CN110866912A - 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 - Google Patents

Abstract

本发明属于页岩纹层图像处理技术领域，公开了一种基于成像测井图像纹理的页岩纹层非均质性数据处理方法，利用成像测井图像垂直获得垂向上岩石结构图像，在垂直上连续且高效地采集不同分辨率下的岩石图像样本；采用tamura纹理特征算法，利用计算机自动提取成像测井图像的粗糙度、对比度及方向度；基于大量图像的提取参数结果，采用层次分析方法对各个特征参数进行了量化，分析其所占权重，构建页岩纹层非均质性定量表征模型。本发明达到了快速高效且精细地定量表征页岩纹层非均质性特征。本发明并求取了纹层非均质性指数(LHI)，为垂直上选择页岩油气优质勘探目标层段提供科学指导。

Description

基于成像测井图像纹理的页岩纹层非均质性数据处理方法

技术领域

本发明属于页岩纹层图像处理技术领域，尤其涉及一种基于成像测井图像纹理的页岩纹层非均质性数据处理方法。

背景技术

目前，最接近的现有技术：页岩油气作为一种重要的非常规油气资源，近年来日益受到世界各国的高度重视。页岩油气主要以吸附或游离状态赋存在页岩储层的孔隙或裂隙中，且受构造背景、沉积环境、物源条件及成岩作用等因素的影响，页岩储层性质具有较大差异，表现出较强的非均质性。页岩的非均质性不仅包括岩性、厚度、有机质丰度、结构构造、矿物组分、储集物性及储集空间结构等非均质性，在显微组分、生物标志化合物、纹层及其组合等方面也存在强烈的非均质性。且纹层作为页岩最富特色的沉积构造，以层理构造广泛发育于页岩层系中，其直接导致页岩非均质性和各向异性变化明显，并进一步对页岩生烃、页岩储集性以及页岩含油气性及后期水力压裂效果等产生影响。因此，页岩储层纹层非均质性的定量表征对于加深页岩沉积结构的机理研究和中国页岩油气目标层段优选和高效开发至关重要。

但目前对于页岩纹层的研究主要是利用大量薄片或扫描电镜等手段，定性描述页岩纹层的发育程度、韵律等非均质性特征，这种方法不仅需要消耗大量的时间，且昂贵的测试分析费用；而且不利于垂直上连续、且高效地进行全井段的页岩非均质性定量研究，难以全面地表征页岩纹层的发育情况，明确不同纹层结构页岩的储层发育特征。

综上所述，现有技术存在的问题是：目前对于页岩纹层的研究需要消耗大量的时间，且昂贵的测试分析费用；不利于垂直上连续、且高效地进行全井段的页岩非均质性定量研究，难以全面地表征页岩纹层的发育情况，明确不同纹层结构页岩的储层发育特征。

发明内容

针对现有技术存在的问题，本发明提供了一种基于成像测井图像纹理的页岩纹层非均质性数据处理方法。

本发明是这样实现的，一种基于成像测井图像纹理的页岩纹层非均质性数据处理方法，所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法包括：

首先，利用成像测井图像垂直获得垂向上岩石结构图像，在垂直上连续且高效地采集不同分辨率下的岩石图像样本；

其次，采用tamura纹理特征算法，利用计算机自动提取成像测井图像的粗糙度、对比度及方向度；

最后，基于大量图像的提取参数结果，采用层次分析方法对各个特征参数进行了量化，分析其所占权重，构建页岩纹层非均质性定量表征模型。

进一步，所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法具体包括以下步骤：

步骤一、通过不同页岩岩相岩心和薄片观察，根据页岩本身具有成层性，定义页岩纹层非均质性结构的描述参数包括纹层的连续性、排列方式、韵律性、清晰度及厚度或密度；

步骤二、结合页岩纹层非均质性结构的特点，确定岩性或薄片灰度图像的计算范围，划分像素网格并明确计算单元。建立页岩纹层非均质性结构与Tamura纹理特征的数学转换关系；

步骤三、将页岩纹层非均质性结构描述参数与Tamura纹理算法所得图像各向特征值建立对应关系，并根据图像Tamura纹理特征的粗糙度、方向度及对比度，定量描述页岩纹层结构的连续性、排列方式、韵律性、清晰度及厚度或密度；

