CN114463324B - 基于海森矩阵滤波的岩心图像裂缝识别方法 - Google Patents
基于海森矩阵滤波的岩心图像裂缝识别方法 Download PDFInfo
- Publication number
- CN114463324B CN114463324B CN202210169133.6A CN202210169133A CN114463324B CN 114463324 B CN114463324 B CN 114463324B CN 202210169133 A CN202210169133 A CN 202210169133A CN 114463324 B CN114463324 B CN 114463324B
- Authority
- CN
- China
- Prior art keywords
- image
- cracks
- scanned image
- hessian matrix
- scale factor
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001914 filtration Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 8
- 238000005510 radiation hardening Methods 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000003325 tomography Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 239000004215 Carbon black (E152) Substances 0.000 description 7
- 229930195733 hydrocarbon Natural products 0.000 description 7
- 150000002430 hydrocarbons Chemical class 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
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 Processing (AREA)
Abstract
本发明公开了一种基于海森矩阵滤波的岩心图像裂缝识别方法,为实现对不同尺度的裂缝的准确识别,根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子;考虑海森矩阵可以准确地描述扫描图像中图像的曲率变化,确定每个尺度因子下各个像素点的海森矩阵,根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出强度图像中的裂缝;将M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝。相较于现有技术中的裂缝识别方式,该方案可以准确地实现对岩心样品中多尺度裂缝的连续提取以最终实现对裂缝的准确识别,不会出现裂缝断裂不闭合的情况,且识别效率更高。
Description
技术领域
本发明涉及图像识别领域,特别是涉及一种基于海森矩阵滤波的岩心图像裂缝识别方法、系统及装置。
背景技术
油气藏的岩心作为典型的多孔介质发育着多类型的复杂孔隙结构,如孔隙和裂缝。裂缝作为油气藏的储层空间及油气运移和开采的重要通道,对其的识别及研究是油气藏资源评价、开发、改造的必不可少的关键步骤。为此,针对待研究油气藏的岩心样品,在得到该岩心样品的扫描图像后,现有技术中主要采用以下两种方式进行裂缝的识别:
第一种方式是在扫描图像的灰度值分布的一系列阈值算法,例如人工经验法、直方图法、最大类间方差法、自适应阈值法等的基础上,加入如边缘检测法、指示克里格法、分水岭法等后设计的一种比较复杂的混合算法,从而实现对裂缝的识别。但这些混合算法受限于算法本身的设计机理,需要的运算时间很长,且针对非常规油气藏的岩心样品的扫描图像,由于此时该岩心样品中的裂缝呈现出多尺度及裂缝边缘模糊的特征,易出现斜向裂缝断裂、裂缝不闭合与内部空腔等问题,从而导致对裂缝识别的准确度不高。
第二种方式是通过机器学习算法,依靠大量的训练油气藏的岩心样品的扫描图像与识别后的裂缝图像之间的关系来实现对裂缝的识别。但是该方法中最终对裂缝识别的准确度与训练数据量的大小紧密相关,并且不同岩性图像中的裂缝的发育差异较大,因此不能迁移学习,即对于每一种岩性的裂缝的扫描图像都需要进行训练学习,造成其处理效率低,且由于机器学习算法的输入图像往往有固定尺寸大小,所以在裂缝识别过程中,需要对岩心样品的扫描图像进行裁剪、缩放等处理后再进行识别,影响了对于裂缝的识别的准确度。
可见,寻找一种高效、准确且适用性广泛的方法实现对油气藏的岩心中裂缝的识别是目前亟待解决的问题。
发明内容
本发明的目的是提供一种基于海森矩阵滤波的岩心图像裂缝识别方法、系统及装置,可以准确地实现对岩心样品中多尺度裂缝的连续提取以最终实现对裂缝的准确识别,不会出现裂缝断裂不闭合的情况,且识别效率更高。
为解决上述技术问题,本发明提供了一种基于海森矩阵滤波的岩心图像裂缝识别方法,包括:
获取岩心样品的扫描图像;
根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为所述扫描图像中最大尺度的裂缝的缝宽的像素数取整且M为整数;
根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵;
根据每个所述尺度因子下的各个所述海森矩阵确定每个所述尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出所述强度图像中的裂缝;
