CN112037124A - 基于图像纹理合成的特征可调控的数字岩心重构方法 - Google Patents
基于图像纹理合成的特征可调控的数字岩心重构方法 Download PDFInfo
- Publication number
- CN112037124A CN112037124A CN201910481507.6A CN201910481507A CN112037124A CN 112037124 A CN112037124 A CN 112037124A CN 201910481507 A CN201910481507 A CN 201910481507A CN 112037124 A CN112037124 A CN 112037124A
- Authority
- CN
- China
- Prior art keywords
- matching block
- image
- characteristic
- feature
- core
- 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 63
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 49
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims description 10
- 239000005416 organic matter Substances 0.000 claims description 4
- 238000010008 shearing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 10
- 239000002131 composite material Substances 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 239000007789 gas Substances 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 239000011435 rock Substances 0.000 description 8
- 239000011148 porous material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像纹理合成的特征可调控的数字岩心重构方法,属于油气勘探开发领域。该方法包括:(1)获取原始的岩心数字图像,对所述原始的岩心数字图像进行处理,然后进行特征提取得到特征子图;(2)输入参数;(3)利用所述特征子图和所述参数对待合成区域进行数字岩心重构。本发明形成了基于图像纹理合成的特征可调控的数字岩心重构方法,针对大样本的页岩岩心数字图像,由于这种方法从训练图像中挑选出特征子图,可以避免合成图中的重要信息缺失;同时设置比例,也可避免合成图中的大面积的重复;另外每次都是从挑选的特征子图中选择匹配块,避免了全局搜索,大大提高了合成速度,具有良好的应用前景。
Description
技术领域
本发明属于油气勘探开发领域,具体涉及基于图像纹理合成的特征可调控的数字岩心重构方法,基于电镜扫描图片对岩样大范围地进行重构,以此来建立数字岩心的方法。
背景技术
岩石物理实验产生的数据是连接宏观与微观的桥梁,对石油天然气行业中勘探与开发有着不可或缺的作用。随着石油天然气开发的进行,如今大部分的油气储层是非常规的,这就给岩石物理实验的开展带来了很大困难,例如页岩、具裂缝的碳酸盐岩岩心的获取,岩心的驱替问题等。要解决这些问题,仅靠传统的实验技术是不行的,结合计算机技术发展起来的数字模拟给出了新思路。
数字岩心技术是一种基于对实际岩心数字化或对实际岩心模拟的技术。根据数字岩心技术做出的数字岩心模型有着类似于真实岩心的孔隙特性和组分特性,因此,可以在计算机中模拟岩石物理实验条件,对数字岩心模型进行类似的实验方法,得到相应的模拟数据。相比于传统的岩石物理实验,数字岩心技术速度快,成本低,精度高,可重复,能够在微观尺度上定量的考察各种因素对宏观物理参数的影响。专利公开文献CN109472112A(申报书中的A1)公开了一种页岩数字岩心建模方法,专利公开文献CN107657634A(申报书中的A2)公开了一种基于深度学习和支持向量机的页岩数字岩心三维重构方法,公开文献“基于多点地质统计法的页岩数字岩心重构研究”(申报书中的B1)(天然气工业,2017)公开了一种以纳米精度的页岩体数据为训练图像,采用多点地质统计法提取其结构特征,再将这些特征复制到重构区域的数字岩心重构方法;公开文献“Simulation of Earth textures byconditional image quilting”(Water resources research,2014)(申报书中的B1)公开了一种提供了一种图像缝合技术来重构数字岩心,对于特征信息量较小的河道图像,重构效果好,但是对于实验中有着大量特征信息的岩心图像,在用上述现有方法对其重构时,会出现部分特征的缺失和重复等不足。
