CN110223282A - 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 - Google Patents
一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 Download PDFInfo
- Publication number
- CN110223282A CN110223282A CN201910497261.1A CN201910497261A CN110223282A CN 110223282 A CN110223282 A CN 110223282A CN 201910497261 A CN201910497261 A CN 201910497261A CN 110223282 A CN110223282 A CN 110223282A
- Authority
- CN
- China
- Prior art keywords
- hole
- kerogen
- peak
- mud shale
- initial
- 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 79
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 133
- 239000011707 mineral Substances 0.000 claims abstract description 116
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 239000011148 porous material Substances 0.000 claims description 21
- 229910021532 Calcite Inorganic materials 0.000 claims description 6
- 238000010030 laminating Methods 0.000 claims description 3
- 235000013351 cheese Nutrition 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 5
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N titanium dioxide Inorganic materials O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Dispersion Chemistry (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种泥页岩有机孔隙与无机孔隙自动识别方法及系统。该方法包括:利用泥页岩扫描电镜灰度图中像素点个数随灰度值变化的关系曲线,确定有机质峰、主矿物峰和亮色矿物峰分别对应的灰度值和峰宽;计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值;采用各截止值对泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图;依据初始孔隙图、初始干酪根孔隙图和亮色矿物图,得到无机矿物孔隙图和干酪根区域图;对泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图;依据干酪根区域图、第一孔隙图和标定图,确定有机孔隙图。本发明能提高泥页岩有机孔隙与无机孔隙的识别精度。
Description
技术领域
本发明涉及矿物孔隙识别技术领域,特别是涉及一种泥页岩有机孔隙与无机孔隙自动识别方法及系统。
背景技术
扫描电镜是一种应用高能电子在样品表面进行扫描的技术,它能有效的反应样品表面的形貌特征。二次电子的分辨率一般在5~10nm,在低于表面的区域(如孔隙),其亮度会较边缘的区域暗一些,且边缘会积累电荷,十分明亮,形成一圈亮边。传统孔隙提取的方式是通过人工手绘、阈值法、边缘提取法、分水岭法,在一定程度上提取孔隙。
人工手绘法的结果因为操作人员的地质经验的不同而差异很大,且页岩中小孔隙众多,一张页岩扫描电镜图片中的微小孔隙动辄几千甚至数万个孔隙,工作量巨大(一套连续拍的扫描电镜图能达到几十甚至上千张),十分耗时,且在手绘过程中操作人员很容易忽略一些微小孔隙。该方法不易处理大量图片,在定性或半定量的页岩孔隙评价中应用广泛。
阈值法是一种利用一个灰度值将泥页岩SEM灰度图片分为孔隙和背景区域的方法,由于扫描电镜在孔隙区域颜色较暗。因此可以将灰度低于阈值的区域定为孔隙,将灰度高于阈值的区域定为背景。阈值法由于操作简便,广泛应用于对扫描电镜的处理。但由于页岩中干酪根及暗色矿物的存在,很容易将干酪根与暗色矿物区域识别为孔隙而造成误差。且一些较浅的大孔,其内部亮度值较高,整体颜色较亮;内部粗糙不平的大孔,其内部明暗不一,也很容易将这些亮的区域忽略而造成误差。阈值法分为两种:人工阈值法与自动阈值法。人工阈值法与人工手绘法存在同样的问题:都会由于操作人员地质经验的不同而使得处理结果因人而异。而自动阈值法则不存在这个问题,只要确定了自动阈值的方法后,任何人都能得到同样的处理结果。但是目前自动阈值法的方法众多,但大多数都是应用于材料,生物或是砂岩、碳酸盐岩储层样品,并没有专门应用在页岩样品的自动阈值提取方法。
边缘提取法是一种先对图片进行微分处理,找到明暗变化剧烈的边界线并将其提取出来的方法。应用在孔隙提取过程中,还需要对提取出的边界进行填充。边缘提取法可以有效的将孔隙的边缘提取出来,但是在处理大面积的图片过程中,由于干酪根边缘、矿物边缘、样品预处理过程中造成的样品表面粗糙不平(棱角)及污染物的边缘都会被提取出来,从而造成大量误差,且在提取浅孔。及倾斜的有棱角的孔隙时,会由于边缘提取不全而在孔隙填充的过程中,不能填充孔隙从而造成误差。
分水岭法与边缘提取法类似,都是首先对图片进行微分处理,但分水岭法接下来会将低于一定值的区域找出来,将这些区域分割成一个一个更小的区域,并将这些不同的区域识别为孔隙,但分水岭法与边缘提取法存在类似的问题,干酪根、矿物、预处理及污染物都会造成大量误差,且内部粗糙不同的大孔,分水岭法会将其分割成不同的小孔隙而造成大量误差。
上述方法仅能将孔隙识别出来,不能对孔隙为有机孔隙还是为无机孔隙进行识别。目前,通常采用能谱仪得到EDS能谱,利用EDS能谱所得不同矿物及干酪根分布图与孔隙图进行叠加,然后判断有机孔隙与无机孔隙,该方法步骤繁琐且EDS所得矿物及干酪根分布图的分辨率低,识别结果精度不高。
发明内容
基于此,有必要提供一种泥页岩有机孔隙与无机孔隙自动识别方法及系统,以提高泥页岩有机孔隙与无机孔隙的识别精度。
为实现上述目的,本发明提供了如下方案:
一种泥页岩有机孔隙与无机孔隙自动识别方法,包括:
获取泥页岩扫描电镜灰度图;
统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数,得到像素点个数随灰度值变化的关系曲线;
确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同;
