CN109670514A - 数字岩心的孔隙与骨架识别方法和装置、设备、存储介质 - Google Patents
数字岩心的孔隙与骨架识别方法和装置、设备、存储介质 Download PDFInfo
- Publication number
- CN109670514A CN109670514A CN201811477668.XA CN201811477668A CN109670514A CN 109670514 A CN109670514 A CN 109670514A CN 201811477668 A CN201811477668 A CN 201811477668A CN 109670514 A CN109670514 A CN 109670514A
- Authority
- CN
- China
- Prior art keywords
- grid
- image
- skeleton
- hole
- rgb color
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明揭示了一种数字岩心的孔隙与骨架识别方法和装置,该方法包括:通过对岩心的切片灰度图进行预处理,构建所述切片灰度图的网格图像,所述网格图像用于构建数字岩心;根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值;根据所述色标阈值,对所述网格图像中每一网格进行分类,获得分别对应与所述孔隙和所述骨架的网格集合;分别对所述网格图像中,对应于不同所述网格集合的图像区域进行颜色重构,重构的所述颜色用于标识所构建数字岩心的孔隙和骨架。本发明所提供的方法步骤简洁,计算量更小,便于进行推广应用。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种数字岩心的孔隙与骨架识别方法和装置、电子设备、计算机可读存储介质。
背景技术
众所周知,储层岩石的许多宏观性质(如渗透率等)均取决于它的微观结构和组成它的固体、孔隙空间中流体的物理性质,因此对储层岩石中骨架和孔隙的识别,是进行油藏属性研究与油田生产应用的基础。
现有实现中,对储层岩石中孔隙和骨架的识别是基于数字岩心技术实现的。具体地,基于对岩心进行CT扫描获得的切片灰度图,先通过将切片灰度图转换为二值化图像,再通过例如决策树机器学习方法、水平集成方法等复杂算法对二值化图像进行岩心孔隙和骨架的识别,然后根据识别所得的图像构建数字岩心。整个识别过程涉及的计算量巨大,从而导致对执行岩心孔隙和骨架识别程序的硬件设备要求极高,不利于进行推广应用。
因此,如何找到一种更加简洁的方法来进行数字岩心的孔隙和骨架识别,是现有技术中还有待解决的技术问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
基于上述技术问题,本发明提供了一种数字岩心的孔隙与骨架识别方法及装置、电子设备、计算机可读存储介质。
其中,本发明所采用的技术方案为:
一种数字岩心的孔隙与骨架识别方法,包括:通过对岩心的切片灰度图进行预处理,获得所述切片灰度图的网格图像,所述网格图像用于构建数字岩心;根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值;根据所述色标阈值,对所述网格图像中每一网格进行分类,获得分别对应于所述孔隙和所述骨架的网格集合;分别对所述网格图像中,对应于不同所述网格集合的图像区域进行颜色重构,重构的所述颜色用于标识所构建数字岩心的孔隙和骨架。
一种数字岩心的孔隙与骨架识别方法装置,包括:图像预处理模块,用于通过对岩心的切片灰度图进行预处理,获得所述切片灰度图的网格图像,所述网格图像用于构建数字岩心;色标阈值获取模块,用于根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值;图像网格分类模块,用于根据所述色标阈值,对所述网格图像中每一网格进行分类,获得分别对应于所述孔隙和所述骨架的网格集合;图像颜色重构模块,用于分别对所述网格图像中,对应于不同所述网格集合的图像区域进行颜色重构,重构的所述颜色用于标识所构建数字岩心的孔隙和骨架。
一种电子设备,包括处理器以及存储器,所述存储器用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法。
在上述技术方案中,直接将岩心的切片灰度图进行网格划分处理,并结合计算机图像色素拾取技术获得识别岩心中孔隙与骨架的色标阈值,根据该色标阈值实现孔隙与骨架网格的分类,最后通过进行不同类别网格所对应图像区域的颜色重构,使得能够通过所重构的颜色来识别数字岩心的孔隙和骨架。与现有技术相比,本发明所提供的方法执行步骤简单,计算量更小,便于进行推广应用。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种数字岩心的孔隙与骨架识别方法的流程图;