步骤四、根据岩心或薄片所反映的图像纹理特征参数刻度成像测井图像的纹理特征，确定计算井的井段范围和垂直分辨率，利用计算机截取不同分辨率下的成像测井图像，利用Tamura纹理特征算法，计算井段范围内的纹理特征参数，包括粗糙度、方向度及对比度；

步骤五、将纹理特征参数进行数据归一化处理，通过大量成像测井图像计算所获得的归一化纹理特征参数值，利用层次分析方法，确定各个纹理特征参数的权重值，以此建立定量表征页岩纹层非均质结构的数学关系模型，求取全井段的页岩纹层非均质性指数。

进一步，所述步骤二中页岩纹层的Tamura纹理特征是通过计算图片中像素点的灰度值出现变化值或突变值来反映纹层的特征的，在图片中建立以坐标(x，y)为中心、大小为2^k×2^k的活动窗口，1×1，2×2，...，32×32，窗口以中每个像元的灰度均值A_k(x，y)；

其中：(i，j)表示邻域中像元的位置；g(i，j)表示位于(i，j)处像元的灰度值；k确定参与均值计算的像素范围。

进一步，所述步骤三和步骤四中，Tamura纹理特征参数包括粗糙度、方向度及对比度计算方法如下：

(1)在步骤二中建立的计算活动单元中，对每个像元，分别计算其在水平及垂直方向上互不重叠的活动窗口之间的平均灰度差E_k，v，E_k，h；

E_k，v＝|A_k(x，y+2^K-1)-A_k(x，y-2^K-1)|；

E_k，h＝|A_k(x+2^k-1，y)-A_k(x-2^k-1，y)|；

对于每一个像元，寻找最优的尺寸S_kbest＝2^k，使其平均灰度值E值达到最大E_kbest；

粗糙度F_crs定义为整幅图像中各像元最优尺寸S_kbest的平均值；

其中M和N分别表示图像宽度和高度。

(2)方向度是一种与纹理的排列规律和纹理形状相关的用来描述纹理的以某一特定方向发散或集中方式的一种特征量；计算图像中方向度之前需要图像中每个元素的梯度向量；该向量的模ΔG的定义如下，方向θ定义如下：

|ΔG|＝(|Δ_H|+|Δ_V|)/2；

θ＝tan^-1(Δ_H/Δ_V)+π/2；

其中ΔH和ΔV分别是通过图像卷积下列两个操作符所得的水平和垂直方向上的变化量；

量化各像素点的方向角θ值，统计其相应方向角上边缘像素数量N_θ(i)，挑选出边缘强度大于预定阀值的边缘像素点，数量为

则相应方向上的直方图

为；

其中φ＝0，1，2，…，n-1，则方向度F_dir定义为；

其中：n_p为峰的数量；w_p为围绕该角度峰值与谷值之间的范围；r为与角度θ量化水平相关的归一化因子；

为第p个峰值的位置；

(3)对比度表示图像中明暗区域中最亮色和最暗色之间距离的像素差，对比度越大，像素差的值越大；对比度越小，像素差的值越小，对比度F_con通过统计图像中像素强度的分布情况得到，用以下计算公式得到；

其中，σ表示的是图像中各个元素灰度值得标准差，α₄表示的是图像中各个元素灰度的峰态，并且α₄＝μ₄/σ₂表示的是四阶矩均值，σ₂表示的是图像各个元素灰度值的方差。

进一步，所述步骤四中，tamura纹理特征参数值F的归一化方法为：

其中，F_i为F_crs，F_dir，F_con归一化值；F₀为原始值；F_max为最大值；F_min为最小值。

进一步包括：

(1)对于归一化后的tamura纹理特征参数值的权重确定，采取了层次分析方法，具体方法如下：优先关系矩阵建立，优先关系矩阵又称模糊互补矩阵，是各个参数相互之间的比较矩阵，公式如下：

