CN109300089A - 一种基于二分法的测井图像均衡处理的方法 - Google Patents
一种基于二分法的测井图像均衡处理的方法 Download PDFInfo
- Publication number
- CN109300089A CN109300089A CN201810948463.9A CN201810948463A CN109300089A CN 109300089 A CN109300089 A CN 109300089A CN 201810948463 A CN201810948463 A CN 201810948463A CN 109300089 A CN109300089 A CN 109300089A
- Authority
- CN
- China
- Prior art keywords
- autocutp
- data
- value
- img
- segmentation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000002604 ultrasonography Methods 0.000 claims description 23
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 241001270131 Agaricus moelleri Species 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于二分法的测井图像均衡处理的方法，首先进行参数设定；然后对测井图像进行初始化分割，再进行自动分割；判断自动分割结束，根据自动分割好的数据范围进行数据值的映射，输出映射结果。本发明能够对数据值的分布范围不均匀即分割范围的数据个数所占总数百分比大于1/256的分割范围，利用2分法，进行无限次的自动分割。以求达到显示效果均匀分布即所有的显示灰度尽可能的得到有效利用，从而显著提高显示的分辨率和对比度。本发明处理流程操作简便，应用到测井图像的数据处理中，验证其具有较好的处理效果。
Description
技术领域
本发明属于石油开发和工程领域，是一种测井图像均衡处理改进处理的方法。
背景技术
随着测井技术的发展，成像仪器在裸眼井、套管井都有广泛的应用，在井旁构造缝洞识别等有着重要的应用，套管井中在套损检测也有着一定的应用。但是现有的传统动态均衡处理方法，存在一些问题，不能够自动分割，使一些显示像素灰度处于“闲置状态”，导致处理结果的对比度和分辨率不理想。
发明内容
本发明的目的是针对目前传统图像动态均衡处理存在的“数据值的分布范围不均匀”，导致处理结果对比度和分辨率不理想问题，对传统图像动态均衡处理进行了进一步的改进。本发明处理流程具备创新性，操作简便，已经应用到了测井图像的数据处理中，得到了较好的处理效果。
本发明的目的是通过下述技术方案来实现的。
一种基于二分法的测井图像均衡处理的方法，包括以下步骤：
步骤1，首先进行参数设定：
通过标示Flag的两种方式设定切割范围，当Flag＝0时，程序自动统计计算最大值、最小值；当Flag＝1时，通过人工手动输入方式设定切割范围；
步骤2，对测井图像进行初始化分割：
根据灰度图像显示级别256级，将测井图像值的范围初始化分割为256份，统计每个分割范围内的数据点个数，及相应的所占数据总个数的百分比；
步骤3，进行自动分割：
利用二分法对步骤2分割为256份测井图像值分布不均匀的数据范围进行进一步分割，对于分割后的不同范围，分别统计分割范围点的数据点个数，和所占数据总个数的百分比；
步骤4判断自动分割结束：
当所有的分割份数的所占总数百分比全部小于平均1/256，则程序自动分割结束；如果不满足，则重复步骤3，进行无限次的自动分割，则根据切分范围的总个数大于设定值时，自动分割强制退出；
步骤5，根据自动分割好的数据范围进行数据值的映射，输出映射结果。
对于上述技术方案，本发明还有进一步优选的方案：
进一步，所述步骤1中，步骤1中，当输入标示Flag＝0时，程序自动统计计算成像数据的最大值MaxV和最小值MinV；
当输入标示Flag＝1时，程序将输入成像数据的最大值、成像数据最小值参数，赋值给MaxV，MinV；同时对测井图像数据进行处理：
IMG(i，j)＜MinV，IMG(i，j)＝MinV
IMG(i，j)＞MaxV，IMG(i，j)＝MaxV
i＝0，1，...N-1，j＝0，1，....M-1
其中，IMG(i，j)表示超声图像数据IMG的第i行、第j列的数据值，N、M为整数，分别为超声图像总行数、总列数，i、j均为整数，i表示测井图像数据的第i行，第j列。
进一步，所述步骤2中，初次分割：将成像数据的最小值MinV到最大值MaxV的范围平均分为256份；
(1)初次分割：定义结构体变量structSecPar，其成员分别为当前分割范围的最小值fMin、最大值fMax、数据值个数iNum及当前数据值个数占与超声图像数据总个数的比值fPercent，定义vector容器类型的变量AutoCutP，里面存放的变量类型structSecPar，将MinV-MaxV分成256份，初始化AutoCutP，里面存放256个structSecPar结构体变量：
