CN112150424B - 一种基于荧光薄片的微观剩余油定量分析方法 - Google Patents
一种基于荧光薄片的微观剩余油定量分析方法 Download PDFInfo
- Publication number
- CN112150424B CN112150424B CN202010974081.0A CN202010974081A CN112150424B CN 112150424 B CN112150424 B CN 112150424B CN 202010974081 A CN202010974081 A CN 202010974081A CN 112150424 B CN112150424 B CN 112150424B
- Authority
- CN
- China
- Prior art keywords
- fluorescent
- asphalt
- picture
- image
- residual oil
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000010426 asphalt Substances 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000003086 colorant Substances 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 13
- 239000011148 porous material Substances 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000002073 fluorescence micrograph Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 3
- 229910052753 mercury Inorganic materials 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000011160 research Methods 0.000 abstract description 11
- 239000003921 oil Substances 0.000 description 38
- 239000010779 crude oil Substances 0.000 description 8
- 238000011002 quantification Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及荧光薄片定量分析及微观剩余油研究领域,具体来说是一种基于荧光薄片的微观剩余油定量分析方法。包括以下步骤:(1)荧光薄片鉴定及多视域图片采集;(2)对步骤(1)采集的荧光图片进行亮度校准;(3)对步骤(2)亮度校准后的荧光图片进行多视域拼接;(4)根据步骤(1)荧光薄片鉴定划分的颜色类别,建立特征荧光颜色图版;(5)基于步骤(4)建立的颜色图版对步骤(3)中拼接后的荧光图片进行分割;(6)基于步骤(5)的分割结果,进行微观剩余油各参数计算、统计及分析。本发明能够提供一种基于荧光薄片的批量化、自动化、定量化的微观剩余油分析方法,以提高工作效率及分析结果的准确性。
Description
技术领域
本发明涉及荧光薄片定量分析及微观剩余油研究领域,具体来说是一种基于荧光薄片的微观剩余油定量分析方法。
背景技术
剩余油是某油藏经过一定开采方式和开发阶段开采后,仍无法采出的地下原油。目前中国主要油田均已进入开发中后期,特别是中高渗油藏含水已超过90%。但地下仍有大量原油未能采出,急需剩余油研究。宏观剩余油分布特征是微观剩余油分布的整体表现,开展微观尺度的剩余油研究,揭示微观剩余油赋存状态及分布模式,对油田下一步挖潜和提高采收率有重要指导意义。
荧光薄片分析具有方法成熟、操作简便、成本低、效率高等特点,依旧是微观剩余油研究的重要方法,并被广泛使用。其基本原理是原油中的多环芳香烃和非烃受到光照后,由于吸收能量而变为激发态,当从激发态恢复到基态时,能量会以光的形式释放出来,产生荧光,且原油中不同组分产生的荧光颜色不同。因此,可根据原油的这种荧光性质进行孔隙尺度下的微观剩余油研究工作。
但目前,荧光薄片分析多是人为鉴定,分析结果受鉴定人员影响严重,主观性强,并且荧光图片数量较多,逐张分析鉴定工作量巨大,精度有限,定量性不足。因此需要基于荧光薄片研究批量化、自动化、定量化的微观剩余油分析方法,以提高工作效率及分析结果的准确性。
发明内容
有鉴于此,本发明提供了一种基于荧光薄片的批量化、自动化、定量化的微观剩余油分析方法,以提高工作效率及分析结果的准确性。
为了实现上述目的,本发明采用如下技术方案:
