尺寸为长2592像素,宽1944像素点,以便处理得到统一的特征参数值。
S3、对图像进行均值滤波,将周围临近像素点均值代表目标像素点,从而去掉目标像素点,即瑕疵;然后进行膨胀运算,将有效像素进行扩充,消除均值滤波后图像中的瑕疵;最后进行二值化处理,将图像上的像素点的灰度值设置为0或255,只呈现出明显的黑白图像。处理结果参见图3。
S4、由函数[v1,l1]=attain_peak(y1,thresholding)获取图像的波峰,其中,[v1,l1]代表波峰值,y1为横向像素点累加值,y1累加后的结果参见图4,thresholding为波峰阈值,即第一阈值,如果v1值超过该波峰阈值被认定为有波峰,则判断为有纹层,如果返回v1为空,即没有波峰,则判断为无纹层。
S5、由函数[bright_stripe,dull_stripe,stripe_map]=cal_index(y1,[v1,l1],bw,theshold1)确定波谷的位置,式中,bright_stripe代表亮纹层,dull_stripe代表暗纹层,stripe_map代表纹层模拟图,bw代表二值图像,由bw得到模拟图的尺寸,theshold1为第二阈值;根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于theshold1时,认为存在波谷,由此可以准确地得到波峰和波谷的位置,其中有效波峰数即为亮纹层数,有效波谷数量即为暗纹层数,从而确定亮暗纹层的数量,确定的亮暗纹层的结果参见图6。岩石薄片的模拟纹层参见图7。根据波峰和波谷设定暗纹层的带宽和亮纹层的带宽,在进行带宽设定时,参见图6,设定在亮暗纹层界限的值为波峰的2/5处,从而确定亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度以及亮暗纹层平均宽度方差。
S6、根据二值化处理结果,若图像中每一行相邻的像素点同色,记为一个断点,参见图8;统计亮纹层区域每行像素点的暗断点数,再根据亮纹层区域的总行数进一步求出平均断点数,最后根据亮纹层数计算出图像的平均暗断点数,图像亮纹层平均暗断点数的倒数即为图像亮纹层的连续度。统计暗纹层区域每行像素点的亮断点数,再根据暗纹层区域的总行数进一步求出平均断点数,最后根据暗纹层数计算出图像的平均亮断点数,图像暗纹层平均亮断点数的倒数即为图像暗纹层的连续度。对图像亮纹层的连续度和图像暗纹层的连续度求平均,即为图像亮暗纹层的连续度。
S7、根据统计和计算的结果,将亮纹层数、暗纹层数、亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度、亮纹层连续度、暗纹层连续度、亮暗纹层连续度、亮纹层宽度方差、暗纹层宽度方差以及亮暗纹层平均宽度方差写入Excel即可。表征结果参见表1。
表1
实施例二:以济阳坳陷东营凹陷,NY1井3451.85m处的细粒沉积岩为研究对象,通过本发明上述方法进行纹层结构表征。继续参见图1,其具体步骤为:
S1、选取本实施例中研究区中的细粒沉积岩图像,图像处理前的岩石薄片镜下图像参见图9,利用Photoshop对细粒沉积岩薄片镜下图像的生物碎屑和裂纹进行涂抹处理,将这些非纹层特征的因素去掉。
S2、加载图像,并把图像归一化到规定的尺寸,本实施例中,规定的尺寸设置为1944×2592像素,也就是说,规定的尺寸为长2592像素,宽1944像素点,以便处理得到统一的特征参数值。
S3、对图像进行均值滤波,将周围临近像素点均值代表目标像素点,从而去掉目标像素点,即瑕疵;然后进行膨胀运算,将有效像素进行扩充,消除均值滤波后图像中的瑕疵;最后进行二值化处理,将图像上的像素点的灰度值设置为0或255,只呈现出明显的黑白图像。处理结果参见图10。
S4、由函数[v1,l1]=attain_peak(y1,thresholding)获取图像的波峰,其中,[v1,l1]代表波峰值,y1为横向像素点累加值,thresholding为波峰阈值,即第一阈值,如果v1值超过该波峰阈值被认定为有波峰,则判断为有纹层,如果返回v1为空,即没有波峰,则判断为无纹层。
S5、由函数[bright_stripe,dull_stripe,stripe_map]=cal_index(y1,[v1,l1],bw,theshold1)确定波谷的位置,式中,bright_stripe代表亮纹层,dull_stripe代表暗纹层,stripe_map代表纹层模拟图,bw代表二值图像,由bw得到模拟图的尺寸,theshold1为第二阈值;根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于theshold1时,认为存在波谷,由此可以准确地得到波峰和波谷的位置,其中有效波峰数即为亮纹层数,有效波谷数量即为暗纹层数,从而确定亮暗纹层的数量,岩石薄片的模拟纹层参见图11。根据波峰和波谷设定暗纹层的带宽和亮纹层的带宽,在进行带宽设定时,参见图6,设定在亮暗纹层界限的值为波峰的2/5处,从而确定亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度以及亮暗纹层平均宽度方差。