对于本领域的技术人员来说,如何基于电镜扫描图片对岩样大范围地进行重构,而且可以满足重构中对于精度的要求,是亟待解决的问题。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种基于图像纹理合成的特征可调控的数字岩心重构方法,精确重构数字岩心二维图像,对渗流机理的研究以及页岩气的开发具有重要意义,同时对这些微裂隙的微观结构进行更直观的观察,获得孔隙的大小、形态及有机质分布等,从而为研究页岩气的成藏机理、运移规律及开发提供基础数据。
本发明是通过以下技术方案实现的:
一种基于图像纹理合成的特征可调控的数字岩心重构方法,所述方法包括:
(1)获取原始的岩心数字图像,对所述原始的岩心数字图像进行处理,然后进行特征提取得到特征子图;
(2)输入参数;
(3)利用所述特征子图和所述参数对待合成区域进行数字岩心重构。
所述步骤(1)中的获取原始的岩心数字图像的操作包括:利用电子显微镜对岩心进行扫描获得原始的岩心数字图像。
所述步骤(1)中的对所述原始的岩心数字图像进行处理的操作包括:
利用下面的公式对原始的岩心数字图像进行三值化处理得到三值化后的图像:
其中,B(x,y)和A(x,y)分别代表三值化后的图像和原始的岩心数字图像中各点的像素值,A1,A2为三值化分隔的灰度阈值,B1,B2,B3为三值化后各个区域的灰度值,B1,B2,B3分别对应有机质区域、其他区域和矿石区域。
所述步骤(1)中的进行特征提取得到特征子图的操作包括:
从所述三值化后的图像中提取各个特征;
将提取出来的各个特征按照重要性从大到小的顺序进行排序得到特征序列;
所述特征序列中的前m个特征对应的m幅特征子图即为提取到的特征子图。
所述步骤(2)输入的参数包括:
匹配块大小p、重叠区域大小O、候选匹配块数量ε;
每个特征子图的合成比例am。
优选地,所述匹配块大小p是三值化后的图像的面积的四分之一到六分之一;
所述重叠区域大小O是匹配块的面积的六分之一;
所述候选匹配块数量ε取10。
所述步骤(3)的操作包括:
(31)根据匹配块大小将待合成区域划分为N行,从下至上依次为第1行到第N行,每行包括M个匹配块,从左至右依次为第1个匹配块到第M个匹配块;设i=1;
(32)从第1行开始重构:随机选择m幅特征子图中的一幅特征子图作为训练图像,在该训练图像中随机选择一个匹配块放入待合成区域的第一行的第一个匹配块位置处,将该匹配块作为前一个匹配块;
(33)计算m幅特征子图中的每幅特征子图与其合成比例的差值bm;找到最小的bm对应的特征子图作为训练图像,从该训练图像中随机选择一个匹配块,将该匹配块放到第1行中的前一个匹配块的右侧,并使得两个匹配块之间有重叠区域,对重叠区域进行拼接,然后将该匹配块作为前一个匹配块,重复步骤(33)从左至右完成第1行的重构;
(34)i=i+1,计算m幅特征子图中的每幅特征子图与其合成比例的差值bm,找到最小的bm对应的特征子图作为训练图像,从该训练图像中随机选择一个匹配块,将该匹配块放到第i行的最左侧,并使其与第i-1行的第1个匹配块有重叠区域,对重叠区域进行拼接;将该匹配块作为前一个匹配块;
(35)计算m幅特征子图中的每幅特征子图与其合成比例的差值bm;找到最小的bm对应的特征子图作为训练图像,从该训练图像中随机选择一个匹配块,将该匹配块放到第i行中的前一个匹配块的右侧,并使得两个匹配块之间有重叠区域,同时使得该匹配块与其正下方的第i-1行中的匹配块有重叠区域,对两个重叠区域分别进行拼接,然后将该匹配块作为前一个匹配块,重复步骤(35)从左至右完成第i行的重构;
(36)判断i<N是否成立,如果是,则返回步骤(34),如果否,则转入步骤(37);
(37)结束待合成区域的重构。
所述计算m幅特征子图中的每幅特征子图与其合成比例的差值bm的操作包括:
对每一幅特征子图利用下式计算得到该幅特征子图与其合成比例的差值bm:
其中,Nm为已合成区域中该幅特征子图被挑选的次数,N为当前已合成区域中的匹配块的总数。
所述对重叠区域进行拼接的操作包括:
利用基于最小能量的图像剪切技术对重叠区域进行拼接。
所述匹配块的尺寸根据匹配块大小p确定;
所述重叠区域的尺寸根据所述重叠区域大小O确定。
与现有技术相比,本发明的有益效果是:本发明形成了基于图像纹理合成的特征可调控的数字岩心重构方法,针对大样本的页岩岩心数字图像,由于这种方法从训练图像中挑选出特征子图,可以避免合成图中的重要信息缺失;同时设置比例,也可避免合成图中的大面积的重复;另外每次都是从挑选的特征子图中选择匹配块,避免了全局搜索,大大提高了合成速度,具有良好的应用前景。
