CN114624470A - 基于复合电子信号图像的页岩孔缝类型识别方法 - Google Patents
基于复合电子信号图像的页岩孔缝类型识别方法 Download PDFInfo
- Publication number
- CN114624470A CN114624470A CN202210259661.0A CN202210259661A CN114624470A CN 114624470 A CN114624470 A CN 114624470A CN 202210259661 A CN202210259661 A CN 202210259661A CN 114624470 A CN114624470 A CN 114624470A
- Authority
- CN
- China
- Prior art keywords
- image
- pore
- signal image
- electronic signal
- organic matter
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002131 composite material Substances 0.000 title claims abstract description 35
- 239000005416 organic matter Substances 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 32
- 238000005498 polishing Methods 0.000 claims description 14
- XKRFYHLGVUSROY-UHFFFAOYSA-N argon Substances [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 229910052786 argon Inorganic materials 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 29
- 229910052500 inorganic mineral Inorganic materials 0.000 description 10
- 239000011707 mineral Substances 0.000 description 9
- 239000007789 gas Substances 0.000 description 8
- 239000003079 shale oil Substances 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 244000137852 Petrea volubilis Species 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
- G01Q30/20—Sample handling devices or methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/32—Polishing; Etching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
- G01Q30/02—Non-SPM analysing devices, e.g. SEM [Scanning Electron Microscope], spectrometer or optical microscope
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种基于复合电子信号图像的页岩孔缝类型识别方法,包括以下步骤:利用扫描电镜扫描页岩样品,在同一视域获得二维的二次电子信号图像和背散射电子信号图像;对二次电子信号图像进行孔缝提取而获得孔缝图像;将孔缝图像和背散射电子信号图像融合得到复合电子信号图像;对复合电子信号图像进行有机质提取而获得有机质图像;提取孔缝图像中的所有孔缝的边界以及有机质图像中所有的有机质边界;判断待识别孔缝的边界是否与有机质边界相邻,若判断为是,则待识别孔缝为有机孔缝,否则为无机孔缝。本发明能够快速有效地实现页岩孔缝类型的识别。
Description
技术领域
本发明涉及矿物孔隙识别技术领域,尤其是指一种基于复合电子信号图像的页岩孔缝类型识别方法。
背景技术
页岩油气是一种资源潜力巨大的能源,随着中国能源供需缺口的扩大和对外依存度的持续攀升,页岩油和页岩气资源勘探开发也越来越受到重视。
页岩中的孔缝是页岩油/页岩气的运移通道和存储空间,其微观孔缝结构特征是页岩储层的重要参数,微观孔缝结构的发育情况对页岩气产量有着极大的影响,因此,对孔缝的表征对页岩油气勘探开发至关重要。页岩中的有机孔缝和无机孔缝系统在微纳米尺度上显示出不同的物理化学特性,因此有必要对有机质内的孔缝和无机矿物中的孔缝进行分类评价。
现有技术中可以利用扫描电子显微镜获取页岩的图像并依据图像进行孔缝类型判别。扫描电子显微镜扫描页岩样品时常用的探头为二次电子探头和背散射电子探头,分别可得到二次电子信号图像和背散射电子信号图像。二次电子信号图像由于其分辨率比背散射电子信号图像高,对页岩纳米级的孔缝成像适用性更好,孔缝图像更清晰,获取的二次电子信号图像如图1A所示;背散射电子信号图像分辨率不如二次电子信号图像,其对孔缝的清晰度不如二次电子信号图像,获取的背散射电子信号图像如图1B所示,但是背散射电子信号图像更容易区分不同矿物。
由于二次电子信号图像分辨率高,通过观察二次电子信号图像可以用肉眼清晰观察到矿物、有机质和孔缝,但是如果扫描面积较大或需要定量分析不同类型的孔缝时,靠肉眼来判断则变得不可能,需要用算法进行自动识别,一般可采用以下两种识别方法。一种识别方法是依赖灰度值的差异,比如,孔缝的灰度是最低的,有机质的灰度值高于孔缝,矿物的灰度值要高于有机质,但问题在于无机孔缝和有机孔缝这两者在图像上的灰度值非常接近,靠孔缝本身的灰度值是无法把有机孔缝和无机孔缝区分;另一种识别方法是通过接壤识别:如果孔缝与有机质接壤,就可以定义为有机孔缝,否则就是无机孔缝,但从图2中可以看到,在有机质内部的有机孔缝的边缘,如图2中箭头指示的两个孔缝边缘(图中白色亮边),其灰度比孔缝和有机质都高,其灰度和矿物的灰度值接近,它把有机孔缝和周围的有机质隔离开来,这样,这些有机孔缝就会被误判为无机孔缝,而实际上这些灰度值与矿物接近的边缘是一种图像缺陷,在扫描电镜图像中非常普遍,但是其会导致孔缝类型的误判。
因此,现有的页岩孔缝类型识别方法无法有效实现页岩孔缝类型的识别,无法满足使用需求。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中页岩孔缝类型识别方法无法有效实现页岩孔缝类型的识别的缺陷。
为解决上述技术问题,本发明提供了一种基于复合电子信号图像的页岩孔缝类型识别方法,包括以下步骤:
S1)利用扫描电镜扫描页岩样品,在同一视域获得二维的二次电子信号图像和背散射电子信号图像;
S2)对二次电子信号图像进行孔缝提取而获得孔缝图像;
S3)将孔缝图像和背散射电子信号图像融合得到复合电子信号图像;
S4)对复合电子信号图像进行有机质提取而获得有机质图像;
S5)提取孔缝图像中的所有孔缝的边界以及有机质图像中所有的有机质边界;
S6)判断待识别孔缝的边界是否与有机质边界相邻,若判断为是,则待识别孔缝为有机孔缝,否则为无机孔缝。
在本发明的一个实施例中,在步骤S1)之后,还需对获取的二次电子信号图像和背散射电子信号图像进行滤波处理,滤波处理后再进行步骤S2)。
在本发明的一个实施例中,所述滤波处理时采用均值滤波、非局部均值滤波、中值滤波、维纳滤波或高斯滤波中的一种。
在本发明的一个实施例中,在进行步骤1)之前,还需对页岩样品进行抛光,使得页岩样品表面达到纳米级平整度。
在本发明的一个实施例中,对页岩样品进行抛光时先进行机械抛光,再利用氩离子抛光机进行抛光。
在本发明的一个实施例中,步骤S2)中对二次电子信号图像进行孔缝提取时采用动态阈值算法。
在本发明的一个实施例中,采用动态阈值算法对二次电子信号图像进行孔缝提取的方法包括,
S21)利用以下公式计算动态阈值Gd(i,j):
Gd(i,j)=a*Gm(i,j)+b*Gm(i,j)*S(i,j)+c*exp(-d*Gm(i,j)
其中,a,b,c,d均为设定常数,i和j为像素点坐标,Gd(i,j)表示动态阈值,Gm(i,j)表示以当前像素点为中心、以n个像素为半径的区域内的所有像素灰度值的平均值,S(i,j)为以当前像素点为中心、以n个像素为半径的区域内的所有像素灰度值的标准方差;
S2)将当前像素点的灰度值记为G(i,j),若满足G(i,j)≤Gd(i,j),则表示当前像素点为孔缝的一部分,否则表示当前像素点为背景的一部分,提取所有满足G(i,j)≤Gd(i,j)的像素点而获得孔缝图像。
在本发明的一个实施例中,将孔缝图像中所有孔缝的灰度值统一取值为T1,将有机质灰度的最大值设定为T3,将有机质图像中的有机质灰度值记为Go(i,j),则T1<Go(i,j)≤T3。
在本发明的一个实施例中,
提取孔缝图像中的所有孔缝的边界时采用以下孔缝边界函数:
Gb1(i,j)=Gp(i,j)-(Gp(i,j)ΘSE1);
提取机质图像中所有的有机质边界时采用以下有机质边界函数:
Gb2(i,j)=Go(i,j)-(Go(i,j)ΘSE1);
其中,SE1表示像素结构元素,Θ表示收缩运算,Gb1(i,j)表示孔缝边界灰度值,Gp(i,j)表示孔缝灰度值,Gb2(i,j)表示有机质边界灰度值,Go(i,j)表示有机质灰度值。
在本发明的一个实施例中,步骤S6)中判断待识别孔缝的边界是否与有机质边界相邻时采用以下方法:将待识别孔缝的边界周围相邻像素点记为P,检查像素点P处的灰度值G(i,j),若像素点P处的灰度值G(i,j)等于Gb2(i,j)或Gb1(i,j),则表明待识别孔缝的边界与有机质边界相邻,否则表明待识别孔缝的边界与有机质边界不相邻。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的基于复合电子信号图像的页岩孔缝类型识别方法,能够快速有效地实现页岩孔缝类型的识别,便于对孔缝特征进行定量分析,从而更好地科学评价页岩油或页岩气的特性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是扫描电镜扫描获取的二维图像;其中,图1A是二次电子信号图像,图1B是背散射电子信号图像;
图2是二次电子信号图像;
图3是本发明的复合电子信号图像的页岩孔缝类型识别方法的流程图;
图4是滤波处理后的二维图像;其中,图4A是滤波处理后的二次电子信号图像,图4B是滤波处理后的背散射电子信号图像;
图5是从二次电子信号图像提取到的孔缝图像;
图6是复合电子信号图像;
图7是提取到的有机质图像;
图8是提取到的边界图像,其中,图8A是孔缝边界图像,图8B是有机质边界图像;
图9是最终获得的孔缝分类图像,其中,图9A是有机孔缝图像,图9B是无机孔缝图像;
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图3所示,本实施例公开了一种基于复合电子信号图像的页岩孔缝类型识别方法,包括以下步骤:
S1)利用扫描电镜扫描页岩样品,在同一视域获得二维的二次电子信号图像和背散射电子信号图像;
所谓“同一视域”是指二次电子信号图像和背散射电子信号图像是样品同一区域的图像。
S2)对二次电子信号图像进行孔缝提取而获得孔缝图像;
S3)将孔缝图像和背散射电子信号图像融合得到复合电子信号图像;
S4)对复合电子信号图像进行有机质提取而获得有机质图像;
S5)提取孔缝图像中的所有孔缝的边界以及有机质图像中所有的有机质边界;
S6)判断待识别孔缝的边界是否与有机质边界相邻,若判断为是,则待识别孔缝为有机孔缝,否则为无机孔缝。
在其中一个实施方式中,在步骤S1)之后,还需对获取的二次电子信号图像和背散射电子信号图像进行滤波处理,以在保证原始图像所有重要细节信息特征情况下,将带有噪点的灰度图像进行滤波,滤波处理后再进行步骤S2)。
进一步地,滤波处理时采用均值滤波、非局部均值滤波、中值滤波、维纳滤波或高斯滤波中的一种。
优选的,滤波处理时采用非局部均值滤波。
在其中一个实施方式中,在进行步骤1)之前,还需对页岩样品进行抛光,使得页岩样品表面达到纳米级平整度。
页岩中的孔缝尺度在微米和纳米级,多数为纳米级尺度,纳米级的孔隙对电镜成像提出了非常苛刻的要求,只有通过抛光机对样品表面进行抛光处理,达到纳米级表面平整度,纳米级孔隙才能通过扫描电镜清晰揭示出来。
进一步地,对页岩样品进行抛光时先进行机械抛光,再利用氩离子抛光机进行抛光。例如,首先将页岩样品切割成合适尺寸,对切割后的页岩样品选表面进行机械抛光-用不同粒度的砂纸对其进行打磨,直到样品表面达到微米级平整度,然后将样品固定在氩离子抛光机上利用高能氩离子束进行抛光处理,从而得到纳米级平整度的表面。
在其中一个实施方式中,步骤S2)中对二次电子信号图像进行孔缝提取时采用动态阈值算法。
在其中一个实施方式中,采用动态阈值算法对二次电子信号图像进行孔缝提取的方法包括,
S21)利用以下公式计算动态阈值Gd(i,j):
Gd(i,j)=a*Gm(i,j)+b*Gm(i,j)*S(i,j)+c*exp(-d*Gm(i,j)
其中,a,b,c,d均为设定常数,i和j为像素点坐标,Gd(i,j)表示动态阈值,Gm(i,j)表示以当前像素点为中心、以n个像素为半径的区域内的所有像素灰度值的平均值,S(i,j)为以当前像素点为中心、以n个像素为半径的区域内的所有像素灰度值的标准方差;
G(i,j)表示当前像素点的灰度值。
S2)将当前像素点的灰度值记为G(i,j),若满足G(i,j)≤Gd(i,j),则表示当前像素点为孔缝的一部分,否则表示当前像素点为背景的一部分,提取所有满足G(i,j)≤Gd(i,j)的像素点而获得孔缝图像。
在其中一个实施方式中,获取孔缝图像后,将孔缝图像中所有孔缝的灰度值统一取值为T1,将有机质灰度的最大值设定为T3,将有机质图像中的有机质灰度值记为Go(i,j),则T1<Go(i,j)≤T3。若像素点灰度值大于T3,则该像素点处为矿物。
在其中一个实施方式中:提取孔缝图像中的所有孔缝的边界时需先对孔缝在二维空间进行收缩运算,然后进行孔缝边界提取;
具体地,提取孔缝图像中的所有孔缝的边界时采用以下孔缝边界函数:
Gb1(i,j)=Gp(i,j)-(Gp(i,j)ΘSE1);
提取有机质图像中的所有有机质的边界时需先对有机质在二维空间进行收缩运算,然后进行有机质边界提取;
具体地,提取机质图像中所有的有机质边界时采用以下有机质边界函数:
Gb2(i,j)=Go(i,j)-(Go(i,j)ΘSE1);