S6、根据二值化处理结果,若图像中每一行相邻的像素点同色,记为一个断点;统计亮纹层区域每行像素点的暗断点数,再根据亮纹层区域的总行数进一步求出平均断点数,最后根据亮纹层数计算出图像的平均暗断点数,图像亮纹层平均暗断点数的倒数即为图像亮纹层的连续度。统计暗纹层区域每行像素点的亮断点数,再根据暗纹层区域的总行数进一步求出平均断点数,最后根据暗纹层数计算出图像的平均亮断点数,图像暗纹层平均亮断点数的倒数即为图像暗纹层的连续度。对图像亮纹层的连续度和图像暗纹层的连续度求平均,即为图像亮暗纹层的连续度。
S7、根据统计和计算的结果,将亮纹层数、暗纹层数、亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度、亮纹层连续度、暗纹层连续度、亮暗纹层连续度、亮纹层宽度方差、暗纹层宽度方差以及亮暗纹层平均宽度方差写入Excel即可。表征结果参见表2。
表2
输出类型 | 值 | 输出类型 | 值 |
亮纹层数 | 8个 | 暗纹层数 | 9个 |
亮纹层连续度 | 0.8631 | 暗纹层连续度 | 0.9464 |
亮纹层平均宽度 | 0.0864mm | 暗纹层平均宽度 | 0.0731mm |
亮纹层宽度方差 | 0.0459 | 暗纹层宽度方差 | 0.0569 |
亮暗纹层平均连续度 | 0.9048 | 亮暗纹层平均宽度方差 | 0.0514 |
亮暗纹层平均宽度 | 0.0798mm |
由上述实施例可知,本发明上述表征方法采用MATLAB软件编程为手段,利用图像分析方法定量化表征了细粒沉积岩的纹层数量、纹层厚度、纹层厚度差异性以及纹层连续性。尤其是纹层的厚度差异性利用数学方差来表示,纹层的连续性通过统计断点数的方法来表征。能够系统刻画细粒沉积岩纹层发育特征,为进一步准确评价细粒沉积岩的可压裂性与开发潜力以及选择有效的压力作业方式和材料,以期能为我国页岩油气的勘探开发提供技术支持。
以上所举实施例仅用为方便举例说明本发明,并非对本发明保护范围的限制,在本发明所述技术方案范畴,所属技术领域的技术人员所作各种简单变形与修饰,均应包含在以上申请专利范围中。
Claims (6)
1.一种细粒沉积岩纹层结构的表征方法,其特征在于,其具体步骤为:
S1、图像预处理;
获取细粒沉积岩薄片镜下图像,对细粒沉积岩薄片镜下图像中的非纹层特征进行涂抹处理;
S2、加载图像,并把图像归一化到规定尺寸;
S3、对图像依次进行均值滤波、膨胀运算和二值化处理;
S4、判断是否发育纹层;
统计图像每一行的亮像素点,根据波峰-即亮像素点高值情况设定第一阈值,根据第一阈值判断图像是否发育纹层;
S5、确定亮纹层和暗纹层的数量;
设定第二阈值,根据相邻两个波峰找到波谷的位置,若有效波峰和相邻波谷的高程差大于第二阈值时,认为存在波谷,获取准确的波峰和波谷的位置,其中,有效波峰数为亮纹层数,有效波谷数为暗纹层数;
S6、确定亮纹层和暗纹层的连续度
在亮纹层或暗纹层内,以图像中每一行像素点为单元,统计相应的断点数,并对平均断点数进行求倒数,倒数的大小表征亮纹层连续度或暗纹层连续度的强弱;
S7、根据统计和计算的结果,将亮纹层数、暗纹层数、亮纹层平均宽度、暗纹层平均宽度、亮暗纹层平均宽度、亮纹层连续度、暗纹层连续度、亮暗纹层连续度、亮纹层宽度方差、暗纹层宽度方差以及亮暗纹层平均宽度方差写入Excel即可。
2.如权利要求1所述的细粒沉积岩纹层结构的表征方法,其特征在于,步骤S3中,均值滤波将周围临近像素点均值代表目标像素点,从而去掉目标像素点,即瑕疵;膨胀运算将有效像素进行扩充,消除均值滤波后图像中的瑕疵;二值化处理是指将图像上的像素点的灰度值设置为0或255,只呈现出明显的黑白图像。
3.权利要求1或2所述的细粒沉积岩纹层结构的表征方法,其特征在于,步骤S6中,根据二值化处理结果,若图像中每一行相邻的像素点同色,记为一个断点。
4.权利要求3所述的细粒沉积岩纹层结构的表征方法,其特征在于,步骤S6中,确定亮纹层连续度的过程为:统计亮纹层区域每行像素点的暗断点数,再根据亮纹层区域的总行数进一步求出平均断点数,最后根据亮纹层数计算出图像的平均暗断点数,图像亮纹层平均暗断点数的倒数即为图像亮纹层的连续度。
5.权利要求4所述的细粒沉积岩纹层结构的表征方法,其特征在于,步骤S6中,确定暗纹层连续度的过程为:统计暗纹层区域每行像素点的亮断点数,再根据暗纹层区域的总行数进一步求出平均断点数,最后根据暗纹层数计算出图像的平均亮断点数,图像暗纹层平均亮断点数的倒数即为图像暗纹层的连续度。
6.权利要求5所述的细粒沉积岩纹层结构的表征方法,其特征在于,步骤S6中,对图像亮纹层的连续度和图像暗纹层的连续度求平均,即为图像亮暗纹层的连续度。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810813521.7A CN109003248B (zh) | 2018-07-23 | 2018-07-23 | 一种细粒沉积岩纹层结构的表征方法 |
PCT/CN2019/084171 WO2019192625A1 (zh) | 2018-07-23 | 2019-04-25 | 一种细粒沉积岩纹层结构的表征方法 |
