CN112308819A - 一种基于扫描电镜多特征灰度图像的孔隙识别方法 - Google Patents
一种基于扫描电镜多特征灰度图像的孔隙识别方法 Download PDFInfo
- Publication number
- CN112308819A CN112308819A CN202010970397.2A CN202010970397A CN112308819A CN 112308819 A CN112308819 A CN 112308819A CN 202010970397 A CN202010970397 A CN 202010970397A CN 112308819 A CN112308819 A CN 112308819A
- Authority
- CN
- China
- Prior art keywords
- image
- electron microscope
- scanning electron
- pores
- gray
- 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.)
- Pending
Links
- 239000011148 porous material Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000005416 organic matter Substances 0.000 claims description 2
- 229910052683 pyrite Inorganic materials 0.000 claims description 2
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 claims description 2
- 239000011028 pyrite Substances 0.000 claims description 2
- 241001270131 Agaricus moelleri Species 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000001000 micrograph Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XKRFYHLGVUSROY-UHFFFAOYSA-N argon Substances [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- -1 argon ions Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000003079 shale oil Substances 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于扫描电镜多特征灰度图像的孔隙识别方法，包括以下步骤：图像采集：在扫描电镜设备下，分别采集选定分析区域的背散射图像和二次电子图像；图像预处理：分别对背散射图像和二次电子图像进行灰度校正；孔隙识别：以背散射电子图像和二次电子图像像素点的灰度值为基础，根据典型样本点建立识别函数，对每一个像素点所属组分类型进行区分，再归并区块。本发明以扫描电镜下二次电子图像和背散射电子图像的像素点灰度值为基础，建立基于二维数据的孔隙识别的数学模型，来区分目标区的属性，该方法实现了扫描电镜页岩孔隙的高精度识别，在区分孔隙(有机质孔隙、无机孔隙)和基质(有机质、无机矿物)方面具有较好的效果。
Description
技术领域
本发明涉及页岩油气评价技术领域，尤其是一种基于扫描电镜多特征灰度图像的孔隙识别方法。
背景技术
在页岩孔隙性评价和孔隙结构分析中，扫描电镜是一种广泛的应用技术。对未抛光的样品进行扫描电镜观察可以定性分析页岩的孔隙类型和分布特征，通过对氩离子抛光的页岩样品的扫描电镜观察可以定量统计页岩孔隙的各种参数。但是，人工统计页岩孔隙参数的工作量巨大，一般仅用于科学研究，难以用于工业生产推广，因此很多学者和研发人员都对扫描电镜孔隙的计算机识别技术开展了大量研究。目前已有的识别技术以灰度法和分割法为主。
由于页岩中孔隙分布于有机质和不同类型的无机矿物中，而有机质和不同类型的无机矿物在扫描电镜下灰度不一，不同类型孔隙的灰度值相对于有机质或者无机矿物的灰度值的高低也存在差别，因此单从灰度值的高低来看，孔隙和基质的灰度值区间往往存在一定的重叠，造成灰度区分孔隙和基质存在一定误差。
分割法对于较大的孔隙往往具有较好的区分效果，但是孔隙较小时实现难度较大。目前的扫描电镜技术下，观察到的页岩孔隙极限约为放大倍数10万倍下1个像素点，大约是3～6nm，同时也是页岩微纳米孔隙分布的重要尺度。因此，放大倍数10万倍扫描电镜下经常可见几个甚至1个像素点即为1个孔隙的情况，此时如果采用分割法则容易将孔隙作为噪点排除，识别精度大大降低。
发明内容
本发明主要是克服现有技术中的不足之处，提出一种基于扫描电镜多特征灰度图像的孔隙识别方法，该方法实现了扫描电镜页岩孔隙的高精度识别，在区分孔隙(有机质孔隙、无机孔隙)和基质(有机质、无机矿物)方面具有较好的效果。
本发明解决上述技术问题所提供的技术方案是：一种基于扫描电镜多特征灰度图像的孔隙识别方法，包括以下步骤：
A、图像采集：在扫描电镜设备下，分别采集选定分析区域的背散射图像和二次电子图像；
B、图像预处理：分别对背散射图像和二次电子图像进行灰度校正；
C、孔隙识别：以背散射电子图像和二次电子图像像素点的灰度值为基础，根据典型样本点建立识别函数，对每一个像素点所属组分类型进行区分，再归并区块；
其中识别函数如下：
T＝f(VBS,VET)
式中：T表示组分类型；f表示函数；VBS表示二次电子图像像素点的灰度值；VET表示背散射电子图像像素点的灰度值。
进一步的技术方案是，所述步骤A中采集背散射图像和二次电子图像的扫描电镜设备的采集参数相同。
进一步的技术方案是，所述步骤B中灰度校正以黄铁矿和有机质的灰度作为标准灰度，去除因分析区域改变造成的亮度不一致性。
进一步的技术方案是，所述组分类型包括有机质、无机矿物、有机孔和无机孔。
进一步的技术方案是，所述归并区块的具体过程为：在二维平面上分别判断各个像素点与周围像素点的连通性；若两个相邻像素点组分类型一致，则判断两个像素点连通，属于同一个归并区块。
本发明具有以下有益效果：
1、参数易获取：本案所提出孔隙识别方法的ETD图像和背散射图像BSED可以通过常规扫描电镜获得；
