CN111709423A - 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 - Google Patents
岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 Download PDFInfo
- Publication number
- CN111709423A CN111709423A CN202010593256.3A CN202010593256A CN111709423A CN 111709423 A CN111709423 A CN 111709423A CN 202010593256 A CN202010593256 A CN 202010593256A CN 111709423 A CN111709423 A CN 111709423A
- Authority
- CN
- China
- Prior art keywords
- rock debris
- lithology
- fluorescence
- image
- formula
- 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
Images
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及的是岩性特征库匹配的PDC钻头条件下岩屑岩性识别方法,它包括:一、在PDC钻头条件下进行钻井,采集细小岩屑颗粒白光原图和荧光图像;二、将白光原图和荧光图像分别从RGB颜色空间图像转化为HSV颜色空间图像;三、采用阈值分割公式对荧光图像进行分割;四、通过基于分水岭和近邻区域合并的图像分割算法对白光原图分割,分割出整个白光原图的所有岩屑颗粒;五、提取对应位置岩屑颗粒的颜色和纹理特征,构建岩性特征库;六、计算岩性特征库特征与待匹配岩屑特征的巴氏相似度距离,根据相似度距离得到的匹配结果计算特征岩屑所占面积比,完成岩屑岩性的识别。本发明提高了岩屑的特征表达能力,提高了岩屑的识别精度。
Description
技术领域
本发明涉及的是PDC钻头条件下岩屑岩性识别的方法,具体涉及一种岩性特征库巴氏距离匹配的PDC钻头条件下岩屑岩性识别方法。
背景技术
岩屑岩性的识别是辨别井下地层岩性和油气的重要途径之一。目前,由于PDC钻头的高井尺、高转速和钻井成本低的优点,使其在勘探领域得到了广泛的发展和应用。然而,使用PDC钻头钻井得到的岩屑十分细小且量少,这会降低岩屑人工识别的准确度,对岩屑岩性的识别产生了影响。
随着当今科技的快速发展,图像识别的算法层出不穷,但在岩屑的识别和匹配方面并没有十分有效的方法。因此,设计一种有效的、可以快速且准确的代替人完成岩屑录井工作的PDC钻头条件下岩屑识别和匹配方法,具有很大的市场价值。
发明内容
本发明的目的是提供岩性特征库匹配的PDC钻头条件下岩屑岩性识别方法,这种岩性特征库匹配的PDC钻头条件下岩屑岩性识别方法用来解决现有技术中识别PDC钻头钻井得到的岩屑准确度不高的问题。
本发明解决其技术问题所采用的技术方案是:这种岩性特征库匹配的PDC钻头条件下岩屑岩性识别方法包括以下步骤:
步骤一、在PDC钻头条件下进行钻井,采集不同井深的细小岩屑颗粒白光原图和荧光图像,白光原图和荧光图像为RGB颜色空间图像;
步骤二、颜色空间转换,将步骤一采集到的不同井深的细小岩屑颗粒RGB白光原图和荧光图像分别从RGB颜色空间图像转化为HSV颜色空间图像;
步骤三、荧光图像阈值分割,利用HSV空间表达物体颜色的优势,采用阈值分割公式对荧光图像I进行分割,其公式如下:
式中:
B是荧光图像阈值分割后的特征图像;I是经过HSV空间转化的荧光图像;G是荧光颜色在HSV空间的h、s、v通道对应的数值范围;
荧光图像I通过阈值分割公式得到荧光特征图B,从而确定发荧光岩屑的位置;
步骤四、通过基于分水岭和近邻区域合并的图像分割算法对白光原图分割,分割出整个白光原图的所有岩屑颗粒;
步骤五、根据荧光特征图确定发荧光岩屑在白光原图的位置,然后提取对应位置岩屑颗粒的颜色和纹理特征,从而构建岩性特征库,其中用HSV空间的彩色直方图表达颜色特征,用灰度概率分布表达纹理特征;
步骤六、根据步骤五构建的岩性特征库的特征,计算岩性特征库特征与待匹配岩屑特征的巴氏相似度距离,进行岩屑的匹配,根据相似度距离得到的匹配结果计算特征岩屑所占面积比,完成岩屑岩性的识别;所述岩性特征库特征与待匹配岩屑特征的巴氏相似度距离公式如下:
x是待匹配岩屑的特征向量,y是岩性特征库的特征向量;
n表示特征向量的维数;
sd是岩性特征库特征与待匹配岩屑特征的巴氏相似度距离。
上述方案中步骤二颜色空间转换,将RGB颜色空间图像转化为HSV颜色空间图像采用的公式为:
v=max
式中:
r、g、b,为RGB颜色空间的红、绿、蓝三个通道;
max和min,为每个像素点对应r、g、b数值的最大值和最小值;
h、s、v,为HSV颜色空间的色相、饱和度、亮度三个通道。
上述方案步骤五中颜色特征采用如下表达公式:
式中:
F表示岩屑集合;hn,sn,vn表示对应HSV颜色空间各个通道的级别数;nij表示第i个岩屑的第j个颜色级别的像素点个数;Ni表示第i个岩屑的总像素点个数;Ci(j)表示第i个岩屑的第j个颜色级别所占总像素点的比例。
上述方案步骤五中纹理特征采用如下表达公式:
式中:
F表示岩屑集合;g表示灰度级别数;nij表示第i个岩屑的第j个灰度级别的像素点个数;Ni表示第i个岩屑的总像素点个数;Pi表示第i个岩屑中灰度级别的概率分布。
本发明具有以下有益效果:
1、在PDC钻头条件下岩屑识别和匹配的过程中,岩屑的特征表达方式是得到准确识别结果的关键。由于岩屑自然形成过程中受外界影响的不确定性,同类岩屑可能会出现多特征的现象,这就导致一般识别方法精度降低。因此,本发明提出特征库匹配方法,利用荧光图定位确定目标岩屑在白光原图的位置,提取这些岩屑的多特征信息,构成特征库,提高了岩屑的特征表达能力,解决了同类岩屑多特征的现象。