其中，r_ij表示元素i相对于元素j的重要程度值，且r_ij+r_ji＝1，与元素重要程度权重w_i、w_j之间的关系如下：

r_ij＝0.5+(w_i-w_j)β；

其中，β表示各元素重要程度的差异，0<β≤0.5；

(2)优先关系矩阵改造模糊一致矩阵，根据一致性关系r_ij＝r_ik-r_jk+0.5将优先关系矩阵进行改造，得到：

(3)再根据公式

可以得到R的特征向量w'＝(w₁',w₂'...w_n')^T，其中a的值越小表示越重视因素剪(兼)重要程度的影响，推导出各因素权重值；

(4)将各层次间的重要性权值转换为相对于目标的综合权重，并根据计算结果得出优劣顺序；

(5)建立页岩纹层非均质性指数LHI的各因素模糊矩阵R，通过计算得到上述模糊矩阵的特征向量w′：

w′＝(a,b,c)；

得到了页岩纹层的非均质性指数LHI中各个参数的权重值，建立页岩纹层非均质性指数的数学关系模型：

LHI＝a*F_crs+b*F_dir+c*F_con。

本发明的另一目的在于提供一种应用所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法的页岩纹层图像处理系统，所述页岩纹层图像处理系统包括：

岩石图像样本采集模块，用于利用成像测井图像垂直获得垂向上岩石结构图像，在垂直上连续且高效地采集不同分辨率下的岩石图像样本；

成像自动提取模块，用于采用tamura纹理特征算法，利用计算机自动提取成像测井图像的粗糙度、对比度及方向度；

特征参数权重获取模块，用于基于大量图像的提取参数结果，采用层次分析方法对各个特征参数进行了量化，求取其所占权重，构建页岩纹层非均质性定量表征模型。

本发明的另一目的在于提供一种应用所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法的信息数据处理终端。

综上所述，本发明的优点及积极效果为：本发明利用了成像测井图像的纹理特征达到了连续快速且经济高效地定量表征页岩纹层的非均质性特征的目的。首先利用了成像测井图像垂直分辨率高、连续测量、高效经济获得垂直上岩石结构图像的优势，有助于在垂直上连续且高效地采集不同分辨率下的岩石图像样本；其次，采用了tamura纹理特征算法，利用计算机自动提取成像测井图像的纹理特征参数(包括粗糙度、对比度及方向度)，并赋予了这些纹理特征参数的页岩纹层地质内涵；最后，基于大量图像的提取参数结果，采用层次分析方法对各个特征参数进行了量化，分析其所占权重，最终构建了页岩纹层非均质性定量表征模型。达到了快速高效且精细地定量表征页岩纹层非均质性特征的目的。本发明通过tamura纹理特征数学算法实现了定量分析页岩纹层的发育程度、韵律性及连续性等特征，并求取了纹层非均质性指数(LHI)，该指数不仅能作为定量研究垂直上沉积层序变化序列和沉积模式的参考指标，而且还能作为衡量页岩脆性和可压裂性等力学性质的重要评价指标，为垂直上选择页岩油气优质勘探目标层段提供了科学指导。

附图说明

图1是本发明实施例提供的基于成像测井图像纹理的页岩纹层非均质性数据处理方法流程图。

图2是本发明实施例提供的岩心上不同页岩岩相纹层发育特征及其纹理特征参数值示意图。

图3是本发明实施例提供的薄片上不同页岩岩相纹层发育特征及其纹理特征参数值示意图。

图4是本发明实施例提供的成像测井图像(FMI)上不同页岩岩相纹层发育特征及其纹理特征参数值示意图。

图5是本发明实施例提供的单井页岩纹层的纹理特征参数及其非均质指数示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种基于成像测井图像纹理的页岩纹层非均质性数据处理方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于成像测井图像纹理的页岩纹层非均质性数据处理方法包括以下步骤：

S101：通过不同页岩岩相岩心和薄片观察，根据页岩本身具有成层性，定义页岩纹层非均质性结构的描述参数包括纹层的连续性、排列方式、韵律性、清晰度及厚度或密度；

S102：结合页岩纹层非均质性结构的特点，确定岩性或薄片灰度图像的计算范围，划分像素网格并明确计算单元。建立页岩纹层非均质性结构与Tamura纹理特征的数学转换关系；

S103：将页岩纹层非均质性结构描述参数与Tamura纹理算法所得图像各向特征值建立对应关系，并根据图像Tamura纹理特征的各项参数(包括粗糙度、方向度及对比度)，定量描述页岩纹层结构的连续性、排列方式、韵律性、清晰度及厚度或密度；