将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝,其中,对于同一个所述裂缝的识别以M个所述强度图像中所述裂缝最完整闭合的识别版本为基准。
优选的,将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝之前,还包括:
确定所述扫描图像的灰度直方图;
根据预设粗分隔阈值及所述灰度直方图对所述扫描图像进行粗识别以得到包括所有的裂缝且对所述扫描图像中除各个所述裂缝外的杂质的粗略去除后的第一图像;
将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝,包括:
将分割后的M个所述强度图像中的裂缝应用于所述第一图像中以识别出所述第一图像中的所有的裂缝。
优选的,获取岩心样品的扫描图像,包括:
获取X射线断层扫描设备或扫描电子显微镜或聚焦离子-扫描电子双束显微镜对岩心样品进行扫描后得到的扫描图像。
优选的,获取岩心样品的扫描图像之后,还包括:
对所述扫描图像进行射线硬化校正以去除所述扫描图像中的环状伪影和/或条状伪影;
对射线硬化校正后的扫描图像进行滤波处理以滤除散点噪声和白点噪声。
优选的,将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝之后,还包括:
控制显示模块显示对所述扫描图像中的所有的裂缝的识别结果。
优选的,当所述扫描图像为二维图像时;
根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵,包括:
基于第一预设卷积关系式确定第s个所述尺度因子下所述扫描图像中的各个像素点的第一海森矩阵,其中,1≤s≤M且s为整数;
优选的,当所述扫描图像为三维图像时;
根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵,包括:
基于第二预设卷积关系式确定第s个所述尺度因子下所述扫描图像中的各个像素点的第二海森矩阵,其中,1≤s≤M且s为整数;
优选的,根据每个所述尺度因子下的各个所述海森矩阵确定每个所述尺度因子下用于表征所有的裂缝的分布结构的强度图像,包括:
对于第s个所述尺度因子下与所在位置为(x,y,z)的像素点对应的第二海森矩阵,执行如下步骤:
确定所述第二海森矩阵的特征值λs,1、λs,2及λs,3,其中,λs,1≤λs,2≤λs,3;
计算λs,3-|λs,2|-|λs,1|的数值并判断所述数值是否大于0;
若是,确定第s个所述尺度因子下与位置为所述(x,y,z)对应的第二灰度值为所述数值;
若否,确定第s个所述尺度因子下与位置为所述(x,y,z)对应的第二灰度值为0;
在确定第s个所述尺度因子下各个所述位置的第二灰度值后,对各个所述第二灰度值按照与之对应的各个所述位置进行图像输出以得到第s个所述尺度因子下的用于表征所有的裂缝的分布结构的强度图像。
为解决上述技术问题,本发明还提供了一种基于海森矩阵滤波的岩心图像裂缝识别系统,包括:
获取单元,用于获取岩心样品的扫描图像;
第一确定单元,用于根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为所述扫描图像中最大尺度的裂缝的缝宽的像素数取整且M为整数;
第二确定单元,用于根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵;
第一处理单元,用于根据每个所述尺度因子下的各个所述海森矩阵确定每个所述尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出所述强度图像中的裂缝;
第二处理单元,用于将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝,其中,对于同一个所述裂缝的识别以M个所述强度图像中所述裂缝最完整闭合的识别版本为基准。
为解决上述技术问题,本发明还提供了一种基于海森矩阵滤波的岩心图像裂缝识别装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行如上述所述的基于海森矩阵滤波的岩心图像裂缝识别方法的步骤。
本发明提供了一种基于海森矩阵滤波的岩心图像裂缝识别方法、系统及装置,在获取岩心样品的扫描图像后,为了实现对不同尺度的裂缝的准确识别,首先根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子;随后考虑到海森矩阵可以准确地描述扫描图像中图像的曲率变化,于是根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵,根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出强度图像中的裂缝;将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝。相较于现有技术中的裂缝识别方式,该方案可以准确地实现对岩心样品中多尺度裂缝的连续提取以最终实现对裂缝的准确识别,不会出现裂缝断裂不闭合的情况,且识别效率更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于海森矩阵滤波的岩心图像裂缝识别方法的流程图;
图2为本发明提供的一种岩心样品的扫描图像的显示示意图;
图3为本发明提供的另一种岩心样品的扫描图像的显示示意图;
图4为本发明提供的另一种岩心样品的扫描图像的显示示意图;
图5为本发明提供的一种岩心样品的扫描图像中所有的裂缝的显示示意图;