一种基于荧光薄片的微观剩余油定量分析方法,所述方法依据荧光薄片鉴定照片,通过数字图像处理技术,进行微观剩余油的定量化分析研究;
具体包括如下步骤:
(1)对荧光薄片进行鉴定及多视域图片采集,得到荧光图片;
(2)对步骤(1)采集的荧光图片进行亮度校准,得到亮度校准后的荧光图片;
(3)对步骤(2)亮度校准后的荧光图片进行多视域拼接,得到拼接后的荧光图;
(4)建立特征荧光颜色图版;
(5)基于特征荧光颜色图版,对步骤(3)中拼接后的荧光图片进行分割;
(6)基于步骤(5)的分割结果,进行微观剩余油各参数计算、统计及分析。
上述技术方案对荧光图片开展了批量化、自动化、定量化的分析,获取微观剩余油分布规律及原油各组分相对含量等参数,提高了工作效率并降低了人工主观性,使得分析结果更为准确。
进一步的,上述步骤(1)在加装有汞灯部件的光学显微镜下完成,具体操作为:对每张荧光薄片进行人为鉴定,根据荧光颜色特征,将荧光颜色划分为6个类别:类别1暗绿-墨绿色、类别2浅绿-绿-黄绿色、类别3绿黄-黄-亮黄色、类别4黄橙-橙黄-橙色、类别5褐-红褐-褐红色、类别6黑色,且依次对应于颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分,并对每张荧光薄片从右上角开始,采用S型路径在统一放大倍数(50倍)下逐视域拍摄,获取荧光图片,直至遍历整张荧光薄片,且拍摄过程中保证位置相邻的荧光图片边缘有相同部分,便于后续对齐、拼接。
该步骤明确了荧光颜色的分类方案,获取了大量荧光图片,为后续进一步的分析研究奠定基础。
进一步的,上述步骤(2)的具体操作为:首先将步骤(1)获得的荧光图像由RGB彩色空间转换为HSI彩色空间;
所述HSI彩色空间包括H、S和I分量矩阵,其中I分量表示图像的亮度程度,分别计算所有荧光薄片下全部视域荧光图片I分量的平均值,取其最大值作为亮度标准值,再通过公式1获得亮度校准后的I分量矩阵I_change,再由H、S、I_change三分量转换为RGB图片,获取亮度校准后的荧光图片;
I_change=Imax/Iav*I 公式1
式中:I_change是转换后的亮度分量矩阵,I是原始图片的亮度分量矩阵,Imax是亮度标准值,Iav是每张荧光图片亮度分量的平均值。
该步骤将所有荧光图片亮度校准至同一标准,可有效解决光源亮度、曝光时间等不同造成的图片亮度的差异,便于图像拼接及后续分析。
进一步的,上述步骤(3)的具体操作为:通过CorelDRAW X7软件将各相邻荧光图片边缘的相同部分重合,进而将每张荧光薄片下所有视域荧光图片拼接成完整的荧光图片,再裁剪掉图片四周不规则部分,获取大视域高分辨率的荧光图像,裁剪后图像为规则矩形。
该步骤获取的大视域高分辨率荧光图像包含更大范围信息,可有效解决视域小,信息少以及强非均质性造成的视域间信息差别较大等问题,使得分析结果更符合真实情况。
进一步的,上述步骤(4)的具体操作为:类别1暗绿-墨绿色、类别2浅绿-绿-黄绿色、类别3绿黄-黄-亮黄色、类别4黄橙-橙黄-橙色、类别5褐-红褐-褐红色、类别6黑色,且依次对应于颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分;
分别建立类别1-5的特征荧光颜色图版。
该步骤建立各荧光颜色图版,量化颜色划分标准,可有效解决人工主观性判定造成的误差。
进一步的,上述步骤(5)的具体操作为:通过公式2-1和2-2分别计算类别1-5特征荧光颜色图版的平均值、协方差矩阵;并通过公式2-3和2-4,从拼接后的荧光图上依次找到与特征荧光颜色图版颜色相近的像素位置,完成图像分割,图像上剩余部分即为炭质沥青组分;
m=Xi/N(i=R,G,B) 公式2-1
C=(Xi-m)T(Xi-m)/(N-1)(i=R,G,B)公式2-2
式中:Xi分别为彩色图像的R,G,B分量,N为图像像素值,m为平均值,C为协方差矩阵,
D(z,m)=[(z-m)TC-1(z-m)]1/2 公式2-3
D(z,m)≤T 公式2-4
该公式的含义是首先确定颜色图版,获得其“平均值”,用m表示,再令z为所要分割图像上的任意一点,计算z与m间的距离,如果该距离小于指定阈值T,就说z与m相近,属于该图版所在颜色类别;
式中:D(z,m)为Mahalanobis距离,z为所需分割图像RGB空间上的任一点,m为图版颜色的平均值,C为图版颜色的协方差矩阵,T为指定阈值。
该步骤实现了统一标准下,荧光图片的定量化、自动化分割,极大提高了工作效率。
进一步的,上述步骤(6)的具体操作为:基于步骤(5)的分割结果得出颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分的分布规律及相互关系,并计算颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青各组分的相对占比,依次记为S1、S2、S3、S4、S5、S6,并且依据颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青各组分的分布规律及相互关系确定计算公式,由S1-S6进一步计算面孔率,含油饱和度,可动油饱和度参数,完成定量分析。