2、可靠性高：传统的利用1张扫描电镜图像进行孔隙识别，区分有机质孔隙、无机孔隙、有机质和无机矿物效果较差；本案所提出的孔隙识别方法大大提高了灰度识别的可行性，并能够取得较高的识别结果；
3、原理清晰：本案提出的孔隙识别方法，不同于传统方法仅依靠1张扫描电镜灰度图像的信息处理，而是基于不同类型的扫描电镜图像的灰度信息，建立孔隙识别的数学模型，进行孔隙识别，原理清晰、易于推广。
附图说明
图1为本发明的识别流程图；
图2为某页岩样品扫描电镜ETD和BSED图；
图3为灰度值分布关系图；
图4为图2A中四个区域放大图；
图5为图2B中四个区域放大图；
图6为孔隙识别结果图。
具体实施方式
下面结合实施例和附图对本发明做更进一步的说明。
如图1所示，本发明的一种基于扫描电镜多特征灰度图像的孔隙识别方法，包括以下步骤：
1)图像采集：在扫描电镜设备下，分别采集选定分析区域R的背散射图像BSED(如图4A所示)和二次电子图像ETD(如图4B所示)；分析区域R的背散射图像BSED和二次电子图像ETD在采集过程中除了图像类型，扫描电镜设备其他采集参数保持不变；
2)图像预处理：分别对背散射图像BSED和二次电子图像ETD进行灰度校正；图像灰度校正以黄铁矿和有机质的灰度作为标准灰度，去除因分析区域改变造成的亮度不一致性；
3)灰度识别：分别背散射图像BSED和二次电子图像ETD的每一个像素点的灰度值VBS和VET，即每一个像素点都具有VBS和VET两个灰度值；将扫描电镜图像分为有机质、无机矿物、有机孔和无机孔4种组分，根据典型样本点建立识别函数(公式1)，对每一个像素点所属组分类型T进行区分。
T＝f(VBS,VET)--------(1)
式中：T表示组分类型；f表示函数；VBS表示二次电子图像像素点的灰度值；VET表示背散射电子图像像素点的灰度值；
4)归并区块：在二维平面上分别判断各个像素点与周围像素点的连通性；如果两个相邻像素点组分类型T一致，则判断两个像素点连通，属于同一个归并区块。
其中分别选取图4中编号为a、b、c、d的4个孔隙，4个孔隙放大后如图5、图6所示，图5和图6中黄色十字标注为灰度值的取值点。
对图4中的孔隙识别流程如下：
1)分别采集二次电子图像ETD和背散射图像BSED中的典型样本点的灰度值，同一位置对应的二次电子图像ETD和背散射图像BSED中的灰度值为一组数据，共采集了91组的182个灰度值数据；91组数据中包括有机质23组、无机矿物22组、有机质孔隙31组、无机孔隙14组，各组二次电子图像ETD与背散射图像BSED的灰度值分布关系如图3所示，从图3可见有机质孔隙、有机质、无机孔隙的灰度分布区间高度重叠；
2)以样本点的二次电子图像ETD和背散射图像BSED灰度值为输入自变量，采用SPSS Modeler的多层神经网络模型分析；
3)采用2)所得神经网络模型对图4中整个图像进行分析，并归并区块。最终得到的孔隙识别结果图像如图6所示。
本发明以扫描电镜下二次电子图像ETD和背散射电子图像BSED的像素点灰度值为基础，建立基于二维数据的孔隙识别的数学模型，来区分目标区的属性(是否属于孔隙或基质)，该方法实现了扫描电镜页岩孔隙的高精度识别，在区分孔隙(有机质孔隙、无机孔隙)和基质(有机质、无机矿物)方面具有较好的效果。
以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (5)
1.一种基于扫描电镜多特征灰度图像的孔隙识别方法，其特征在于，包括以下步骤：
A、图像采集：在扫描电镜设备下，分别采集选定分析区域的背散射图像和二次电子图像；
B、图像预处理：分别对背散射图像和二次电子图像进行灰度校正；
C、孔隙识别：以背散射电子图像和二次电子图像像素点的灰度值为基础，根据典型样本点建立识别函数，对每一个像素点所属组分类型进行区分，再归并区块；
其中识别函数如下：
T＝f(VBS,VET)
式中：T表示组分类型；f表示函数；VBS表示二次电子图像像素点的灰度值；VET表示背散射电子图像像素点的灰度值。
2.根据权利要求1所述的一种基于扫描电镜多特征灰度图像的孔隙识别方法，其特征在于，所述步骤A中采集背散射图像和二次电子图像的扫描电镜设备的采集参数相同。
3.根据权利要求1所述的一种基于扫描电镜多特征灰度图像的孔隙识别方法，其特征在于，所述步骤B中灰度校正以黄铁矿和有机质的灰度作为标准灰度，去除因分析区域改变造成的亮度不一致性。
4.根据权利要求1-3中任一项所述的一种基于扫描电镜多特征灰度图像的孔隙识别方法，其特征在于，所述组分类型包括有机质、无机矿物、有机孔和无机孔。
5.根据权利要求4所述的一种基于扫描电镜多特征灰度图像的孔隙识别方法，其特征在于，所述归并区块的具体过程为：在二维平面上分别判断各个像素点与周围像素点的连通性；若两个相邻像素点组分类型一致，则判断两个像素点连通，属于同一个归并区块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010970397.2A CN112308819A (zh) | 2020-09-16 | 2020-09-16 | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010970397.2A CN112308819A (zh) | 2020-09-16 | 2020-09-16 | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308819A true CN112308819A (zh) | 2021-02-02 |
Family
ID=74483399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010970397.2A Pending CN112308819A (zh) | 2020-09-16 | 2020-09-16 | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308819A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113192119A (zh) * | 2021-05-27 | 2021-07-30 | 宜宾学院 | 一种多尺度孔隙面孔率的定量统计方法 |
| CN113191330A (zh) * | 2021-05-27 | 2021-07-30 | 宜宾学院 | 融合二次电子和背散射电子图像的区域生长孔隙识别方法 |