图6为本发明提供的另一种岩心样品的扫描图像中所有的裂缝的显示示意图;
图7为本发明提供的一种基于海森矩阵滤波的岩心图像裂缝识别系统的结构示意图;
图8为本发明提供的一种基于海森矩阵滤波的岩心图像裂缝识别装置的结构示意图。
具体实施方式
本发明的核心是提供一种基于海森矩阵滤波的岩心图像裂缝识别方法、系统及装置,可以准确地实现对岩心样品中多尺度裂缝的连续提取以最终实现对裂缝的准确识别,不会出现裂缝断裂不闭合的情况,且识别效率更高。
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参照图1,图1为本发明提供的一种基于海森矩阵滤波的岩心图像裂缝识别方法的流程图。
该基于海森矩阵滤波的岩心图像裂缝识别方法,包括:
S11:获取岩心样品的扫描图像;
S12:根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为扫描图像中最大尺度的裂缝的缝宽的像素数取整且M为整数;
S13:根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵;
S14:根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出强度图像中的裂缝;
S15:将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝,其中,对于同一个裂缝的识别以M个强度图像中裂缝最完整闭合的识别版本为基准。
本实施例中,考虑到为了识别岩心样品的扫描图像中的裂缝,现有技术中主要采用如背景技术中所述的混合算法或者是机器学习算法进行识别,但上述两种方法都存在各自的局限性与不足,具体已在背景技术部分进行阐述,这里不再赘述,为此,本申请提供了一种基于海森矩阵滤波的岩心图像裂缝识别方法,可以准确地实现对岩心样品中多尺度裂缝的连续提取以最终实现对裂缝的准确识别,不会出现裂缝断裂不闭合的情况,且识别效率更高。
首先需要说明的是,针对油气藏的岩心样品的微观结构,常规油气藏的岩心样品,如砂岩油气藏中发育着大量的不规则无机质孔隙;与常规油气藏相比,非常规油气藏中还蕴含着有机质块及有机质孔隙和多类型的裂缝。按照裂缝与层面的关系可以划分为穿层缝、层内缝及顺层缝。裂缝的开度大部分介于几微米到几百微米之间,呈现出典型的多尺度特征。裂缝中多充填着多类型矿物,造成裂缝的表面呈现出较大的粗糙,裂缝的边缘处不明确。裂缝不仅仅是油气藏的储层空间,更加是油气运移和开采的重要通道,因为开展裂缝的识别和研究是油气藏资源评价、开发、改造的必不可少的关键步骤,这也正是本申请提供的基于海森矩阵滤波的岩心图像裂缝识别方法的实用性所在。
于是具体来说,首先获取岩心样品的扫描图像,这里的岩心样品可以为非常规油气藏的岩心样品,也可以为常规油气藏的岩心样品,这里的扫描图像可以为借助于先进的成像技术获得的二维的灰度图像,也可以为借助于先进的成像技术获得的三维的灰度图像,本申请在此不作特别的限定。之后,为了实现对不同尺度的裂缝的准确识别,根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为所述扫描图像中最大尺度的裂缝的缝宽的像素数的取整且M为整数,于是可以理解的是,这里的扫描图像中最大尺度的裂缝的缝宽的取整可以直接通过观察及经验获得,这里得到的各个尺度因子具体取值即为从1取至所述M的M个尺度因子;
进一步考虑到海森矩阵可以准确地描述扫描图像中图像的曲率变化,即通过二阶导数描述三维扫描图像或二维扫描图像中每个像素点的局部灰度梯度变化,于是,根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵,可以获取到该扫描图像中的更高阶的信息,尤其是裂缝的边缘及第一灰度值的变化的信息;随后对于每个尺度因子来说,根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出强度图像中的裂缝,将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝,其中,考虑到对于同一个裂缝在不同的尺度因子下的识别效果很可能是有差异的,因此对于同一个裂缝的识别以M个强度图像中能够将该裂缝裂缝最完整闭合的识别出来的识别版本为基准。
需要说明的是,本申请提供的基于海森矩阵滤波的岩心图像裂缝识别方法不仅可以应用于油气田开发领域中油气藏的岩心样品的图像中裂缝的识别,也可以应用于对油气藏的岩心样品的图像中孔隙的识别,同时还可以拓展应用于材料图像中裂纹的识别、土木工程中水泥硬化图像中裂纹的识别、交通运输中道路图像中裂纹的识别及医学图像中血管的识别,本申请在此不作特别的限定。
还需要说明的是,若是后续还有需要,在将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝之后,还可以基于联通函数准则,结合不同尺度因子下的裂缝分布和原始的扫描图像下的直观观测的裂缝分布特征,去除一些天然的非连通裂缝,本申请在此不作特别的限定,根据后续的需求而定。
综上,本申请提供了一种基于海森矩阵滤波的岩心图像裂缝识别方法,相较于现有技术中的裂缝识别方式,该方案可以准确地实现对岩心样品中多尺度裂缝的连续提取以最终实现对裂缝的准确识别,不会出现裂缝断裂不闭合的情况,且识别效率更高。
在上述实施例的基础上:
作为一种优选的实施例,将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝之前,还包括:
确定扫描图像的灰度直方图;
根据预设粗分隔阈值及灰度直方图对扫描图像进行粗识别以得到包括所有的裂缝且对扫描图像中除各个裂缝外的杂质的粗略去除后的第一图像;