附图说明
图1本发明拼接过程原理图;
图2本发明实施例中的原始的岩心数字图像;
图3本发明实施例中的三值化后的图像;
图4(a)本发明实施例中的大小为209×206的特征子图;
图4(b)本发明实施例中的大小为210×202的特征子图;
图4(c)本发明实施例中的大小为212×210的特征子图;
图4(d)本发明实施例中的大小为221×211的特征子图;
图4(e)本发明实施例中的大小为222×211的特征子图;
图4(f)本发明实施例中的大小为220×209的特征子图;
图4(g)本发明实施例中的大小为200×205的特征子图;
图4(h)本发明实施例中的大小为222×212的特征子图;
图4(i)本发明实施例中的大小为618×497的特征子图;
图4(j)本发明实施例中的大小为562×494的特征子图;
图4(k)本发明实施例中的大小为586×468的特征子图;
图5本发明实施例中的迭代至整个图像重构完成的结果;
图6本发明实施例中的实验结果;
图7本发明实施例中的重构结果;
图8本发明方法的步骤框图;
图9本发明方法的过程示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明通过电子显微镜扫描获得岩心的图像,从图像中提取出较小尺度的页岩特征,然后用本方法将其复制到较大甚至是任意尺度范围内,以重构出与真实页岩结构相似的虚拟多孔介质。
本发明提出了一种新的基于特征子图的且能够自由调控特征比例的数字岩心重构方法。该方法从训练图像中挑选出有代表性的特征子图,根据事先设置的比例进行匹配块挑选,再利用Graph Cut算法合成重叠区域,一直到全图完成。实验表明该方法能够提高合成速度,控制重构岩心图像中矿石、有机质等组分比例,并且能够生成新的模式,具有良好的应用前景。
本发明的实施例如下:
(一)首先对利用电子显微镜对岩心进行扫描获得的原始的岩心数字图像做一个三值化处理,提取图中的矿石,有机质,裂缝等重要信息(这些特征在三值化的图像中是以不同的灰度值显现出来。)。
所述三值化处理具体如下:
通过设定合适的阈值,将图像上像素点的灰度值变为0、128和255,其中0在图像中表示有机质,128在图像中表示其它区域,255在图像中表示白色矿石,即B1是0,B2是128,B3是255,三值化的原理如下:
其中,B(x,y)和A(x,y)分别代表三值化后和原始的岩心数字图像各点的像素值,A1,A2为三值化分隔的灰度阈值,B1,B2,B3为三值化后各个区域的灰度值,对应区域分别为有机质、其他区域和矿石区域。
(二)从三值化后的图像中利用SIFT(尺度不变特征变换)、SURF(加速稳健特征)、HOG(方向梯度直方图)、DOG(高斯函数的差分)等特征提取算法中的一种提取各个特征,然后将提取出来的各个特征根据其重要性进行人工排序(由操作人员根据实际需求确定各个特征的重要性)得到按照重要性从大到小排列的特征序列,最后将特征序列中的前m个特征对应的m幅特征子图作为训练图像。一个特征对应一个特征子图。
(三)利用纹理合成算法进行合成:在合成过程中输入步骤(二)得到的m幅训练图像、初始参数p、O和ε,初始参数p、O和ε的设定对于本发明的重构结果具有一定的影响。从经验上讲,重构过程中的匹配块大小p为三值化后的训练图像的四分之一到六分之一之间为最好。对于重叠区域,如果使用较小的重叠区域,无法保持空间结构的连续性,但是使用过大的重叠区域,会导致重构时间的大大增加,故重叠区域大小O设置为匹配块的六分之一为宜。而对于匹配块数量ε,取值太小容易出现大面积的训练图像复制,增大候选匹配块数目减少了对训练图像的复制,增加了匹配的多样性。
合成过程中利用每幅特征子图当前所占的比例与其合成比例之差的大小准则挑选训练图像,包括:
基于bm代表在每次合成过程中每幅特征子图与其合成比例的差值,Nm为已合成区域中该幅特征子图被挑选的次数(每次在一个训练图像中是随机选择一个匹配块),N为当前合成区域中的匹配块总数,am代表合成比例,每次选择最小的bm值对应的特征子图作为下一个训练图像,即每次是从m幅特征子图中挑选出最小的bm值对应的特征子图作为下一个训练图像,从特征图像中随机选择匹配块。
(四)根据Graph Cut算法完成重叠区域的拼接:通过图切算法在匹配块中选出最优的不规则区域用于合成,利用图切算法就可以获得最佳路径,找到了最佳路径就可以将重叠区域分为两个不规则区域,分别对应两个匹配块中的部分。