图2是根据图1对应实施例示出的对步骤110进行描述的流程图;
图3是根据一示例性实施例所示出的一种切片灰度图的示意图;
图4是根据图3所示出的切片灰度图进行预处理后所得网格图像的示意图;
图5是根据图1对应实施例示出的对步骤120进行描述的流程图;
图6是根据一示例性实施例示出的一种数字岩心的孔隙与骨架识别装置的框图;
图7是根据一示例性实施例示出的一种电子设备的硬件框图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述,这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种数字岩心的孔隙与骨架识别方法的流程图。如图1所示,该方法至少可以包括以下步骤:
步骤110,通过对岩心的切片灰度图进行预处理,构建切片度图的网格图像。
其中,首先应当说明的是,岩心是根据地质勘查工作或工程的需要,使用岩心钻头以及其他取心工具,从储层岩石中取出的岩石样品。因此,可以通过对岩心中孔隙和骨架的分析,来获得对应储层岩石中孔隙和骨架的分布情况。
数字岩心技术是近年兴起的对岩心分析的有效方法,在常规砂岩和碳酸岩等岩心分析领域应用广泛,其基本原理是基于对岩心的CT扫描图像,运用计算机图像处理技术,通过一定的算法完成数字岩心重构,以根据所构建的数字岩心对储层岩石的油藏属性等性质进行分析。本实施例所揭示数字岩心的孔隙和骨架识别方法,应用于数字岩心技术,以在所构建的数字岩心中实现孔隙和骨架的识别。
岩心的切片灰度图是基于岩心的CT扫描装置,完成对岩心的CT扫描得到的。在一具体的实施方式中,可将岩心以切片方式进行CT扫描,对岩心扫描的间距越小,得到切片灰度图的数量就越多。可按照本实施例揭示的方法,对岩心的若干切片灰度图分别进行孔隙与骨架的识别处理,并根据处理所得的图像构建数字岩心,使得所构建数字岩心中的孔隙和骨架可识别。
而在另一具体的实施方式中,还可以将岩心以旋转方式进行CT扫描,扫描时旋转的角度越小,得到切片灰度图的数量就越多。由此,本实施例不对岩心的CT扫描方式进行限制。
如图2所示,在一示例性实施例中,对岩心的切片灰度图进行预处理,构建切片灰度图的网格图像,具体可以包括以下步骤:
步骤111,对岩心的切片灰度图进行图像降噪,获得初始图像。
其中,由于对岩心进行CT扫描所获得的切片灰度图中可能存在噪点,会对岩心中孔隙和骨架的识别带来干扰,从而影响岩心中孔隙和骨架识别的准确性,因此,需要对岩心的切片灰度图进行图像降噪,获得初始图像。
对岩心的切片灰度图进行图像降噪所采用的方法,具体可以包括均值滤波、中值滤波、小波变换、总体变换等本领域常见的图像降噪算法中的任意一种或多种,本处不进行限制。
步骤112,通过对初始图像进行网格化处理,获取切片灰度图所对应的网格图像。
为便于理解,对初始图像进行网格化处理可理解为,采用计算机平面图网格化技术,在初始图像中生成若干小网格,以根据所生成的小网格对初始图像进行剖分,从而得到切片灰度图所对应的网格图像。
需要说明的是,网格图像中的每一小网格应当理解为是对初始图像进行图像区域标定的手段,这些网格并不影响该网格图像对应于岩心的扫描成像。因此,在通过显示设备对基于网格图像构建的数字岩心进行可视化展示时,所展示的数字岩心中应当不包含这些小网格。
在一具体的实施方式中,可将初始图像的左右水平方向设定为X方向,上下垂直方向设定为Y方向,分别沿着X方向和Y方向对初始图像进行剖分,所剖分的网格数越多,则表示进行网格化处理的精度越高,并且,所得的每一小网格均为规则的四边形。例如,可根据切片灰度图的图像分辨率,以每一像素作为一个小网格对初始图像进行剖分,或者以四分之一像素作为一个小网格对初始图像进行剖分,后者所对应网格化处理的精度更高。
如图3和图4所示,若图3表示需要进行预处理的切片灰度图,图4则表示对该切片灰度图进行图像降噪以及网格化处理后,所获得该切片灰度图的网格图像。
而在另一具体的实施方式中,还可以采用三角网格化算法对初始图像进行网格化处理,网格图像中所对应每一小网格均为规则的三角形。由此,本实施例不对进行网格化处理的具体方式进行限制。
应当说明的是,如果在对岩心进行CT扫描所获得的切片灰度图中,所存在的噪点对岩心中孔隙和骨架的识别影响较小,也可以不对切片灰度图进行上述图像降噪处理,本领域的技术人员可以根据实际情况选取合适的方法来获得网格图像。
步骤120,根据网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别岩心中孔隙与骨架的色标阈值。
其中,网格图像中每一网格所对应图像区域的RGB色标值是采用计算机图像色素拾取技术拾取的。如果每一网格所对应图像区域的灰度大致相同,可直接通过对每一网格所对应图像区域中的任意位置进行RGB色标值拾取,获得每一网格所对应图像区域的RGB色标值。
应当说明的是,在切片灰度图所对应RGB色标值中,各基色所对应的灰度值相同。例如,如果将切片灰度图中的RGB色标值表示为RGB(a,b,c),其中a、b、c分别与R、G、B基色相对应,则有“a=b=c”。
