CN112801205A - 岩石纹层结构的获取方法及装置 - Google Patents
岩石纹层结构的获取方法及装置 Download PDFInfo
- Publication number
- CN112801205A CN112801205A CN202110191200.XA CN202110191200A CN112801205A CN 112801205 A CN112801205 A CN 112801205A CN 202110191200 A CN202110191200 A CN 202110191200A CN 112801205 A CN112801205 A CN 112801205A
- Authority
- CN
- China
- Prior art keywords
- rock
- layer
- feature
- vector
- value
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种岩石纹层结构的获取方法及装置,首先接收扫描设备在不同电压下对岩石样本的各个层采集的扫描图像;基于预设的各特征提取类型,对扫描图像进行特征提取,获得不同电压下各个层的特征变量;基于每个特征提取类型,通过对特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,其中,特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量;根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定各个层的岩石类别,以获得岩石样本的纹层结构。从而避免了通过测井曲线进行岩石纹层结构划分时,受到测井设备分辨率的限制,导致划分结果不准确的问题。
Description
技术领域
本申请涉及油气藏勘探领域,尤其涉及一种岩石纹层结构的获取方法及装置。
背景技术
在进行油气勘探时,通常需要依据地层中岩石的纹层结构进一步确定地层中油气的储层的位置信息、开采时的压裂位置信息等勘探信息。
目前,由于不同纹层的岩石具有不同的测井曲线,因此在确定岩石纹层结构的常用方法为基于测井曲线的变化信息进行岩石纹层结构的划分。
然而,通过测井曲线进行岩石纹层结构划分时,受到测井设备的分辨率的限制,使得测井设备对一些毫米级的纹层无法划分,导致划分结果不准确。
发明内容
本申请提供了一种岩石纹层结构的获取方法及装置,用于解决现有技术中,通过测井曲线进行纹层划分时,划分结果不准确的问题。
第一方面,本申请提供一种岩石纹层结构的获取方法,所述方法包括:
接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像。
基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量。
基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,所述特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量。
根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别,以获得所述岩石样本的纹层结构。
在一种可能的设计中,根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别,包括:
根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类获得类别向量和各个层的概率向量;所述类别向量中的岩石类别元素与各个层一一对应,岩石类别元素的不同赋值表征不同的岩石类别;所述每个层的概率向量包括该层相对所述多个岩石类别的概率。
针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值。
根据类别向量中各岩石类别元素的当前赋值,确定所述各个层的岩石类别。
在一种可能的设计中,所述针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值之后,还包括:
对所述类别向量进行微分得到微分向量,所述微分向量包括与各个层一一对应的微分元素。
确定待修正层的层数h的初始取值。
根据h的当前取值,从所述微分向量中查找出微分元素组,所述微分元素组为连续h个值为零的微分元素,且该微分元素组前后相邻的微分元素的值均不为零。
按照预设的步长增加h的值,并再次执行所述根据当前h的取值,从所述微分向量中查找出微分元素组的步骤;直至h的当前取值达到预设的上限值,所述上限值不超过所述岩石样本的厚度。
针对所述微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正。
在一种可能的设计中,针对所述微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正,包括:
针对所述微分元素组中每个微分元素对应的层,检测该层与任一相邻层是否满足以下条件:
其中,i为变量,表征不同的层;为第i层的概率向量中的最大概率;为第i层的概率向量中的第二大概率;其中,S的取值基于以下规则确定:若该层的概率向量中的第二大概率对应的岩石类别与所述相邻层的岩石类别一致,则S为第一值,否则,S为第二值;其中,第一值小于第二值;σ为预设误差值。
若满足上述条件,则将类别向量中该层对应的岩石类别元素的赋值修正为,与所述第二大概率对应的岩石类别所对应的值。
在一种可能的设计中,所述特征提取类型包括:扫描图像中各像素的均值、众数、中值、均标准差、最小值以及灰度直方图中各像素区间内的像素个数。
在一种可能的设计中,在所述特征提取类型包括灰度直方图中各像素区间内的像素个数时,所述对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量,包括:
若所述电压小于预设的阈值,则基于像素值越小则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定所述灰度直方图中的各像素区间;统计获得所述电压下各像素区间内的像素个数。
若所述电压大于预设的阈值,则基于像素值越大则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定所述灰度直方图中的各像素区间;统计获得所述电压下各像素区间内的像素个数。
在一种可能的设计中,所述基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量之后,所述方法还包括:
对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量。
在一种可能的设计中,所述对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量,包括:
对每个电压下的每个特征提取类型对应的特征向量,按照如下公式进行标准化处理,获得标准化处理后的特征向量:
其中,Y代表标准化处理后的特征向量,x为标准化处理前的特征向量,μ为所述x的均值,σ为所述x的标准差,A为预设的偏移参数,B为预设的速率参数。
在一种可能的设计中,所述预设的多个岩石类别的数量与轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量相同;所述根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别之前,还包括:
分别基于不同数量的岩石类别,执行以下步骤:根据不同电压下各特征提取类型对应的特征向量以及当前的岩石类别,通过聚类获得类别向量和各个层的概率向量;根据所述类别向量和各个层的概率向量,确定当前的岩石类别组下所述岩石样本的轮廓系数。
绘制轮廓系数与岩石类别数量之间的曲线图,确定轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量。
第二方面,本申请提供一种岩石纹层结构的获取装置,所述装置包括:
接收单元,用于接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像。
提取单元,用于基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量。
整合单元,用于基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,所述特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量。
第一确定单元,用于根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别,以获得所述岩石样本的纹层结构。
在一种可能的设计中,第一确定单元,包括:
第一确定模块,用于根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类获得类别向量和各个层的概率向量;所述类别向量中的岩石类别元素与各个层一一对应,岩石类别元素的不同赋值表征不同的岩石类别;所述每个层的概率向量包括该层相对所述多个岩石类别的概率。
第二确定模块,用于针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值。
第三确定模块,用于根据类别向量中各岩石类别元素的当前赋值,确定所述各个层的岩石类别。
在一种可能的设计中,所述装置还包括:
第一处理模块,用于在第二确定模块针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值之后,对所述类别向量进行微分得到微分向量,所述微分向量包括与各个层一一对应的微分元素。
第四确定模块,用于确定待修正层的层数h的初始取值。
第二处理模块,用于根据h的当前取值,从所述微分向量中查找出微分元素组,所述微分元素组为连续h个值为零的微分元素,且该微分元素组前后相邻的微分元素的值均不为零。
第二处理模块,还用于按照预设的步长增加h的值,并再次执行所述根据当前h的取值,从所述微分向量中查找出微分元素组的步骤;直至h的当前取值达到预设的上限值,所述上限值不超过所述岩石样本的厚度。
修正模块,用于针对所述微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正。
在一种可能的设计中,所述修正模块,具体用于:
针对所述微分元素组中每个微分元素对应的层,检测该层与任一相邻层是否满足以下条件:
其中,i为变量,表征不同的层;为第i层的概率向量中的最大概率;为第i层的概率向量中的第二大概率;其中,S的取值基于以下规则确定:若该层的概率向量中的第二大概率对应的岩石类别与所述相邻层的岩石类别一致,则S为第一值,否则,S为第二值;其中,第一值小于第二值;σ为预设误差值。
若满足上述条件,则将类别向量中该层对应的岩石类别元素的赋值修正为,与所述第二大概率对应的岩石类别所对应的值。
在一种可能的设计中,所述特征提取类型包括:扫描图像中各像素的均值、众数、中值、均标准差、最小值以及灰度直方图中各像素区间内的像素个数。
在一种可能的设计中,在所述特征提取类型包括灰度直方图中各像素区间内的像素个数时,提取单元,具体用于:
若所述电压小于预设的阈值,则基于像素值越小则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定所述灰度直方图中的各像素区间;统计获得所述电压下各像素区间内的像素个数。
若所述电压大于预设的阈值,则基于像素值越大则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定所述灰度直方图中的各像素区间;统计获得所述电压下各像素区间内的像素个数。
在一种可能的设计中,所述装置还包括:
处理单元,用于在所述整合单元基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量之后,对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量。
在一种可能的设计中,所述处理单元,具体用于:
对每个电压下的每个特征提取类型对应的特征向量,按照如下公式进行标准化处理,获得标准化处理后的特征向量:
其中,Y代表标准化处理后的特征向量,x为标准化处理前的特征向量,μ为所述x的均值,σ为所述x的标准差,A为预设的偏移参数,B为预设的速率参数。
在一种可能的设计中,所述预设的多个岩石类别的数量与轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量相同,所述装置还包括,
第二确定单元,用于在所述整合单元根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别之前,分别基于不同数量的岩石类别,执行以下步骤:根据不同电压下各特征提取类型对应的特征向量以及当前的岩石类别,通过聚类获得类别向量和各个层的概率向量;根据所述类别向量和各个层的概率向量,确定当前的岩石类别组下所述岩石样本的轮廓系数。
第三确定单元,用于绘制轮廓系数与岩石类别数量之间的曲线图,确定轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量。
第三方面,本申请提供一种电子设备,包括:存储器,处理器。
存储器;用于存储所述处理器可执行指令的存储器。
其中,所述处理器,用于根据所述可执行指令执行如第一方面任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
第五方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现如第一方面任一项所述的方法。
本申请提供的岩石纹层结构的获取方法及装置,通过接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像;基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量;基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量;根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定各个层的岩石类别,以获得岩石样本的纹层结构。本申请提供的方案,无需测井即可实现岩石纹层的识别,从而避免了通过测井曲线进行岩石纹层结构划分时,受到测井设备的分辨率的限制,使得测井设备对一些毫米级的纹层无法划分,导致划分结果不准确的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种岩石纹层结构的获取方法的流程示意图;
图2为本申请提供的一种扫描设备的结构示意图;
图3为本申请实施例提供的另一种岩石纹层结构的获取方法的流程示意图;
图4为本申请实施例提供的一种岩石类别修正的流程示意图;
图5为本申请实施例提供的一种岩石纹层结构的获取装置的结构示意图;
图6为本申请实施例提供的又一种岩石纹层结构的获取装置的结构示意图;
图7为本申请实施例中提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面对本申请所涉及的应用场景以及现有技术中所存在的问题进行说明。
岩石的纹层结构是岩石存在沉积和成岩等作用下形成的不同类型的层状结构,由于岩石纹层结构与油气储藏的压裂层或者储藏位置的选择有关。因此,研究岩石纹层结构的划分方法,对我国油气资源的勘探与开发具有十分重要的意义。
一个示例中,在对岩石的纹层结构进行研究时,首先会通过钻井的方式获取岩石样本,然后直接人眼观察,并对岩石的纹层进行划分。然而通过上述方法进行划分时,由于相关人员的经验不一,因此不同人员的划分结果不同,通过该方法进行判断具有很强的人为主观因素,划分结果不准确。
一个示例中,在对岩石纹层进行划分时,可以选取野外露头区进行观察,而野外露头区这种地表的露头与地下的深层处储层之间的差异较大,因此选择野外露头区的岩石样本进行纹层划分的直接观察,无法准确的描述地下油气储层处的纹层结构。
一个示例中,由于不同的岩石纹层之间的岩石物理特性存在差异,因此可以采用常规的测井设备对岩石样本进行测井数据的采集,进而通过不同测井曲线的差异进行纹层的划分。然而通过上述的方法,进行纹层结构的划分时,由于测井设备的分辨率的限制,该方法仅能推测厘米级别的纹层进行划分,而对于毫米级别的纹层无法划分,导致划分结果不准确。
一个示例中,利用采集到的岩石制作岩石样本,并且,在偏光显微镜进行镜下薄片鉴定、扫描电镜、和矿物定量分析、聚焦离子束扫描电镜等一系列仪器对样品进行分析,然后进行一系列的图像处理,从而实现对纹层进行划分。然而,通过利用偏光显微镜进行岩石纹层划分受偏光显微镜的限制,制作的样本都是微米级的,无法反应岩石的整体特性。
本申请提供的岩石纹层结构的获取方法及装置,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例提供的一种岩石纹层结构的获取方法的流程示意图。如图1所示,该方法包括:
步骤S101、接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像。
示例性地,为了通过岩石纹层结构以判断地下储层以及压裂层段的位置,扫描设备会依据本身的分辨率对岩石样本在不同的电压下进行分层扫描,进而获取不同电压下,岩石样本各个层的扫描图像。
一个示例中,该扫描设备可以为医疗级的电子计算机断层扫描设备(ComputedTomography,简称CT)或者工业级CT进行,进行岩石样本的扫描。医疗CT或者工业级CT可以达到毫米级别的分辨率,使得最终对岩石样本纹层的划分更加准确。在进行CT扫描时,CT设备可以依据设备本身的分辨率,对岩石样本进行分层扫描。
一个示例中,图2为本申请提供的一种扫描设备的结构示意图。图2中,在扫描设备中包括有X射线源、精密机械转动装置、探测器。在扫描过程中,可以将岩石样本放置在精密机械转动装置上,通过机密机械转动装置控制岩石样本的平移及转动,并且在移动过程中,通过X射线源向岩石样本发射X射线,并且利用探测器接收岩石样本辐射出的X射线,之后进行常规的光电转换、模数转换以及图像重构从而获取到岩石样本的扫描图像,其中可以通过设置X射线源的电压大小,从而获取到不同电压下的岩石样本各个层的扫描图像。
步骤S102、基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量。
示例性地,在获取到扫描设备发送的扫描图像之后,可以依据预设的特征提取类型,对每个电压下的各个层的扫描图像进行特征提取,从而获得每个电压下各个层的图像的特征变量。例如,预设的特征提取类型可以包括灰度像素均值、灰度直方图等,此处不做具体限制。
步骤S103、基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量。
示例性地,对于通过步骤S102获取到的特征变量,对其进行整合。即,依据预设的特征提取类型,在每一电压下,将属于同一特征类型的所有层的特征变量组合成特征向量。即在同一电压下,一个特征类型对应一个特征向量,该特征向量中的各向量元素为各个层的特征变量,从而得到不同电压下各个特征提取类型对应的特征向量。
步骤S104、根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定各个层的岩石类别,以获得岩石样本的纹层结构。
示例性地,在获取到不同电压下的各个特征提取类型对应的特征向量之后,可以根据预设的多个岩石类别,通过聚类方法,确定各个层对应的岩石类别,从而得到岩石样本的纹层结构。例如,聚类方法可以采用高斯混合模型、k均值聚类算法等机器学习方法。
在本申请的实施例中,提供了一种岩石纹层结构的获取方法。具体地,可以接收扫描设备发送的不同电压下的各个层对应的扫描图像。这是由于扫描得到的扫描图像受到岩石本身特性的影响,会使得最终得到的图像造成不同程度的过曝光或者欠曝光,因此本申请采用不同的电压对应岩石样本进行扫描,进而保证了岩石样本中的过曝光或者欠曝光区域可以在某一电压下正常曝光,进而确保了最终的岩石样本的纹层结构划分的准确性,进一步的可以为油气的储藏位置的选取提供参考。并且,本申请还可以选用高分辨率的CT扫描机,使得对于毫米级别的纹层也可以得到准确的划分。
图3为本申请实施例提供的另一种岩石纹层结构的获取方法的流程示意图。如图3所示,该方法包括:
步骤S201、接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像。
步骤S202、基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量。
步骤S203、基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量。
示例性地,步骤S201-S203与图1中的步骤S101-S103原理相同,不再赘述。
步骤S204、根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类获得类别向量和各个层的概率向量;类别向量中的岩石类别元素与各个层一一对应,岩石类别元素的不同赋值表征不同的岩石类别;每个层的概率向量包括该层相对多个岩石类别的概率。
示例性地,在获取到不同电压下各特征提取类型对应的特征向量以及预设的岩石类别之后,可以通过聚类方法获取到岩石样本的类别向量以及概率向量。在类别向量中,包括有多个岩石类别元素,岩石类别元素的不同赋值代表了不同的岩石类别,且岩石类别元素与岩石的各个层之间一一对应。且每一层都具有一个概率向量,概率向量中包括有该层的预设岩石类别所对应的概率值。
一个示例中,可采用高斯混合模型这种聚类算法对岩石纹层进行划分。具体地,对于高斯混合模型模型,输入已提取的各特征向量以及预设的类别,并且初始化与预设的类别数目相同的多个高斯分布的均值参数和标准差参数之后,根据贝叶斯估计以及最大期望算法进行参数的不断调整,直到迭代至每一岩石类别的中心收敛为止,此时,输出岩石样本的类别向量以及概率向量
步骤S205、针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值。
示例性地,对于每个层而言,选取概率向量中概率值最大的概率所对应的岩石类别所对应的值,并将其赋给该层的岩石类别元素所对应的值。
步骤S206、根据类别向量中各岩石类别元素的当前赋值,确定各个层的岩石类别。
示例性地,在步骤S205赋值之后,可以依据类别向量中的类别元素的赋值,确定每个层的岩石类别,其中一个类别元素的赋值代表一个类别,从而得到岩石样本的纹层结构。
举例来说,假设各个层包括层1,层2,…层n,且基于前述步骤获得了类别向量{a1,a2,…,an},其中,岩石类别元素a1=s1,a2=s2…an=s1,且a1表征层1的岩石类别,a2表征层2的岩石类别,…,an表征层n的岩石类别,且假定s1代表岩石类别1,s2代表岩石类别2…,则基于上述的类别向量,可知层1的岩石类别为岩石类别1,层2的岩石类别为岩石类别2…层n的岩石类别为岩石类别1。
另外上述举例中,各岩石类别元素的取值是基于各个岩石类别元素对应的概率向量,也就是各个层对应的概率向量确定的。其中,每个层对应的概率向量包括多个概率元素,每个概率元素代表一种岩石类别,概率元素的值越大表示该层为该岩石类别的可能性越大。结合上述举例来说,假设层1对应的概率向量{x1,x2,…,xm},其中,x1表征岩石类别1,x2表征岩石类别2,…,xm表征岩石类别m,且x1=0.9(最大概率),x2=0.5,…,xm=0.1,则基于该层1对应的概率向量,可确定层1的岩石类别为最大概率x1对应的岩石类别,即岩石类别1,相应的,将层1对应的岩石类别元素a1赋值为岩石类别1对应的赋值s1。
在本实施例中,通过聚类的方法对岩石的纹层结构进行划分,进一步的对于岩石的每一层而言,都对应有一个概率向量,选取概率向量中概率最大值所对应的岩石类别的所对应的值,作为岩石最终的类别元素的赋值,进而得到岩石每一层的类别元素,确定每一层的岩石类别,通过上述确定类别向量的方法,提高的岩石纹层判断的准确度。
在一些实施例中,在图4所示的实施例的基础上,步骤S205之后,还需要进一步判断所确定的岩石类别的可信度,并对其进行修正,图4为本申请实施例提供的一种岩石类别修正的流程示意图,该修正流程可执行于图3所示的实施例中的步骤S205之后,该流程包括以下步骤:
步骤S301、对类别向量进行微分得到微分向量,微分向量包括与各个层一一对应的微分元素。示例性地,对聚类获得的类别向量进行微分,得到微分后的微分向量,其中,微分向量中包括有多个微分元素,且微分元素与各个层之间一一对应。
步骤S302、确定待修正层的层数h的初始取值。
示例性地,在对纹层类别进行修正时,首先需要确定岩石样本的待修正层的层数h的初始值。待修正层的层数的初始值可以依据人为经验设置也可以直接设置为1,代表从1个层开始进行修正。
步骤S303、根据h的当前取值,从微分向量中查找出微分元素组,微分元素组为连续h个值为零的微分元素,且该微分元素组前后相邻的微分元素的值均不为零。
示例性地,在确定待修正层的位置时,可以依据微分向量,确定待修正层的位置,即在微分向量中确定微分向量组的位置。具体地,可在微分向量中查找连续的h个值为0的微分向量元素,且该这h个连续为0的微分向量元素的前一个微分元素与后一个微分元素的值均为0,则这样的连续h个为0的微分元素组成了微分元素组。其中,若某微分向量元素为0,则说明其对应的层相比于前后层的岩石类别元素的赋值相同,若某微分向量元素不为0,则说明其对应层相比于前后层的岩石类别元素的赋值不同。
步骤S304、按照预设的步长增加h的值,并再次执行根据当前h的取值,从微分向量中查找出微分元素组的步骤;直至h的当前取值达到预设的上限值,上限值不超过岩石样本的厚度。
示例性地,依据预设的步长依次增加当前的h值,每增加一次h的取值,再执行一次步骤S303,直到h的取值达到了预设的上限值,其中预设的上限值不得超过岩石样本的总厚度。
一个示例中,可以依据聚类方法最终聚类结果的准确度或其余评价指标对厚度h的取值范围进行确定,若聚类后的准确度较差或其余评价指标表征聚类的结果的准确度较低时,可以将h的取值范围设置的较大一些,若准确度较高或其余评价指标表征聚类的结果的准确度较高时,可以将h的取值范围设置的较小一些。
步骤S305、针对微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正。
示例性地,在确定出微分向量组后,可以对微分向量组中,每一微分元素对应的层的岩石类别元素的赋值进行修正。具体地,在进行修正时,可以依据待修正的层所对应的概率向量进行修正。
一个示例中,在修正时,若待修正那一层所对应的概率向量中的第一大概率与第二大概率的差值落在预设范围内时,则可以将第二大概率所对应的岩石类别的值赋值给该层的岩石类别元素的值,从而进行修正。结合前述层1对应的概率向量{x1,x2,…,xm}的举例来说,假设层1属于待修正层,则且假设x2=0.5为取值大小第二的概率元素,则将层1的岩石类别修正为x2对应的岩石类别2,相应的,类别向量{a1,a2,…,an}中层1对应的岩石类别元素a1的取值修正为代表岩石类别2的值s2。
一个示例中,步骤S305包括以下步骤:
针对微分元素组中每个微分元素对应的层,检测该层与任一相邻层是否满足以下条件:
其中,i为变量,表征不同的层;为第i层的概率向量中的最大概率;为第i层的概率向量中的第二大概率;其中,S的取值基于以下规则确定:若该层的概率向量中的第二大概率对应的岩石类别与相邻层的岩石类别一致,则S为第一值,否则,S为第二值;其中,第一值小于第二值;σ为预设误差值;
若满足上述条件,则将类别向量中该层对应的岩石类别元素的赋值修正为,与第二大概率对应的岩石类别所对应的值。
示例性地,由于岩石的层与层之间的纹层变化具有渐变的现象,因此在上述实施例中,依据微分向量组中每一微分元素对应的概率向量,以及与微分向量组相邻的任一相邻层,比如,前一相邻层或者后一相邻层,所对应的概率向量对微分向量组中的每一微分向量元素进行判断。具体地,可以依据以下公式进行判断:
针对微分元素组中每个微分元素对应的层,每一层与微分向量组的前一相邻层以及微分向量组的后一相邻层均通过上述公式进行判断,判断是否需要修正。上述公式中,i代表了微分向量所对应的层在岩石样本所有层中的位置,为一个变量。
例如,对于第i层,首先通过比较第i层所对应的概率向量中的第二大概率对应的岩石类别与第i层所处微分向量组的前一相邻层的岩石类别是否一致,若一致则S为第一值,否则,S为第二值;其中,第一值小于第二值,即当第二大概率对应的岩石类别与前一相邻层的岩石类别一致时,S的取值小于类别不一致时的取值,S的取值越小对应的该层通过聚类得到的岩石类别的误差的可能性越高,对该层岩石类别进行修改的可能性也就越高。
一种情况下,当与微分向量组的前一相邻层的岩石类别进行比对,且第i层所对应的微分元素为微分向量组中的首个元素时,S可以按照下列公式取值:
其中k2代表第i层所对应的概率向量中的第二大概率对应的岩石类别,Wi-1代表第i层所处微分向量组的前一相邻层的岩石类别,若二者岩石类别一致,S则取较小值1;若二者不一致,S则取较大值2。
计算第i层的概率向量中的最大概率与第i层的概率向量中的第二大概率之间的差值,若最大概率与第二大概率之间的差值越小,则表明该层通过聚类获取的岩石类别的误差可能性越大,则对该层进行修改的可能性越高。并计算该差值与S的乘积,判断是否小于预设误差值σ;若满足则对第i层将其对应的岩石类别元素的赋值修正为,与第二大概率对应的岩石类别所对应的值。若不满足,则通过比较第i层所对应的概率向量中的第二大概率对应的岩石类别与第i层所处微分向量组的后一相邻层的岩石类别是否一致,若一致则S为第一值,否则,S为第二值;其中,第一值小于第二值。
一种情况下,当与微分向量组的后一相邻层的岩石类别进行比对,且第i层所对应的微分元素为微分向量组中的首个元素时,S可以按照下列公式取值:
其中k2代表第i层所对应的概率向量中的第二大概率对应的岩石类别,h代表微分向量组中微分元素的个数,Wi+h代表第i层所处微分向量组的后一相邻层的岩石类别,若二者岩石类别一致,S则取较小值1;若二者不一致,S则取较大值2。
计算第i层的概率向量中的最大概率与第i层的概率向量中的第二大概率之间的差值。并计算该差值与S的乘积,判断是否小于预设误差值σ;若满足则对第i层将其对应的岩石类别元素的赋值修正为,与第二大概率对应的岩石类别所对应的值。若不满足,则不进行修改。
即,对于微分向量组中的每个微分元素,每个微分元素分别与该微分元素组的前一个相邻元素和后一个相邻元素在通过上式进行判断时,只要有一个满足上述公式,则进行修正,若均不满足,则不进行修正。
通过上述方法,可以对岩石类别划分后的划分结果即类别向量进行修正,通过对类别向量进行微分后查找微分向量中连续h个值为零的微分元素,且该微分元素组前后相邻的微分元素的值均不为零的微分向量组,并且微分向量组中的每一微分元素所对应的层进行修正判断,进而得到了修正后的类别向量。即,在进行修正时,考虑了岩石纹层变化的连续性,进而减小了直接使用聚类得到的类别向量作为岩石纹层划分结果的误差。
在一种可能的实施方式中,当岩石样本在不同电压下的每一层图像进行特征提取时,特征提取类型包括:扫描图像中各像素的均值、众数、中值、均标准差、最小值以及灰度直方图中各像素区间内的像素个数。
在一种可能的实施方式中,在特征提取类型包括灰度直方图中各像素区间内的像素个数时,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量,包括:
若电压小于预设的阈值,则基于像素值越小则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定灰度直方图中的各像素区间;统计获得电压下各像素区间内的像素个数。
若电压大于预设的阈值,则基于像素值越大则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定灰度直方图中的各像素区间;统计获得电压下各像素区间内的像素个数。
示例性地,由于在对岩石样本在扫描时,探测器的成像范围有限,且岩石样本中不同的纹层具有不同的岩石物理性质,因此在使用单一电压的射线源对岩石样本进行扫描时,很容易出现过曝光或者欠曝光现象。
在低电压的情况下,岩石样本主要对射线进行光电吸收,对于一些密度较大的材质,则会出现扫描图像过曝光的情况,因此在低电压下,更关注于像素灰度值较小的部分。即若电压小于预设的阈值,则在提取扫描图像的灰度直方图时,划分像素区间遵循像素值越小对应的像素区间越小的策略。
在高电压的情况下,岩石样本主要对射线主要进行康普顿散射,对于密度较低的材质,会出现扫描图像欠曝光的情况。因此在高电压下,更关注于像素灰度值较大的部分。即在提取扫描图像的灰度直方图时,划分像素区间遵循像素值越大对应的像素区间越小的策略。
在本实施例中,通过在不同电压下的提取灰度直方图时,采用不同的像素区间划分策略,使得得到的特征向量可以更加准确的反应出岩石物理特性,提高最终的岩石纹层划分的准确度。
在一种可能的实施方式中,在基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量之后,图1所示的方法还包括:对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量。
示例性地,在图1所示的步骤S103之后,还可以对每一电压下的每一特征提取类型所对应的特征向量进行标准化处理。由于不同的特征提取类型下,所提取的特征变量的取值范围有所不同,例如说当扫描得到的图像为8位图像时,每一图像的像素均值取值范围为大于等于0且小于等于65535,而所提取的灰度直方图每一区间的像素数量的取值范围为大于等于0且小于等于1048576,若不进行标准化处理,则取值范围较小的特征向量的特性则无法凸显。
一个示例中,在对特征向量进行标准化处理时,可以采用常规的标准化处理方法:例如,min-max标准化,log函数转换,arctan函数转换,z-score标准化,Sigmoid标准化等。并且在对特征向量进行标准化处理时,不同的特征向量可以选择不同的标准化方法进行标准化处理。
在一种可能的实施方式中,对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量,包括:
对每个电压下的每个特征提取类型对应的特征向量,按照如下公式进行标准化处理,获得标准化处理后的特征向量:
其中,Y代表标准化处理后的特征向量,x为标准化处理前的特征向量,μ为x的均值,σ为x的标准差,A为预设的偏移参数,B为预设的速率参数。
示例性地,在对特征向量进行标准化处理时,为了减小标准化处理对每一层扫描图像所对应的所有特征变量之间的相关性的影响,可以采用上述公式对每个电压下的每个特征提取类型对应的特征向量进行标准化处理。其中,Y代表标准化处理后的特征向量,x为标准化处理前的特征向量,μ为x的均值,σ为x的标准差,A为预设的偏移参数,反应了特征向量在均值处的接受度。B为预设的速率参数,反应了特征向量在标准差处的接受度。
通过上述对标准化向量的处理方法,能够考虑到特征向量的正态分布特性,且结合了Sigmoid标准化,可以减弱特征向量中异常点对于标准化处理的影响。此外当特征向量的取值范围较大时,可以通过调整B的取值,使得标准化后的结果能够反映出数据变化的速度。
一个示例中,可以将岩石样本的长度制作为1m,扫描设备的空间分辨率为:0.25mm*0.25mm*0.3mm。本示例中,使用了两次电压进行扫描,两个电压分别为:135kv和80kv。在进行灰度直方图的像素区间划分时,对于低电压的扫描图像的特征向量提取为,灰度直方图对应0~30,30~75,75~150,200~245的这4个像素区间分别对应的灰度值的个数;以及低电压下各层图像的均值、中值和均方差7组特征向量。高电压的扫描图像的特征向量提取为灰度直方图对应10~90,90~140,140~180,180~220,220~255这5个区间分别对应的灰度值的个数,以及均值和中值和均方差8组特征向量。共计15组特征向量。以上提取的15组特征向量,不同特征向量之间数值存在很大的差别,例如:均值这列特征向量的数值在0~255范围内,而不同灰度直方图对应的数量可以达到2000左右,数据的差距较大,如果不进行标准化,数据较小对应的特征将并覆盖,无法凸显它们的特性,因此对这些特征向量进行标准化处理,将标准化处理后的特征向量输入高斯混合模型中,进行聚类分析。
在一种可能的实施方式中,预设的多个岩石类别的数量与轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量相同;则根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定各个层的岩石类别之前,还包括:
分别基于不同数量的岩石类别,执行以下步骤:根据不同电压下各特征提取类型对应的特征向量以及当前的岩石类别,通过聚类获得类别向量和各个层的概率向量;根据类别向量和各个层的概率向量,确定当前的岩石类别组下岩石样本的轮廓系数。
绘制轮廓系数与岩石类别数量之间的曲线图,确定轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别作为最终的岩石类别数量。
示例性地,在图1所示的步骤S104之前,为了确定岩石样本的岩石类别数量,在本申请中可以依据不同数量的岩石类别,在不同数量的岩石类别下,执行一次聚类方法,即依据在不同电压下各特征提取类型所对应的特征向量以及当前的岩石类别数量,聚类得到岩石样本的类别向量和岩石样本中各个层的概率向量,之后,计算该数量的岩石类别下,岩石样本的轮廓系数。由于所获取的轮廓系数这一指标与聚类后岩石纹层划分结果的有效性相关,且轮廓系数越大,划分结果的有效性越高。
因此,通过每次聚类后的岩石样本的轮廓系数与岩石类别数量之间的曲线图,选取轮廓系数变化趋于稳定时的轮廓系数所处的岩石类别数量作为最终的岩石类别数量。并且可以依据最终岩石类别数量和不同电压下各特征提取类型对应的特征向量,通过聚类得到的各个层的岩石类别。
本申请所提供的方法,可以在无法确定岩石样本中的岩石类别数量时,通过多次聚类方法以及聚类后计算得到的轮廓系数,选择最终的岩石类别数量。通过上述方法所确定的岩石类别数量的进行聚类得到的岩石纹层划分的结果准确度提高。