在Graph Cut算法执行过程中,最佳路径是由许多相关的像素点组合而成,像素点的生成是从每一对像素点中选择而来,最简单的匹配标准是通过比较相邻像素点的颜色误差。设t和u是重叠区域中的两个相邻像素点,B(t)和C(t)分别代表像素点t在前一个匹配块(即图1中的匹配块A)和后一个匹配块(即图1中的匹配块B)上的像素颜色值,B(u)和C(u)分别代表像素点u在前一个匹配块(即图1中的匹配块A)和后一个匹配块(即图1中的匹配块B)上的像素颜色值,连接t和u两个顶点的边的值定义为:
M(t,u,B,C)=|B(t)-C(t)|+|B(u)-C(u)|
这样的边值对应着重叠区域的模式差异值大小,使用基于最小能量的图像剪切技术可以将两个模式以最小误差的方式拼接起来,过程如图1所示:
匹配块A和匹配块B之间存在着一个重叠区域0,则这个重叠区域被看做一个图形,重叠网格内的节点是图形的顶点,网格节点的邻点(2D网格即周围4个邻点,3D网格即周围6个邻点)之间建立一个边e(u,v),相邻的顶点u和v连接起来。在重叠区域中所有节点在匹配块A和匹配块B中分别有一个值,这里,将两个匹配块数值差的绝对值作为顶点的值,则顶点u的值为:
δ(u,A,B)=|A(u)-B(u)|
A(u)、B(u)分别表示顶点u在匹配块A和匹配块B中的值,顶点v为
连接u和v两个顶点的边的值定义为两个顶点值之和:
CE(u,v,A,B)=δ(u,A,B)+δ(v,A,B)
δ(v,A,B)表示顶点v的值,表达式与顶点u的值的表达式相同,只是将顶点u修改为顶点v。
这样的顶点值和边值对应着重叠区域的差异值大小,使用现有的基于最小能量的图像剪切技术利用顶点值和边值进行图像剪切可以将两个模式以最小误差的方式拼接起来。
本发明方法如图8所示,包括:
从待合成区域的左下角开始重构,首先随机选择一个训练图像,在该训练图像中随机选择一个匹配块放入待合成区域的左下角,然后选择最小的bm对应的特征子图作为下一个训练图像,在该训练图像中随机选择一个匹配块放入第一个匹配块的右侧,且两个匹配块之间按照重叠区域大小O进行重叠,如此沿着从左往右的顺序依次对待合成区域进行赋值,第一行结束后再从第二行的左边开始不断迭代至整个待合成区域重构完成,左右相邻、上下相邻的两个匹配块之间均有所述重叠区域,也就是说每个匹配块和与其相邻的匹配块均有重叠区域。每放置进去一个匹配块,就进行重叠区域的拼接,后面的匹配块是与完成重叠区域拼接后的图形进行合成。
整个过程如图9所示,
在图9中,(a)部分代表从待合成区域的左下角开始重构,根据重叠区域作为条件数据去训练图像(e)中寻找下一个匹配块,沿着从左往右的顺序依次赋值,如(b)所示,第一行结束后,再从第二行开始不断迭代至整个区域重构完成,如(c)、(d)所示。
下面结合一个实例,对本发明方法的实施过程以及结果的可调控性进行说明。
首先对原始的岩心数字图像(如图2所示)做一个三值化处理,提取图中的矿石,有机质,裂缝等重要信息。
从处理后的三值化图像(如图3所示)中利用特征提取算法和人工挑选,得到m幅特征子图(如图4(a)到图4(k)所示。)作为训练图像,依次为大小209×206,210×202,212×210,221×211,222×211,220×209,200×205,222×212,618×497,562×494,586×468(训练图像大小不要求一致)(为了清晰,图4(a)到图4(k)的尺寸没有按照该尺寸进行绘制。))。
在合成过程中输入m幅训练图像、初始参数p、O和ε,初始参数p、O和ε的设定对于重构结果也具有一定的影响。从经验上讲,重构过程中匹配块大小为原始训练图像的四分之一到六分之一之间为最好,故匹配块大小p=200×200(因为图4(f)的大小为220×209,所以当匹配块大小为200*200时,图4(f)基本整幅图都被取为匹配块了)(即为图3的四分之一到六分之一)。对于重叠区域,如果使用较小的重叠区域,无法保持空间结构的连续性,但是使用过大的重叠区域,会导致重构时间的大大增加,故重叠区域大小设置为匹配块的六分之一为宜(O=35×200)。而对于候选匹配块数量ε,取值太小容易出现大面积的训练图像复制,增大候选匹配块数目减少了对训练图像的复制,增加了匹配的多样性,故ε=10。
开始计算bm的值,从对应最小的bm值的训练图像中随机选取一个匹配块,再根据Graph Cut算法合成重叠区域,迭代至整个图像重构完成,得到的结果如图5所示。
本发明引进了控制比例的方法,来验证算法的可调控性(在算法开始之前,要人为设置m幅特征子图各自的合成比例am,而且这些合成比例是不相同的)。重构图像由36块匹配块合成,算法中的参数为合成比例am,以图4(f)为例,如果a6(此处的下标6是表示m幅训练图像中的第6幅训练图像(即图4(f)),其它的以此类推)设置为0.025,则图4(f)在重构结果中只出现了一次(因为36*0.025=0.9,所以是出现一次),实验结果如图5所示,当将a6设置成0.05时,则图4(f)在重构结果中出现了两次(因为36*0.05=1.8,所以是出现两次),实验结果如图6所示。接下来将a6设置成0.075时,则图4(f)在重构结果中出现了三次(因为36*0.075=2.7,所以是出现三次。),实验结果如图7所示,在图5、6、7中用方框标示出了图4(f)的位置。
