CN113223170A - 一种基于致密砂岩ct图像三维重构的孔隙识别方法 - Google Patents
一种基于致密砂岩ct图像三维重构的孔隙识别方法 Download PDFInfo
- Publication number
- CN113223170A CN113223170A CN202110580742.6A CN202110580742A CN113223170A CN 113223170 A CN113223170 A CN 113223170A CN 202110580742 A CN202110580742 A CN 202110580742A CN 113223170 A CN113223170 A CN 113223170A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- images
- point
- color
- 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 68
- 239000011148 porous material Substances 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 239000011435 rock Substances 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及岩石孔隙识别方法技术领域,特别涉及一种基于致密砂岩CT图像三维重构的孔隙识别方法。该方法包括获取原始砂岩CT图像并对图像进行滤波预处理;对预处理后的数据提取关键点;使用DOG函数进行空间关键点检测;使用基于马氏距离的匹配方式对图像的关键点进行匹配将图像使用高斯核函数映射后对图像进行聚类;对图像的像素点进行光线投射并采样;计算采样点的颜色与透明度;从后向前合成色彩与透明度,重建出致密砂岩的三维模型;根据重构出的三维模型的颜色与透明度识别孔隙;本发明提供一种孔隙识别方法,可提高利用致密砂岩CT图像构建三维模型的准确度,更好地表征微观孔隙的三维结构,进而更好地提高油田的开采率。
Description
技术领域
本发明涉及岩石孔隙识别方法技术领域,特别是涉及一种基于致密砂岩CT图像三维重构的孔隙识别方法。
背景技术
作为非常规油气资源中较易开采的石油接替资源,致密油已成为全球石油勘探开发的亮点领域,其中,砂岩的微观孔隙结构直接影响着储层的储集渗流能力和资源的开采能力,分析砂岩孔隙结构特征对油气藏的研究和开发提供有保障的科学依据。传统方法主要是以下三类:第一类采用的是图像分析方法,采用人工识别分析或者采用专业可视化软件识别孔隙结构。第二类采用的是孔隙结构的建立,即利用CT图像建立孔隙模型表征或微观孔隙结构。第三类采用的是机器学习算法,针对专业人员提出的定量表征数据进行微观孔隙结构的识别。
其中一种现有技术中公开了一种基于语义分割的岩石图像孔隙类型识别方法,其通过数字图像处理方法分割和增强岩石原始图像,同时完成孔隙位置和形状的人工标注,最后将预处理的图像使用DeepLabV3+构建好的卷积神经网络进行训练。该发明泛化性强,可以有效提高孔隙识别的精度。
另一种现有技术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。以扫描电镜设备采集的二次电子图像和背散射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多层神经网络模型。该方法实现了扫描电镜页岩孔隙的高精度识别,在区分孔隙方面具有较好的效果。上述现有技术主要是利用深度学习方法对二维的岩石孔隙图像进行识别,都在原有的深度学习网络中对图像进行处理,并没有考虑到孔隙结构的三维模型表征情况。
发明内容
(一)要解决的技术问题
本发明提供一种基于致密砂岩CT图像三维重构的孔隙识别方法,以克服现有技术中仅仅利用深度学习方法对二维的岩石孔隙图像进行识别,而没有进一步研究孔隙结构的三维模型表征情况,导致识别致密砂岩内部孔隙的三维结构的准确度较低,从而不利于油田开采率的缺陷。
(二)技术方案
为了解决上述问题,本发明提供一种基于致密砂岩CT图像三维重构的孔隙识别方法,其特征在于,包括:
步骤S1:获取原始砂岩CT图像并进行图像滤波处理,得到预处理后的图像数据;
步骤S2:根据步骤S1中滤波后的结果,使用高斯函数对预处理后的图像进行高斯平滑与降采样处理,得到图像高斯金字塔;
步骤S3:使用DOG函数进行空间关键点检测;
步骤S4:使用基于马氏距离的匹配方式对图像的关键点进行匹配;
步骤S5:根据步骤S1中滤波后的结果,将图像使用高斯核函数映射后对图像进行聚类;