将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝,包括:
将分割后的M个强度图像中的裂缝应用于第一图像中以识别出第一图像中的所有的裂缝。
本实施例中,发明人进一步考虑到为了更好地保证对该扫描图像中的所有的裂缝的准确识别,可以预先对该扫描图像中的所有的裂缝进行粗识别。
具体的,可以依托于灰度直方图法实现上述粗识别,即将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝之前,首先确定扫描图像的灰度直方图,根据预设粗分隔阈值及灰度直方图对扫描图像进行粗识别以得到包括所有的裂缝且对扫描图像中除各个裂缝外的杂质的粗略去除后的第一图像,从而实现对所述扫描图像中所有裂缝的粗识别。
于是,将分割后的M个强度图像中的裂缝应用于第一图像中,可以更加有效地以识别出第一图像中的所有的裂缝,可以理解的是,这里在确定了每个尺度因子下的强度图像之后,对各个强度图像中裂缝的分割方式仍然可以依据于灰度直方图法通过对分割阈值的合理选取以分割出各个强度图像中的裂缝,本申请在此不作特别的限定。
可见,通过上述方式进一步保证了本申请提供的基于海森矩阵滤波的岩心图像裂缝识别方法的准确性。
作为一种优选的实施例,获取岩心样品的扫描图像,包括:
获取X射线断层扫描设备或扫描电子显微镜或聚焦离子-扫描电子双束显微镜对岩心样品进行扫描后得到的扫描图像。
本实施例中,获取岩心样品的扫描图像的方式可以为通过X射线断层扫描设备对岩心样品进行扫描后得到的扫描图像,X射线断层扫描设备可以实现无损成像;也可以通过扫描电子显微镜对岩心样品进行扫描后得到的扫描图像,还可以通过聚焦离子-扫描电子双束显微镜对岩心样品进行扫描后得到的扫描图像,聚焦离子-扫描电子双束显微镜得到的扫描图像的分辨率更高。
当然,也可以为依靠其他先进成像技术获得的岩心样品的扫描图像,本申请在此不做特别的限定。
作为一种优选的实施例,获取岩心样品的扫描图像之后,还包括:
对扫描图像进行射线硬化校正以去除扫描图像中的环状伪影和/或条状伪影;
对射线硬化校正后的扫描图像进行滤波处理以滤除散点噪声和白点噪声。
本实施例中,发明人进一步考虑到获取的岩心样品的扫描图像,受限于实验过程中的设备和周边环境等各种因素,会导致获取的扫描图像中存在着各式各样的噪点,这些噪点会对后续图像中裂缝的识别过程造成干扰,影响最终结果的准确性。因此,需要对所述扫描图像进行预处理。
具体来说,对扫描图像进行射线硬化校正以去除扫描图像中的环状伪影和/或条状伪影,并对射线硬化校正后的扫描图像进行滤波处理以滤除散点噪声和白点噪声。
需要说明的是,在具体实现时,这里需要有针对性的选择相应地滤波算法,考虑到往往单一的滤波算法无法达到预想的效果,因此在实际滤波图像处理过程中,本申请中具体采用几种滤波算法联用的方式来进行处理,以达到预想的效果,于是针对扫描图像进行滤波处理过程中对散点噪声可以使用中值滤波算法,对白点噪声和需要特别进行边缘保护的可以使用非局部均质滤波算法。
还需要说明的是,在进行上述滤波步骤之后,发明人进一步考虑到经过滤波处理之后的扫描图像往往会存在偏暗或偏亮及对比度不明显等问题,这将对后续对其中裂缝的识别带来较大的误差,因此本申请还可以对滤波后的扫描图像进行亮度及对比度调整,以准确加速图像分类,本申请在此不做特别的限定。
可见,通过上述方式通过对获取到的岩心样品的扫描图像的一系列的图像预处理,为后续对扫描图像中的裂缝的识别步骤的实现提供了基础,进一步保证了本申请提供的方法的准确性。
作为一种优选的实施例,将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝之后,还包括:
控制显示模块显示对扫描图像中的所有的裂缝的识别结果。
本实施例中,为了更直观地进行展示,将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝之后,还可以对扫描图像中的所有的裂缝的识别结果进行显示输出,便于后续开展裂缝的特征参数的定量表征及微观流动模拟。
具体的,这里给出本申请的一种具体的实施例,请参照图2,图2为本发明提供的一种岩心样品的扫描图像的显示示意图,这里以最终的扫描图像为三维灰度图像为例,展示了该三维灰度图像的一个切面,具体采用了X射线断层扫描设备对某地区的页岩油气藏的岩心样品进行扫描,该岩心样品的直径为25mm,长度为6cm,扫描的分辩率为14.25微米/像素,扫描后得到的扫描图像的像素大小为2000×2000×1040。对该扫描图像进行滤波、亮度及对比度处理后,请参照图3和图4,图3为本发明提供的另一种岩心样品的扫描图像的显示示意图,图4为本发明提供的另一种岩心样品的扫描图像的显示示意图,同样以扫描图像为三维灰度图像为例,图3展示了对该三维灰度图像进行滤波处理之后得到的扫描图像的一个切面,图4展示了在图3的基础上进一步对所述扫描图像进行亮度及对比度调整处理之后得到的扫描图像。依照本申请提供的基于海森矩阵滤波的岩心图像裂缝识别方法对该扫描图像中的所有的裂缝进行识别,请进一步参照图5和图6,图5为本发明提供的一种岩心样品的扫描图像中所有的裂缝的显示示意图,图6为本发明提供的另一种岩心样品的扫描图像中所有的裂缝的显示示意图,其中,图5为图6中最终展示的三维灰度图像中的所有的裂缝的其中一个切面中存在的裂缝展示。
作为一种优选的实施例,当扫描图像为二维图像时;
根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵,包括:
基于第一预设卷积关系式确定第s个尺度因子下扫描图像中的各个像素点的第一海森矩阵,其中,1≤s≤M且s为整数;