利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰对应的灰度值和所述峰宽,计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值;
采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图;
依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图;
将所述初始干酪根区域图与所述亮色矿物图进行叠加,去除所述初始干酪根区域图中对应的亮色矿物,得到干酪根区域图;
依据所述干酪根区域图和泥页岩边缘提取图,确定标定图;所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的;
对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图;
依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图。
可选的,所述确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽,具体包括:
采用高斯分峰拟合法对所述关系曲线进行拟合,得到拟合曲线;
依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰;所述主矿物峰为石英-长石-方解石矿物峰;所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰;
确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
可选的,所述依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图,具体包括:
将所述初始孔隙图和所述初始干酪根孔隙图叠加,统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数;所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值;所述第二参数为孔隙的面积;
依据所述第二参数,确定所述初始孔隙图中最大孔隙的面积;
依据所述第一参量和所述最大孔隙的面积,建立干酪根区域判别函数;
采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和干酪根区域;
对所述干酪根区域进行填充,得到初始干酪根区域图。
可选的,所述依据所述干酪根区域图和泥页岩边缘提取图,确定标定图,具体包括:
利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取,得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图;
将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并,得到泥页岩边缘提取图;
将所述干酪根区域图与所述泥页岩边缘提取图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,得到标定图。
可选的,所述依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图,具体包括:
将所述第一孔隙图与所述干酪根区域图进行叠加,删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙,得到第二孔隙图;
将所述第二孔隙图与所述标定图进行对比,确定最佳阈值下的孔隙图;
对所述标定图中的边缘进行内填充,得到填充后的标定图;
将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并,得到有机孔隙图。
本发明还提供了一种泥页岩有机孔隙与无机孔隙自动识别系统,包括:
图像获取模块,用于获取泥页岩扫描电镜灰度图;
像素点统计模块,用于统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数,得到像素点个数随灰度值变化的关系曲线;
参数值确定模块,用于确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同;
截止值计算模块,用于利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰对应的灰度值和所述峰宽,计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值;
第一分割模块,用于采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图;
无机孔隙图确定模块,用于依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图;
叠加模块,用于将所述初始干酪根区域图与所述亮色矿物图进行叠加,去除所述初始干酪根区域图中对应的亮色矿物,得到干酪根区域图;
标定图确定模块,用于依据所述干酪根区域图和泥页岩边缘提取图,确定标定图;所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的;
第二分割模块,用于对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图;
有机孔隙图确定模块,用于依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图。
可选的,所述参数值确定模块,具体包括:
拟合单元,用于采用高斯分峰拟合法对所述关系曲线进行拟合,得到拟合曲线;
矿物峰确定模块,用于依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰;所述主矿物峰为石英-长石-方解石矿物峰;所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰;
参数值确定单元,用于确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
可选的,所述无机孔隙图确定模块,具体包括:
参量确定单元,用于将所述初始孔隙图和所述初始干酪根孔隙图叠加,统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数;所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值;所述第二参量为孔隙的面积;
最大面积确定单元,用于依据所述第二参数,确定所述初始孔隙图中最大孔隙的面积;
判别函数建立模块,用于依据所述第一参量和所述最大孔隙的面积,建立干酪根区域判别函数;
无机孔隙图确定单元,用于采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和干酪根区域;
初始干酪根确定单元,用于对所述干酪根区域进行填充,得到初始干酪根区域图。
可选的,所述标定图确定模块,具体包括:
边缘提取单元,用于利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取,得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图;
边缘提取图确定单元,用于将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并,得到泥页岩边缘提取图;
标定图确定单元,用于将所述干酪根区域图与所述泥页岩边缘提取图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,得到标定图。
可选的,所述有机孔隙图确定模块,具体包括:
叠加单元,用于将所述第一孔隙图与所述干酪根区域图进行叠加,删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙,得到第二孔隙图;
对比单元,用于将所述第二孔隙图与所述标定图进行对比,确定最佳阈值下的孔隙图;
填充单元,用于对所述标定图中的边缘进行内填充,得到填充后的标定图;
合并单元,用于将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并,得到有机孔隙图。
与现有技术相比,本发明的有益效果是:
本发明提出了一种泥页岩有机孔隙与无机孔隙自动识别方法及系统,所述方法中采用扫描电镜得到泥页岩扫描电镜灰度图,利用泥页岩扫描电镜灰度图实现对有机孔隙与无机孔隙的识别,相比于采用能谱仪得到EDS能谱,利用EDS能谱所得不同矿物及干酪根分布图与孔隙图进行叠加的方式,更加简便且由于EDS所得矿物及干酪根分布图的分辨率较扫描电镜二次电子灰度图的分辨率小一个数量级,因此,本发明能够提高有机孔隙与无机孔隙的识别精度。其中,采用第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值分别对泥页岩扫描电镜灰度图进行阈值分割,较之前用统一采用一个阈值分割所得孔隙中无机孔隙的面积大,精度高,更符合实际情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1泥页岩有机孔隙与无机孔隙自动识别方法的流程图;
图2为本发明实施例2的关系曲线和拟合曲线的示意图;
图3为本发明实施例2的初始孔隙图和初始干酪根孔隙图;
图4为本发明实施例2的无机矿物孔隙图;
图5为本发明实施例2的初始干酪根区域图;
图6为本发明实施例2的亮色矿物区域图;
图7为本发明实施例2的干酪根区域图;
图8为本发明实施例2的标定图;
图9为本发明实施例2的最佳阈值判别图;
图10为本发明实施例2的有机孔隙图;
图11为本发明实施例3泥页岩有机孔隙与无机孔隙自动识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
图1为本发明实施1泥页岩有机孔隙与无机孔隙自动识别方法的流程图。
参见图1,实施例的泥页岩有机孔隙与无机孔隙自动识别方法包括:
步骤S1:获取泥页岩扫描电镜8-bit灰度图。
步骤S2:统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数,得到像素点个数随灰度值变化的关系曲线。
步骤S3:确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽。
所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
所述步骤S3,具体包括:
1)采用高斯分峰拟合法对所述关系曲线进行拟合,得到拟合曲线。
2)依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰;所述主矿物峰为石英-长石-方解石矿物峰;所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰。
3)确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
步骤S4:利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰对应的灰度值和所述峰宽,计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值。其中,第一孔隙灰度截止值是利用有机质峰最高点对应的灰度值减去峰宽并取整得到的;干酪根灰度截止值是利用主矿物峰最高点对应的灰度值减去峰宽并取整得到的;第二孔隙灰度截止值是利用亮色矿物峰对应的灰度值加上峰宽并取整得到的。
步骤S5:采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图。
步骤S6:依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图。
所述步骤S6,具体包括:
1)将所述初始孔隙图和所述初始干酪根孔隙图叠加,统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数;所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值;所述第二参数为孔隙的面积。
2)依据所述第二参数,确定所述初始孔隙图中最大孔隙的面积。
3)依据所述第一参量和所述最大孔隙的面积,建立干酪根区域判别函数。
4)采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和干酪根区域。
5)对所述干酪根区域进行填充,得到初始干酪根区域图。
步骤S7:将所述初始干酪根区域图与所述亮色矿物图进行叠加,去除所述初始干酪根区域图中对应的亮色矿物,得到干酪根区域图。
步骤S8:依据所述干酪根区域图和泥页岩边缘提取图,确定标定图。
所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的。
所述步骤S8,具体包括:
1)利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取,得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图。
2)将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并,得到泥页岩边缘提取图。
3)将所述干酪根区域图与所述泥页岩边缘提取图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,得到标定图。
步骤S9:对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图。
步骤S10:依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图。
所述步骤S10,具体包括:
1)将所述第一孔隙图与所述干酪根区域图进行叠加,删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙,得到第二孔隙图。
2)将所述第二孔隙图与所述标定图进行对比,确定最佳阈值下的孔隙图。
3)对所述标定图中的边缘进行内填充,得到填充后的标定图。