| CN113533158A (zh) * | 2021-07-06 | 2021-10-22 | 中国地质大学（北京） | 一种基于sem图像的煤储层孔隙结构参数定量分析方法 |
| CN114627083A (zh) * | 2022-03-16 | 2022-06-14 | 贝光科技(苏州)有限公司 | 基于二次电子信号图像的页岩孔缝类型识别方法 |
| CN117886627A (zh) * | 2024-03-18 | 2024-04-16 | 上海德迈世欧科技有限公司 | 一种无机复合聚苯保温装饰一体板及其制备方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106841260A (zh) * | 2017-03-02 | 2017-06-13 | 中国石油天然气股份有限公司 | 岩心孔隙含油性的确定方法和装置 |
| 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 |
-
2020
- 2020-09-16 CN CN202010970397.2A patent/CN112308819A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106841260A (zh) * | 2017-03-02 | 2017-06-13 | 中国石油天然气股份有限公司 | 岩心孔隙含油性的确定方法和装置 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| 于冰;卢兆林;王帅;王震威;于建勇;: "基于EDS的煤中微细粒矿物相分布研究", 电子显微学报 * |
| 曹寅,朱樱,黎琼: "扫描电镜与图像分析在储层研究中的联合应用", 石油实验地质 * |
| 王朋飞: "氦离子显微镜在页岩有机质孔隙识别中的应用", 电子显微学报 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113192119A (zh) * | 2021-05-27 | 2021-07-30 | 宜宾学院 | 一种多尺度孔隙面孔率的定量统计方法 |
| CN113191330A (zh) * | 2021-05-27 | 2021-07-30 | 宜宾学院 | 融合二次电子和背散射电子图像的区域生长孔隙识别方法 |
| CN113533158A (zh) * | 2021-07-06 | 2021-10-22 | 中国地质大学（北京） | 一种基于sem图像的煤储层孔隙结构参数定量分析方法 |
| CN114627083A (zh) * | 2022-03-16 | 2022-06-14 | 贝光科技(苏州)有限公司 | 基于二次电子信号图像的页岩孔缝类型识别方法 |
| CN114627083B (zh) * | 2022-03-16 | 2023-11-03 | 贝光科技(苏州)有限公司 | 基于二次电子信号图像的页岩孔缝类型识别方法 |
| CN117886627A (zh) * | 2024-03-18 | 2024-04-16 | 上海德迈世欧科技有限公司 | 一种无机复合聚苯保温装饰一体板及其制备方法 |
| CN117886627B (zh) * | 2024-03-18 | 2024-07-09 | 上海德迈世欧科技有限公司 | 一种无机复合聚苯保温装饰一体板及其制备方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308819A (zh) | 一种基于扫描电镜多特征灰度图像的孔隙识别方法 | |
| CN107067379B (zh) | 基于三维fib-sem图像的页岩孔隙定量表征方法 | |
| JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのｂｇａチップの視覚識別方法 | |
| CN106909941A (zh) | 基于机器视觉的多表字符识别系统及方法 | |
| Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
| CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
| CN115187527B (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
| CN103984939B (zh) | 一种样本有形成分分类方法及系统 | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| CN111882664B (zh) | 一种多窗口累计差分的裂缝提取方法 | |
| CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
| CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
| CN110991439A (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
| CN113191330A (zh) | 融合二次电子和背散射电子图像的区域生长孔隙识别方法 | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN101231229A (zh) | 液体含菌量非染色自动计数方法 | |
| CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
| JP2840347B2 (ja) | 基板実装検査装置 | |
| CN114549403B (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
| CN115471494A (zh) | 基于图像处理的沃柑质检方法、装置、装备及存储介质 | |
| CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
| CN112364844B (zh) | 一种基于计算机视觉技术的数据采集方法及系统 | |
| CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |
|
| RJ01 | Rejection of invention patent application after publication |