本发明提出了一种新的基于特征子图的且能够自由调控合成比例am的数字岩心重构方法。该方法从训练图像中挑选出有代表性的特征子图,根据事先设置的比例进行匹配块挑选,再利用Graph Cut算法合成重叠区域,一直到全图完成。实验表明该方法能够提高合成速度,因为可以通过调整am的取值控制特征出现的比例,而不同的特征代表不同的组分,所以本发明方法能够控制重构岩心图像中矿石、有机质等组分比例,并且能够生成新的模式,具有良好的应用前景。本发明形成了基于图像纹理合成的特征可调控的数字岩心重构方法,针对大样本的页岩岩心数字图像,由于这种方法从训练图像中挑选出特征子图,可以避免合成图中的重要信息缺失;同时设置比例,也可避免合成图中的大面积的重复;另外每次都是从挑选的特征子图中选择匹配块,避免了全局搜索,大大提高了合成速度,具有良好的应用前景。
页岩气储层孔隙结构特征对页岩气勘探开发具有重要意义,通过得到的扫描电子显微镜成像,对其可提取出较小尺度的页岩特征,然后将用本方法将其复制到较大甚至是任意尺度范围内,以重构出与真实页岩结构相似的虚拟多孔介质,那么对渗流机理的研究以及页岩气的开发具有重要意义,同时对这些微裂隙的微观结构进行更直观的观察,获得孔隙的大小、形态及有机质分布等,从而为研究页岩气的成藏机理、运移规律及开发提供基础数据。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (10)
1.一种基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述方法包括:
(1)获取原始的岩心数字图像,对所述原始的岩心数字图像进行处理,然后进行特征提取得到特征子图;
(2)输入参数;
(3)利用所述特征子图和所述参数对待合成区域进行数字岩心重构。
2.根据权利要求1所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述步骤(1)中的获取原始的岩心数字图像的操作包括:利用电子显微镜对岩心进行扫描获得原始的岩心数字图像。
4.根据权利要求3所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述步骤(1)中的进行特征提取得到特征子图的操作包括:
从所述三值化后的图像中提取各个特征;
将提取出来的各个特征按照重要性从大到小的顺序进行排序得到特征序列;
所述特征序列中的前m个特征对应的m幅特征子图即为提取到的特征子图。
5.根据权利要求4所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述步骤(2)输入的参数包括:
匹配块大小p、重叠区域大小O、候选匹配块数量ε;
每个特征子图的合成比例am。
6.根据权利要求5所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述匹配块大小p是三值化后的图像的面积的四分之一到六分之一;
所述重叠区域大小O是匹配块的面积的六分之一;
所述候选匹配块数量ε取10。
7.根据权利要求6所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述步骤(3)的操作包括:
(31)根据匹配块大小将待合成区域划分为N行,从下至上依次为第1行到第N行,每行包括M个匹配块,从左至右依次为第1个匹配块到第M个匹配块;设i=1;
(32)从第1行开始重构:随机选择m幅特征子图中的一幅特征子图作为训练图像,在该训练图像中随机选择一个匹配块放入待合成区域的第一行的第一个匹配块位置处,将该匹配块作为前一个匹配块;
(33)计算m幅特征子图中的每幅特征子图与其合成比例的差值bm;找到最小的bm对应的特征子图作为训练图像,从该训练图像中随机选择一个匹配块,将该匹配块放到第1行中的前一个匹配块的右侧,并使得两个匹配块之间有重叠区域,对重叠区域进行拼接,然后将该匹配块作为前一个匹配块,重复步骤(33)从左至右完成第1行的重构;
(34)i=i+1,计算m幅特征子图中的每幅特征子图与其合成比例的差值bm,找到最小的bm对应的特征子图作为训练图像,从该训练图像中随机选择一个匹配块,将该匹配块放到第i行的最左侧,并使其与第i-1行的第1个匹配块有重叠区域,对重叠区域进行拼接;将该匹配块作为前一个匹配块;
(35)计算m幅特征子图中的每幅特征子图与其合成比例的差值bm;找到最小的bm对应的特征子图作为训练图像,从该训练图像中随机选择一个匹配块,将该匹配块放到第i行中的前一个匹配块的右侧,并使得两个匹配块之间有重叠区域,同时使得该匹配块与其正下方的第i-1行中的匹配块有重叠区域,对两个重叠区域分别进行拼接,然后将该匹配块作为前一个匹配块,重复步骤(35)从左至右完成第i行的重构;