S104：根据岩心或薄片所反映的图像纹理特征参数刻度成像测井图像的纹理特征，确定计算井的井段范围和垂直分辨率，利用计算机截取不同分辨率下的成像测井图像，利用Tamura纹理特征算法，计算井段范围内的纹理特征参数，包括粗糙度、方向度及对比度；

S105：将纹理特征参数进行数据归一化处理，通过大量成像测井图像计算所获得的归一化纹理特征参数值，利用层次分析方法，确定各个纹理特征参数的权重值，以此建立定量表征页岩纹层非均质结构的数学关系模型，求取全井段的页岩纹层非均质性指数。

下面结合附图对本发明的技术方案作进一步的描述。

本发明实施例提供的基于成像测井图像纹理的页岩纹层非均质性数据处理方法包括以下步骤：

步骤一、通过不同页岩岩相岩心和薄片观察，根据页岩本身具有成层性，定义页岩纹层非均质性结构的描述参数包括纹层的连续性、排列方式、韵律性、清晰度及厚度或密度(图2和图3)。

步骤二、结合页岩纹层非均质性结构的特点，确定岩性或薄片灰度图像的计算范围，划分像素网格并明确计算单元。建立页岩纹层非均质性结构与Tamura纹理特征的数学转换关系。

步骤三、将页岩纹层非均质性结构描述参数与Tamura纹理算法所得图像各向特征值建立对应关系，并根据图像Tamura纹理特征的各项参数(包括粗糙度、方向度及对比度)，定量描述页岩纹层结构的连续性、排列方式、韵律性、清晰度及厚度或密度(图3)。

步骤四、根据岩心或薄片所反映的图像纹理特征参数刻度成像测井图像的纹理特征，确定计算井的井段范围和垂直分辨率，利用计算机截取不同分辨率下的成像测井图像，利用Tamura纹理特征算法，计算井段范围内的纹理特征参数，包括粗糙度、方向度及对比度。

步骤五、将纹理特征参数进行数据归一化处理，通过大量成像测井图像计算所获得的归一化纹理特征参数值，利用层次分析方法，确定各个纹理特征参数的权重值，以此建立定量表征页岩纹层非均质结构的数学关系模型，求取全井段的页岩纹层非均质性指数(图4)。

在本发明的优选实施例中，步骤一中，参考了陆源碎屑岩的岩石沉积结构定义，结合页岩较为特别的、成层性的结构特点，给出页岩纹层非均质性结构的定义。

在本发明的优选实施例中，步骤二中，页岩纹层的Tamura纹理特征是通过计算图片中像素点的灰度值出现变化值或突变值来反映纹层的特征的，在图片中建立以坐标(x，y)为中心、大小为2^k×2^k的活动窗口(如1×1，2×2，...，32×32，窗口以中每个像元的灰度均值A_k(x，y)；

其中：(i，j)表示邻域中像元的位置；g(i，j)表示位于(i，j)处像元的灰度值；k确定参与均值计算的像素范围。

在本发明的优选实施例中，步骤三、步骤四中，Tamura纹理特征参数包括粗糙度、方向度及对比度，其计算方法如下：

粗糙度是纹理的最本质的特征，它反映了图像灰度变化的剧烈程度，纹理基元尺寸越大则感觉越粗糙，在步骤二中建立的计算活动单元中，对每个像元，分别计算其在水平及垂直方向上互不重叠的活动窗口之间的平均灰度差E_k，v，E_k，h；

E_k，v＝|A_k(x，y+2^k-1)-A_k(x，y-2^K-1)|；

E_k，h＝|A_k(x+2^k-1，y)-A_k(x-2^k-1，y)|；

对于每一个像元，寻找最优的尺寸S_kbest＝2^k，使其平均灰度值E值达到最大E_kbest；

粗糙度F_crs定义为整幅图像中各像元最优尺寸S_kbest的平均值；

其中M和N分别表示图像宽度和高度。

方向度是一种与纹理的排列规律和纹理形状相关的用来描述纹理的以某一特定方向发散或几种方式的一种特征量。计算图像中方向度之前需要图像中每个元素的梯度向量。该向量的模ΔG的定义如下，方向θ定义如下：