4)将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并,得到有机孔隙图。
实施例2:
本实施例提供的泥页岩有机孔隙与无机孔隙自动识别方法,包括:
步骤1:采用扫描电镜得到泥页岩扫描电镜图像,将泥页岩扫描电镜图像转化为8-bit灰度图,统计泥页岩扫描电镜灰度图中0~255每一个灰度的像素点个数,绘制出像素点个数随灰度变化的关系曲线,参见图2,由多个点构成的关系曲线中,每个散点代表一个灰度值对应的像素点个数。
步骤2:利用高斯分峰拟合法对步骤1所得的关系曲线进行拟合,得到拟合曲线,由拟合曲线可确定有机质峰(Peak1)、主矿物峰(Peak2)及亮色矿物峰(Peak3),找出有机质峰、主矿物峰及亮色矿峰最高值所对应的灰度值,分别记录为VP1,VP2,VP3,并记录峰宽W。如图2中所示,VP1=75.73,VP2=132.5,VP3=192,W=18.94。所述主矿物峰为石英-长石-方解石矿物峰,所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰。
步骤3:利用有机质峰最高值所对应的灰度值VP1减去峰宽W并取整得到第一孔隙灰度截止值Pcutoff,利用主矿物峰最高值所对应的灰度值VP2减去峰宽W并取整得到干酪根灰度截止值Kcutoff(Pcutoff为57,Kcutoff为113),分别用Pcutoff及Kcutoff得到对泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图及初始干酪根孔隙图。所述初始孔隙图为将小于Pcutoff的赋值为0,大于Pcutoff的赋值为1所生成的二值化图;所述初始干酪根孔隙图为将小于或等于Kcutoff的赋值为0,大于Kcutoff赋值为1所生成的二值化图。如图3所示,其中图3中的(a)部分为初始孔隙图,图3中的(b)部分为初始干酪根孔隙图。
步骤4:将初始孔隙图与初始干酪根孔隙图进行叠加,统计所述初始干酪根孔隙图中每个孤立联通区域的外周长及内周长之和Lki、面积Ski、长轴Lli、短轴Lsi,及所述初始孔隙图中各孔隙的面积Spij,找出Spij中的最大面积Spijmax,建立干酪根区域判别函数Qsti=(Spijmax/Ski)/[Lki/Ski/(Lli/Lsi)],利用干酪根区域判别函数对初始干酪根孔隙图中的孤立联通区域是否为干酪根进行判断。当第i个孤立联通区域对应的Qsti小于或等于1时,则初始干酪根孔隙图中第i个孤立联通区域即为干酪根,当Qsti大于1时,则为无机矿物孔隙。将所有Qsti大于1对应的孤立联通区域合并,即可得无机矿物孔隙图,如图4所示。
步骤5:将步骤4中所得到的为干酪根的各个孤立联通区域合并,形成干酪根区域,将所述干酪根区域转换成二值化图,对转换后得到的二值图进行内充填,得到初始干酪根区域图,如图5所示。
步骤6:利用亮色矿物峰最高点对应的灰度值VP3加上峰宽W并取整得到亮色矿物灰度截止值Mcutoff(Mcutoff为151),用Mcutoff对步骤1所得泥页岩扫描电镜灰度图进行阈值分割,得到亮色矿物图,如图6所示。
步骤7:将步骤5所得初始干酪根区域图与步骤6所得亮色矿物图进行叠加,将所述初始干酪根区域图中对应的亮色矿物区域删去,然后再进行腐蚀处理,得到干酪根区域图,如图7所示。
步骤8:利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对步骤1所得到泥页岩扫描电镜灰度图进行边缘提取,并将4种算子所得边缘图进行合并,得到泥页岩边缘提取图,然后将泥页岩边缘提取图与步骤7所得到的干酪根区域图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,将处理后的边缘图作为标定图,如图8所示。
步骤9:将步骤1所得到泥页岩扫描电镜灰度图按照预设阈值(首先从灰度值0开始,每隔5个灰度值作为阈值进行粗略查找;然后找到粗略查找中最佳阈值后,从(粗略查找最佳阈值-9)开始到(粗略查找最佳阈值+10),每隔1个灰度值作为阈值进行精细查找)进行图像分割得到第一孔隙图,并与步骤7所得干酪根区域图进行叠加,将所述第一孔隙图中对应的干酪根区域外的孔隙删去,得到第二孔隙,将第二孔隙图与标定图进行对比,将落在标定图边缘内的像素点的个数记为Ainside,该值越大越好,落在标定图边缘外的像素点的个数记为Aoutside,作误差函数Qerror=Aoutside/Ainside,该值越小越好。平衡这两个值使得落在边缘内孔隙面积大的同时,也让误差小,做判别函数Qt=Ainside/(Qerror)0.5,当判别函数最大时的阈值为最佳阈值,最终可确定最佳阈值下的孔隙图,最佳阈值判别过程如图9所示。由图9可以看出,当阈值取20时(阈值过小),第二孔隙图中的孔隙(黑色块部分)虽然没有落在标定图的孔隙边缘外,但是其并不能很好的填充标定图的孔隙边缘;当阈值取80时(阈值过大),第二孔隙图中的孔隙虽然很好的填充了标定图的孔隙边缘,但是有很多落在了孔隙边缘外,造成大量误差;只有取最佳阈值时,第二孔隙图既能较好的填充标定图的孔隙边缘,又只有很少的部分落在孔隙边缘外,误差同时也较小。
步骤10:将步骤8所得标定图中每一个边缘进行内填充,并使之与步骤9所得最佳阈值下的孔隙图进行合并,即可得最终的有机孔隙图,如图10所示。
本实施例的泥页岩有机孔隙与无机孔隙自动识别方法,利用判别函数对泥页岩扫描电镜灰度图像中的有机孔隙与无机孔隙进行分割,简化了传统利用EDS能谱所得矿物分布图才能识别有机孔及无机孔的方法。
步骤1-2对扫描电镜图像进行预处理,克服了阈值法、边缘提取法及分水岭法广泛存在的问题:阈值法中由于页岩中干酪根及暗色矿物的存在,很容易将干酪根与暗色矿物区域识别为孔隙而造成误差(也有学者分区域进行阈值提取)。且一些较浅的大孔,其内部亮度值较高,整体颜色较亮;内部粗糙不平的大孔,其内部明暗不一,很容易将这些亮的区域忽略而造成误差;边缘提取法由于干酪根边缘、矿物边缘、样品预处理过程中造成的样品表面粗糙不平(棱角)及污染物的边缘都会被提取出来,从而造成大量误差,且在提取浅孔及倾斜的有棱角的孔隙时,会由于边缘提取不全而在孔隙填充的过程中,不能填充孔隙从而造成误差;分水岭法与边缘提取法存在的问题类似,干酪根、矿物、预处理及污染物都会造成大量误差,且内部粗糙不同的大孔,分水岭法会将其分割成不同的小孔隙而造成大量误差。提高了识别精度。
步骤3-5自动得到阈值,并将边缘提取法所得孔隙与最佳阈值所得孔隙进行合并,大大提高了孔隙自动识别的精度。
步骤1-4所得无机矿物孔隙,较之前用统一一个阈值分割所得孔隙中无机孔隙的面积大,精度高,更符合实际情况。
步骤5-7对扫描电镜图片进行干酪根区域的分割,也克服了阈值法、边缘提取法及分水岭法广泛存在的问题,提高了识别精度。
步骤8-10自动得到阈值,并将边缘提取法所得孔隙与最佳阈值所得孔隙进行合并,大大提高了孔隙自动识别的精度。
实施例3:
本实施例提供了一种泥页岩有机孔隙与无机孔隙自动识别系统,图11为本发明实施例3泥页岩有机孔隙与无机孔隙自动识别系统的结构示意图。参见图11,泥页岩有机孔隙与无机孔隙自动识别系统包括:
图像获取模块1101,用于获取泥页岩扫描电镜灰度图。
像素点统计模块1102,用于统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数,得到像素点个数随灰度值变化的关系曲线。
