CN110110661A - 一种基于unet分割的岩石图像孔隙类型识别方法 - Google Patents

Abstract

本发明公开了一种基于unet分割的岩石图像孔隙类型识别方法，其包括以下步骤：S1、搭建初始深度学习网络模型；S2、获取岩石原始图像并进行图像切割和图像增强，得到预处理后的图像数据；S3、获取岩石原始图像并进行孔隙位置和形状的人工标注，得到标注后的标签图像数据；S4、对标注后的标签图像数据进行One‑Hot编码，得到编码后的标签数据；S5、将预处理后的图像数据和编码后的标签数据作为训练样本对初始深度学习网络模型进行训练，得到训练后的模型；S6、采用训练后的模型对待识别图像进行识别。本发明抗噪音能力强，具有泛化能力，可提高孔隙识别精度，并且实现了孔隙类别的识别。

Description

一种基于unet分割的岩石图像孔隙类型识别方法

技术领域

本发明涉及一种岩石孔隙识别领域，具体涉及一种基于unet分割的岩石图像孔隙类型识别方法。

背景技术

岩石孔隙度是衡量其保持流体能力的一个指标，不同种类的岩石孔隙具有不同的特征，如页岩有粒间孔、粒内孔、有机质孔、缝隙等。孔隙特征的不同最终可以导致受渗透率大小控制的开发效果存在巨大差异，因此孔隙类型较大程度上决定原油采收效率。近几年，随着数字图像处理技术的发展，一种识别孔隙类型常用的方法是利用钻井岩心样本，磨制铸体薄片，在扫描电镜下拍摄薄片图像并对图像进行处理，提取岩石孔隙图像的特征，从而对其进行分类识别。

传统图像分割方法首先对图像通过颜色、形状及纹理等特征进行图像分割，之后再进行后续的工作。这类方法有较大的局限性，这类算法一般具有一些人为制定的标准，并没有学习能力，只能针对特定的场景获得比较好的结果。更重要的是此类分割方法只能得到孔隙的形状特征而无法得到孔隙的类别，只能通过人工或分类算法对孔隙进行进一步的分类，而孔隙类别与孔隙所处的岩石基质具有较大关联，因此单纯对孔隙样本进行分类效果较差。基于传统图像分割的方法有：

(1)基于阈值的分割方法：基于阈值的分割方法是基于图像的灰度特征计算或设定一个或多个灰度阈值，然后通过将图像中各个像素的灰度值与阈值进行比较，从而达到一个基于划分的分类结果，进而完成图像的分割。此方法的缺点在于如果图像中前景区域与背景区域的像素灰度相近或者颜色差别较小时，该方法会出现过度分割或者欠分割。

(2)基于边缘的分割方法：基于边缘的分割方法通过检测，确定出区域的边缘，然后根据边缘划分出不同的分类，该方法的前置条件是待分类区域有较为明显的边缘特征，但是对于边缘区分不明显或者边缘不连续的情况会取得比较差的结果。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于unet分割的岩石图像孔隙类型识别方法解决了现有岩石孔隙识别难的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于unet分割的岩石图像孔隙类型识别方法，其包括以下步骤：

S1、将语义分割模型unet作为网络模型、将卷积神经网络作为基础构架搭建初始深度学习网络模型；

S2、获取岩石原始图像并进行图像切割和图像增强，得到预处理后的图像数据；

S3、获取岩石原始图像并进行孔隙位置和形状的人工标注，得到标注后的标签图像数据；

S4、对标注后的标签图像数据进行One-Hot编码，得到编码后的标签数据；

S5、将步骤S2得到的预处理后的图像数据和步骤S4得到的编码后的标签数据作为训练样本对步骤S1所搭建的初始深度学习网络模型进行训练，得到训练后的模型；

S6、采用训练后的模型对待识别图像进行识别。

进一步地，步骤S1的具体方法为：

将语义分割模型unet作为网络模型，将unet模型的每个卷积层后添加归一化层，并在下采样层的每一个卷积层中进行补零操作；将初始深度学习网络模型的孔隙类别个数设置为5，设置学习速率调整方式为adam优化梯度下降，设置每轮迭代批处理的图片个数为24，设置迭代次数为10000，设置迭代精度为0.0001。

进一步地，步骤S2中图像切割的具体方法为：

将图像变化成512×512或256×256像素大小的图像。

进一步地，步骤S2中图像增强的具体方法包括以下子步骤：

S2-1、去除图像中连通域小于a^b像素大小的孔隙，得到去除部分孔隙的图像；其中b为初始深度学习网络模型下采样过程中池化层的层数；a为池化层的核参数；

S2-2、采用低通滤波对去除部分孔隙的图像进行模糊处理，得到模糊处理后的图像；

S2-3、向模糊处理后的图像加入噪声，并将加入噪声后的图像分别进行90°、180°和270°旋转，形成新的图像数据，得到扩大数量后的图像集。

本发明的有益效果为：本发明方法可以充分利用语义分割孔隙识别问题的优势，实现了端到端的孔隙类别识别，而传统图像分割方法一方面适用场景单一，无法处理多场景复杂问题；另一方面传统分割方法孔隙识别精度低，分割效果差。本发明提出的基于unet分割的岩石图像孔隙类型识别方法使用深度学习框架可适应多场景复杂问题，抗噪音能力强，具有泛化能力，可提高孔隙识别精度，并且实现了孔隙类别的自动识别。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于unet分割的岩石图像孔隙类型识别方法包括以下步骤：