AutoCutP(i).fMin＝(MaxV-MinV)*i/256+MinV；
AutoCutP(i).fMax＝(MaxV-MinV)*(i+1)/256+MinV；
AutoCutP(i).iNum＝0；
AutoCutP(i).fPercent＝0；
其中，i＝0，1，...255其中，i为整数，表示第i个数据范围；
(2)统计每个分割段中的超声图像个数：
如果IMG(i，j)≥AutoCutP[k].fMin并且IMG[i][j]＜AutoCutP[k].fMax
则AutoCutP[k].iNum+＝1；
i＝0，1，...N-1，j＝0，1，....M-1，k＝0，1，...255
其中，i、j均为整数，IMG(i，j)表示超声图像数据IMG的第i行、第j列的数据值，k为整数，表示容器AutoCutP中的第k个structSecPar类型的变量；
(3)计算每个分割段中的超声图像个数占超声图像数据总个数的比值：
AutoCutP[k].fPercent＝AutoCutP[k].iNum/N/M；
k＝0，1，...255
其中，N、M为整数，分别为超声图像总行数、总列数，k为整数，AutoCutP[k]表示容器AutoCutP中的第k个structSecPar类型的变量。
进一步，所述步骤3中，测井图像值分布不均匀是指判断每个分隔段范围的所占总数百分比是否超出平均值1/256。
进一步，所述步骤3中，利用二分法对数据范围进行进一步分割方法具体步骤如下：
(1)如果AutoCutP[k].fPercent＞1/256
k＝0，1...Q，表示容器AutoCutP中的第k个structSecPar类型的变量，Q为整数，为容器AutoCutP中的structSecPar变量总个数，Q值是动态变化的；
则利用2分法，将AutoCutP[k].fMin-AutoCutP[k].fMax进一步分割成两份：
建立临时structSecPar结构体类型的变量ParTmp；
ParTmp.fMin＝(AutoCutP(k).fMin+AutoCutP(k).fMax)/2
ParTmp.fMax＝AutoCutP(k).fMax
ParTmp.iNum＝0
(2)统计ParTmp.fMin-fMax范围的数据个数：
如果IMG(i，j)≥ParTmp.fMin并且IMG(i，j)＜ParTmp.fMax
则ParTmp.iNum＝ParTmp.iNum+1；
i＝0，1，...N-1，j＝0，1，....M-1，k＝0，1，...255
则ParTmp.fPercent＝ParTmp.iNum/N/M；
(3)AutoCutP(k).fMax＝(AutoCutP(k).fMin+AutoCutP(k).fMax)/2
AutoCutP(k).iNum＝AutoCutP(k).iNum-ParTmp.iNum
AutoCutP(k).fPercent＝AutoCutP(k).iNum/N/M；
(4)将ParTmp变量插入AutoCutP中的第k个位置，单次自动分割完毕；
(5)重复步骤3，则可以进行无限次的自动分割。
进一步，所述步骤4中，不满足所有的分割份数的所占总数百分比全部小于平均1/256，进行无限次的自动分割，是由于出现单个数据值所占总数百分比大于1/256，则自动切分是无法将其所占总数百分比降低。
进一步，所述步骤4中，设定值为256份的4-5倍。
进一步，步骤5中，数据值映射是通过以下方法来实现的：
定义新的浮点数组，pMap，初始值设为0，即
pMap[i]＝0i＝0，1...Q，
其中，AutoCutP(j).表示容器AutoCutP中的第j个structSecPar类型的变量；
对频率进行累加：
其中，j为整数，i为整数，pMap[i]表示pMap第i个变量，Q为AutoCutP中的变量总个数，AutoCutP(j).表示容器AutoCutP中的第j个structSecPar类型的变量。
对数据值进行映射：如果IMG(i，j)≥AutoCutP(k).fMin
并且IMG(i，j)＜AutoCutP(k).fMax
则映射结果IMGNew(i，j)＝pMap(k)*255
i＝0，1，...N-1，j＝0，1，....N-1，k＝0，1，....Q。
本发明的有益效果在于：
本发明能够对数据值的分布范围不均匀即分割范围的数据个数所占总数百分比大于1/256的分割范围，利用2分法，进行无限次的自动分割。以求达到显示效果均匀分布即所有的显示灰度尽可能的得到有效利用，与传统动态均衡相比，能够显著提高显示的分辨率和对比度。本发明处理流程操作简便，应用到测井图像的数据处理中，验证其具有较好的处理效果。
附图说明
图1为本发明流程示意图；
图2为采用本发明方法进行测井图像处理效果图。
具体实施方式
下面结合具体相关流量测井数据，对本发明的具体的实施方式进行说明。
如图1所示，一种基于二分法的测井图像均衡处理的方法，包括以下步骤：
步骤1，首先进行参数设定：
通过标示Flag的两种方式设定切割范围，当Flag＝0时，程序自动统计计算最大值、最小值；当Flag＝1时，通过人工手动输入方式设定切割范围，本实施例中，设定Flag＝0，程序自动统计计算最大值。
步骤1中，当输入标示Flag＝0时，程序自动统计计算成像数据的最大值MaxV和最小值MinV；