(36)判断i<N是否成立,如果是,则返回步骤(34),如果否,则转入步骤(37);
(37)结束待合成区域的重构。
9.根据权利要求7所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述对重叠区域进行拼接的操作包括:
利用基于最小能量的图像剪切技术对重叠区域进行拼接。
10.根据权利要求7所述的基于图像纹理合成的特征可调控的数字岩心重构方法,其特征在于:所述匹配块的尺寸根据匹配块大小p确定;
所述重叠区域的尺寸根据所述重叠区域大小O确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481507.6A CN112037124B (zh) | 2019-06-04 | 基于图像纹理合成的特征可调控的数字岩心重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481507.6A CN112037124B (zh) | 2019-06-04 | 基于图像纹理合成的特征可调控的数字岩心重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037124A true CN112037124A (zh) | 2020-12-04 |
CN112037124B CN112037124B (zh) | 2024-07-09 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609723A (zh) * | 2021-07-19 | 2021-11-05 | 西安交通大学 | 一种蒸汽发生器内重叠网格并行数据传递方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890780A (zh) * | 2011-07-19 | 2013-01-23 | 富士通株式会社 | 图像处理装置和方法 |
WO2013040349A1 (en) * | 2011-09-16 | 2013-03-21 | Ingrain, Inc. | Characterization of subterranean formation properties derived from quantitative x-ray ct scans of drill cuttings |
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 |
CN108648256A (zh) * | 2018-05-17 | 2018-10-12 | 四川大学 | 一种基于超维的灰度岩心三维重建方法 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890780A (zh) * | 2011-07-19 | 2013-01-23 | 富士通株式会社 | 图像处理装置和方法 |
WO2013040349A1 (en) * | 2011-09-16 | 2013-03-21 | Ingrain, Inc. | Characterization of subterranean formation properties derived from quantitative x-ray ct scans of drill cuttings |
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 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
CN108648256A (zh) * | 2018-05-17 | 2018-10-12 | 四川大学 | 一种基于超维的灰度岩心三维重建方法 |
Non-Patent Citations (1)
Title |
---|
朱益华;陶果;方伟;: "图像处理技术在数字岩心建模中的应用", 石油天然气学报, no. 05, 15 October 2007 (2007-10-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609723A (zh) * | 2021-07-19 | 2021-11-05 | 西安交通大学 | 一种蒸汽发生器内重叠网格并行数据传递方法 |