|ΔG|＝(|Δ_H|+|Δ_V|)/2；

θ＝tan^-1(Δ_H/Δ_V)+π/2；

其中ΔH和ΔV分别是通过图像卷积下列两个操作符所得的水平和垂直方向上的变化量；

量化各像素点的方向角θ值，统计其相应方向角上边缘像素数量N_θ(i)，挑选出边缘强度(模)大于预定阀值的边缘像素点，设其数量为

则相应方向上的直方图

为；

其中φ＝0，1，2，…，n-1，则方向度F_dir定义为；

其中：n_p为峰的数量；w_p为围绕该角度峰值与谷值之间的范围；r为与角度θ量化水平相关的归一化因子；

为第p个峰值的位置。

对比度表示图像中明暗区域中最亮色和最暗色之间距离的像素差，对比度越大，像素差的值越大；对比度越小，像素差的值越小。针对图像中的每一个像素点，都将其邻域的平均值、方差以及峰态等统计特性计算出来，这些特征可以用来度量图像中的目标特征区域对比度的全局变量。对比度F_con是通过统计图像中像素强度的分布情况而得到的，具体可以用以下计算公式得到；

其中，σ表示的是图像中各个元素灰度值得标准差，α₄表示的是图像中各个元素灰度的峰态，并且α₄＝μ₄/σ₂表示的是四阶矩均值，σ₂表示的是图像各个元素灰度值的方差。

在本发明的优选实施例中，步骤三中，利用tamura纹理特征算法所获得的各特征值，衡量不同页岩岩相纹层的连续性、排列方式与韵律性、清晰度、厚度或密度非均质性结构上的差异，即粗糙度表示了图像灰度变化的剧烈程度，对应的是页岩纹层的连续性，其值越大，表示页岩纹层发育越连续；方向度是一种与纹理的排列规律和纹理形状相关的，用来描述纹理的以某一特定方向发散或集中方式的一种特征量。对应了页岩纹层的排列方式和韵律性，其值越大，表明页岩纹层的发育越具有韵律性，按照某一特定沉积旋回规律重复出现；对比度表示图像中明暗区域中最亮色和最暗色之间距离的像素差，对应于页岩纹层的清晰度、厚度或密度，其值越大，代表页岩纹层明暗条纹层的界线越清晰，纹层发育密度越大。