2、在纹理特征和颜色特征表达的过程中,由于大部分岩屑是由一种或者多种颗粒组成的,不同的颗粒组成了不同的岩屑,这使得同类岩屑的纹理和颜色特征和岩屑的颗粒位置是无关的,只和组成成分有关。因此,本发明采用颜色直方图和灰度概率分布分别表达颜色特征和纹理特征,对岩屑的特征表达具有角度不变且与位置无关的特性,提高了PDC钻头条件下岩屑的识别精度。
3、本发明在PDC钻头条件下进行钻井,采集不同井深的细小岩屑颗粒图像,引入岩屑图像的特征库匹配方法,依据特征库的所有特征和待匹配岩屑的相似度距离完成PDC钻头条件下岩屑岩性的识别,提高识别效率和识别精度。
附图说明
图1为PDC钻头条件下某一深度的白光原图和荧光图,其中a为白光原图,b为荧光图;
图2为荧光图阈值分割结果图;
图3为基于分水岭和近邻区域合并的白光原图分割结果图;
图4为颜色特征图;
图5为纹理特征图;
图6为匹配结果图。
具体实施方式
下面结合附图对本发明作进一步的说明:
这种岩性特征库匹配的PDC钻头条件下岩屑岩性识别方法包括以下步骤:
步骤1:获取松辽盆地地区在PDC钻头条件下获取的某一深度的白光岩屑图和荧光岩屑图,如图1。
步骤2:对白光原图和荧光图分别进行颜色空间变换,从RGB颜色空间转换为HSV颜色空间,公式如下:
式中:
r、g、b,为RGB颜色空间的红、绿、蓝三个通道;
max和min,为每个像素点对应r、g、b数值的最大值和最小值;
h、s、v,为HSV颜色空间的色相、饱和度、亮度三个通道。
通过公式(1),可以将RGB颜色空间图像转化为HSV颜色空间图像。
步骤3:对得到的HSV空间的荧光图阈值分割,得到荧光特征图B,分割结果如图2。
荧光图像阈值分割,利用HSV空间能够更好表达物体颜色的优势,采用阈值分割公式对荧光图像进行分割,其公式如下:
式中:
B是荧光图像阈值分割后的特征图像;
I是经过HSV空间转化的荧光图像;
G是荧光颜色在HSV空间的h、s、v通道对应的数值范围。
荧光图像I通过阈值公式(2),得到荧光特征图B,从而确定发荧光岩屑的位置。
步骤4:通过基于分水岭和近邻区域合并的图像分割算法对白光原图分割,得到白光原图的所有岩屑颗粒,分割结果如图3。
步骤5:根据荧光特征图B定位,确定白光图中岩屑的位置,根据(3)和(4)提取岩屑的颜色特征C和纹理特征P,构成特征库。其中颜色级别(hn,sn,vn)分别为(20,5,8),共800个颜色级别,灰度级别个数g为52,颜色特征C和纹理特征P表达如图4、图5。
其中颜色特征表达公式(3)如下:
其式中:
F表示岩屑集合;
hn,sn,vn表示对应HSV颜色空间各个通道的级别数;
nij表示第i个岩屑的第j个颜色级别的像素点个数;
Ni表示第i个岩屑的总像素点个数;
Ci(j)表示第i个岩屑的第j个颜色级别所占总像素点的比例。
纹理特征表达公式(4)如下:
F表示岩屑集合;
g表示灰度级别数;
nij表示第i个岩屑的第j个灰度级别的像素点个数;
Ni表示第i个岩屑的总像素点个数;
Pi表示第i个岩屑中灰度级别的概率分布。
步骤6:根据岩性特征库特征与待匹配岩屑特征的巴氏相似度距离公式(5),计算特征库特征x与白光原图中每一个待匹配岩屑特征y的相似度距离sd,完成相似度匹配,得到特征岩屑所占面积比,完成该井段PDC钻头条件下岩屑岩性的识别。最终匹配结果如图6所示。
所述岩性特征库特征与待匹配岩屑特征的巴氏相似度距离公式如下:
x是待匹配岩屑的特征向量,y是岩性特征库的特征向量;
n表示特征向量的维数;
sd是岩性特征库特征与待匹配岩屑特征的巴氏相似度距离。
本发明提供一种基于HSV颜色空间的荧光图像阈值分割方法,确定荧光图像中发荧光岩屑的位置;提供一种基于分水岭和近邻区域合并的图像分割算法,从白光原图中精准分割出各个岩屑;提供一种特征库匹配算法,根据荧光岩屑的定位,提取对应白光原图的纹理和颜色特征,并将这些特征构成特征库,依据特征库的所有特征和待匹配岩屑的相似度距离完成PDC钻头条件下岩屑岩性的识别。
以上所述实施例仅为表达本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干变形、同等替换、改进等,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种岩性特征库匹配的PDC钻头条件下岩屑岩性识别方法,其特征在于包括以下步骤:
步骤一、在PDC钻头条件下进行钻井,采集不同井深的细小岩屑颗粒白光原图和荧光图像,白光原图和荧光图像为RGB颜色空间图像;
步骤二、颜色空间转换,将步骤一采集到的不同井深的细小岩屑颗粒RGB白光原图和荧光图像分别从RGB颜色空间图像转化为HSV颜色空间图像;
步骤三、荧光图像阈值分割,利用HSV空间表达物体颜色的优势,采用阈值分割公式对荧光图像I进行分割,其公式如下:
式中:
B是荧光图像阈值分割后的特征图像;I是经过HSV空间转化的荧光图像;G是荧光颜色在HSV空间的h、s、v通道对应的数值范围;
荧光图像I通过阈值分割公式得到荧光特征图B,从而确定发荧光岩屑的位置;
步骤四、通过基于分水岭和近邻区域合并的图像分割算法对白光原图分割,分割出整个白光原图的所有岩屑颗粒;
步骤五、根据荧光特征图确定发荧光岩屑在白光原图的位置,然后提取对应位置岩屑颗粒的颜色和纹理特征,从而构建岩性特征库,其中用HSV空间的彩色直方图表达颜色特征,用灰度概率分布表达纹理特征;
步骤六、根据步骤五构建的岩性特征库的特征,计算岩性特征库特征与待匹配岩屑特征的巴氏相似度距离,进行岩屑的匹配,根据相似度距离得到的匹配结果计算特征岩屑所占面积比,完成岩屑岩性的识别;所述岩性特征库特征与待匹配岩屑特征的巴氏相似度距离公式如下:
x是待匹配岩屑的特征向量,y是岩性特征库的特征向量;
n表示特征向量的维数;