如果在某一个或者多个网格所对应图像区域中,不同位置对应的灰度值之间差距比较明显,则不能用任意位置的RGB色标值来表示该网格所对应图像的RGB色标值。由此,需要根据网格所对应图像区域中的不同位置,拾取若干不同的RGB色标值,并通过对所拾取到的RGB色标值进行计算,将计算结果作为该网格所对应图像区域的RGB色标值。
在一具体的实施方式中,可通过对所拾取的RGB色标值进行平均值计算,来获得网格所对应图像区域的RGB色标值。假设所拾取的RGB色标值分别为A、B、C和D,则可通过计算“(A+B+C+D)/4”的值,将计算结果作为该网格所对应图像区域的RGB色标值。
在另一具体的实施方式中,可通过对所拾取的RGB色标值迭代进行平均值计算,获得网格所对应图像区域的RGB色标值。仍以上述实施方式所提供的示例进行说明,若所拾取的RGB色标值分别为A、B、C和D,可先计算所拾取RGB色标值的平均值,可设为m1,然后将分别大于m1的RGB色标值分为一类,将小于m1的RGB色标值分为一类,再分别对同一类别下的RGB色标值计算平均值,可分别设为m2和m3,最后再对m2和m3进行平均值计算,将计算结果作为该网格所对应图像区域的RGB色标值。采用本实施方式所描述的方法,能够精准地获取每一网格所对应图像区域的RGB色标值。
更进一步地,在对所拾取的RGB色标值进行上述平均值计算或者迭代平均值计算之前,还通过对拾取到的RGB色标值进行异常值清洗,以进一步排除RGB色标值中的噪点,确保计算结果的精准度。该异常值可理解为,在所拾取的RGB色标值中,其数值与该网格所对应大部分区域的RGB色标值差距较大。在一示例性实施中,异常值可以是所获取的最大RGB色标值和最小RGB色标值。
应当说明的是,上述实施方式中所拾取不同RGB色标值的数量,只是为了便于理解该实施方式所描述方法而给出的示例,不能理解为对所拾取RGB色标值的数量进行了限制。
在获取网格图像中每一网格所对应图像区域的RGB色标值之后,需根据所获取的RGB色标值来确定用于识别岩心中孔隙和骨架的色标阈值。该色标阈值可用于表示识别岩心中孔隙和骨架的边界色标值。
在一示例性实施例中,如图5所示,根据所获取的RGB色标值来确定用于识别岩心中孔隙和骨架的色标阈值,可以包括以下步骤:
步骤121,根据网格图像中触发的边界色标拾取动作,从网格图像中拾取若干网格所对应图像区域的RGB色标值。
其中,网格图像中触发的边界色标拾取动作可以理解为,用户通过线条、封闭多边形或者其他选取操作,从网格图像中选取若干网格区域的动作。而用户所选取的网格区域,应当理解为网格图像中看上去是孔隙和骨架边界的区域。
若用户通过线条从网格图像中选取网格区域,则拾取线条所在网格区域的RGB色标值。若用户通过封闭多边形从网格图像中选取网格区域,则拾取该封闭多边形所包含网格区域的RGB色标值。或者,用户还可以通过在网格图像中点击若干看上去是孔隙和骨架边界的区域,从而拾取这些网格区域的RGB色标值。
由此,可通过对网格图像中孔隙和骨架边界区域的多次拾取,获得若干边界区域的RGB色标值。
步骤122,通过对所拾取的RGB色标值迭代进行平均值计算,获得用户识别岩心中孔隙与骨架的色标阈值。
其中,对所拾取RGB色标值迭代进行平均值计算的过程,与上述对某一网格所对应图像区域所拾取不同的RGB色标值的计算过程相同。
具体地,需要先计算所拾取RGB色标值的平均值,以根据该平均值对所拾取的RGB色标值进行分类,然后分别计算大于该平均值的类别中所有RGB色标值的平均值,以及计算小于该平均值的类别中所有RGB色标值的平均值,最后通过对所得的二者平均值进行平均值计算,将计算结果作为识别岩心中孔隙与骨架的色标阈值。
由此,本实施例对所拾取的若干RGB色标值采用迭代平均值计算的方法,能够进一步排除切片灰度图中的噪点,以准确地获得用于识别岩心中孔隙与骨架的色标阈值。
而在另一示例性实施例中,在步骤122之前,还可以对所拾取的RGB色标值进行异常值清洗,以将清洗所得的RGB色标值迭代进行平均值计算。该异常值可理解为所拾取的RGB色标值中,数值大小与所拾取大部分的RGB色标值之间相差较大。
在一具体的实施方式中,可直接清除所拾取的最大RGB色标值和最小RGB色标值,然后对剩余的RGB色标值按照步骤122所描述的内容迭代进行平均值计算,以获得用于识别岩心中孔隙与骨架的色标阈值。
在该实施方式中,必须要求步骤121中所拾取RGB色标值的数量大于2个,且所拾取RGB色标值的数值种类至少包括3类,以满足异常值清洗条件。例如,若所拾取的RGB色标值分别为0、0、4、4,其中0和4分别对应一种类别,此时则不满足异常值清洗条件,不能进行异常值清洗。而如果当所拾取的RGB色标值分别为0、3、4、4时,则能满足异常值清洗条件。由此,在进行异常值清洗之前,还需要根据所拾取RGB色标值的数量和数值种类判断是否满足上述异常值清洗条件。