当输入标示Flag＝1时，程序将输入的成像数据最大值、成像数据最小值参数，赋值给MaxVa，MinV；同时对测井图像数据进行处理：
IMG(i，j)＜MinV，IMG(i，j)＝MinV
IMG(i，j)＞MaxV，IMG(i，j)＝MaxV
i＝0，1，...N-1，j＝0，1，....N-1
其中，IMG(i，j)表示图像数据，i表示测井图像数据的第i行，j表示测井图像数据的第j列，N、M为整数，分别为超声图像总行数、总列数，i、j均为整数。
步骤2，对测井图像进行初始化分割：
根据灰度图像显示级别256级，将测井图像值的范围初始化分割为256份，统计每个分割范围内的数据点个数，及相应的所占数据总个数的百分比，程序中设定为256级。
步骤2中，初次分割：将成像数据的最小值MinV到最大值MaxV的范围平均分为256份，定义结构体数据structSecPar，其成员变量为当前切分范围的最小值fMin，最大值fMax，统计的属于当前范围的测井图像数据个数iNum及当前统计的属于当前范围的测井图像数据个数与测井图像总个数的比值fPercent。定义vector容器类型的变量AutoCutP，里面存放的变量类型structSecPar，将MinV-MaxV分成256份，初始化AutoCutP，里面存放256个structSecPar结构体变量。应用C语言容器类型vector，创建容器实例AutoCutP，该容器中存放着structSecPar类型的变量。切分方法如下：
初次分割：定义vector＜structSecPar＞vecAutoCutPar[256]，利用将MinValue-MaxValue分成256份：
AutoCutP(i).fMin＝(MaxV-MinV)*i/256+MinV；
AutoCutP(i).fMax＝(MaxV-MinV)*(i+1)/256+MinV；
AutoCutP(i).iNum＝0；
AutoCutP(i).fPercent＝0；
其中，i＝0，1，...255其中，i为整数，表示第i个数据范围；
(2)统计每个分割段中的超声图像个数：
如果IMG(i，j)≥AutoCutP[k].fMin并且IMG[i][j]＜AutoCutP[k].fMax
则AutoCutP[k].iNum+＝1；
i＝0，1，...N-1，j＝0，1，....M-1，k＝0，1，...255
其中，i，j，k均为整数，IMG(i，j)表示超声图像数据IMG的第i行、第j列的数据值，k为整数，表示容器AutoCutP中的第k个structSecPar类型的变量；
(3)计算每个分割段中的超声图像个数占超声图像数据总个数的比值：
AutoCutP[k].fPercent＝AutoCutP[k].iNum/N/M；
k＝0，1，...255
其中，N、M为整数，分别为超声图像总行数、总列数，k为整数，AutoCutP[k]表示容器AutoCutP中的第k个structSecPar类型的变量。
步骤3，进行自动分割：
利用二分法对步骤2分割为256份测井图像值分布不均匀的数据范围进行进一步分割，对于分割后的不同范围，分别统计分割范围点的数据点个数，和所占数据总个数的百分比。测井图像值分布不均匀是指判断每个分隔段范围的所占总数百分比是否超出平均值1/256。
步骤3中，利用二分法对数据范围进行进一步分割方法，具体步骤如下：
(1)如果AutoCutP[k].fPercent＞1/256
k＝0，1...Q，其中，Q为AutoCutP中的变量总个数。
则利用2分法，将AutoCutP[k].fMin-AutoCutP[k].fMax进一步分割成两份：
建立临时structSecPar类型的变量ParTmp；
ParTmp.fMin＝(AutoCutP(k).fMin+AutoCutP(k).fMax)/2
ParTmp.fMax＝AutoCutP(k).fMax
ParTmp.iNum＝0
(2)统计ParTmp.fMin-fMax范围的数据个数：
如果IMG(i，j)≥ParTmp.fMin并且IMG(i，j)＜ParTmp.fMax
则ParTmp.iNum+＝1；
i＝0，1，..N-1，j＝0，1，....N-1，k＝0，1，...255
则ParTmp.fPercent＝ParTmp.iNum/N/M；
(3)AutoCutP(k).fMax＝(AutoCutP(k).fMin+AutoCutP(k).fMax)/2
AutoCutP(k).iNum＝AutoCutP(k).iNum-ParTmp.iNum
AutoCutP(k).fPercent＝AutoCutP(k).iNum/N/M；
(4)利用容器vector可动态插入数据特点；将ParTmp变量插入AutoCutP中的第k个位置，单次自动分割完毕；
(5)重复步骤3，则可以进行无限次的自动分割。
步骤4判断自动分割结束：
当所有的分割份数的所占总数百分比全部小于平均1/256，则程序自动分割结束；如果不满足，则重复步骤3，进行无限次的自动分割，则根据切分范围的总个数大于设定值(设定值为256份的4-5倍)时，自动分割强制退出，程序中设定切分范围的总个数大于256＊10时，自动分割结束。进行无限次的自动分割，是由于出现单个数据值所占总数百分比大于1/256，则自动切分是无法将其所占总数百分比降低。