该步骤可获得微观剩余油分布规律、原油各组分相对含量、面孔率及含油饱和度等参数,定量化的开展微观剩余油研究工作。
经由上述的技术方案可知,与现有技术相比,本发明具有如下有益效果:
1、建立各荧光颜色图版,量化颜色划分标准,可有效解决人工主观性判定造成的误差;
2、统一荧光图片的亮度标准,可解决拍摄过程中光源亮度、曝光时间等因素不同造成的图片亮度的差异,便于分析研究;
3、获取大视域高分辨率荧光图像,包含更大范围信息,解决视域小,信息少以及强非均质性造成的视域间信息差别较大等问题,使得分析结果更符合真实情况。
4、在统一标准下,实现荧光图片的定量化、自动化分割,极大提高了工作效率及准确性,并获得微观剩余油分布规律、原油各组分相对含量、面孔率及含油饱和度等参数,定量化的开展微观剩余油研究工作。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明荧光薄片鉴定采集的原始荧光图片;
图2为本发明亮度调整后的荧光图片;
图3为本发明多视域拼接后的荧光图片;
图4为本发明各荧光颜色类型图版;
图5为本发明颜色分割结果图片;
图6为本发明各参数定量统计柱状图。
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。
实施例
本实施例以冀东油田高浅北区荧光薄片为例。
一种基于荧光薄片的微观剩余油定量分析方法,具体包括如下步骤:
(1)在加装有汞灯部件的光学显微镜下完成,具体操作为:对每张荧光薄片进行人为鉴定,根据荧光颜色特征,将荧光颜色划分为6个类别:类别1暗绿-墨绿色、类别2浅绿-绿-黄绿色、类别3绿黄-黄-亮黄色、类别4黄橙-橙黄-橙色、类别5褐-红褐-褐红色、类别6黑色,且依次对应于颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分,并对每张荧光薄片从右上角开始,采用“S”型路径在50倍放大倍数下逐视域拍摄图片,相邻位置图片均保留适当重复部分,便于后续的图片拼接工作,依据荧光薄片大小不同,每张薄片下采集视域共有16-146张不等(图1)。
(2)对步骤(1)采集的荧光图片进行亮度校准,首先将荧光图像由RGB彩色空间转换至HSI彩色空间,包括三个分量矩阵,H、S、I,其中I分量表示图像的亮度程度,统计全部视域荧光图像片I分量的平均值,取其最大值作为亮度标准值,再通过公式1获得亮度校准后的I分量矩阵I_change,再由H、S、I_change三分量转换为RGB图片,获取亮度校准后的荧光图片(图2);
I_change=Imax/Iav*I 公式1
式中:I_change是转换后的亮度分量矩阵,I是原始图片的亮度分量矩阵,Imax是亮度标准值,Iav是每张荧光图片亮度分量的平均值。
(3)通过CorelDRAW X7软件将步骤(2)中各相邻荧光图片边缘的相同部分重合,进而将每张荧光薄片下所有视域荧光图片拼接成完整的荧光图片,再裁剪掉图片四周不规则部分,获取大视域高分辨率的荧光图像,裁剪后图像为规则矩形(图3)。
(4)根据步骤(1)荧光薄片鉴定划分的颜色类别,分别建立类别1-5的特征荧光颜色图版(图4)。
(5)通过公式2-1和2-2分别计算类别步骤(4)中的类别1-5特征荧光颜色图版的平均值、协方差矩阵;并通过公式2-3和2-4,从拼接后的荧光图上依次找到与特征荧光颜色图版颜色相近的像素位置,完成图像分割,图像上剩余部分即为炭质沥青组分(图5);
m=Xi/N(i=R,G,B) 公式2-1
C=(Xi-m)T(Xi-m)/(N-1)(i=R,G,B) 公式2-2
式中:Xi分别为彩色图像的R,G,B分量,N为图像像素值,m为平均值,C为协方差矩阵,
D(z,m)=[(z-m)TC-1(z-m)]1/2 公式2-3
D(z,m)≤T 公式2-4
该公式的含义是首先确定颜色图版(即所关心颜色区域),获得其“平均值”,用m表示,再令z为所要分割图像上的任意一点,计算z与m间的距离,如果该距离小于指定阈值T,就说z与m相近,属于该图版所在颜色类别,距离D(z,m)通常称作Mahalanobis距离。
式中:D(z,m)为Mahalanobis距离,z为所需分割图像RGB空间上的任一点,m为图版颜色的平均值,C为图版颜色的协方差矩阵,T为指定阈值(经反复试验,此处设置为25)。