本实施例中,提供了在扫描图像是二维图像,即二维灰度图像时,如何根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵,具体的计算方式及各个符号所代表的含义已在上述部分阐述,在此不再赘述。
可见,通过将图像与高斯函数进行卷积而构造了第一预设卷积关系式,进而可以可靠地得到在扫描图像是二维图像时表征每个尺度因子下扫描图像中的各个像素点的第一海森矩阵。
可以理解的是,这里作为坐标原点的任意一个像素点可以为整个扫描图像中左上角的像素点,也可以为整个扫描图像中右上角的像素点,本申请中在此不作特别的限定。
作为一种优选的实施例,当扫描图像为三维图像时;
根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵,包括:
基于第二预设卷积关系式确定第s个尺度因子下扫描图像中的各个像素点的第二海森矩阵,其中,1≤s≤M且s为整数;
本实施例中,提供了在扫描图像是三维图像,即三维灰度图像时,如何根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵,具体的计算方式及各个符号所代表的含义已在上述部分阐述,在此不再赘述。
值得说明的是,这里对于第二海森矩阵中的元素进行说明如下:
可见,通过这种方式将图像与高斯函数进行卷积而构造了第二预设卷积关系式,进而可以可靠地得到在扫描图像是三维图像时表征每个尺度因子下扫描图像中的各个像素点的第二海森矩阵。
可以理解的是,这里作为坐标原点的任意一个像素点可以为整个扫描图像中左上角的像素点,也可以为整个扫描图像中右上角的像素点,本申请中在此不作特别的限定。
作为一种优选的实施例,根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像,包括:
对于第s个尺度因子下与所在位置为(x,y,z)的像素点对应的第二海森矩阵,执行如下步骤:
确定第二海森矩阵的特征值λs,1、λs,2及λs,3,其中,λs,1≤λs,2≤λs,3;
计算λs,3-|λs,2|-|λs,1|的数值并判断数值是否大于0;
若是,确定第s个尺度因子下与位置为(x,y,z)对应的第二灰度值为数值;
若否,确定第s个尺度因子下与位置为(x,y,z)对应的第二灰度值为0;
在确定第s个尺度因子下各个位置的第二灰度值后,对各个第二灰度值按照与之对应的各个位置进行图像输出以得到第s个尺度因子下的用于表征所有的裂缝的分布结构的强度图像。
本实施例中,提供了在扫描图像是三维图像,即三维灰度图像时,如何根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像,且实现方式准确可靠。
具体的,对于每个尺度因子下的扫描图像,针对第s个尺度因子下的扫描图像,首先确定第二海森矩阵的特征值λs,1、λs,2及λs,3,计算λs,3-|λs,2|-|λs,1|的数值并判断数值是否大于0,若是,确定第s个尺度因子下与位置为(x,y,z)对应的第二灰度值为数值;若否,确定第s个尺度因子下与位置为(x,y,z)对应的第二灰度值为0;
在确定第s个尺度因子下各个位置的第二灰度值后,对各个第二灰度值按照与之对应的各个位置进行图像输出以得到第s个尺度因子下的用于表征所有的裂缝的分布结构的强度图像,这里的强度图像可以理解为第s个尺度因子下包括所有的裂缝的分布结构的一种图像。
可以理解的是,在扫描图像是二维图像,即二维灰度图像时,根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像的具体步骤为:
对于第s个尺度因子下与所在位置为(x,y)的像素点对应的第一海森矩阵,执行如下步骤:
确定第一海森矩阵的特征值ωs,1及ωs,2,其中,ωs,1≤ωs,2;
计算ωs,2-|ωs,1|的数值并判断该数值是否大于0;
若是,确定第s个尺度因子下与位置为(x,y)对应的第三灰度值为该数值;
若否,确定第s个尺度因子下与位置为(x,y)对应的第三灰度值为0;
在确定第s个尺度因子下各个位置的第三灰度值后,对各个第三灰度值按照与之对应的各个位置进行图像输出,可以得到在扫描图像是二维图像时第s个尺度因子下的用于表征所有的裂缝的分布结构的强度图像。
请参照图7,图7为本发明提供的一种基于海森矩阵滤波的岩心图像裂缝识别系统的结构示意图。
该基于海森矩阵滤波的岩心图像裂缝识别系统,包括:
获取单元21,用于获取岩心样品的扫描图像;
第一确定单元22,用于根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为扫描图像中最大尺度的裂缝的缝宽的像素数取整且M为整数;
第二确定单元23,用于根据扫描图像中各个像素点的第一灰度值确定每个尺度因子下各个像素点的海森矩阵;
第一处理单元24,用于根据每个尺度因子下的各个海森矩阵确定每个尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出强度图像中的裂缝;
第二处理单元25,用于将分割后的M个强度图像中的裂缝应用于扫描图像中以识别出扫描图像中的所有的裂缝,其中,对于同一个裂缝的识别以M个强度图像中裂缝最完整闭合的识别版本为基准。
对于本发明中提供的基于海森矩阵滤波的岩心图像裂缝识别系统的介绍请参照上述基于海森矩阵滤波的岩心图像裂缝识别方法的实施例,此处不再赘述。
请参照图8,图8为本发明提供的一种基于海森矩阵滤波的岩心图像裂缝识别装置的结构示意图。
该基于海森矩阵滤波的岩心图像裂缝识别装置,包括:
存储器31,用于存储计算机程序;
处理器32,用于执行如上述所述的基于海森矩阵滤波的岩心图像裂缝识别方法的步骤。
对于本发明中提供的基于海森矩阵滤波的岩心图像裂缝识别装置的介绍请参照上述基于海森矩阵滤波的岩心图像裂缝识别方法的实施例,此处不再赘述。