参数值确定模块1103,用于确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
截止值计算模块1104,用于利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰对应的灰度值和所述峰宽,计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值。
第一分割模块1105,用于采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图。
无机孔隙图确定模块1106,用于依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图。
叠加模块1107,用于将所述初始干酪根区域图与所述亮色矿物图进行叠加,去除所述初始干酪根区域图中对应的亮色矿物,得到干酪根区域图。
标定图确定模块1108,用于依据所述干酪根区域图和泥页岩边缘提取图,确定标定图;所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的。
第二分割模块1109,用于对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图。
有机孔隙图确定模块1110,用于依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图。
作为一种可选的实施方式,所述参数值确定模块1103,具体包括:
拟合单元,用于采用高斯分峰拟合法对所述关系曲线进行拟合,得到拟合曲线;
矿物峰确定模块,用于依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰;所述主矿物峰为石英-长石-方解石矿物峰;所述亮色矿物峰为黄铁矿-磷灰石-金红石矿物峰;
参数值确定单元,用于确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
作为一种可选的实施方式,所述无机孔隙图确定模块1106,具体包括:
参量确定单元,用于将所述初始孔隙图和所述初始干酪根孔隙图叠加,统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数;所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值;所述第二参量为孔隙的面积;
最大面积确定单元,用于依据所述第二参数,确定所述初始孔隙图中最大孔隙的面积;
判别函数建立模块,用于依据所述第一参量和所述最大孔隙的面积,建立干酪根区域判别函数;
无机孔隙图确定单元,用于采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和干酪根区域;
初始干酪根确定单元,用于对所述干酪根区域进行填充,得到初始干酪根区域图。
作为一种可选的实施方式,所述标定图确定模块1108,具体包括:
边缘提取单元,用于利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取,得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图;
边缘提取图确定单元,用于将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并,得到泥页岩边缘提取图;
标定图确定单元,用于将所述干酪根区域图与所述泥页岩边缘提取图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,得到标定图。
作为一种可选的实施方式,所述有机孔隙图确定模块1110,具体包括:
叠加单元,用于将所述第一孔隙图与所述干酪根区域图进行叠加,删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙,得到第二孔隙图;
对比单元,用于将所述第二孔隙图与所述标定图进行对比,确定最佳阈值下的孔隙图;
填充单元,用于对所述标定图中的边缘进行内填充,得到填充后的标定图;
合并单元,用于将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并,得到有机孔隙图。
本实施例的泥页岩有机孔隙与无机孔隙自动识别系统,能够提高有机孔隙与无机孔隙的识别精度。
对于实施例3公开的系统而言,由于其与实施例1或2公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式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 (10)
1.一种泥页岩有机孔隙与无机孔隙自动识别方法,其特征在于,包括:
获取泥页岩扫描电镜灰度图;
统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数,得到像素点个数随灰度值变化的关系曲线;
确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同;
利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰最高点对应的灰度值和所述峰宽,计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值;
采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图;
依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图;
将所述初始干酪根区域图与所述亮色矿物图进行叠加,去除所述初始干酪根区域图中对应的亮色矿物,得到干酪根区域图;
依据所述干酪根区域图和泥页岩边缘提取图,确定标定图;所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的;
对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图;
依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图。
2.根据权利要求1所述的一种泥页岩有机孔隙与无机孔隙自动识别方法,其特征在于,所述确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽,具体包括:
采用高斯分峰拟合法对所述关系曲线进行拟合,得到拟合曲线;
依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰;所述主矿物峰为石英-长石-方解石矿物峰;
确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
3.根据权利要求1所述的一种泥页岩有机孔隙与无机孔隙自动识别方法,其特征在于,所述依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图,具体包括:
将所述初始孔隙图和所述初始干酪根孔隙图叠加,统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数;所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值;所述第二参数为孔隙的面积;
依据所述第二参数,确定所述初始孔隙图中最大孔隙的面积;
依据所述第一参量和所述最大孔隙的面积,建立干酪根区域判别函数;
采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和干酪根区域;
对所述干酪根区域进行填充,得到初始干酪根区域图。
4.根据权利要求1所述的一种泥页岩有机孔隙与无机孔隙自动识别方法,其特征在于,所述依据所述干酪根区域图和泥页岩边缘提取图,确定标定图,具体包括:
利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取,得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图;
将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并,得到泥页岩边缘提取图;
将所述干酪根区域图与所述泥页岩边缘提取图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,得到标定图。
5.根据权利要求1所述的一种泥页岩有机孔隙与无机孔隙自动识别方法,其特征在于,所述依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图,具体包括:
将所述第一孔隙图与所述干酪根区域图进行叠加,删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙,得到第二孔隙图;
将所述第二孔隙图与所述标定图进行对比,确定最佳阈值下的孔隙图;
对所述标定图中的边缘进行内填充,得到填充后的标定图;
将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并,得到有机孔隙图。
6.一种泥页岩有机孔隙与无机孔隙自动识别系统,其特征在于,包括:
图像获取模块,用于获取泥页岩扫描电镜灰度图;
像素点统计模块,用于统计所述泥页岩扫描电镜灰度图中每个灰度值的像素点个数,得到像素点个数随灰度值变化的关系曲线;
参数值确定模块,用于确定所述关系曲线中有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同;
截止值计算模块,用于利用所述有机质峰最高点对应的灰度值、所述主矿物峰最高点对应的灰度值、所述亮色矿物峰对应的灰度值和所述峰宽,计算第一孔隙灰度截止值、干酪根灰度截止值和亮色矿物灰度截止值;
第一分割模块,用于采用所述第一孔隙灰度截止值、所述干酪根灰度截止值和所述亮色矿物灰度截止值分别对所述泥页岩扫描电镜灰度图进行阈值分割,得到初始孔隙图、初始干酪根孔隙图和亮色矿物图;
无机孔隙图确定模块,用于依据所述初始孔隙图,对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和初始干酪根区域图;
叠加模块,用于将所述初始干酪根区域图与所述亮色矿物图进行叠加,去除所述初始干酪根区域图中对应的亮色矿物,得到干酪根区域图;
标定图确定模块,用于依据所述干酪根区域图和泥页岩边缘提取图,确定标定图;所述泥页岩边缘提取图是通过对所述泥页岩扫描电镜灰度图进行边缘提取得到的;
第二分割模块,用于对所述泥页岩扫描电镜灰度图按照预设阈值进行图像分割,得到第一孔隙图;
有机孔隙图确定模块,用于依据所述干酪根区域图、所述第一孔隙图和所述标定图,确定有机孔隙图。
7.根据权利要求6所述的一种泥页岩有机孔隙与无机孔隙自动识别系统,其特征在于,所述参数值确定模块,具体包括:
拟合单元,用于采用高斯分峰拟合法对所述关系曲线进行拟合,得到拟合曲线;
矿物峰确定模块,用于依据所述拟合曲线确定有机质峰、主矿物峰和亮色矿物峰;所述主矿物峰为石英-长石-方解石矿物峰;
参数值确定单元,用于确定有机质峰最高点对应的灰度值、主矿物峰最高点对应的灰度值、亮色矿物峰对应的灰度值和峰宽;所述有机质峰、所述主矿物峰和所述亮色矿物峰的峰宽相同。
8.根据权利要求6所述的一种泥页岩有机孔隙与无机孔隙自动识别系统,其特征在于,所述无机孔隙图确定模块,具体包括:
参量确定单元,用于将所述初始孔隙图和所述初始干酪根孔隙图叠加,统计所述初始干酪根孔隙图中每个孤立联通区域对应的第一参量以及所述初始孔隙图中每个孔隙对应的第二参数;所述第一参量包括孤立联通区域的内周长与外周长之和、面积、长轴值和短轴值;所述第二参量为孔隙的面积;
最大面积确定单元,用于依据所述第二参数,确定所述初始孔隙图中最大孔隙的面积;
判别函数建立模块,用于依据所述第一参量和所述最大孔隙的面积,建立干酪根区域判别函数;
无机孔隙图确定单元,用于采用所述干酪根区域判别函数对所述初始干酪根孔隙图中是否存在干酪根进行判别,得到无机矿物孔隙图和干酪根区域;
初始干酪根确定单元,用于对所述干酪根区域进行填充,得到初始干酪根区域图。
9.根据权利要求6所述的一种泥页岩有机孔隙与无机孔隙自动识别系统,其特征在于,所述标定图确定模块,具体包括:
边缘提取单元,用于利用Sobel算子、Prewitt算子、Roberts算子和Canny算子分别对所述泥页岩扫描电镜灰度图进行边缘提取,得到第一算子边缘图、第二算子边缘图、第三算子边缘图和第四算子边缘图;
边缘提取图确定单元,用于将所述第一算子边缘图、所述第二算子边缘图、所述第三算子边缘图和所述第四算子边缘图进行合并,得到泥页岩边缘提取图;
标定图确定单元,用于将所述干酪根区域图与所述泥页岩边缘提取图进行合并,删除所述泥页岩边缘提取图中对应的所述干酪根区域图之外的边缘,得到标定图。
10.根据权利要求6所述的一种泥页岩有机孔隙与无机孔隙自动识别方法,其特征在于,所述有机孔隙图确定模块,具体包括:
叠加单元,用于将所述第一孔隙图与所述干酪根区域图进行叠加,删除所述第一孔隙图中对应的所述干酪根区域图之外的孔隙,得到第二孔隙图;
对比单元,用于将所述第二孔隙图与所述标定图进行对比,确定最佳阈值下的孔隙图;
填充单元,用于对所述标定图中的边缘进行内填充,得到填充后的标定图;
合并单元,用于将所述填充后的标定图与所述最佳阈值下的孔隙图进行合并,得到有机孔隙图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497261.1A CN110223282B (zh) | 2019-06-10 | 2019-06-10 | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497261.1A CN110223282B (zh) | 2019-06-10 | 2019-06-10 | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223282A true CN110223282A (zh) | 2019-09-10 |
CN110223282B CN110223282B (zh) | 2021-05-14 |
Family