S1、将语义分割模型unet作为网络模型、将卷积神经网络作为基础构架搭建初始深度学习网络模型；

S2、获取岩石原始图像并进行图像切割和图像增强，得到预处理后的图像数据；

S3、获取岩石原始图像并进行孔隙位置和形状的人工标注，得到标注后的标签图像数据；

S4、对标注后的标签图像数据进行One-Hot编码，得到编码后的标签数据；

S5、将步骤S2得到的预处理后的图像数据和步骤S4得到的编码后的标签数据作为训练样本对步骤S1所搭建的初始深度学习网络模型进行训练，得到训练后的模型；

S6、采用训练后的模型对待识别图像进行识别。

步骤S1的具体方法为：将语义分割模型unet作为网络模型，将unet模型的每个卷积层后添加归一化层，并在下采样层的每一个卷积层中进行补零(padding)操作；将初始深度学习网络模型的孔隙类别个数设置为5，设置学习速率调整方式为adam优化梯度下降，设置每轮迭代批处理的图片个数为24，设置迭代次数为10000，设置迭代精度为0.0001。batchnorm层可以使最终结果更快收敛，padding操作可方便于计算，使得网络层更加清晰明了，进而使unet模型在特征图进行剪切时保留所有特征，减少下采样的特征损失，进而保留更多的信息，提高原有unet模型的效果。

步骤S2中图像切割的具体方法为：将图像变化成512×512或256×256像素大小的图像。

步骤S2中图像增强的具体方法包括以下子步骤：

S2-1、去除图像中连通域小于a^b像素大小的孔隙，得到去除部分孔隙的图像；其中b为初始深度学习网络模型下采样过程中池化层的层数；a为池化层的核参数；

S2-2、采用低通滤波对去除部分孔隙的图像进行模糊处理，得到模糊处理后的图像；

S2-3、向模糊处理后的图像加入噪声，并将加入噪声后的图像分别进行90°、180°和270°旋转，形成新的图像数据，得到扩大数量后的图像集。

在本发明的一个实施例中，将岩石原始图像数据集进行缩放，使其大小为512×512像素以便在保留足够高像素的情况下减小模型每轮数据处理的工作量。把有标注的图像通过低通滤波制作成掩模图像，即前景部分为孔隙背景部分为岩石基质，不同的孔隙类别可以对应不同的颜色，背景部分统一为黑色。选定400个随机点作为噪声点，更改噪声点的像素值使其变为白色，可以增强模型的鲁棒性。本实施例中去掉连通域小于16像素大小的孔隙，即在掩模后的图像中把连通域小于16像素大小的孔隙的颜色变成与背景一致的黑色。将去掉部分连通域的图像转化为numpy.array格式后进行One-Hot编码处理。

在进行孔隙类别识别时，首先修改evalute.py中测试图像路径以及设置保存好的模型参数路径，运行evalute.py，输出语义分割模型预测的岩石孔隙掩模图像，通过像素级别的逻辑或运算将预测的掩模图像与原始图像融合，最终得到预测的岩石孔隙类别识别图像，进而得到孔隙类别，完成识别。

综上所述，本发明方法可以充分利用语义分割孔隙识别问题的优势，实现了端到端的孔隙类别识别，而传统图像分割方法一方面适用场景单一，无法处理多场景复杂问题；另一方面传统分割方法孔隙识别精度低，分割效果差。本发明提出的基于unet分割的岩石图像孔隙类型识别方法使用深度学习框架可适应多场景复杂问题，抗噪音能力强，具有泛化能力，可提高孔隙识别精度，并且实现了孔隙类别的自动识别。

Claims (4)

1.一种基于unet分割的岩石图像孔隙类型识别方法，其特征在于，包括以下步骤：

S1、将语义分割模型unet作为网络模型、将卷积神经网络作为基础构架搭建初始深度学习网络模型；

S2、获取岩石原始图像并进行图像切割和图像增强，得到预处理后的图像数据；

S3、获取岩石原始图像并进行孔隙位置和形状的人工标注，得到标注后的标签图像数据；

S4、对标注后的标签图像数据进行One-Hot编码，得到编码后的标签数据；

S5、将步骤S2得到的预处理后的图像数据和步骤S4得到的编码后的标签数据作为训练样本对步骤S1所搭建的初始深度学习网络模型进行训练，得到训练后的模型；

S6、采用训练后的模型对待识别图像进行识别。

2.根据权利要求1所述的基于unet分割的岩石图像孔隙类型识别方法，其特征在于，所述步骤S1的具体方法为：

将语义分割模型unet作为网络模型，将unet模型的每个卷积层后添加归一化层，并在下采样层的每一个卷积层中进行补零操作；将初始深度学习网络模型的孔隙类别个数设置为5，设置学习速率调整方式为adam优化梯度下降，设置每轮迭代批处理的图片个数为24，设置迭代次数为10000，设置迭代精度为0.0001。

3.根据权利要求1所述的基于unet分割的岩石图像孔隙类型识别方法，其特征在于，所述步骤S2中图像切割的具体方法为：

将图像变化成512×512或256×256像素大小的图像。

4.根据权利要求1所述的基于unet分割的岩石图像孔隙类型识别方法，其特征在于，所述步骤S2中图像增强的具体方法包括以下子步骤：

S2-1、去除图像中连通域小于a^b像素大小的孔隙，得到去除部分孔隙的图像；其中b为初始深度学习网络模型下采样过程中池化层的层数；a为池化层的核参数；

S2-2、采用低通滤波对去除部分孔隙的图像进行模糊处理，得到模糊处理后的图像；

S2-3、向模糊处理后的图像加入噪声，并将加入噪声后的图像分别进行90°、180°和270°旋转，形成新的图像数据，得到扩大数量后的图像集。