US16/729,260 US10643321B1 (en) | 2018-07-23 | 2019-12-27 | Characterization method for fine-grained sedimentary rock laminar texture |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810813521.7A CN109003248B (zh) | 2018-07-23 | 2018-07-23 | 一种细粒沉积岩纹层结构的表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003248A CN109003248A (zh) | 2018-12-14 |
CN109003248B true CN109003248B (zh) | 2020-12-08 |
Family
ID=64596898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810813521.7A Active CN109003248B (zh) | 2018-07-23 | 2018-07-23 | 一种细粒沉积岩纹层结构的表征方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10643321B1 (zh) |
CN (1) | CN109003248B (zh) |
WO (1) | WO2019192625A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003248B (zh) | 2018-07-23 | 2020-12-08 | 中国石油大学(华东) | 一种细粒沉积岩纹层结构的表征方法 |
CN113586019B (zh) * | 2020-04-30 | 2024-01-30 | 中国石油天然气股份有限公司 | 页岩气储层的压裂优化方法、装置和计算机存储介质 |
CN111951347B (zh) * | 2020-08-24 | 2021-03-12 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN113808190B (zh) * | 2021-09-23 | 2023-07-28 | 西南石油大学 | 一种基于电成像测井图像的页岩纹层信息定量提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908142A (zh) * | 2010-08-04 | 2010-12-08 | 丁天 | 一种基于特征分析的视频火焰检测方法 |
CN104007484A (zh) * | 2014-06-06 | 2014-08-27 | 董春梅 | 一种泥页岩的分类方法 |
CN105572757A (zh) * | 2015-11-03 | 2016-05-11 | 山东科技大学 | 一种描述煤系细粒沉积结构的方法 |
CN105809692A (zh) * | 2016-03-10 | 2016-07-27 | 中国石油大学(华东) | 一种页岩结构的定量表征方法 |
CN105869060A (zh) * | 2016-04-06 | 2016-08-17 | 山东省煤田地质规划勘察研究院 | 一种细粒岩微细纹层分类方法 |
KR101653115B1 (ko) * | 2015-11-20 | 2016-09-01 | 제주대학교 산학협력단 | 쇄설성 퇴적암의 암상 분류방법 및 이를 이용한 셰일가스 저류층의 탐색방법 |
CN105954492A (zh) * | 2016-04-28 | 2016-09-21 | 西南石油大学 | 页岩纹层定量表征方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020307B2 (en) * | 2002-02-15 | 2006-03-28 | Inco Limited | Rock fragmentation analysis system |
ES2617882T3 (es) * | 2005-05-13 | 2017-06-20 | Tripath Imaging, Inc. | Método de análisis de imagen basado en la separación de cromógenos |
US8103102B2 (en) * | 2006-12-13 | 2012-01-24 | Adobe Systems Incorporated | Robust feature extraction for color and grayscale images |
WO2011009159A1 (en) * | 2009-07-20 | 2011-01-27 | Bt Imaging Pty Ltd | Separation of doping density and minority carrier lifetime in photoluminescence measurements on semiconductor materials |
US8577135B2 (en) * | 2009-11-17 | 2013-11-05 | Tandent Vision Science, Inc. | System and method for detection of specularity in an image |
JP5892238B2 (ja) * | 2012-03-30 | 2016-03-23 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
JP5677356B2 (ja) * | 2012-04-04 | 2015-02-25 | キヤノン株式会社 | マスクパターンの生成方法 |
US9140117B2 (en) * | 2012-07-13 | 2015-09-22 | Ingrain, Inc. | Method for evaluating relative permeability for fractional multi-phase, multi-component fluid flow through porous media |
CN104780822B (zh) * | 2012-07-19 | 2017-06-23 | 独立行政法人国立长寿医疗研究中心 | 牙菌斑、牙龈和牙槽骨的测量和显示方法及装置 |
US9939548B2 (en) * | 2014-02-24 | 2018-04-10 | Saudi Arabian Oil Company | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells |
WO2016172532A2 (en) * | 2015-04-23 | 2016-10-27 | Bd Kiestra B.V. | A method and system for automated microbial colony counting from streaked sample on plated media |
EP3327198B1 (en) * | 2015-07-21 | 2021-04-21 | Kabushiki Kaisha Toshiba | Crack analyzer, crack analysis method, and crack analysis program |
EP4273799A3 (en) * | 2016-02-08 | 2023-12-06 | Imago Systems, Inc. | System and method for the visualization and characterization of objects in images |
JP6217886B1 (ja) * | 2016-03-14 | 2017-10-25 | 日本電気株式会社 | 物体管理装置 |
US10181391B2 (en) * | 2016-05-26 | 2019-01-15 | Nanojehm Inc. | Image processing system and method of processing images |
US11645859B2 (en) * | 2016-06-30 | 2023-05-09 | Nikon Corporation | Analysis device, analysis method, analysis program and display device |
WO2018066039A1 (ja) * | 2016-10-03 | 2018-04-12 | 株式会社ニコン | 解析装置、解析方法、及びプログラム |
US10423820B2 (en) * | 2017-09-13 | 2019-09-24 | General Electric Company | Systems and methods for automatic generation of training sets for machine interpretation of images |
CN109003248B (zh) * | 2018-07-23 | 2020-12-08 | 中国石油大学(华东) | 一种细粒沉积岩纹层结构的表征方法 |
-
2018
- 2018-07-23 CN CN201810813521.7A patent/CN109003248B/zh active Active
-
2019
- 2019-04-25 WO PCT/CN2019/084171 patent/WO2019192625A1/zh active Application Filing
- 2019-12-27 US US16/729,260 patent/US10643321B1/en not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908142A (zh) * | 2010-08-04 | 2010-12-08 | 丁天 | 一种基于特征分析的视频火焰检测方法 |
CN104007484A (zh) * | 2014-06-06 | 2014-08-27 | 董春梅 | 一种泥页岩的分类方法 |
CN105572757A (zh) * | 2015-11-03 | 2016-05-11 | 山东科技大学 | 一种描述煤系细粒沉积结构的方法 |
KR101653115B1 (ko) * | 2015-11-20 | 2016-09-01 | 제주대학교 산학협력단 | 쇄설성 퇴적암의 암상 분류방법 및 이를 이용한 셰일가스 저류층의 탐색방법 |
CN105809692A (zh) * | 2016-03-10 | 2016-07-27 | 中国石油大学(华东) | 一种页岩结构的定量表征方法 |
CN105869060A (zh) * | 2016-04-06 | 2016-08-17 | 山东省煤田地质规划勘察研究院 | 一种细粒岩微细纹层分类方法 |
CN105954492A (zh) * | 2016-04-28 | 2016-09-21 | 西南石油大学 | 页岩纹层定量表征方法 |
Non-Patent Citations (2)
Title |
---|
Analysis and Numerical Simulation of Hydrofracture Crack Propagation in Coal-Rock Bed;Chen peng Song 等;《Computer Modeling in Engineering and Sciences》;20151231;第69-86页 * |
基于模糊算法的岩心图像层理特征提取;朱强军 等;《电子测量技术》;20080331;第58-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003248A (zh) | 2018-12-14 |
US20200134805A1 (en) | 2020-04-30 |
WO2019192625A1 (zh) | 2019-10-10 |
US10643321B1 (en) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003248B (zh) | 一种细粒沉积岩纹层结构的表征方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115294139B (zh) | 基于图像的边坡裂缝监测方法 | |
CN105447851A (zh) | 一种玻璃面板的音孔缺陷检测方法及系统 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
Yusof et al. | Deep convolution neural network for crack detection on asphalt pavement | |
CN114332026B (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
CN111507972A (zh) | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
CN112819809A (zh) | 一种岩石中矿物颗粒形态量化方法 | |
Shen | Road crack detection based on video image processing | |
CN108053412A (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN105913443A (zh) | 模拟人眼识别技术检测沥青路面纹理的方法 | |
CN112084467B (zh) | 一种复杂岩石裂隙网络的分形量化方法 | |
CN101178809A (zh) | 集成电路功能成品率估计方法 | |
CN116563288B (zh) | 一种汽车发动机齿轮螺纹孔检测方法 | |
CN103530885B (zh) | 一种一维图像自适应分层边缘检测提取方法 | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN107239629B (zh) | 一种岩石结构面实验室合理尺寸确定的分形维数分析方法 | |
Ouyang et al. | The classification of pavement crack image based on beamlet algorithm | |
CN115456973A (zh) | 渗漏水病害检测与识别模型的建立方法、装置及设备 | |
CN114972330A (zh) | 一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法 | |
CN107292017A (zh) | 一种岩石结构面实验室合理尺寸确定的多重分形参数分析方法 | |
CN108875615B (zh) | 沉积区域遥感识别方法、装置、电子设备及存储介质 |
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 |