ID=67815990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497261.1A Active CN110223282B (zh) | 2019-06-10 | 2019-06-10 | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223282B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912960A (zh) * | 2020-08-24 | 2020-11-10 | 东北石油大学 | 一种泥页岩中干酪根游离油定量评价方法及系统 |
GB2584660A (en) * | 2019-06-10 | 2020-12-16 | Univ China Petroleum East China | Automatic identification method and system for different mineral pores of mud shale |
CN112414917A (zh) * | 2020-11-03 | 2021-02-26 | 西安石油大学 | 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法 |
CN113607618A (zh) * | 2021-07-02 | 2021-11-05 | 中铁二十局集团有限公司 | 基于工业ct扫描的岩石损伤分析方法、装置及设备 |
CN113670787A (zh) * | 2020-05-14 | 2021-11-19 | 中国石油天然气股份有限公司 | 泥页岩中有机质与其他矿物的微孔与介孔孔径测试方法 |
CN117409408A (zh) * | 2023-12-15 | 2024-01-16 | 北京大学 | 层理缝参数获取方法、装置、设备及可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822866A (zh) * | 2014-03-21 | 2014-05-28 | 中国石油大学(华东) | 一种评价目的层段泥页岩孔隙度方法 |
CN104153770A (zh) * | 2014-07-08 | 2014-11-19 | 中国石油天然气股份有限公司 | 一种泥页岩生烃与有机孔隙演化的模拟方法及系统 |
CN105352873A (zh) * | 2015-11-26 | 2016-02-24 | 中国石油大学(北京) | 页岩孔隙结构的表征方法 |
CN105675468A (zh) * | 2016-01-15 | 2016-06-15 | 山东科技大学 | 一种泥页岩有机质孔隙度的评价方法 |
CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
CN106651839A (zh) * | 2016-11-16 | 2017-05-10 | 中国科学院地质与地球物理研究所 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
CN107067379A (zh) * | 2017-03-16 | 2017-08-18 | 中国科学院地质与地球物理研究所 | 基于三维fib‑sem图像的页岩孔隙定量表征方法 |
CN107194104A (zh) * | 2017-06-07 | 2017-09-22 | 成都理工大学 | 一种采用测井曲线计算页岩储层中无机质孔隙度、总孔隙度以及组分的方法 |
CN107228816A (zh) * | 2017-06-01 | 2017-10-03 | 中国石油大学(华东) | 一种泥页岩中不同类型孔隙演化评价方法 |
CN107355218A (zh) * | 2016-05-09 | 2017-11-17 | 中国石油化工股份有限公司 | 确定页岩气储层的有机孔隙度的方法 |
CN108291979A (zh) * | 2015-11-12 | 2018-07-17 | 斯伦贝谢技术有限公司 | 用于使用测井数据进行有机页岩储层的地层评估的方法 |
CN109285137A (zh) * | 2017-07-21 | 2019-01-29 | 中国石油大学(北京) | 页岩孔隙贡献度的获取方法及装置 |
CN109505590A (zh) * | 2017-09-13 | 2019-03-22 | 中国石油化工股份有限公司 | 页岩气储层压力的确定方法及计算机可读存储介质 |
-
2019
- 2019-06-10 CN CN201910497261.1A patent/CN110223282B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822866A (zh) * | 2014-03-21 | 2014-05-28 | 中国石油大学(华东) | 一种评价目的层段泥页岩孔隙度方法 |
CN104153770A (zh) * | 2014-07-08 | 2014-11-19 | 中国石油天然气股份有限公司 | 一种泥页岩生烃与有机孔隙演化的模拟方法及系统 |
CN108291979A (zh) * | 2015-11-12 | 2018-07-17 | 斯伦贝谢技术有限公司 | 用于使用测井数据进行有机页岩储层的地层评估的方法 |
CN105352873A (zh) * | 2015-11-26 | 2016-02-24 | 中国石油大学(北京) | 页岩孔隙结构的表征方法 |
CN105675468A (zh) * | 2016-01-15 | 2016-06-15 | 山东科技大学 | 一种泥页岩有机质孔隙度的评价方法 |
CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
CN107355218A (zh) * | 2016-05-09 | 2017-11-17 | 中国石油化工股份有限公司 | 确定页岩气储层的有机孔隙度的方法 |
CN106651839A (zh) * | 2016-11-16 | 2017-05-10 | 中国科学院地质与地球物理研究所 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
CN107067379A (zh) * | 2017-03-16 | 2017-08-18 | 中国科学院地质与地球物理研究所 | 基于三维fib‑sem图像的页岩孔隙定量表征方法 |
CN107228816A (zh) * | 2017-06-01 | 2017-10-03 | 中国石油大学(华东) | 一种泥页岩中不同类型孔隙演化评价方法 |
CN107194104A (zh) * | 2017-06-07 | 2017-09-22 | 成都理工大学 | 一种采用测井曲线计算页岩储层中无机质孔隙度、总孔隙度以及组分的方法 |
CN109285137A (zh) * | 2017-07-21 | 2019-01-29 | 中国石油大学(北京) | 页岩孔隙贡献度的获取方法及装置 |
CN109505590A (zh) * | 2017-09-13 | 2019-03-22 | 中国石油化工股份有限公司 | 页岩气储层压力的确定方法及计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