应当说明的是,上述实施方式所描述的方法适用于所拾取的RGB色标值数量较少的情况,当所拾取RGB色标值的数量较多时,通过该方法并不能有效地清除所拾取RGB色标值中的全部异常值,从而影响所获得色标阈值的精准度,不能准确识别岩心的孔隙与骨架。
基于上述问题,在另一具体的实施方式中,可结合统计的方法对所拾取的RGB色标值进行异常值清洗。该实施方式所描述的方法能够适用于所拾取RGB色标值的数量较多的情况。
具体地,可设最大RGB色标值为max,最小RGB色标值为min,先通过将max和min所组成的数值区间平均分为N组,所得步长K=(max-min)/N,其中N≥3。再通过对每组中RGB色标值的数量进行统计,可获得每组中RGB色标值所占总拾取RGB色标值的数量分布。分别获取第一分组(min至min+K所对应分组)中RGB色标值的比例Q1,以及最末分组(max-K至max所对应分组)中RGB色标值的比例Q2。如果Q1与Q2的和大于剩余分组的比例之和,则重新将max和min所组成的数值区间平均分为N+1组,然后重复上述步骤,直至所得Q1与Q2的和小于剩余分组的比例之和。这时,清除第一分组和最末分组中的全部RGB色标值,然后按照步骤122所描述的内容,对剩余的RGB色标值迭代进行平均值计算。
由此,在本实施例中,可根据所拾取RGB色标值的具体情况来选取恰当的计算方法,从而获得准确的色标阈值,为岩心中孔隙和骨架的准确识别奠定基础。
步骤130,根据色标阈值对网格图像中每一网格进行分类,获得分别对应于孔隙和骨架的网格集合。
其中,由于在切片灰度图中,对应岩心孔隙区域的灰度偏深,所对应图像区域的RGB色标值越小;而对应岩心骨架区域的灰度偏浅,所对应图像区域的RGB色标值越大。因此,可将网格图像中RGB色标值小于色标阈值的网格划分为孔隙所对应的网格集合,将RGB色标值大于色标阈值的网格划分为骨架所对应的网格集合。
由此,在可将孔隙对应的网格集合中,每一网格所对应图像区域识别为岩心的孔隙,将骨架对应的网格集合中,每一网格所对应图像区域识别为岩心的骨架。
步骤140,分别对网格图像中对应于不同网格集合的图像区域进行颜色重构。
其中,虽然通过上述步骤识别出了岩心的孔隙和骨架,但是用户根据肉眼无法直观判断,因此需要对网格图像中对应于不同网格集合的图像区域进行颜色重构,以通过所重构的颜色来对岩心的孔隙和骨架进行清楚识别。
在一具体的实施方式中,分别将不同网格集合中网格所对应的图像区域进行颜色替换,使得同一网格集合中网格所对应图像区域的颜色相同,且不同网格集合中网格所对应图像区域的颜色不同。也即是说,在进行颜色重构后的网格图像中,分别对应于孔隙和骨架的图像区域的颜色互不相同。
对网格所对应图像区域进行颜色替换具体体现为,该网格所对应图像区域RGB色标值的变更,例如,如果需要将对应于孔隙的图像区域替换为红色,则只需将这些图像区域的RGB色标值统一替换为(255,0,0),如果需要将对应于骨架的图像区域替换为蓝色,则只需要将这些图像区域的RGB色标值统一替换为(0,0,255)。所替换的颜色可以为预设的。
由此,可通过将不同网格集合中网格所对应的图像区域分别替换为具备明显差异的两种不同颜色,使得用户能够根据所替换的不同颜色,直观地对岩心的孔隙和骨架进行识别。
而在另一具体的实施方式中,对同一网格集合中网格所对应的图像区域所替换的颜色也可以是相近似的,只需保证不同网格集合中所对应图像区域的颜色互不相同即可,本处不进行限制。
通过以上所描述方法对所扫描的每一切片灰度图进行预处理,分别获得所对应的网格图像,并通过对各网格图像中对应于岩心孔隙和骨架的区域进行颜色重构后,根据各网格图像进行数字岩心的构建。因此,在所构建的数字岩心中,能够根据所重构的颜色来清楚地识别数字岩心的孔隙和骨架。
综上所述,在本实施例所提供的方法中,所涉及每一步骤的逻辑简单,计算量小且便于执行。并且通过对岩心的切片灰度图的预处理,以及分别设置不同的情况对色标阈值进行计算等步骤,使得本实施例所提供的方法能够对岩心的孔隙和骨架进行准确识别,由此便于在油藏属性研究与油田生产应用中进行推广应用。
图6是根据一示例性实施例所示出的一种数字岩心的孔隙与骨架识别装置。如图6所示,该装置包括图像预处理模块210、色标阈值获取模块220、图像网格分类模块230和图像颜色重构模块240。
其中,图像预处理模块210用于通过对岩心的切片灰度图进行预处理,构建切片灰度图的网格图像,所述网格图像用于构建数字岩心。
色标阈值获取模块220用于根据网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别岩心中孔隙与骨架的色标阈值。
图像网格分类模块230用于根据色标阈值对网格图像中每一网格进行分类,获得分别对应与孔隙和所述骨架的网格集合。
图像颜色重构模块240用于分别对网格图像中对应于不同网格集合的图像区域进行颜色重构,重构的颜色用于标识所构建数字岩心的孔隙和骨架。
在另一示例性实施例中,图像预处理模块210包括图像降噪单元和网格化处理单元。
图像降噪单元用于对岩心的切片灰度图进行图像降噪,获得初始图像。
网格化处理单元用于通过对初始图像进行网格化处理,获取切片灰度图所对应的网格图像。
在另一示例性实施例中,色标阈值获取模块220包括边界色标拾取单元和边界色标计算单元。
边界色标拾取单元用于根据网格图像中触发的边界色标拾取动作,从网格图像中拾取若干网格所对应图像区域的RGB色标值。
边界色标计算单元用于通过对所拾取的RGB色标值迭代进行平均值计算,获得用于识别岩心中孔隙与骨架的色标阈值。
在另一示例性实施例中,色标阈值获取模块220还包括异常值清洗模块,用于对所拾取的RGB色标值进行异常值清洗,以使边界色标计算单元对清洗所得的RGB色标值迭代进行平均值计算。
在另一示例性实施例中,该装置还包括网格色标拾取模块和网格色标计算模块。
其中,网格色标拾取模块用于从网格图像中拾取每一网格所对应图像区域中不同的RGB色标值。
网格色标计算模块用于通过对所拾取的RGB色标值进行计算,将计算结果作为网格图像中每一网格所对应图像区域的RGB色标值。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
在一示例性实施例中,一种电子设备,包括处理器和存储器,其中,处理器用于执行上述方法。
图7是根据一示例性实施例所示出的一种电子设备的硬件框图。需要说明的是,该电子设备只是一个适配于本发明的示例,不能认为是提供了对本发明的使用范围的任何限制。
该电子设备的硬件结构可因配置或者性能的不同而产生较大的差异,如图7所示,电子设备包括:电源310、接口330、至少一存储器350、以及至少一中央处理器370。
其中,电源310用于为电子设备上的各硬件设备提供工作电压。
接口330包括至少一有线或无线网络接口331、至少一串并转换接口333、至少一输入输出接口335以及至少一USB接口337等,用于与外部设备通信。
存储器350作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统351、应用程序353或者数据355等,存储方式可以是短暂存储或者永久存储。其中,操作系统351用于管理与控制电子设备上的各硬件设备以及应用程序353,以实现中央处理器370对海量数据355的计算与处理。应用程序353是基于操作系统351之上完成至少一项特定工作的计算机程序,其可以包括至少一模块(图7中未示出),每个模块都可以分别包含有对电子设备的一系列计算机可读指令。数据355可以是存储于磁盘中的关键信息等。
中央处理器370可以包括一个或多个以上的处理器,并设置为通过总线与存储器350通信,用于运算与处理存储器350中的海量数据355。
上面所详细描述的,适用本发明的电子设备将通过中央处理器370读取存储中存储的一系列计算机可读指令的形式来完成上述数字岩心的孔隙与骨架识别方法。
需要说明的是,该电子设备只是一个适配于本发明的示例,不能认为是提供了对本发明的使用范围的任何限制。
在一示例性实施例中,一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其他实施例。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (10)
1.一种数字岩心的孔隙与骨架识别方法,其特征在于,所述方法包括如下步骤:
通过对岩心的切片灰度图进行预处理,获得所述切片灰度图的网格图像,所述网格图像用于构建数字岩心;
根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值;
根据所述色标阈值,对所述网格图像中每一网格进行分类,获得分别对应于所述孔隙和所述骨架的网格集合;
分别对所述网格图像中,对应于不同所述网格集合的图像区域进行颜色重构,重构的所述颜色用于标识所构建数字岩心的孔隙和骨架。
2.根据权利要求1所述的方法,其特征在于,所述通过对岩心的切片灰度图进行预处理,构建所述切片灰度图的网格图像,包括:
对所述岩心的切片灰度图进行图像降噪,获得初始图像;
通过对所述初始图像进行网格化处理,获取所述切片灰度图所对应的网格图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值,包括:
根据所述网格图像中触发的边界色标拾取动作,从所述网格图像中拾取若干网格所对应图像区域的RGB色标值;
通过对所拾取的RGB色标值迭代进行平均值计算,获得用于识别所述岩心中孔隙与骨架的色标阈值。
4.根据权利要求3所述的方法,其特征在于,在所述根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值之前,所述方法还包括:
对所拾取的RGB色标值进行异常值清洗,以将清洗所得的RGB色标值迭代进行平均值计算。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值之前,所述方法还包括:
从所述网格图像中拾取每一网格所对应图像区域中不同的RGB色标值;
通过对所拾取的RGB色标值进行计算,将计算结果作为所述网格图像中每一网格所对应图像区域的RGB色标值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述色标阈值,对所述网格图像中每一网格进行分类,获得分别对应于所述孔隙和所述骨架的网格集合,包括:
对所述网格图像中的每一网格,如果所述网格所对应图像区域的RGB色标值小于所述色标阈值,所述网格对应于所述孔隙的网格图像集合;
如果所述网格所对应图像区域的RGB色标值大于所述色标阈值,所述网格则对应于所述骨架的网格图像集合。
7.根据权利要求1所述的方法,其特征在于,所述分别对所述网格图像中,对应于不同所述网格集合的图像区域进行颜色重构,包括:
对所述网格图像,分别将不同所述网格集合中网格所对应的图像区域进行颜色替换,同一所述网格集合中网格所对应图像区域的颜色相同,且不同所述网格集合中网格所对应图像区域的颜色不同。
8.一种数字岩心的孔隙与骨架识别装置,其特征在于,包括:
图像预处理模块,用于通过对岩心的切片灰度图进行预处理,构建所述切片灰度图的网格图像,所述网格图像用于构建数字岩心;
色标阈值获取模块,用于根据所述网格图像中每一网格所对应图像区域的RGB色标值,获取用于识别所述岩心中孔隙与骨架的色标阈值;
图像网格分类模块,用于根据所述色标阈值,对所述网格图像中每一网格进行分类,获得分别对应于所述孔隙和所述骨架的网格集合;
图像颜色重构模块,用于分别对所述网格图像中对应于不同所述网格集合的图像区域进行颜色重构,重构的所述颜色用于标识所构建数字岩心的孔隙和骨架。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810933472 | 2018-08-16 | ||
CN2018109334720 | 2018-08-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670514A true CN109670514A (zh) | 2019-04-23 |
CN109670514B CN109670514B (zh) | 2022-12-09 |
Family
ID=66144191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811477668.XA Active CN109670514B (zh) | 2018-08-16 | 2018-12-05 | 数字岩心的孔隙与骨架识别方法和装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670514B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554674A (zh) * | 2021-05-24 | 2021-10-26 | 中海油信息科技有限公司 | 基于岩屑的钻井液伤害程度评价方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050244054A1 (en) * | 2004-04-28 | 2005-11-03 | Wen-Hsuan Hsieh | Image correction systems and methods thereof |
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
RU2654372C1 (ru) * | 2016-12-02 | 2018-05-17 | Общество с ограниченной ответственностью "Тюменский нефтяной научный центр" (ООО "ТННЦ") | Способ оценки нефтенасыщенности керна горных пород по фотографиям образцов в дневном свете |
-
2018
- 2018-12-05 CN CN201811477668.XA patent/CN109670514B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050244054A1 (en) * | 2004-04-28 | 2005-11-03 | Wen-Hsuan Hsieh | Image correction systems and methods thereof |
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
RU2654372C1 (ru) * | 2016-12-02 | 2018-05-17 | Общество с ограниченной ответственностью "Тюменский нефтяной научный центр" (ООО "ТННЦ") | Способ оценки нефтенасыщенности керна горных пород по фотографиям образцов в дневном свете |