步骤S6:使用步骤S5中图像聚类后的结果,对图像的像素点进行光线投射并采样;
步骤S7:计算采样点的颜色与透明度;
步骤S8:使用步骤S7的结果,将每条射线上采样点的颜色值和不透明度值分别一一累加,从后向前合成色彩与透明度,重构出致密砂岩的三维模型;
步骤S9:根据构建后的致密砂岩三维模型中的颜色和透明来区分孔隙与非孔隙,对孔隙进行识别。
优选地,所述步骤1中的图像滤波的具体方法为:将原始CT 图像使用双边滤波方法对图像进行预处理,通过计算每个像素的滤波实处作为相邻像素的平均值,并根据像素的位置和像素值的高斯分布进行加权,具体定义为:
优选地,步骤S3中使用DOG函数进行空间关键点检测的具体方法为:
选择高斯金字塔中相邻两层相减的方式建立高斯差分金字塔;
将每一个像素点与所有的相邻点进行图像域与尺度域的比较,若该点在尺度空间本层与上下两层的领域中为极值时,则认定该点为一个特征点,并将对比度较低的关键点和不稳定的边缘响应点进行去除;
利用图像梯度求取局部的稳定方向。
优选地,步骤S4中图像关键点匹配的具体方法为:传统SIFT算法使用关键点特征向量的欧氏距离来评价特征向量之间的相似性,本发明方法代替欧氏距离计算两张致密砂岩CT图像的特征向量的马氏距离。对于一个均值为μ=(μ1,μ2,μ3,...,μp)T,协方差矩阵为S的多变量,其马氏距离为:
计算两张图像中每个特征点的马氏距离,然后通过比较比例阈值来得到最终两幅图像之间的匹配关系。匹配阈值的公式定义如下:
其中,D表示第一张图特征点xa的马氏距离,D表示第二张图特征点xb的马氏距离。对于每个xb,选择与xa的匹配阈值最接近 1的特征点xb作为xa在第二张图像的匹配点。
优选地,步骤S5中对图像进行聚类的具体方法为:对步骤 S2中使用高斯核函数映射过的图像使用K均值方法将映射后的图像进行聚类,并为每一类数据赋予不同的颜色值与透明度值;高斯核函数的表达式为:
其中,σ>0为高斯核的带宽。
优选地,步骤S6中光线投射的具体方法为:从屏幕上的像素点沿视线方向进行光线投射,并沿着每根光线在穿过三维数据场的射线上设置等距离步长的采样点;采样后,将采样点使用的图像空间坐标转化为物理空间坐标,设初始视线方向绕物理坐标系三个坐标轴x,y,z的旋转角度分别为α,β,γ,则使用的位置坐标变换公式为:
其中,(u,v,w)为物体坐标系,(x,y,z)为图像坐标系,(Pu,Pv,Pw) 为图像坐标系下原点在物理坐标系中的位置。
优选地,步骤S7中计算采样点的颜色与透明度的具体方法为:通过将采样点所在的体素的8个顶点的颜色与透明度值进行三线性插值得到采样点的颜色值与不透明度值;
设体素的八个顶点为a0,a1,...,a7,体素顶点的颜色值或不透明度值为m0,...,m7,则顶点在x轴方向进行两个顶点与采样点比例为x:(1-x)的线性插值得到r11,r12,r21,r22,其颜色值或不透明度值分别为:
然后在y方向上插值得到点r1,r2的颜色值或不透明度为:
mr1=m11(1-y)+m21y=m11+(m21-m11)y
mr2=m12(1-y)+m22y=m12+(m22-m12)y (7)
再在z方向上插值,即可得到采样点的颜色值与不透明度值 m:
m=mr1(1-z)+mr2z=mr1+(mr2-mr1)z。 (8)
(三)有益效果
本发明提供一种基于致密砂岩CT图像三维重构的孔隙识别方法,充分利用二维图像数据,可提高利用致密砂岩CT图像构建三维模型的准确度,更好地表征微观孔隙的三维结构,从而为致密油不同类型的储层筛选与储层定量评价提供重要的研究手段,进而更好地提高油田的开采率。
附图说明
图1为本发明实施例基于致密砂岩CT图像三维重构的孔隙识别方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明如下。
如图1所示,本发明提供一种基于致密砂岩CT图像三维重构的孔隙识别方法,包括以下步骤:
步骤S1:获取原始砂岩CT图像并进行图像滤波处理,得到预处理后的图像数据;
具体的,本步骤中图像滤波的具体方法为:将原始CT图像使用双边滤波方法对图像进行预处理,通过计算每个像素的滤波实处作为相邻像素的平均值,并根据像素的位置和像素值的高斯分布进行加权,具体定义为:
步骤S2:根据步骤S1中滤波后的结果,通过高斯卷积核构建二维图像的尺度空间,具体定义如下:
L(x,y,σ)=G(x,y,σ)*I(x,y) (2)
式中*表示卷积运算,(x,y)是图像中像素的位置,σ表示尺度空间的因子,通过改变σ的大小可以控制图像平滑的程度,G(x,y,σ)是高斯核函数:
使用不同尺度空间因子的高斯核函数与图像进行卷积运算得到图像的不同尺度空间,把最高尺度的图像放在金字塔的底部,往上是一系列尺度逐渐降低的图像,一直到金字塔的顶部只包含一个像素点的图像,经过一系列的尺度空间变换和降采样处理后,即可得到图像高斯金字塔;
步骤S3:使用DOG函数进行空间关键点检测;
具体的,本步骤中使用DOG函数进行空间关键点检测的具体方法为:选择高斯金字塔中相邻两层相减的方式建立高斯差分金字塔。然后,将每一个像素点与所有的相邻点进行图像域与尺度域的比较,若该点在尺度空间本层与上下两层的领域中为极值时,就认为该点是一个特征点,并将对比度较低的关键点和不稳定的边缘响应点进行去除。最后,利用图像梯度求取局部的稳定方向。
步骤S4:使用基于马氏距离的匹配方式对图像的关键点进行匹配;
具体的,本步骤中,图像关键点匹配的具体方法为:传统SIFT 算法使用关键点特征向量的欧氏距离来评价特征向量之间的相似性,本发明方法代替欧氏距离计算两张致密砂岩CT图像的特征向量的马氏距离。对于一个均值为μ=(μ1,μ2,μ3,...,μp)T,协方差矩阵为S 的多变量,其马氏距离为:
计算两张图像中每个特征点的马氏距离,然后通过比较比例阈值来得到最终两幅图像之间的匹配关系。
步骤S5:根据步骤S1中滤波后的结果,将图像使用高斯核函数映射后对图像进行聚类;
具体的,步骤S5中对图像进行聚类的具体方法为:对步骤S2 中使用高斯核函数映射过的图像使用K均值方法将映射后的图像进行聚类,并为每一类数据赋予不同的颜色值与透明度值。高斯核函数的表达式为:
其中,σ>0为高斯核的带宽。使用改进后的算法进行光线投射法中的数据值分类,相对常用的阈值法,能够在减少使用人工的同时,进一步提高三维数据分类的准确性,从而得出更加清晰、合理的致密砂岩孔隙结构。
步骤S6:使用步骤S5中图像聚类后的结果,对图像的像素点进行光线投射并采样;
具体的,本步骤中,光线投射的具体方法为:从屏幕上的像素点沿视线方向进行光线投射,并沿着每根光线在穿过三维数据场的射线上设置等距离步长的采样点。采样后,需要将采样点使用的图像空间坐标转化为物理空间坐标,使用的位置坐标变换公式为:
其中,(u,v,w)为物体坐标系,(x,y,z)为图像坐标系,(Pu,Pv,Pw)为图像坐标系下原点在物理坐标系中的位置。
步骤S7:计算采样点的颜色与透明度;
具体的,本步骤中,计算采样点的颜色与透明度的具体方法为:通过将采样点所在的体素的8个顶点的颜色与透明度值进行三线性插值得到采样点的颜色值与不透明度值。设体素的八个顶点为 a0,a1,...,a7,体素顶点的颜色值或不透明度值为m0,...,m7,则顶点在x 轴方向进行两个顶点与采样点比例为x:(1-x)的线性插值得到r11, r12,r21,r22,其颜色值或不透明度值分别为:
然后在y方向上插值得到点r1,r2的颜色值或不透明度为:
mr1=m11(1-y)+m21y=m11+(m21-m11)y
mr2=m12(1-y)+m22y=m12+(m22-m12)y (8)
再在z方向上插值,即可得到采样点的颜色值与不透明度值。
m=mr1(1-z)+mr2z=mr1+(mr2-mr1)z (9)
步骤S8:使用步骤S7的结果,将每条射线上采样点的颜色值和不透明度值分别一一累加,从后向前合成色彩与透明度,重构出致密砂岩的三维模型。设第i个体素的颜色值为Ci,不透明度为αi,进入该体素的颜色值与不透明度分别为Cin与αin,则经过该体素后的颜色值Cout与不透明度αout分别为:
步骤S9:根据构建后的致密砂岩三维模型中的颜色和透明来区分孔隙与非孔隙,对孔隙进行识别。
本发明针对致密砂岩孔隙的识别过程中主要研究具有抗造能力的具有尺度不变性的SIFT算法与光线投射法,并利用该算法对致密砂岩CT图像进行匹配与孔隙结构三维重建,其技术核心是通过一系列的致密砂岩CT图像组成数据集,利用改进的SIFT算法对其进行图像匹配,最后使用改进的光线投射法建立孔隙三维模型表征结构,使其为后续测井资料的处理和解释奠定基础。
从上述技术方案可以看出,本发明方法可以更精确地考虑到二维图像之间各种特征之间的联系,进而更加精确地计算出样本的相似性,减少特征点匹配的误差;同时,通过将改进的光线投射算法应用到地层致密砂岩的三维孔隙识别领域,在避免对专业人员的依赖和人为误差的情况下,方便工作人员进一步认识致密砂岩的内部结构,从而更好地揭示储油层内部流体渗透规律。本发明提出的使用尺度不变性SIFT算法和光线投射法的基于CT图像的致密砂岩孔隙识别方法可适应多场景复杂问题,鲁棒性好、泛化能力突出,灵活性强,可提高利用致密砂岩CT图像构建三维模型的准确度,更好地表征微观孔隙的三维结构,从而为致密油不同类型的储层筛选与储层定量评价提供重要的研究手段,进而更好地提高油田的开采率。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种基于致密砂岩CT图像三维重构的孔隙识别方法,其特征在于,包括:
步骤S1:获取原始砂岩CT图像并进行图像滤波处理,得到预处理后的图像数据;
步骤S2:根据步骤S1中滤波后的结果,使用高斯函数对预处理后的图像进行高斯平滑与降采样处理,得到图像高斯金字塔;
步骤S3:使用DOG函数进行空间关键点检测;
步骤S4:使用基于马氏距离的匹配方式对图像的关键点进行匹配;
步骤S5:根据步骤S1中滤波后的结果,将图像使用高斯核函数映射后对图像进行聚类;
步骤S6:使用步骤S5中图像聚类后的结果,对图像的像素点进行光线投射并采样;
步骤S7:计算采样点的颜色与透明度;
步骤S8:使用步骤S7的结果,将每条射线上采样点的颜色值和不透明度值分别一一累加,从后向前合成色彩与透明度,重构出致密砂岩的三维模型;
步骤S9:根据构建后的致密砂岩三维模型中的颜色和透明来区分孔隙与非孔隙,对孔隙进行识别。
3.如权利要求1所述的基于致密砂岩CT图像三维重构的孔隙识别方法,其特征在于,步骤S3中使用DOG函数进行空间关键点检测的具体方法为:
选择高斯金字塔中相邻两层相减的方式建立高斯差分金字塔;
将每一个像素点与所有的相邻点进行图像域与尺度域的比较,若该点在尺度空间本层与上下两层的领域中为极值时,则认定该点为一个特征点,并将对比度较低的关键点和不稳定的边缘响应点进行去除;
利用图像梯度求取局部的稳定方向。
4.如权利要求1所述的基于致密砂岩CT图像三维重构的孔隙识别方法,其特征在于,步骤S4中图像关键点匹配的具体方法为:传统SIFT算法使用关键点特征向量的欧氏距离来评价特征向量之间的相似性,本发明方法代替欧氏距离计算两张致密砂岩CT图像的特征向量的马氏距离。对于一个均值为μ=(μ1,μ2,μ3,...,μp)T,协方差矩阵为S的多变量,其马氏距离为:
计算两张图像中每个特征点的马氏距离,然后通过比较比例阈值来得到最终两幅图像之间的匹配关系。匹配阈值的公式定义如下:
其中,D表示第一张图特征点xa的马氏距离,D表示第二张图特征点xb的马氏距离。对于每个xb,选择与xa的匹配阈值最接近1的特征点xb作为xa在第二张图像的匹配点。
7.如权利要求1所述的基于致密砂岩CT图像三维重构的孔隙识别方法,其特征在于,步骤S7中计算采样点的颜色与透明度的具体方法为:通过将采样点所在的体素的8个顶点的颜色与透明度值进行三线性插值得到采样点的颜色值与不透明度值;
设体素的八个顶点为a0,a1,...,a7,体素顶点的颜色值或不透明度值为m0,...,m7,则顶点在x轴方向进行两个顶点与采样点比例为x:(1-x)的线性插值得到r11,r12,r21,r22,其颜色值或不透明度值分别为:
然后在y方向上插值得到点r1,r2的颜色值或不透明度为:
mr1=m11(1-y)+m21y=m11+(m21-m11)y
mr2=m12(1-y)+m22y=m12+(m22-m12)y (7)
再在z方向上插值,即可得到采样点的颜色值与不透明度值m:
m=mr1(1-z)+mr2z=mr1+(mr2-mr1)z (8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580742.6A CN113223170B (zh) | 2021-05-26 | 2021-05-26 | 一种基于致密砂岩ct图像三维重构的孔隙识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580742.6A CN113223170B (zh) | 2021-05-26 | 2021-05-26 | 一种基于致密砂岩ct图像三维重构的孔隙识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113223170A true CN113223170A (zh) | 2021-08-06 |
CN113223170B CN113223170B (zh) | 2022-11-15 |
Family
ID=77098955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110580742.6A Active CN113223170B (zh) | 2021-05-26 | 2021-05-26 | 一种基于致密砂岩ct图像三维重构的孔隙识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223170B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494637A (zh) * | 2022-01-11 | 2022-05-13 | 武汉大学 | 一种基于结构体矩阵的砂岩三维真实模型重构方法 |