图5为本申请实施例提供的一种岩石纹层结构的获取装置的结构示意图,如图5所示,该装置包括:
接收单元61,用于接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像。
提取单元62,用于基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量。
整合单元63,用于基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量。
第一确定单元64,用于根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定各个层的岩石类别,以获得岩石样本的纹层结构。
本实施例提供的装置,用于实现上述方法提供的技术方案,其实现原理和技术效果类似,不再赘述。
图6为本申请实施例提供的又一种岩石纹层结构的获取装置的结构示意图。在图5的基础上,本实施例中的第一确定单元64,包括:
第一确定模块641,用于根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类获得类别向量和各个层的概率向量;类别向量中的岩石类别元素与各个层一一对应,岩石类别元素的不同赋值表征不同的岩石类别;每个层的概率向量包括该层相对多个岩石类别的概率;
第二确定模块642,用于针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值;
第三确定模块643,用于根据类别向量中各岩石类别元素的当前赋值,确定各个层的岩石类别。
在一种可能的实施方式中,该装置还包括:
第一处理模块644,用于在第二确定模块针642对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值之后,对类别向量进行微分得到微分向量,微分向量包括与各个层一一对应的微分元素。
第四确定模块645,用于确定厚度h的初始取值;
第二处理模块646,用于根据h的当前取值,从微分向量中查找出微分元素组,微分元素组为连续h个值为零的微分元素,且该微分元素组前后相邻的微分元素的值均不为零;
第三处理模块647,用于按照预设的步长增加h的值,并再次执行根据当前h的取值,从微分向量中查找出微分元素组的步骤;直至h的当前取值达到预设的上限值,上限值不超过岩石样本的厚度;
修正模块648,用于针对微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正。
在一种可能的实施方式中,修正模块648,具体用于:
针对微分元素组中每个微分元素对应的层,检测该层与任一相邻层是否满足以下条件:
其中,i为变量,表征不同的层;为第i层的概率向量中的最大概率;为第i层的概率向量中的第二大概率;其中,S的取值基于以下规则确定:若该层的概率向量中的第二大概率对应的岩石类别与相邻层的岩石类别一致,则S为第一值,否则,S为第二值;其中,第一值小于第二值;σ为预设误差值;
若满足上述条件,则将类别向量中该层对应的岩石类别元素的赋值修正为,与第二大概率对应的岩石类别所对应的值。
在一种可能的实施方式中,特征提取类型包括:扫描图像中各像素的均值、众数、中值、均标准差、最小值以及灰度直方图中各像素区间内的像素个数。
在一种可能的实施方式中,在特征提取类型包括灰度直方图中各像素区间内的像素个数时,提取单元62,具体用于:
若电压小于预设的阈值,则基于像素值越小则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定灰度直方图中的各像素区间;统计获得电压下各像素区间内的像素个数;
若电压大于预设的阈值,则基于像素值越大则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定灰度直方图中的各像素区间;统计获得电压下各像素区间内的像素个数。
在一种可能的实施方式中,装置还包括:
处理单元65,用于在整合单元63基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量之后,对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量。
在一种可能的实施方式中,处理单元65,具体用于:
对每个电压下的每个特征提取类型对应的特征向量,按照如下公式进行标准化处理,获得标准化处理后的特征向量:
其中,Y代表标准化处理后的特征向量,x为标准化处理前的特征向量,μ为x的均值,σ为x的标准差,A为预设的偏移参数,B为预设的速率参数。
在一种可能的实施方式中,装置中还包括,
第二确定单元66,用于在整合单元63根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定各个层的岩石类别之前,分别基于不同数量的岩石类别,执行以下步骤:根据不同电压下各特征提取类型对应的特征向量以及当前的岩石类别,通过聚类获得类别向量和各个层的概率向量;根据类别向量和各个层的概率向量,确定当前的岩石类别下岩石样本的轮廓系数。
第三确定单元67,用于绘制轮廓系数与岩石类别数量之间的曲线图,确定轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量。
本实施例提供的装置,用于实现上述方法提供的技术方案,其实现原理和技术效果类似,不再赘述。
图7为本申请实施例中提供的一种电子设备的结构示意图,如图7所示,该电子设备包括:
处理器(processor)291,电子设备还包括了存储器(memory)292;还可以包括通信接口(Communication Interface)293和总线294。其中,处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器294中的逻辑指令,以执行上述实施例的方法。
此外,上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器292可以包括高速随机存取存储器,还可以包括非易失性存储器。
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述实施例提供的方法。
本申请实施例提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述实施例提供的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种岩石纹层结构的获取方法,其特征在于,所述方法包括:
接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像;
基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量;
基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,所述特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量;
根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别,以获得所述岩石样本的纹层结构。
2.根据权利要求1所述的方法,其特征在于,根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别,包括:
根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类获得类别向量和各个层的概率向量;所述类别向量中的岩石类别元素与各个层一一对应,岩石类别元素的不同赋值表征不同的岩石类别;所述每个层的概率向量包括该层相对所述多个岩石类别的概率;
针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值;
根据类别向量中各岩石类别元素的当前赋值,确定所述各个层的岩石类别。
3.根据权利要求2所述的方法,其特征在于,所述针对每个层,确定该层的概率向量中最大的概率对应的岩石类别,并将该层对应的岩石类别元素的赋值设置为与该最大概率对应的岩石类别对应的值之后,还包括:
对所述类别向量进行微分得到微分向量,所述微分向量包括与各个层一一对应的微分元素;
确定待修正层的层数h的初始取值;
根据h的当前取值,从所述微分向量中查找出微分元素组,所述微分元素组为连续h个值为零的微分元素,且该微分元素组前后相邻的微分元素的值均不为零;
按照预设的步长增加h的值,并再次执行所述根据当前h的取值,从所述微分向量中查找出微分元素组的步骤;直至h的当前取值达到预设的上限值,所述上限值不超过所述岩石样本的厚度;
针对所述微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正。
4.根据权利要求3所述的方法,其特征在于,针对所述微分元素组中每个微分元素对应的层,采用该层的概率向量,对类别向量中该层对应的岩石类别元素的赋值进行修正,包括:
针对所述微分元素组中每个微分元素对应的层,检测该层与任一相邻层是否满足以下条件:
其中,i为变量,表征不同的层;为第i层的概率向量中的最大概率;为第i层的概率向量中的第二大概率;其中,S的取值基于以下规则确定:若该层的概率向量中的第二大概率对应的岩石类别与所述相邻层的岩石类别一致,则S为第一值,否则,S为第二值;其中,第一值小于第二值;σ为预设误差值;
若满足上述条件,则将类别向量中该层对应的岩石类别元素的赋值修正为,与所述第二大概率对应的岩石类别所对应的值。
5.根据权利要求1所述的方法,其特征在于,所述特征提取类型包括:扫描图像中各像素的均值、众数、中值、均标准差、最小值以及灰度直方图中各像素区间内的像素个数。
6.根据权利要求5所述的方法,其特征在于,在所述特征提取类型包括灰度直方图中各像素区间内的像素个数时,所述对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量,包括:
若所述电压小于预设的阈值,则基于像素值越小则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定所述灰度直方图中的各像素区间;统计获得所述电压下各像素区间内的像素个数;
若所述电压大于预设的阈值,则基于像素值越大则对应的像素区间越小的策略,对灰度直方图的像素区间进行划分,以确定所述灰度直方图中的各像素区间;统计获得所述电压下各像素区间内的像素个数。
7.根据权利要求1所述的方法,其特征在于,所述基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量之后,所述方法还包括:
对每个电压下的每个特征提取类型对应的特征向量进行标准化处理,获得标准化处理后的特征向量。
9.根据权利要求2所述的方法,其特征在于,所述预设的多个岩石类别的数量与轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量相同;所述根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别之前,还包括:
分别基于不同数量的岩石类别,执行以下步骤:根据不同电压下各特征提取类型对应的特征向量以及当前的岩石类别,通过聚类获得类别向量和各个层的概率向量;根据所述类别向量和各个层的概率向量,确定当前的岩石类别组下所述岩石样本的轮廓系数;
绘制轮廓系数与岩石类别数量之间的曲线图,确定轮廓系数变化趋于稳定时的轮廓系数所对应的岩石类别数量。
10.一种岩石纹层结构的获取装置,其特征在于,所述装置包括:
接收单元,用于接收扫描设备发送的基于不同电压在岩石样本的各个层采集的扫描图像;
提取单元,用于基于预设的各特征提取类型,对每个电压在各个层下的扫描图像进行特征提取,获得不同电压下各个层的特征变量;
整合单元,用于基于每个特征提取类型,通过对不同电压下各个层的特征变量进行整合,获得不同电压下各特征提取类型对应的特征向量,所述特征提取类型对应的特征向量包括该特征提取类型下各个层的特征变量;
第一确定单元,用于根据不同电压下各特征提取类型对应的特征向量以及预设的多个岩石类别,通过聚类确定所述各个层的岩石类别,以获得所述岩石样本的纹层结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110191200.XA CN112801205B (zh) | 2021-02-20 | 2021-02-20 | 岩石纹层结构的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110191200.XA CN112801205B (zh) | 2021-02-20 | 2021-02-20 | 岩石纹层结构的获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801205A true CN112801205A (zh) | 2021-05-14 |
CN112801205B CN112801205B (zh) | 2022-04-15 |
Family
ID=75815226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110191200.XA Active CN112801205B (zh) | 2021-02-20 | 2021-02-20 | 岩石纹层结构的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801205B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2700666A1 (en) * | 2007-11-27 | 2009-06-04 | Exxonmobil Upstream Research Company | Method for determining the properties of hydrocarbon reservoirs from geophysical data |
CN101802649A (zh) * | 2008-04-10 | 2010-08-11 | 普拉德研究及开发股份有限公司 | 利用井眼图像、数字岩石样品以及多点统计算法生成数值假岩心的方法 |
CN109269953A (zh) * | 2018-08-21 | 2019-01-25 | 中国科学院地质与地球物理研究所 | 岩石无机矿物孔隙分类表征的方法 |
CN109285222A (zh) * | 2018-09-06 | 2019-01-29 | 中国地质大学(北京) | 有机页岩高分辨率数字岩心构建与分析方法 |
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
CN110749609A (zh) * | 2019-11-20 | 2020-02-04 | 北京九恒质信能源技术有限公司 | 地下岩石的弹性力学数据确定方法、装置、系统和介质 |
CN110873722A (zh) * | 2018-09-03 | 2020-03-10 | 中国石油化工股份有限公司 | 一种岩心矿物组分鉴别方法 |
CN112150430A (zh) * | 2020-09-21 | 2020-12-29 | 中国矿业大学(北京) | 一种利用岩石细观结构数字图像的数值分析方法 |
CN112348100A (zh) * | 2020-11-13 | 2021-02-09 | 成都理工大学 | 一种岩石识别方法、装置、设备及存储介质 |
-
2021
- 2021-02-20 CN CN202110191200.XA patent/CN112801205B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2700666A1 (en) * | 2007-11-27 | 2009-06-04 | Exxonmobil Upstream Research Company | Method for determining the properties of hydrocarbon reservoirs from geophysical data |
CN101802649A (zh) * | 2008-04-10 | 2010-08-11 | 普拉德研究及开发股份有限公司 | 利用井眼图像、数字岩石样品以及多点统计算法生成数值假岩心的方法 |
CN109269953A (zh) * | 2018-08-21 | 2019-01-25 | 中国科学院地质与地球物理研究所 | 岩石无机矿物孔隙分类表征的方法 |
CN110873722A (zh) * | 2018-09-03 | 2020-03-10 | 中国石油化工股份有限公司 | 一种岩心矿物组分鉴别方法 |
CN109285222A (zh) * | 2018-09-06 | 2019-01-29 | 中国地质大学(北京) | 有机页岩高分辨率数字岩心构建与分析方法 |
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
CN110749609A (zh) * | 2019-11-20 | 2020-02-04 | 北京九恒质信能源技术有限公司 | 地下岩石的弹性力学数据确定方法、装置、系统和介质 |
CN112150430A (zh) * | 2020-09-21 | 2020-12-29 | 中国矿业大学(北京) | 一种利用岩石细观结构数字图像的数值分析方法 |
CN112348100A (zh) * | 2020-11-13 | 2021-02-09 | 成都理工大学 | 一种岩石识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112801205B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943349B2 (en) | Positron emission tomography system and image reconstruction method using the same | |
Naik et al. | Tumor detection and classification using decision tree in brain MRI | |
Hatt et al. | Fuzzy hidden Markov chains segmentation for volume determination and quantitation in PET | |
Angelina et al. | Image segmentation based on genetic algorithm for region growth and region merging | |
AU2013343203B2 (en) | Method for processing an image | |
CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
CN112765556B (zh) | 一种基于密集时间遥感数据的新生红树林树龄评估方法 | |
CN110223261A (zh) | 医学图像处理方法和系统、存储介质及计算机设备 | |
Rosati et al. | Radiomics to predict response to neoadjuvant chemotherapy in rectal cancer: Influence of simultaneous feature selection and classifier optimization | |
CN112801205B (zh) | 岩石纹层结构的获取方法及装置 | |
CN107346549B (zh) | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 | |
Ninomiya et al. | Synergistic combination of a topologically invariant imaging signature and a biomarker for the accurate prediction of symptomatic radiation pneumonitis before stereotactic ablative radiotherapy for lung cancer: A retrospective analysis | |
US11756241B2 (en) | Positron emission tomography system and image reconstruction method using the same | |
CN111784724B (zh) | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 | |
WO2020241178A1 (ja) | 肺がん評価装置及び肺がん評価方法 | |
TW202238617A (zh) | 具有放射學特徵和語義成像描述特徵的哺乳動物結節判定方法、系統和電腦儲存媒體 | |
Prasad et al. | Improved Entropic Threshold based on GLSC Histogram with Varying Similarity Measure | |
Alsyed et al. | A self organizing map for exploratory analysis of PET radiomic features | |
CN111402284B (zh) | 一种基于三维连通性的图像阈值测定方法及装置 | |
Wang et al. | Increasing the efficiency of local stereo by leveraging smoothness constraints | |
US20090263003A1 (en) | Method for investigating digital images for cancer based on parameters using samples in images | |
CN115661815B (zh) | 基于全局特征映射的病理图像分类方法、图像分类装置 | |
Alsyed et al. | Artificial Neural Network Algorithm to Cluster and Visualize Phantom Experiment Data | |
CN113033577B (zh) | 一种基于伴方差修正模型的海洋目标特征提取方法 | |
CN117994271B (zh) | 基于分水岭算法的人脑图像分割方法 |
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 |