步骤5，根据自动分割好的数据范围进行数据值的映射，输出映射结果，即最终的处理结果如图2。
步骤5中，数据值映射是通过以下方法来实现的：
定义新的浮点数组，pMap，初始值设为0，即
pMap[i]＝0i＝0，1...Q，
其中，i为整数，pMap[i]表示pMap第i个变量，Q为AutoCutP中的变量总个数；
对频率进行累加：
其中，j为整数，i为整数，pMap[i]表示pMap第i个变量，Q为AutoCutP中的变量总个数，AutoCutP(j).表示容器AutoCutP中的第j个structSecPar类型的变量；
对数据值进行映射：如果IMG(i，j)≥AutoCutP(k).fMin
并且IMG(i，j)＜AutoCutP(k).fMax
则映射结果IMGNew(i，j)＝pMap(k)*255
i＝0，1，...N-1，j＝0，1，....N-1，k＝0，1，....Q。
本发明的优点可通过以下处理结果进一步说明：
从处理效果图2来看，传统的图像动态均衡方法细节方面有些模糊，显示不够细腻，原因就是像素值分布不均匀导致的，没有对＞1/256的数据值范围没有进行自动分割。而改进后的算法处理效果在细节显示方法有了很大的提升，对比度和分辨率效果有了很大的优化。
以上对本发明实施例所提供的实施方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于二分法的测井图像均衡处理的方法，其特征在于，包括以下步骤：
步骤1，首先进行参数设定：
通过标示Flag的两种方式设定切割范围，当Flag＝0时，程序自动统计计算最大值、最小值；当Flag＝1时，通过人工手动输入方式设定切割范围；
步骤2，对测井图像进行初始化分割：
根据灰度图像显示级别256级，将测井图像值的范围初始化分割为256份，统计每个分割范围内的数据点个数，及相应的所占数据总个数的百分比；
步骤3，进行自动分割：
利用二分法对步骤2分割为256份测井图像值分布不均匀的数据范围进行进一步分割，对于分割后的不同范围，分别统计分割范围点的数据点个数，和所占数据总个数的百分比；
步骤4，判断自动分割结束：
当所有的分割份数的所占总数百分比全部小于平均1/256，则程序自动分割结束；如果不满足，则重复步骤3，进行无限次的自动分割，则根据切分范围的总个数大于设定值时，自动分割强制退出；
步骤5，根据自动分割好的数据范围进行数据值的映射，输出映射结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，步骤1中，当输入标示Flag＝0时，程序自动统计计算成像数据的最大值MaxV和最小值MinV；
当输入标示Flag＝1时，程序将输入成像数据的最大值、成像数据最小值参数，赋值给MaxV，MinV；同时对测井图像数据进行处理：
IMG(i，j)＜MinV，IMG(i，j)＝MinV
IMG(i，j)＞MaxV，IMG(i，j)＝MaxV
i＝0，1，...N-1，j＝0，1，....M-1
其中，IMG(i，j)表示超声图像数据第i行，第j列的数据值，N、M为整数，分别为超声图像总行数、总列数，i、j均为整数，表示超声图像数据IMG的第i行，第j列。
3.根据权利要求1所述的方法，其特征在于，所述步骤2中，初次分割：将成像数据的最小值MinV到最大值MaxV的范围平均分为256份；
(1)初次分割：定义结构体变量structSecPar，其成员分别为当前分割范围的最小值fMin、最大值fMax、数据值个数iNum及当前数据值个数占与超声图像数据总个数的比值fPercent，定义vector容器类型的变量AutoCutP，里面存放的变量类型structSecPar，将MinV-MaxV分成256份，初始化AutoCutP，里面存放256个structSecPar结构体变量：
AutoCutP(i).fMin＝(MaxV-MinV)*i/256+MinV；
AutoCutP(i).fMax＝(MaxV-MinV)*(i+1)/256+MinV；
AutoCutP(i).iNum＝0；
AutoCutP(i).fPercent＝0；
其中，i＝0，1，...255其中，i为整数，表示第i个数据范围；
(2)统计每个分割段中的超声图像个数：
如果IMG(i，j)≥AutoCutP[k].fMin并且IMG[i][j]＜AutoCutP[k].fMax
则AutoCutP[k].iNum+＝1；
i＝0，1，...N-1，j＝0，1，....M-1，k＝0，1，...255
其中，i、j均为整数，IMG(i，j)表示超声图像数据IMG的第i行、第j列的数据值，k为整数，表示容器AutoCutP中的第k个structSecPar类型的变量；
(3)计算每个分割段中的超声图像个数占超声图像数据总个数的比值：
AutoCutP[k].fPercent＝AutoCutP[k].iNum/N/M；
k＝0，1，...255
其中，N、M为整数，分别为超声图像总行数、总列数，k为整数，AutoCutP[k]表示容器AutoCutP中的第k个structSecPar类型的变量。
4.根据权利要求1所述的方法，其特征在于，所述步骤3中，测井图像值分布不均匀是指判断每个分隔段范围的所占总数百分比是否超出平均值1/256。