Non-Patent Citations (2)
Title |
---|
吴国铭等: "基于分形理论探究碳酸盐岩CT图像二值化最佳阈值", 《石油地球物理勘探》 * |
王平全等: "基于数字岩心的低渗透率储层微观渗流和电传导数值模拟", 《测井技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554674A (zh) * | 2021-05-24 | 2021-10-26 | 中海油信息科技有限公司 | 基于岩屑的钻井液伤害程度评价方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109670514B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
D'Elia et al. | A tree-structured Markov random field model for Bayesian image segmentation | |
CN109800754A (zh) | 一种基于卷积神经网络的古字体分类方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN108364278B (zh) | 一种岩心裂缝提取方法和系统 | |
CN105068918B (zh) | 一种页面测试方法及装置 | |
AU2013274839B2 (en) | System and method for optimizing the number of conditioning data in multiple point statistics simulation | |
Wang et al. | A computer vision based machine learning approach for fatigue crack initiation sites recognition | |
CN106097320B (zh) | 水下海参图像自动分割方法及装置 | |
CN110390393A (zh) | 模型特征筛选方法及装置、可读存储介质 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
CN111062520A (zh) | 基于随机森林算法的hostname特征预测方法 | |
Kovalev et al. | Deep learning in big image data: Histology image classification for breast cancer diagnosis | |
CN109670514A (zh) | 数字岩心的孔隙与骨架识别方法和装置、设备、存储介质 | |
Walsworth et al. | Image modelling of forest changes associated with acid mine drainage | |
Burlin et al. | Deep image inpainting | |
CN109934906B (zh) | 原油饱和度的获取方法和装置、计算机设备、存储介质 | |
CN114638596B (zh) | 一种自然资源业务流程审查方法、系统、设备和介质 | |
CN116011061A (zh) | 一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 | |
Happ et al. | Towards distributed region growing image segmentation based on MapReduce | |
RU2718409C1 (ru) | Система восстановления трехмерной структуры образца породы | |
CN112818980A (zh) | 一种基于Yolov3算法的钢包号检测识别方法 | |
CN108564659A (zh) | 面部图像的表情控制方法及装置、计算设备 | |
WO2023074786A1 (en) | Information processing method, non-transitory computer-readable recording medium, and information processor | |
Seals | On the Robustness of Object Detection Based Deep Learning Models |
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 |