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。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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,在其他实施例中实现。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 (7)
1.一种基于海森矩阵滤波的岩心图像裂缝识别方法,其特征在于,包括:
获取岩心样品的扫描图像;
根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为所述扫描图像中最大尺度的裂缝的缝宽的像素数取整且M为整数;
根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵;
根据每个所述尺度因子下的各个所述海森矩阵确定每个所述尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出所述强度图像中的裂缝;
将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝,其中,对于同一个所述裂缝的识别以M个所述强度图像中所述裂缝最完整闭合的识别版本为基准;
将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝之前,还包括:
确定所述扫描图像的灰度直方图;
根据预设粗分隔阈值及所述灰度直方图对所述扫描图像进行粗识别以得到包括所有的裂缝且对所述扫描图像中除各个所述裂缝外的杂质的粗略去除后的第一图像;
将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝,包括:
将分割后的M个所述强度图像中的裂缝应用于所述第一图像中以识别出所述第一图像中的所有的裂缝;
其中,当所述扫描图像为三维图像时;
根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵,包括:
基于第二预设卷积关系式确定第s个所述尺度因子下所述扫描图像中的各个像素点的第二海森矩阵,其中,1≤s≤M且s为整数;
根据每个所述尺度因子下的各个所述海森矩阵确定每个所述尺度因子下用于表征所有的裂缝的分布结构的强度图像,包括:
对于第s个所述尺度因子下与所在位置为(x,y,z)的像素点对应的第二海森矩阵,执行如下步骤:
确定所述第二海森矩阵的特征值λs,1、λs,2及λs,3,其中,λs,1≤λs,2≤λs,3;
计算λs,3-|λs,2|-|λs,1|的数值并判断所述数值是否大于0;
若是,确定第s个所述尺度因子下与位置为所述(x,y,z)对应的第二灰度值为所述数值;
若否,确定第s个所述尺度因子下与位置为所述(x,y,z)对应的第二灰度值为0;
在确定第s个所述尺度因子下各个所述位置的第二灰度值后,对各个所述第二灰度值按照与之对应的各个所述位置进行图像输出以得到第s个所述尺度因子下的用于表征所有的裂缝的分布结构的强度图像。
2.如权利要求1所述的基于海森矩阵滤波的岩心图像裂缝识别方法,其特征在于,获取岩心样品的扫描图像,包括:
获取X射线断层扫描设备或扫描电子显微镜或聚焦离子-扫描电子双束显微镜对岩心样品进行扫描后得到的扫描图像。
3.如权利要求1所述的基于海森矩阵滤波的岩心图像裂缝识别方法,其特征在于,获取岩心样品的扫描图像之后,还包括:
对所述扫描图像进行射线硬化校正以去除所述扫描图像中的环状伪影和/或条状伪影;
对射线硬化校正后的扫描图像进行滤波处理以滤除散点噪声和白点噪声。
4.如权利要求1所述的基于海森矩阵滤波的岩心图像裂缝识别方法,其特征在于,将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝之后,还包括:
控制显示模块显示对所述扫描图像中的所有的裂缝的识别结果。
5.如权利要求1至4任一项所述的基于海森矩阵滤波的岩心图像裂缝识别方法,其特征在于,当所述扫描图像为二维图像时;
根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵,包括:
基于第一预设卷积关系式确定第s个所述尺度因子下所述扫描图像中的各个像素点的第一海森矩阵,其中,1≤s≤M且s为整数;
6.基于海森矩阵滤波的岩心图像裂缝识别系统,其特征在于,包括:
获取单元,用于获取岩心样品的扫描图像;
第一确定单元,用于根据尺度空间理论确定用于识别不同尺度的裂缝的M个尺度因子,其中,M为所述扫描图像中最大尺度的裂缝的缝宽的像素数取整且M为整数;
第二确定单元,用于根据所述扫描图像中各个像素点的第一灰度值确定每个所述尺度因子下各个所述像素点的海森矩阵;
第一处理单元,用于根据每个所述尺度因子下的各个所述海森矩阵确定每个所述尺度因子下用于表征所有的裂缝的分布结构的强度图像并分割出所述强度图像中的裂缝;
第二处理单元,用于将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝,其中,对于同一个所述裂缝的识别以M个所述强度图像中所述裂缝最完整闭合的识别版本为基准;
所述基于海森矩阵滤波的岩心图像裂缝识别系统,还用于:
在将分割后的M个所述强度图像中的裂缝应用于所述扫描图像中以识别出所述扫描图像中的所有的裂缝之前,确定所述扫描图像的灰度直方图;
根据预设粗分隔阈值及所述灰度直方图对所述扫描图像进行粗识别以得到包括所有的裂缝且对所述扫描图像中除各个所述裂缝外的杂质的粗略去除后的第一图像;
所述第二处理单元,具体用于将分割后的M个所述强度图像中的裂缝应用于所述第一图像中以识别出所述第一图像中的所有的裂缝;
其中,当所述扫描图像为三维图像时;所述第二确定单元,具体用于:
基于第二预设卷积关系式确定第s个所述尺度因子下所述扫描图像中的各个像素点的第二海森矩阵,其中,1≤s≤M且s为整数;
所述第一处理单元,具体用于:
对于第s个所述尺度因子下与所在位置为(x,y,z)的像素点对应的第二海森矩阵,执行如下步骤:
确定所述第二海森矩阵的特征值λs,1、λs,2及λs,3,其中,λs,1≤λs,2≤λs,3;
计算λs,3-|λs,2|-|λs,1|的数值并判断所述数值是否大于0;
若是,确定第s个所述尺度因子下与位置为所述(x,y,z)对应的第二灰度值为所述数值;
若否,确定第s个所述尺度因子下与位置为所述(x,y,z)对应的第二灰度值为0;
在确定第s个所述尺度因子下各个所述位置的第二灰度值后,对各个所述第二灰度值按照与之对应的各个所述位置进行图像输出以得到第s个所述尺度因子下的用于表征所有的裂缝的分布结构的强度图像。
7.基于海森矩阵滤波的岩心图像裂缝识别装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行如权利要求1至5任一项所述的基于海森矩阵滤波的岩心图像裂缝识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169133.6A CN114463324B (zh) | 2022-02-23 | 2022-02-23 | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169133.6A CN114463324B (zh) | 2022-02-23 | 2022-02-23 | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463324A CN114463324A (zh) | 2022-05-10 |
CN114463324B true CN114463324B (zh) | 2023-05-05 |
Family
ID=81415496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210169133.6A Active CN114463324B (zh) | 2022-02-23 | 2022-02-23 | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463324B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754368A (zh) * | 2019-01-23 | 2019-05-14 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝拼接方法 |
CN111179260A (zh) * | 2019-12-31 | 2020-05-19 | 三峡大学 | 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法 |
CN112991370A (zh) * | 2021-04-08 | 2021-06-18 | 重庆大学 | 一种岩心ct裂纹识别与分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867302B (zh) * | 2012-08-30 | 2015-04-08 | 四川大学 | 基于三维图像信息处理的岩心裂缝识别方法 |
CN105719283A (zh) * | 2016-01-18 | 2016-06-29 | 苏州科技学院 | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 |
CN108763711B (zh) * | 2018-05-22 | 2022-02-15 | 中国石油大学(华东) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 |
-
2022
- 2022-02-23 CN CN202210169133.6A patent/CN114463324B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754368A (zh) * | 2019-01-23 | 2019-05-14 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝拼接方法 |
CN111179260A (zh) * | 2019-12-31 | 2020-05-19 | 三峡大学 | 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法 |
CN112991370A (zh) * | 2021-04-08 | 2021-06-18 | 重庆大学 | 一种岩心ct裂纹识别与分割方法 |
Non-Patent Citations (3)
Title |
---|
adaptive vision-based crack detection using 3D scene reconstruction for condition assessment of structure;M.R.Jahanshahi et al;《Automation in Construction》;第567-576页 * |
三维岩心图像裂缝自动识别;邓知秋 等;《计算机与数字工程》;第第41卷卷(第第1期期);第98-100页 * |
基于海森矩阵增强与局部裂缝拼接相结合的桥梁裂缝提取算法;贺福强;罗红;平安;姚学练;;贵州大学学报(自然科学版);第37卷(第03期);第69-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114463324A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109791693B (zh) | 用于提供可视化全切片图像分析的数字病理学系统及相关工作流程 | |
Lai et al. | Reconstructing granular particles from X-ray computed tomography using the TWS machine learning tool and the level set method | |
CN110678877B (zh) | 用于在测试图像中的视觉定位的系统及方法 | |
JP7217589B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
Voorn et al. | Multiscale Hessian fracture filtering for the enhancement and segmentation of narrow fractures in 3D image data | |
CN107133630B (zh) | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 | |
Li et al. | Fracture and vug characterization and carbonate rock type automatic classification using X-ray CT images | |
Karimpouli et al. | Coal cleat/fracture segmentation using convolutional neural networks | |
Ketcham | Computational methods for quantitative analysis of three-dimensional features in geological specimens | |
US20190156476A1 (en) | Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm | |
JP2020534456A (ja) | ニューラルネットワークを用いて炭化水素貯留層の石油物理特性を推測すること | |
Mahmoodi et al. | Automated advanced image processing for micromodel flow experiments; an application using labVIEW | |
WO2020142461A1 (en) | Translation of images of stained biological material | |
Tang et al. | Machine learning for point counting and segmentation of arenite in thin section | |
Gallagher | Digital image processing and analysis with ImageJ | |
Jouini et al. | Permeability upscaling in complex carbonate samples using textures of micro-computed tomography images | |
Wei et al. | Machine-learning-based atom probe crystallographic analysis | |
Ismailova et al. | Automated drill cuttings size estimation | |
Ramandi et al. | FracDetect: A novel algorithm for 3D fracture detection in digital fractured rocks | |
Yasin et al. | Automatic pore structure analysis in organic-rich shale using FIB-SEM and attention U-Net | |
EP3611695A1 (en) | Generating annotation data of tissue images | |
Han et al. | Automatic borehole fracture detection and characterization with tailored Faster R-CNN and simplified Hough transform | |
CN114463324B (zh) | 基于海森矩阵滤波的岩心图像裂缝识别方法 | |
CN111738978B (zh) | 储层孔喉连通性的评价方法、装置、电子设备及存储介质 | |
Wu et al. | Extraction of fractures in shale CT images using improved U-Net |
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 |