CN113609723B (zh) * | 2021-07-19 | 2022-08-05 | 西安交通大学 | 一种蒸汽发生器内重叠网格并行数据传递方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392486B (zh) | 一种点云场景重建方法 | |
Malinverni et al. | Deep learning for semantic segmentation of 3D point cloud | |
Zhou et al. | Terrain synthesis from digital elevation models | |
CN112241997A (zh) | 基于多尺度点云上采样的三维模型建立、修复方法及系统 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN106780701B (zh) | 非均匀纹理图像的合成控制方法、装置、存储介质及设备 | |
WO2008154501A1 (en) | Mesh quilting for geometric texture synthesis | |
CN107204042B (zh) | 基于形态完备性的非均质岩心三维结构重建算法 | |
CN115512073A (zh) | 基于可微分渲染下多阶段训练的三维纹理网格重建方法 | |
CN106384386A (zh) | Lod模型生成中网格处理方法、系统以及3d重建方法和系统 | |
CN115049556A (zh) | 一种基于StyleGAN的人脸图像修复方法 | |
Karimpouli et al. | Multistep Super Resolution Double-U-net (SRDUN) for enhancing the resolution of Berea sandstone images | |
Prabhakaran et al. | Large-scale natural fracture network patterns: Insights from automated mapping in the Lilstock (Bristol Channel) limestone outcrops | |
Zhang et al. | 3D reconstruction of porous media by combining scaling transformation and multi-scale discrimination using generative adversarial networks | |
Zhang et al. | Improved recurrent generative model for reconstructing large-size porous media from two-dimensional images | |
Wu et al. | Optimized synthesis of art patterns and layered textures | |
CN108154467A (zh) | 一种线性壁刻模拟方法及系统 | |
CN112037124B (zh) | 基于图像纹理合成的特征可调控的数字岩心重构方法 | |
CN112037124A (zh) | 基于图像纹理合成的特征可调控的数字岩心重构方法 | |
Iizuka et al. | Efficiently modeling 3D scenes from a single image | |
Ge et al. | 3D Reconstruction of Ancient Buildings Using UAV Images and Neural Radiation Field with Depth Supervision | |
CN115184998A (zh) | 一种基于改进U-net神经网络的瑞利波频散曲线自动提取方法 | |
CN116543116A (zh) | 野外露头三维虚拟可视化建模方法、系统、设备及终端 | |
Gui et al. | Periodic pattern of texture analysis and synthesis based on texels distribution | |
Gregor et al. | Automatic 3D Object Fracturing for Evaluation of Partial Retrieval and Object Restoration Tasks-Benchmark and Application to 3D Cultural Heritage Data. |
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 |