sd是岩性特征库特征与待匹配岩屑特征的巴氏相似度距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593256.3A CN111709423B (zh) | 2020-06-26 | 2020-06-26 | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593256.3A CN111709423B (zh) | 2020-06-26 | 2020-06-26 | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709423A true CN111709423A (zh) | 2020-09-25 |
CN111709423B CN111709423B (zh) | 2022-03-15 |
Family
ID=72543073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010593256.3A Active CN111709423B (zh) | 2020-06-26 | 2020-06-26 | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709423B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138106A (zh) * | 2021-04-15 | 2021-07-20 | 东北石油大学 | 基于随钻岩屑录井资料的岩石弹性参数确定方法 |
CN115018848A (zh) * | 2022-08-09 | 2022-09-06 | 中国石油大学(华东) | 一种页岩含油级别的评定方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493888A (zh) * | 2009-03-03 | 2009-07-29 | 中国石化集团胜利石油管理局地质录井公司 | Pdc岩屑数字图像录井方法 |
CN101718697A (zh) * | 2009-11-26 | 2010-06-02 | 天津陆海石油设备系统工程有限责任公司 | 电控岩屑图像采集分析仪 |
US20130156270A1 (en) * | 2010-08-23 | 2013-06-20 | Ellington & Associates, Inc. | Products and Methods for Identifying Rock Samples |
CN107292002A (zh) * | 2017-06-06 | 2017-10-24 | 中国石油天然气股份有限公司 | 一种数字岩心重构的方法及装置 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN110119753A (zh) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | 一种重构纹理识别岩性的方法 |
CN110145302A (zh) * | 2019-05-06 | 2019-08-20 | 中国石油集团渤海钻探工程有限公司 | 利用录井现场岩屑快速、准确命名所对应岩石名称的方法 |
US20200003694A1 (en) * | 2017-02-27 | 2020-01-02 | Schlumberger Technology Corporation | Wellsite kerogen maturity determination utilizing raman spectroscopy |
-
2020
- 2020-06-26 CN CN202010593256.3A patent/CN111709423B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493888A (zh) * | 2009-03-03 | 2009-07-29 | 中国石化集团胜利石油管理局地质录井公司 | Pdc岩屑数字图像录井方法 |
CN101718697A (zh) * | 2009-11-26 | 2010-06-02 | 天津陆海石油设备系统工程有限责任公司 | 电控岩屑图像采集分析仪 |
US20130156270A1 (en) * | 2010-08-23 | 2013-06-20 | Ellington & Associates, Inc. | Products and Methods for Identifying Rock Samples |
US20200003694A1 (en) * | 2017-02-27 | 2020-01-02 | Schlumberger Technology Corporation | Wellsite kerogen maturity determination utilizing raman spectroscopy |
CN107292002A (zh) * | 2017-06-06 | 2017-10-24 | 中国石油天然气股份有限公司 | 一种数字岩心重构的方法及装置 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN110119753A (zh) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | 一种重构纹理识别岩性的方法 |
CN110145302A (zh) * | 2019-05-06 | 2019-08-20 | 中国石油集团渤海钻探工程有限公司 | 利用录井现场岩屑快速、准确命名所对应岩石名称的方法 |
Non-Patent Citations (9)