在本发明的优选实施例中，步骤四中，tamura纹理特征参数值F的归一化方法为：

其中，F_i为F_crs，F_dir，F_con归一化值；F₀为原始值；F_max为最大值；F_min为最小值。

对于所述归一化后的tamura纹理特征参数值的权重确定，采取了层次分析方法，具体方法如下：

优先关系矩阵建立。优先关系矩阵又称模糊互补矩阵，是各个参数相互之间的比较矩阵，公式如下：

其中，r_ij表示元素i相对于元素j的重要程度值，且r_ij+r_ji＝1，与元素重要程度权重w_i、w_j之间的关系如下：

r_ij＝0.5+(w_i-w_j)β；

其中，β表示各元素重要程度的差异，0＜β≤0.5。

优先关系矩阵改造模糊一致矩阵。根据一致性关系r_ij＝r_ik-r_jk+0.5将优先关系矩阵进行改造，得到：

其中

再根据公式

可以得到R的特征向量w′＝(w₁′，w₂′...w_n′)^T，其中a的值越小表示越重视因素剪重要程度的影响，推导出各因素权重值。

将各层次间的重要性权值转换为相对于目标的综合权重，并根据计算结果得出优劣顺序。

建立页岩纹层非均质性指数(LHI)的各因素模糊矩阵R，通过计算得到上述模糊矩阵的特征向量w′，如下：

w′＝(a，b，c)；

即得到了页岩纹层的非均质性指数(LHI)中各个参数的权重值，从而可以建立页岩纹层非均质性指数的数学关系模型：

LHI＝a*F_crs+b*F_dir+c*F_con；

其具体tamura纹理特征参数值的权重值可以根据具体研究区目标井井段的成像测井图片的纹理特征参数值，通过上述公式求取。

本发明首先从岩心和薄片尺度定义了页岩纹层的清晰度、连续性、密度、排列及其韵律性等特征，并作为页岩纹层非均质性特征系统描述的重要指标。然后通过tamura纹理特征数学算法，定量计算了页岩纹层的纹理特征参数，并赋予了其地质含义；随后，利用岩心与薄片的纹理特征参数信息刻度成像测井图像的纹理特征，并求取了其对应的纹理特征参数，构建了定量表征纹层非均质性的模型，以期达到垂直上连续且高效地表征页岩纹层的非均质性。这对促进页岩沉积差异发育的机理研究，并指导页岩油气的勘探开发具有重要的实际意义。主要利用成像测井图像垂直上连续性好、分辨率高的优势，采用Tamura纹理结构算法所获得的特征参数，定量表征全井段多尺度页岩纹层非均质性特征。提供一种基于成像测井图像的纹理特征快速、高效且连续地定量表征页岩纹层非均质性特征的技术，以此定量研究页岩纹层的结构，指导石油地质学者优选有利勘探目的层和易于压裂的层段，提高页岩油气勘探开发的成功率，实现经济有效开发。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于成像测井图像纹理的页岩纹层非均质性数据处理方法，其特征在于，所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法包括：

首先，利用成像测井图像垂直获得垂向上岩石结构图像，在垂直上连续且高效地采集不同分辨率下的岩石图像样本；

其次，采用tamura纹理特征算法，利用计算机自动提取成像测井图像的粗糙度、对比度及方向度；

最后，基于大量图像的提取参数结果，采用层次分析方法对各个特征参数进行了量化，分析其所占权重，构建页岩纹层非均质性定量表征模型。

2.如权利要求1所述的基于成像测井图像纹理的页岩纹层非均质性数据处理方法，其特征在于，所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法具体包括以下步骤：

步骤一、通过不同页岩岩相岩心和薄片观察，根据页岩本身具有成层性，定义页岩纹层非均质性结构的描述参数包括纹层的连续性、排列方式、韵律性、清晰度及厚度或密度；

步骤二、结合页岩纹层非均质性结构的特点，确定岩性或薄片灰度图像的计算范围，划分像素网格并明确计算单元，建立页岩纹层非均质性结构与Tamura纹理特征的数学转换关系；

步骤三、将页岩纹层非均质性结构描述参数与Tamura纹理算法所得图像各向特征值建立对应关系，并根据图像Tamura纹理特征的粗糙度、方向度及对比度，定量描述页岩纹层结构的连续性、排列方式、韵律性、清晰度及厚度或密度；

步骤四、根据岩心或薄片所反映的图像纹理特征参数刻度成像测井图像的纹理特征，确定计算井的井段范围和垂直分辨率，利用计算机截取不同分辨率下的成像测井图像，利用Tamura纹理特征算法，计算井段范围内的纹理特征参数，包括粗糙度、方向度及对比度；

步骤五、将纹理特征参数进行数据归一化处理，通过大量成像测井图像计算所获得的归一化纹理特征参数值，利用层次分析方法，确定各个纹理特征参数的权重值，以此建立定量表征页岩纹层非均质结构的数学关系模型，求取全井段的页岩纹层非均质性指数。

3.如权利要求2所述的基于成像测井图像纹理的页岩纹层非均质性数据处理方法，其特征在于，所述步骤二中页岩纹层的Tamura纹理特征是通过计算图片中像素点的灰度值出现变化值或突变值来反映纹层的特征的，在图片中建立以坐标(x,y)为中心、大小为2^k×2^k的活动窗口，1×1，2×2，…，32×32，窗口以中每个像元的灰度均值A_k(x，y)；

其中：(i,j)表示邻域中像元的位置；g(i,j)表示位于(i，j)处像元的灰度值；k确定参与均值计算的像素范围。

4.如权利要求2所述的基于成像测井图像纹理的页岩纹层非均质性数据处理方法，其特征在于，所述步骤三和步骤四中，Tamura纹理特征参数包括粗糙度、方向度及对比度计算方法如下：

(1)在步骤二中建立的计算活动单元中，对每个像元，分别计算其在水平及垂直方向上互不重叠的活动窗口之间的平均灰度差E_k,v，E_k,h；

E_k,v＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-1)|；

E_k,h＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)|；

对于每一个像元，寻找最优的尺寸S_kbest＝2^k，使其平均灰度值E值达到最大E_kbest；

粗糙度F_crs定义为整幅图像中各像元最优尺寸S_kbest的平均值；

其中M和N分别表示图像宽度和高度；

(2)方向度是一种与纹理的排列规律和纹理形状相关的用来描述纹理的以某一特定方向发散或集中方式的一种特征量；计算图像中方向度之前需要图像中每个元素的梯度向量；该向量的模ΔG的定义如下，方向θ定义如下：

|ΔG|＝(|Δ_H|+|Δ_V|)/2；

θ＝tan^-1(Δ_H/Δ_V)+π/2；

其中ΔH和ΔV分别是通过图像卷积下列两个操作符所得的水平和垂直方向上的变化量；

量化各像素点的方向角θ值，统计其相应方向角上边缘像素数量N_θ(i)，挑选出边缘强度大于预定阀值的边缘像素点，数量为

则相应方向上的直方图

为；

其中φ＝0,1,2,…,n-1，则方向度F_dir定义为；

其中：n_p为峰的数量；w_p为围绕该角度峰值与谷值之间的范围；r为与角度θ量化水平相关的归一化因子；

为第p个峰值的位置；

(3)对比度表示图像中明暗区域中最亮色和最暗色之间距离的像素差，对比度越大，像素差的值越大；对比度越小，像素差的值越小，对比度F_con通过统计图像中像素强度的分布情况得到，用以下计算公式得到；

其中，σ表示的是图像中各个元素灰度值的标准差，α₄表示的是图像中各个元素灰度的峰态，并且α₄＝μ₄/σ₂表示的是四阶矩均值，σ₂表示的是图像各个元素灰度值的方差。

5.如权利要求2所述的基于成像测井图像纹理的页岩纹层非均质性数据处理方法，其特征在于，所述步骤四中，tamura纹理特征参数值F的归一化方法为：

其中，F_i为F_crs，F_dir，F_con归一化值；F₀为原始值；F_max为最大值；F_min为最小值。

6.如权利要求5所述的基于成像测井图像纹理的页岩纹层非均质性数据处理方法，其特征在于，进一步包括：

(1)对于归一化后的tamura纹理特征参数值的权重确定，采取了层次分析方法，具体方法如下：优先关系矩阵建立，优先关系矩阵又称模糊互补矩阵，是各个参数相互之间的比较矩阵，公式如下：

其中，r_ij表示元素i相对于元素j的重要程度值，且r_ij+r_ji＝1，与元素重要程度权重w_i、w_j之间的关系如下：

r_ij＝0.5+(w_i-w_j)β；

其中，β表示各元素重要程度的差异，0<β≤0.5；

(2)优先关系矩阵改造模糊一致矩阵，根据一致性关系r_ij＝r_ik-r_jk+0.5将优先关系矩阵进行改造，得到：

其中

(3)再根据公式

可以得到R的特征向量w'＝(w₁',w₂'...w_n')^T，其中a的值越小表示越重视因素剪(兼)重要程度的影响，推导出各因素权重值；

(4)将各层次间的重要性权值转换为相对于目标的综合权重，并根据计算结果得出优劣顺序；

(5)建立页岩纹层非均质性指数LHI的各因素模糊矩阵R，通过计算得到上述模糊矩阵的特征向量w′：

w′＝(a,b,c)；

得到了页岩纹层的非均质性指数LHI中各个参数的权重值，建立页岩纹层非均质性指数的数学关系模型：

LHI＝a*F_crs+b*F_dir+c*F_con。

7.一种应用权利要求1～6任意一项所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法的页岩纹层图像处理系统，其特征在于，所述页岩纹层图像处理系统包括：

岩石图像样本采集模块，用于利用成像测井图像垂直获得垂向上岩石结构图像，在垂直上连续且高效地采集不同分辨率下的岩石图像样本；

成像自动提取模块，用于采用tamura纹理特征算法，利用计算机自动提取成像测井图像的粗糙度、对比度及方向度；

特征参数权重获取模块，用于基于大量图像的提取参数结果，采用层次分析方法对各个特征参数进行了量化，分析其所占权重，构建页岩纹层非均质性定量表征模型。

8.一种应用权利要求1～6任意一项所述基于成像测井图像纹理的页岩纹层非均质性数据处理方法的信息数据处理终端。

Images