其中,SE1表示像素结构元素,Θ表示收缩运算,Gb1(i,j)表示孔缝边界灰度值,Gp(i,j)表示孔缝灰度值,Gb2(i,j)表示有机质边界灰度值,Go(i,j)表示有机质灰度值。
在其中一个实施方式中,步骤S6)中判断待识别孔缝的边界是否与有机质边界相邻时采用以下方法:将待识别孔缝的边界周围相邻像素点记为P,此时P为当前像素点,检查像素点P处的灰度值G(i,j),若像素点P处的灰度值G(i,j)等于Gb2(i,j)或Gb1(i,j),则表明待识别孔缝的边界与有机质边界相邻,否则表明待识别孔缝的边界与有机质边界不相邻。
可以理解的,若像素点P处的灰度值G(i,j)等于Gb1(i,j),则表明P处属于待识别孔缝本身,并未将有机质和待识别孔缝隔开,此时待识别孔缝是和有机质相邻的,所以该待识别孔缝为有机孔缝。
若像素点P处的灰度值等于Gb2(i,j),则表明P处属于有机质边界,此时待识别孔缝是和有机质相邻的,此时,该待识别孔缝为有机孔缝;
下面以采用1kV电压,电流为100pA的扫描电镜为例来具提说明上述基于复合电子信号图像的页岩孔缝类型识别方法:
样品切割与抛光:取页岩样品,并将页岩样品用锯切割成约1cmX1cmX0.5cm小块,选取样品小块,对选取的样品表面先进行机械抛光--用不同粒度的砂纸对其进行打磨,直到表面达到微米级平整度,然后采用氩离子抛光机在5kV、2kV电压下抛光,最后得到纳米级平整度的平方毫米-平方厘米表面。
电镜扫描成像:将选取的样品放入扫描电镜中、抽真空、开启电子枪并调整扫描电镜参数,选择二次电子探头扫描样品获得如图1A所示的二次电子信号图像,采用背散射电子探头扫描样品获得如图1B所示的背散射电子信号图像。扫描时采用1kV电压,100pA电流;图像大小为:720*430,每个像素代表4nm。获取的图像中可能有肉眼可见的矿物,有机质、有机孔缝、无机孔缝等特征。
二维图像滤波处理:采用非局部均值滤波方式对二次电子信号图像和背散射电子信号图像进行滤波处理,滤波处理后的二次电子信号图像如图4A所示,滤波处理后的背散射电子信号图像如图4B所示。
提取所有孔缝:
Gd(i,j)=a*Gm(i,j)+b*Gm(i,j)*S(i,j)+c*exp(-d*Gm(i,j)
其中n=11,a,b,c,d分别设定为1、2、1、10,但可以不限于选定这些常数,可以是其它值,如果当前像素点灰度值G(i,j)小于计算得到的动态阈值Gd(i,j),则当前像素点就是孔缝的一部分,否则就是其它。提取孔缝后得到的孔缝图像如图5所示,图5中黑色代表孔缝,白色代表其它。
提取完孔隙后,统一把孔缝灰度值设定为一定值T1,比如T1=1,只要比背散射图像中有机质的灰度值低即可。
合成新的复合电子图像:将图5所示的孔缝图像和图4B所示的背散射电子信号图像融合得到如图6所示的复合电子信号图像。
Gnew(i,j)表示复合电子信号图像中像素点(i,j)位置的像素,则在复合电子信号图像中,若Gnew(i,j)=T1,表明像素点(i,j)位置是二次电子信号图像提取的孔缝位置,否则像素点(i,j)位置代表背散射电子信号图像中原来的灰度值。
对复合电子信号图像进行有机质提取:采用传统的恒定阈值方法提取有机质。例如有机质的灰度值在设定阈值之下,该设定阈值G=90。那么,复合电子信号图像中如果某一位置像素灰度值大于T1并小于G,也即1<某一位置像素灰度值<90,则该像素就是有机质颗粒的一部分,否则就是其它矿物。提取符合上述有机质灰度值范围的所有有机质颗粒得到如图7所示的有机质图像,图中黑色代表所有机质颗粒,白色代表其它。
分别提取所有孔缝边界和有机质边界:利用孔缝边界函数Gb1(i,j)=Gp(i,j)-(Gp(i,j)ΘSE1)提取孔缝边界,其中,SE1取为3X3像素结构元素,提取后的孔缝边界图像如图8A所示;利用有机质边界函数Gb2(i,j)=Go(i,j)-(Go(i,j)ΘSE1)提取有机质边界,其中,SE1取为3X3像素结构元素,提取后的有机质边界图像如图8B所示;
孔缝类别判断:将待识别孔缝的边界周围相邻像素点记为P,计算像素点P处的灰度值G(i,j),若像素点P处的灰度值G(i,j)等于Gb2(i,j)或Gb1(i,j),则表明待识别孔缝的边界与有机质边界相邻,待识别孔缝为有机孔缝,否则为无机孔缝。有机孔缝结果如图9A所示,图9A中黑色为有机孔缝,白色为其他,无机孔缝结果如图9B所示,图9B中黑色为无机孔缝,白色为其他。
通过统计每个像素位置是有机孔缝还是无机孔缝,得到有机孔缝和无机孔缝面积百分比分别为1.26%和0.36%,总面孔率为1.62%。
上述实施例的基于复合电子信号图像的页岩孔缝类型识别方法,充分结合二次电子信号图像对孔隙分辨率高的识别优势以及背散射电子信号图像对孔隙边缘没有出现亮边的优势,有效克服了现有技术中无法精确且高效地识别页岩中的孔缝类型的缺陷,能够有效实现页岩孔缝类型的识别,便于对孔缝特征进行定量分析,从而更好地科学评价页岩油或页岩气的生成空间、存储空间和运移通道,利于页岩油气的勘探开发。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:包括以下步骤:
S1)利用扫描电镜扫描页岩样品,在同一视域获得二维的二次电子信号图像和背散射电子信号图像;
S2)对二次电子信号图像进行孔缝提取而获得孔缝图像;
S3)将孔缝图像和背散射电子信号图像融合得到复合电子信号图像;
S4)对复合电子信号图像进行有机质提取而获得有机质图像;
S5)提取孔缝图像中的所有孔缝的边界以及有机质图像中所有的有机质边界;
S6)判断待识别孔缝的边界是否与有机质边界相邻,若判断为是,则待识别孔缝为有机孔缝,否则为无机孔缝。
2.根据权利要求1所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:在步骤S1)之后,还需对获取的二次电子信号图像和背散射电子信号图像进行滤波处理,滤波处理后再进行步骤S2)。
3.根据权利要求2所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:所述滤波处理时采用均值滤波、非局部均值滤波、中值滤波、维纳滤波或高斯滤波中的一种。
4.根据权利要求1所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:在进行步骤1)之前,还需对页岩样品进行抛光,使得页岩样品表面达到纳米级平整度。
5.根据权利要求4所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:对页岩样品进行抛光时先进行机械抛光,再利用氩离子抛光机进行抛光。
6.根据权利要求1所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:步骤S2)中对二次电子信号图像进行孔缝提取时采用动态阈值算法。
7.根据权利要求6所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:采用动态阈值算法对二次电子信号图像进行孔缝提取的方法包括,
S21)利用以下公式计算动态阈值Gd(i,j):
Gd(i,j)=a*Gm(i,j)+b*Gm(i,j)*S(i,j)+c*exp(-d*Gm(i,j)
其中,a,b,c,d均为设定常数,i和j为像素点坐标,Gd(i,j)表示动态阈值,Gm(i,j)表示以当前像素点为中心、以n个像素为半径的区域内的所有像素灰度值的平均值,S(i,j)为以当前像素点为中心、以n个像素为半径的区域内的所有像素灰度值的标准方差;
S2)将当前像素点的灰度值记为G(i,j),若满足G(i,j)≤Gd(i,j),则表示当前像素点为孔缝的一部分,否则表示当前像素点为背景的一部分,提取所有满足G(i,j)≤Gd(i,j)的像素点而获得孔缝图像。
8.根据权利要求7所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:将孔缝图像中所有孔缝的灰度值统一取值为T1,将有机质灰度的最大值设定为T3,将有机质图像中的有机质灰度值记为Go(i,j),则T1<Go(i,j)≤T3。
9.根据权利要求8所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:
提取孔缝图像中的所有孔缝的边界时采用以下孔缝边界函数:
Gb1(i,j)=Gp(i,j)-(Gp(i,j)ΘSE1);
提取机质图像中所有的有机质边界时采用以下有机质边界函数:
Gb2(i,j)=Go(i,j)-(Go(i,j)ΘSE1);
其中,SE1表示像素结构元素,Θ表示收缩运算,Gb1(i,j)表示孔缝边界灰度值,Gp(i,j)表示孔缝灰度值,Gb2(i,j)表示有机质边界灰度值,Go(i,j)表示有机质灰度值。
10.根据权利要求9所述的基于复合电子信号图像的页岩孔缝类型识别方法,其特征在于:步骤S6)中判断待识别孔缝的边界是否与有机质边界相邻时采用以下方法:将待识别孔缝的边界周围相邻像素点记为P,检查像素点P处的灰度值G(i,j),若像素点P处的灰度值G(i,j)等于Gb2(i,j)或Gb1(i,j),则表明待识别孔缝的边界与有机质边界相邻,否则表明待识别孔缝的边界与有机质边界不相邻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259661.0A CN114624470B (zh) | 2022-03-16 | 2022-03-16 | 基于复合电子信号图像的页岩孔缝类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259661.0A CN114624470B (zh) | 2022-03-16 | 2022-03-16 | 基于复合电子信号图像的页岩孔缝类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114624470A true CN114624470A (zh) | 2022-06-14 |
CN114624470B CN114624470B (zh) | 2023-10-20 |
Family
ID=81902938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210259661.0A Active CN114624470B (zh) | 2022-03-16 | 2022-03-16 | 基于复合电子信号图像的页岩孔缝类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114624470B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680741A (zh) * | 2012-05-21 | 2012-09-19 | 中国科学院电工研究所 | 一种计量型扫描电子显微镜成像控制系统及扫描成像方法 |
CN104062308A (zh) * | 2014-07-04 | 2014-09-24 | 天津三英精密仪器有限公司 | 一种岩石无损矿物成分检测方法 |
CN106198579A (zh) * | 2015-06-01 | 2016-12-07 | 中国石油化工股份有限公司 | 一种测量页岩中有机质含量的方法 |
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 |
CN108318514A (zh) * | 2018-01-08 | 2018-07-24 | 中国石油天然气股份有限公司 | 一种确定笔石体与围岩的属性信息的方法 |
CN109115819A (zh) * | 2018-10-15 | 2019-01-01 | 中国科学院地质与地球物理研究所 | 一种基于fib-him对页岩有机微孔和介孔进行表征的方法及系统 |
CN110146533A (zh) * | 2019-06-10 | 2019-08-20 | 中国石油大学(华东) | 一种泥页岩不同矿物孔隙自动识别方法及系统 |
CN110910411A (zh) * | 2019-11-14 | 2020-03-24 | 中国科学院力学研究所 | 一种具有尺寸自适应的页岩裂缝自动提取方法 |
CN111289778A (zh) * | 2020-03-12 | 2020-06-16 | 中国石油化工股份有限公司 | 一种页岩样品扫描电镜和原子力显微镜原位观察的方法 |
CN111366753A (zh) * | 2020-03-12 | 2020-07-03 | 中国石油化工股份有限公司 | 一种页岩有机质孔隙类型的微观识别方法 |
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 |
-
2022
- 2022-03-16 CN CN202210259661.0A patent/CN114624470B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680741A (zh) * | 2012-05-21 | 2012-09-19 | 中国科学院电工研究所 | 一种计量型扫描电子显微镜成像控制系统及扫描成像方法 |
CN104062308A (zh) * | 2014-07-04 | 2014-09-24 | 天津三英精密仪器有限公司 | 一种岩石无损矿物成分检测方法 |
CN106198579A (zh) * | 2015-06-01 | 2016-12-07 | 中国石油化工股份有限公司 | 一种测量页岩中有机质含量的方法 |
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 |
CN108318514A (zh) * | 2018-01-08 | 2018-07-24 | 中国石油天然气股份有限公司 | 一种确定笔石体与围岩的属性信息的方法 |
CN109115819A (zh) * | 2018-10-15 | 2019-01-01 | 中国科学院地质与地球物理研究所 | 一种基于fib-him对页岩有机微孔和介孔进行表征的方法及系统 |
CN110146533A (zh) * | 2019-06-10 | 2019-08-20 | 中国石油大学(华东) | 一种泥页岩不同矿物孔隙自动识别方法及系统 |
CN110910411A (zh) * | 2019-11-14 | 2020-03-24 | 中国科学院力学研究所 | 一种具有尺寸自适应的页岩裂缝自动提取方法 |
CN111289778A (zh) * | 2020-03-12 | 2020-06-16 | 中国石油化工股份有限公司 | 一种页岩样品扫描电镜和原子力显微镜原位观察的方法 |
CN111366753A (zh) * | 2020-03-12 | 2020-07-03 | 中国石油化工股份有限公司 | 一种页岩有机质孔隙类型的微观识别方法 |
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 |
Non-Patent Citations (1)
Title |
---|
白名岗;夏响华;张聪;孟凡洋;杨玉茹;张春贺;代峰;熊杰;王向华;于伟欣;: "场发射扫描电镜及PerGeos系统在安页1井龙马溪组页岩有机质孔隙研究中的联合应用", 岩矿测试, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN114624470B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
CN107067379B (zh) | 基于三维fib-sem图像的页岩孔隙定量表征方法 | |
US7379593B2 (en) | Method for image segmentation from proved detection of background and text image portions | |
US6973213B2 (en) | Background-based image segmentation | |
CN106651839A (zh) | 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 | |
US11361193B2 (en) | Automatic identification method and system for different types of pores of mud shale | |
CN107133630A (zh) | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 | |
CN112132791B (zh) | 一种页岩扫描电镜图像处理方法、装置、设备和存储介质 | |
CN110223282B (zh) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 | |
CN104318564A (zh) | 一种矿物颗粒分相的方法 | |
Poliakov et al. | Automated relief-based discrimination of non-opaque minerals in optical image analysis | |
Liu et al. | A fast curtain‐removal method for 3D FIB‐SEM images of heterogeneous minerals | |
Tavanaei et al. | Pore, throat, and grain detection for rock sem images using digitalwatershed image segmentation algorithm | |
Song et al. | An efficient, consistent, and trackable method to quantify organic matter–hosted porosity from ion-milled scanning electron microscope images of mudrock gas reservoirs | |
CN111542908B (zh) | 带电粒子射线装置、计算机可读记录介质 | |
Nellros et al. | Automated image analysis of iron-ore pellet structure using optical microscopy | |
CN110189353A (zh) | 一种泥页岩能谱矿物分布图校准方法及系统 | |
CN114624470A (zh) | 基于复合电子信号图像的页岩孔缝类型识别方法 | |
CN114627083A (zh) | 基于二次电子信号图像的页岩孔缝类型识别方法 | |
CN115079295B (zh) | 砂岩铀矿黄铁矿硫同位素示踪渗出成矿流体的方法 | |
CN115700736A (zh) | 页岩层系孔隙占比计算方法、装置、电子设备及存储介质 | |
Wang | Image processing techniques for three-dimensional analysis of multiphase multisize packed particle beds using x-ray tomography | |
Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
KR20220048191A (ko) | 양극 활물질의 형상 분석 방법 | |
CN107941834A (zh) | 一种统计第二相分布的方法 |
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 |