Title |
---|
D’AMBROSIO: "Cost-effective ultralarge-diameter polycrystalline-diamond-compact-bit drilling in deepwater gulf of Mexico", 《SPE/IADC》 * |
KANA KURATA等: "Integration and Visualization of Mineralogical and Topographical Information Derived from ASTER and DEM Data", 《REMOTE SENSING》 * |
MUHAMMAD KATHRADA等: "Visual Recognition of Drill Cuttings Lithologies Using Convolutional NeuralNetworks to Aid Reservoir Characterisation", 《SPE RESERVOIR CHARACTERISATION AND SIMULATION CONFERENCE AND EXHIBITION》 * |
汪华章: "基于纹理特征的岩屑图像识别", 《西南民族大学学报·自然科学版》 * |
苑舒斌等: "海上平台岩屑数字图像自动识别分析系统的研究", 《科技创新导报》 * |
蒙秀梅: "智能图像技术研究及岩心图像自动识别系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郑尊凯: "深度学习模型下岩屑图像识别研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
阎治全等: "岩屑数字图像采集分析技术应用研究", 《录井工程》 * |
马微: "基于岩石薄片图像的多孔介质三维重构研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138106A (zh) * | 2021-04-15 | 2021-07-20 | 东北石油大学 | 基于随钻岩屑录井资料的岩石弹性参数确定方法 |
CN115018848A (zh) * | 2022-08-09 | 2022-09-06 | 中国石油大学(华东) | 一种页岩含油级别的评定方法 |
CN115018848B (zh) * | 2022-08-09 | 2022-10-21 | 中国石油大学(华东) | 一种页岩含油级别的评定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709423B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709423B (zh) | 岩性特征库匹配的pdc钻头条件下岩屑岩性识别方法 | |
Shen et al. | Water body extraction from Landsat ETM+ imagery using adaboost algorithm | |
Liu et al. | A fuzzy topology-based maximum likelihood classification | |
CN101950359B (zh) | 一种岩石种类的识别方法 | |
CN108985247B (zh) | 多光谱图像城市道路识别方法 | |
CN107273608B (zh) | 一种油藏地质剖面图矢量化方法 | |
JP5567448B2 (ja) | 画像領域分割装置、画像領域分割方法および画像領域分割プログラム | |
CN101493888B (zh) | Pdc岩屑数字图像录井方法 | |
CN110838117B (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN112488050A (zh) | 一种结合颜色与纹理的航拍影像场景分类方法和系统 | |
Huo et al. | Novel lithology identification method for drilling cuttings under PDC bit condition | |
CN110378921A (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN106296678B (zh) | 基于钻孔光学成像技术的rqd分析方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN116012316A (zh) | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN107563296B (zh) | 基岩海岸岸线的提取方法及系统 | |
CN113989299A (zh) | 一种基于k均值聚类的露天矿岩层图像分割方法 | |
Musicco et al. | Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach | |
CN104915640B (zh) | 一种钻孔图像结构面自动识别与参数提取方法 | |
Chai et al. | Automatic discrimination of sedimentary facies and lithologies in reef-bank reservoirs using borehole image logs | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 |
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 |