(6)基于步骤(5)的分割结果得出颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分的分布规律及相互关系,并计算颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青各组分的相对占比,依次记为S1、S2、S3、S4、S5、S6,并且依据S1-S6的组合,可进一步计算面孔率,含油饱和度,可动油饱和度等参数,例如,在本实施例中,油质沥青、胶质沥青质组分分布于粒间且呈自由态,但沥青质沥青、炭质沥青质组分附着于粘土矿物及骨架矿物表面且呈束缚态,因此可由公式3-1、3-2以及3-3计算出面孔率,含油饱和度,可动油饱和度,完成定量分析(图6);
Φ=1-(S1+S5+S6) 公式3-1
So=S3+S4+S5+S6 公式3-2
Som=S3+S4 公式3-3
式中:Φ为面孔率,So为含油饱和度,Som为可动油饱和度,S1为颗粒组分相对占比,S2为孔隙组分相对占比,S3为油质沥青组分相对占比,S4胶质沥青组分相对占比,S5为沥青质沥青组分相对占比,S6为炭质沥青组分相对占比。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于荧光薄片的微观剩余油定量分析方法,其特征在于:具体包括:
(1)对荧光薄片进行鉴定及多视域图片采集,得到荧光图片;
(2)对荧光图片进行亮度校准,得到亮度校准后的荧光图片;
(3)对亮度校准后的荧光图片进行多视域拼接,得到拼接后的荧光图;
(4)建立特征荧光颜色图版;
(5)基于特征荧光颜色图版,对拼接后的荧光图片进行分割;
(6)基于分割结果,进行微观剩余油各参数计算、统计及分析;
所述步骤(1)在加装有汞灯部件的光学显微镜下完成,具体操作为:对每张荧光薄片进行人为鉴定,根据荧光颜色特征,将荧光颜色划分为6个类别:类别1暗绿-墨绿色、类别2浅绿-绿-黄绿色、类别3绿黄-黄-亮黄色、类别4黄橙-橙黄-橙色、类别5褐-红褐-褐红色、类别6黑色,且依次对应于颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分,并对每张荧光薄片从右上角开始,采用S型路径在50倍放大倍数下逐视域拍摄,获取荧光图片,直至遍历整张荧光薄片,且拍摄过程中保证位置相邻的荧光图片边缘有相同部分,便于后续对齐、拼接;
所述步骤(2)的具体操作为:首先将步骤(1)获得的荧光图像由RGB彩色空间转换为HSI彩色空间;
HSI彩色空间包括H、S和I分量矩阵,其中I分量表示图像的亮度程度,分别计算所有荧光薄片下全部视域荧光图片I分量的平均值,取其最大值作为亮度标准值,再通过公式1获得亮度校准后的I分量矩阵I_change,再由H、S、I_change三分量转换为RGB图片,获取亮度校准后的荧光图片;
I_change=Imax/Iav*I 公式1
式中:I_change是转换后的亮度分量矩阵,I是原始图片的亮度分量矩阵,Imax是亮度标准值,Iav是每张荧光图片亮度分量的平均值;
所述步骤(5)的具体操作为:通过公式2-1和2-2分别计算类别步骤(4)中类别1-5特征荧光颜色图版的平均值、协方差矩阵;并通过公式2-3和2-4,从拼接后的荧光图上依次找到与特征荧光颜色图版颜色相近的像素位置,完成图像分割,图像上剩余部分即为炭质沥青组分;
m=Xi/N(i=R,G,B) 公式2-1
C=(Xi-m)T(Xi-m)/(N-1)(i=R,G,B) 公式2-2
式中:Xi分别为彩色图像的R,G,B分量,N为图像像素值,m为平均值,C为协方差矩阵,
D(z,m)=[(z-m)TC-1(z-m)]1/2 公式2-3
D(z,m)≤T 公式2-4
式中:D(z,m)为Mahalanobis距离,z为所需分割图像RGB空间上的任一点,m为平均值,C为协方差矩阵,T为指定阈值。
2.根据权利要求1所述的一种基于荧光薄片的微观剩余油定量分析方法,其特征在于,所述步骤(3)的具体操作为:通过CorelDRAWX7软件将步骤(2)中各相邻荧光图片边缘的相同部分重合,进而将每张荧光薄片下所有视域荧光图片拼接成完整的荧光图片,再裁剪掉图片四周不规则部分,获取大视域高分辨率的荧光图像,裁剪后图像为规则矩形。
3.根据权利要求2所述的一种基于荧光薄片的微观剩余油定量分析方法,其特征在于,所述步骤(4)的具体操作为:根据步骤(1)荧光薄片鉴定划分的颜色类别,分别建立类别1-5的特征荧光颜色图版。
4.根据权利要求3所述的一种基于荧光薄片的微观剩余油定量分析方法,其特征在于,所述步骤(6)的具体操作为:基于步骤(5)的分割结果得出颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青6个组分的分布规律及相互关系,并计算颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青各组分的相对占比,依次记为S1、S2、S3、S4、S5、S6,并且依据颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青以及炭质沥青各组分的分布规律及相互关系确定计算公式,由S1-S6进一步计算面孔率,含油饱和度,可动油饱和度参数,完成定量分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974081.0A