5.根据权利要求3所述的方法，其特征在于，所述步骤3中，利用二分法对数据范围进行进一步分割方法，具体步骤如下：
(1)如果AutoCutP[k].fPercent＞1/256
k＝0，1...Q，表示容器AutoCutP中的第k个structSecPar类型的变量，Q为整数，为容器AutoCutP中的structSecPar变量总个数，Q值是动态变化的；
则利用2分法，将AutoCutP[k].fMin-AutoCutP[k].fMax进一步分割成两份：
建立临时structSecPar结构体类型的变量ParTmp；
ParTmp.fMin＝(AutoCutP(k).fMin+AutoCutP(k).fMax)/2
ParTmp.fMax＝AutoCutP(k).fMax
ParTmp.iNum＝0
(2)统计ParTmp.fMin-fMax范围的数据个数：
如果IMG(i，j)≥ParTmp.fMin并且IMG(i，j)＜ParTmp.fMax
则ParTmp.iNum＝ParTmp.iNum+1；
i＝0，1，...N-1，j＝0，1，....M-1，k＝0，1，...255
则ParTmp.fPercent＝ParTmp.iNum/N/M；
(3)AutoCutP(k).fMax＝(AutoCutP(k).fMin+AutoCutP(k).fMax)/2
AutoCutP(k).iNum＝AutoCutP(k).iNum-ParTmp.iNum
AutoCutP(k).fPercent＝AutoCutP(k).iNum/N/M；
(4)将ParTmp变量插入AutoCutP中的第k个位置，单次自动分割完毕；
(5)重复步骤3，则可以进行无限次的自动分割。
6.根据权利要求1所述的方法，其特征在于，所述步骤4中，不满足所有的分割份数的所占总数百分比全部小于平均1/256，进行无限次的自动分割，是由于出现单个数据值所占总数百分比大于1/256，则自动切分是无法将其所占总数百分比降低。
7.根据权利要求1所述的方法，其特征在于，所述步骤4中，设定值为256份的4-5倍。
8.根据权利要求3所述的方法，其特征在于，步骤5中，数据值映射是通过以下方法来实现的：
定义新的浮点数组，pMap，初始值设为0，即
pMap[i]＝0i＝0，1...Q，
其中，i为整数，pMap[i]表示pMap第i个变量，Q为AutoCutP中的变量总个数；
对频率进行累加：
其中，AutoCutP(j).表示容器AutoCutP中的第j个structSecPar类型的变量；
对数据值进行映射：如果IMG(i，j)≥AutoCutP(k).fMin
并且IMG(i，j)＜AutoCutP(k).fMax
则映射结果IMGNew(i，j)＝pMap(k)*255
i＝0，1，...N-1，j＝0，1，....N-1，k＝0，1，....Q。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810948463.9A CN109300089B (zh) | 2018-08-20 | 2018-08-20 | 一种基于二分法的测井图像均衡处理的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810948463.9A CN109300089B (zh) | 2018-08-20 | 2018-08-20 | 一种基于二分法的测井图像均衡处理的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109300089A true CN109300089A (zh) | 2019-02-01 |
| CN109300089B CN109300089B (zh) | 2020-11-06 |
Family
ID=65165318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810948463.9A Active CN109300089B (zh) | 2018-08-20 | 2018-08-20 | 一种基于二分法的测井图像均衡处理的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109300089B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160173195A1 (en) * | 2011-07-01 | 2016-06-16 | Certusview Technologies, Llc | Methods for ingress remediation in cable communication systems |
| CN108363110A (zh) * | 2018-01-16 | 2018-08-03 | 中石化石油工程技术服务有限公司 | 成像测井计算页岩储层矿物含量及脆性指数的谱分析方法 |
-
2018