CN114609163A (zh) * | 2022-01-11 | 2022-06-10 | 武汉大学 | 基于色差识别的岩石微观结构射线成像探测法 |
CN114610944A (zh) * | 2022-05-11 | 2022-06-10 | 山东捷瑞数字科技股份有限公司 | 基于三维引擎的关键字智能匹配资源材质的优化方法 |
CN115410049A (zh) * | 2022-10-31 | 2022-11-29 | 中国石油大学(华东) | 一种岩体溶蚀程度的分类评估方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760081A (zh) * | 2013-12-31 | 2014-04-30 | 中国石油天然气股份有限公司 | 基于孔隙结构特征的碳酸盐岩储层的气藏预测方法及系统 |
CN103971410A (zh) * | 2014-05-23 | 2014-08-06 | 中国石油大学(华东) | 一种基于ct图片的三维岩心可视化方法 |
CN105388531A (zh) * | 2015-10-19 | 2016-03-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
CN105954496A (zh) * | 2016-06-13 | 2016-09-21 | 中国石油天然气股份有限公司 | 砂岩储层的孔喉及流体分布的重构方法 |
CN109146933A (zh) * | 2017-06-28 | 2019-01-04 | 中国石油化工股份有限公司 | 多尺度数字岩心建模方法及计算机可读存储介质 |
CN110363848A (zh) * | 2018-04-10 | 2019-10-22 | 中国石油化工股份有限公司 | 一种基于数字岩心的孔隙网络模型的可视化方法及装置 |
-
2021
- 2021-05-26 CN CN202110580742.6A patent/CN113223170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760081A (zh) * | 2013-12-31 | 2014-04-30 | 中国石油天然气股份有限公司 | 基于孔隙结构特征的碳酸盐岩储层的气藏预测方法及系统 |
CN103971410A (zh) * | 2014-05-23 | 2014-08-06 | 中国石油大学(华东) | 一种基于ct图片的三维岩心可视化方法 |
CN105388531A (zh) * | 2015-10-19 | 2016-03-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
CN105954496A (zh) * | 2016-06-13 | 2016-09-21 | 中国石油天然气股份有限公司 | 砂岩储层的孔喉及流体分布的重构方法 |
CN109146933A (zh) * | 2017-06-28 | 2019-01-04 | 中国石油化工股份有限公司 | 多尺度数字岩心建模方法及计算机可读存储介质 |
CN110363848A (zh) * | 2018-04-10 | 2019-10-22 | 中国石油化工股份有限公司 | 一种基于数字岩心的孔隙网络模型的可视化方法及装置 |
Non-Patent Citations (3)
Title |
---|
ERLONG YANG等: "Study on distribution characteristics of microscopic residual oil in low permeability reservoirs", 《JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY》 * |
崔利凯等: "基于多分辨率图像融合的多尺度多组分数字岩心构建", 《吉林大学学报(地球科学版)》 * |
李东旭等: "基于改进 VGG-16 和朴素贝叶斯的手写数字识别", 《现代电子技》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494637A (zh) * | 2022-01-11 | 2022-05-13 | 武汉大学 | 一种基于结构体矩阵的砂岩三维真实模型重构方法 |