CN112150424B (zh) | 2020-09-16 | 2020-09-16 | 一种基于荧光薄片的微观剩余油定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974081.0A CN112150424B (zh) | 2020-09-16 | 2020-09-16 | 一种基于荧光薄片的微观剩余油定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150424A CN112150424A (zh) | 2020-12-29 |
CN112150424B true CN112150424B (zh) | 2023-02-24 |
Family
ID=73893870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010974081.0A Active CN112150424B (zh) | 2020-09-16 | 2020-09-16 | 一种基于荧光薄片的微观剩余油定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150424B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4868883A (en) * | 1985-12-30 | 1989-09-19 | Exxon Production Research Company | Analysis of thin section images |
CN103206208A (zh) * | 2013-03-08 | 2013-07-17 | 中石化河南油田分公司石油勘探开发研究院 | 一种微观不同赋存状态剩余油宏观量化的方法 |
CN103674116A (zh) * | 2013-12-16 | 2014-03-26 | 天津陆海石油设备系统工程有限责任公司 | 双视域岩屑分析解释系统 |
CN104076046A (zh) * | 2013-03-28 | 2014-10-01 | 中国石油化工股份有限公司 | 多孔介质中剩余油微观分布图像采集与定量表征方法 |
CN107153074A (zh) * | 2017-03-21 | 2017-09-12 | 山东省科学院海洋仪器仪表研究所 | 一种基于高精度成像的微观剩余油定量评价方法 |
DE102017117428A1 (de) * | 2017-08-01 | 2019-02-07 | Schölly Fiberoptic GmbH | Bildgebendes Verfahren unter Ausnutzung von Fluoreszenz sowie zugehörige Bildaufnahmevorrichtung |
CN109508718A (zh) * | 2019-01-17 | 2019-03-22 | 孙丽艳 | 剩余油微观定量表征方法及系统 |
-
2020
- 2020-09-16 CN CN202010974081.0A patent/CN112150424B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4868883A (en) * | 1985-12-30 | 1989-09-19 | Exxon Production Research Company | Analysis of thin section images |
CN103206208A (zh) * | 2013-03-08 | 2013-07-17 | 中石化河南油田分公司石油勘探开发研究院 | 一种微观不同赋存状态剩余油宏观量化的方法 |
CN104076046A (zh) * | 2013-03-28 | 2014-10-01 | 中国石油化工股份有限公司 | 多孔介质中剩余油微观分布图像采集与定量表征方法 |
CN103674116A (zh) * | 2013-12-16 | 2014-03-26 | 天津陆海石油设备系统工程有限责任公司 | 双视域岩屑分析解释系统 |
CN107153074A (zh) * | 2017-03-21 | 2017-09-12 | 山东省科学院海洋仪器仪表研究所 | 一种基于高精度成像的微观剩余油定量评价方法 |
DE102017117428A1 (de) * | 2017-08-01 | 2019-02-07 | Schölly Fiberoptic GmbH | Bildgebendes Verfahren unter Ausnutzung von Fluoreszenz sowie zugehörige Bildaufnahmevorrichtung |