- 2018-08-20 CN CN201810948463.9A patent/CN109300089B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160173195A1 (en) * | 2011-07-01 | 2016-06-16 | Certusview Technologies, Llc | Methods for ingress remediation in cable communication systems |
| CN108363110A (zh) * | 2018-01-16 | 2018-08-03 | 中石化石油工程技术服务有限公司 | 成像测井计算页岩储层矿物含量及脆性指数的谱分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| GYORGY KOVACS 等: "《Exponential Contrast Maximization of Intensity Images》", 《7TH INTERNATIONAL SYMPOSIUM ON IMAGE AND SIGNAL PROCESSING AND ANALYSIS》 * |
| 黄永林 等: "《线阵CIS图像采集系统自动增益调节设计》", 《自动化仪表》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109300089B (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800754A (zh) | 一种基于卷积神经网络的古字体分类方法 | |
| CN110321968B (zh) | 一种超声图像分类装置 | |
| CN106408746B (zh) | 一种安全线识别方法和装置 | |
| CN115457067B (zh) | 一种通鼻提神药物液位检测方法 | |
| CN107569248A (zh) | 一种乳腺机设备的曝光方法及乳腺机设备 | |
| CN106599878A (zh) | 一种基于深度学习的人脸重建矫正方法及装置 | |
| CN113160188B (zh) | 基于圆形特征的鲁棒血细胞检测方法 | |
| CN112634180B (zh) | 一种图像增强方法、图像增强装置和计算机可读存储介质 | |
| US20190392311A1 (en) | Method for quantizing a histogram of an image, method for training a neural network and neural network training system | |
| CN108280480A (zh) | 一种基于残差共生概率的隐写图像载体安全性评价方法 | |
| FR3089649A1 (fr) | Procédé et dispositif de détermination de la taille mémoire globale d’une zone mémoire globale allouée aux données d’un réseau de neurones | |
| CN106295639A (zh) | 一种虚拟现实终端以及目标图像的提取方法和装置 | |
| CN106898011A (zh) | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 | |
| CN103268492B (zh) | 一种玉米籽粒类型识别方法 | |
| CN111695624A (zh) | 数据增强策略的更新方法、装置、设备及存储介质 | |
| CN109300089A (zh) | 一种基于二分法的测井图像均衡处理的方法 | |
| CN109102500A (zh) | 一种芯片封装缺陷的自动识别系统 | |
| CN114022416A (zh) | 一种图像清晰度检测方法、装置、电子设备及存储介质 | |
| CN112085668B (zh) | 一种基于区域自适应自监督学习的图像色调映射的方法 | |
| CN109634939A (zh) | 一种缺失值的确定方法、装置及电子设备 | |
| US20110052059A1 (en) | Generating image histogram by parallel processing | |
| EP3712775A1 (fr) | Procédé et dispositif de détermination de la taille mémoire globale d'une zone mémoire globale allouée aux données d'un réseau de neurones compte tenu de sa topologie | |
| CN112598663B (zh) | 基于视觉显著性的粮食害虫检测方法和装置 | |
| CN103310210A (zh) | 文字识别装置、识别字典生成装置以及归一化方法 | |
| CN113344935B (zh) | 基于多尺度难度感知的图像分割方法及系统 |
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 |