CHEN GUOHUI ET AL: "The Oil-Bearing Pore Size Distribution of Lacustrine Shale from E2S42 SubMember in Damintun Sag, Liaohe Depression, Bohai Bay Basin, China", 《ACTA GEOLOGICA SINICA (ENGLISH EDITION)》 * |
SIYUAN SU ET AL: "The effects of shale pore structure and mineral components on shale oil accumulation in the Zhanhua Sag, Jiyang Depression, Bohai Bay Basin, China", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
卢双舫: "页岩油评价中的若干关键问题及研究趋势", 《石油学报》 * |
康志宏 等: "柴北缘中侏罗统大煤沟组七段泥页岩储层特征", 《地学前缘》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2584660A (en) * | 2019-06-10 | 2020-12-16 | Univ China Petroleum East China | Automatic identification method and system for different mineral pores of mud shale |
GB2584660B (en) * | 2019-06-10 | 2022-08-24 | Univ China Petroleum East China | Automatic identification method and system for different mineral pores of mud shale |
CN113670787A (zh) * | 2020-05-14 | 2021-11-19 | 中国石油天然气股份有限公司 | 泥页岩中有机质与其他矿物的微孔与介孔孔径测试方法 |
CN111912960A (zh) * | 2020-08-24 | 2020-11-10 | 东北石油大学 | 一种泥页岩中干酪根游离油定量评价方法及系统 |
CN111912960B (zh) * | 2020-08-24 | 2022-11-08 | 东北石油大学 | 一种泥页岩中干酪根游离油定量评价方法及系统 |
CN112414917A (zh) * | 2020-11-03 | 2021-02-26 | 西安石油大学 | 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法 |
CN112414917B (zh) * | 2020-11-03 | 2023-09-01 | 西安石油大学 | 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法 |
CN113607618A (zh) * | 2021-07-02 | 2021-11-05 | 中铁二十局集团有限公司 | 基于工业ct扫描的岩石损伤分析方法、装置及设备 |
CN113607618B (zh) * | 2021-07-02 | 2024-05-10 | 中铁二十局集团有限公司 | 基于工业ct扫描的岩石损伤分析方法、装置及设备 |
CN117409408A (zh) * | 2023-12-15 | 2024-01-16 | 北京大学 | 层理缝参数获取方法、装置、设备及可读存储介质 |
CN117409408B (zh) * | 2023-12-15 | 2024-03-08 | 北京大学 | 层理缝参数获取方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110223282B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223282A (zh) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 | |
US11361193B2 (en) | Automatic identification method and system for different types of pores of mud shale | |
CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
CN107228816B (zh) | 一种泥页岩中不同类型孔隙演化评价方法 | |
CN105975972B (zh) | 基于影像的桥梁裂缝检测与特征提取方法 | |
CN110189353A (zh) | 一种泥页岩能谱矿物分布图校准方法及系统 | |
CN101950359B (zh) | 一种岩石种类的识别方法 | |
CN109272548B (zh) | 一种浮选过程气泡直径的测量方法 | |
CN101153850A (zh) | 一种沥青混合料的检测方法及系统 | |
CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN110838117B (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
CN108734714B (zh) | 一种基于Matlab分析碳酸盐岩结构的方法 | |
CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
YANG et al. | Bubble size estimation using interfacial morphological information for mineral flotation process monitoring | |
CN107156902A (zh) | 一种烟支外观质量在线检测装置 | |
CN1702684A (zh) | 高噪声图像特征点自动提取方法 | |
CN104318564A (zh) | 一种矿物颗粒分相的方法 | |
CN104598907A (zh) | 一种基于笔画宽度图的图像中文字数据提取方法 | |
CN107545572A (zh) | 图像中目标的处理方法和装置 | |
CN110136196A (zh) | 一种桥梁裂缝宽度自动测量方法 | |
CN109766892A (zh) | 一种基于边缘检测的射线检测图像标记信息字符分割方法 | |
CN110211144B (zh) | 一种泥页岩扫描电镜图片孔隙提取方法及系统 | |
CN103971367A (zh) | 水文资料图像分割方法 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 |
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 |