CN109508718A (zh) * | 2019-01-17 | 2019-03-22 | 孙丽艳 | 剩余油微观定量表征方法及系统 |
Non-Patent Citations (5)
Title |
---|
一种稳健的低照度岩心样本图像拼接算法的实现;胡明 等;《四川大学学报(自然科学版)》;20150531;第547-556页 * |
储层微观剩余油分析技术开发与应用研究;孙先达;《中国优秀博士学位论文全文数据库 工程科技Ⅰ辑》;20110915;第7-27页 * |
榆树林油田低渗储层微观特征及剩余油分布;张雁等;《科学技术与工程》;20110418(第11期);全文 * |
用荧光分析方法研究聚合物驱后微观剩余油变化;宋考平等;《石油学报》;20050325(第02期);全文 * |
荧光图像分析法在河南油田的应用;林硕等;《西部探矿工程》;20161015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112150424A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200034651A1 (en) | Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring | |
CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
CN101877127B (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
US20170337415A1 (en) | Learning Pixel Visual Context from Object Characteristics to Generate Rich Semantic Images | |
CN102968800B (zh) | 一种图像清晰度的评价方法 | |
CN105547602B (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
CN105974120B (zh) | 一种c反应蛋白色度自动检测装置与方法 | |
CN112051200B (zh) | 一种致密砂岩储层孔隙结构的定量评价方法和装置 | |
CN108416784A (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN106408526B (zh) | 一种基于多层矢量图的能见度检测方法 | |
US6947591B2 (en) | Process of identifying the sky in an image and an image obtained using this process | |
CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
CN107525768A (zh) | 一种dna倍体分析设备的质量控制方法 | |
CN112150424B (zh) | 一种基于荧光薄片的微观剩余油定量分析方法 | |
Baker et al. | Detection and segmentation of man-made objects in outdoor scenes: concrete bridges | |
Anangsha et al. | A new autonomous program customized for computing surface cracks in an unsaturated soil in a 1-D column | |
CN117114655B (zh) | 一种电影胶片修复后质量分析对比方法 | |
CN117451012A (zh) | 一种无人机航摄测量方法及系统 | |
CN105701816A (zh) | 一种图像自动分割方法 | |
CN111007474A (zh) | 一种基于多特征的天气雷达回波分类方法 | |
CN113971427B (zh) | 基于改进模型的岩屑识别方法 | |
CN111091601B (zh) | 一种实时白天室外手机图像的pm2.5指数估计方法 | |
CN110348404B (zh) | 一种农村道路景观视觉评价分析方法 | |
CA2939304A1 (en) | A pixel-based universal image info extraction models and process flow |
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 |