CN114609163A (zh) * | 2022-01-11 | 2022-06-10 | 武汉大学 | 基于色差识别的岩石微观结构射线成像探测法 |
CN114609163B (zh) * | 2022-01-11 | 2024-07-26 | 中国人民解放军陆军工程大学 | 基于色差识别的岩石微观结构射线成像探测法 |
CN114610944A (zh) * | 2022-05-11 | 2022-06-10 | 山东捷瑞数字科技股份有限公司 | 基于三维引擎的关键字智能匹配资源材质的优化方法 |
CN115410049A (zh) * | 2022-10-31 | 2022-11-29 | 中国石油大学(华东) | 一种岩体溶蚀程度的分类评估方法及装置 |
CN115410049B (zh) * | 2022-10-31 | 2023-01-31 | 中国石油大学(华东) | 一种岩体溶蚀程度的分类评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113223170B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113223170B (zh) | 一种基于致密砂岩ct图像三维重构的孔隙识别方法 | |
CN110738697B (zh) | 基于深度学习的单目深度估计方法 | |
CN109655019B (zh) | 一种基于深度学习和三维重建的货物体积测量方法 | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN106462746A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
Bhattacharjee et al. | Review on histopathological slide analysis using digital microscopy | |
Luo | Pattern recognition and image processing | |
CN109191418B (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN111191735B (zh) | 基于数据差异和多尺度特征的卷积神经网络影像分类方法 | |
CN112991370B (zh) | 一种岩心ct裂纹识别与分割方法 | |
Kazak et al. | Machine-learning-assisted segmentation of focused ion beam-scanning electron microscopy images with artifacts for improved void-space characterization of tight reservoir rocks | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Zhu et al. | Information extraction of high resolution remote sensing images based on the calculation of optimal segmentation parameters | |
CN116309333A (zh) | 一种基于深度学习的wsi图像弱监督病理分析方法及装置 | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
CN107292268A (zh) | 快速脊波反卷积结构学习模型的sar图像语义分割方法 | |
Khamael et al. | Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN108154107A (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN109409375B (zh) | 一种基于轮廓结构学习模型的sar图像语义分割方法 | |
Zhu et al. | A multi-resolution hierarchy classification study compared with conservative methods | |
CN112257544A (zh) | 基于稀疏词典的高分遥感影像震后建筑物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |