CN114627083A - 基于二次电子信号图像的页岩孔缝类型识别方法 - Google Patents

基于二次电子信号图像的页岩孔缝类型识别方法 Download PDF

Info

Publication number
CN114627083A
CN114627083A CN202210259659.3A CN202210259659A CN114627083A CN 114627083 A CN114627083 A CN 114627083A CN 202210259659 A CN202210259659 A CN 202210259659A CN 114627083 A CN114627083 A CN 114627083A
Authority
CN
China
Prior art keywords
organic matter
image
electronic signal
secondary electronic
signal image
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
Application number
CN202210259659.3A
Other languages
English (en)
Other versions
CN114627083B (zh
Inventor
杨继进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beiguang Technology Suzhou Co ltd
Original Assignee
Beiguang Technology Suzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beiguang Technology Suzhou Co ltd filed Critical Beiguang Technology Suzhou Co ltd
Priority to CN202210259659.3A priority Critical patent/CN114627083B/zh
Publication of CN114627083A publication Critical patent/CN114627083A/zh
Application granted granted Critical
Publication of CN114627083B publication Critical patent/CN114627083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

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

本发明涉及一种基于二次电子信号图像的页岩孔缝类型识别方法，包括以下步骤：获得二次电子信号图像；对二次电子信号图像进行孔缝提取而获得孔缝分布图像；对二次电子信号图像进行孔缝和有机质的共同提取而获取共同分布图像；将共同分布图像和孔缝分布图像做减法处理而提取出有机质分布图像；提取有机质分布图像中的有机质边界,并对有机质边界包围的空间进行有机质填充；对有机质分布情况进行修正得到有机质修正分布图像；将待识别孔缝与有机质修正分布图像进行交集运算，判断交集结果是否属于有机质修正分布图像中的有机质分布位置，若判断为是，则待识别孔缝为有机孔缝，否则为无机孔缝。本发明能够有效实现页岩孔缝类型的识别。

Description

基于二次电子信号图像的页岩孔缝类型识别方法
技术领域
本发明涉及矿物孔缝识别技术领域，尤其是指一种基于二次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和氦离子显微镜获取页岩的图像并依据图像进行孔缝类型判别。扫描电子显微镜和氦离子显微镜扫描页岩样品时常用的探头为二次电子探头，以得到二次电子信号图像。二次电子信号图像分辨率高，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；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，如图1所示，如向下箭头所指示的两个孔缝，一个是如图1C所示的无机孔缝，另一个是如图1B所示的有机孔缝，两者的灰度值非常接近，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1中可以看到，在有机质内部的有机孔缝的边缘，如图1B中向上箭头指示的孔缝边缘(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二次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，获得二次电子信号图像；
S2)对二次电子信号图像进行孔缝提取而获得孔缝分布图像；
S3)对二次电子信号图像进行孔缝和有机质的共同提取而获取共同分布图像；
S4)将共同分布图像和孔缝分布图像做减法处理而提取出有机质分布图像；
S5)提取有机质分布图像中的所有的有机质边界,并对有机质边界包围的空间进行有机质填充；
S6)对有机质分布情况进行修正得到有机质修正分布图像；
S7)将待识别孔缝与有机质修正分布图像进行交集运算，判断交集结果是否属于有机质修正分布图像中的有机质分布位置，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，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，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分布图像。
在本发明的一个实施例中，步骤S3)中对二次电子信号图像进行孔缝和有机质的共同提取时采用恒定阈值算法。
在本发明的一个实施例中，采用恒定阈值算法对二次电子信号图像进行孔缝和有机质的共同提取时，先设定恒定阈值G,若当前像素点灰度值G(i,j)≤G，则表示当前像素点为孔缝或有机质的一部分，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)≤G的像素点而获得共同分布图像。
在本发明的一个实施例中，步骤S5)中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：
Gb(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，Gb(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S5)中并对有机质边界包围的空间进行有机质填充时采用以下填充运算公式：
GC(i,j)k＝GC(i,j)k-1⊕SE2；
其中，SE2表示像素结构元素，⊕表示扩充运算，k为填充次数，GC(i,j)k表示k次填充后的有机质灰度值，GC(i,j)k-1表示k-1次填充后的有机质灰度值。
在本发明的一个实施例中，步骤S6)对有机质分布情况进行修正时，采用以下修正公式：
Gn(i,j)＝(GC(i,j)k-1⊕SE2)∪Gb(i,j)
其中，Gn(i,j)表示修正后的有机质灰度值。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于二次电子信号图像的页岩孔缝类型识别方法，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，从而更好地进行页岩油或页岩气的研究。
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是图1A中B处的局部放大图；图1C是图1A中C处的局部放大图；
图2是本发明的基于二次电子信号图像的页岩孔缝类型识别方法的流程图；
图3是本发明的页岩样品的二次电子信号图像；
图4是图3中二次电子信号图像经滤波处理后的图像；
图5是从二次电子信号图像提取到的孔缝分布图像；
图6是从二次电子信号图像提取到的孔缝和有机质的共同分布图像；
图7是有机质修正分布图像；
图8是提取到的有机孔缝图像；
图9是提取到的无机孔缝图像；
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2所示，本实施例公开了一种基于二次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，获得二次电子信号图像；
S2)对二次电子信号图像进行孔缝提取而获得孔缝分布图像；
S3)对二次电子信号图像进行孔缝和有机质的共同提取而获取共同分布图像；
S4)将共同分布图像和孔缝分布图像做减法处理而提取出有机质分布图像；
S5)提取有机质分布图像中的所有的有机质边界,并对有机质边界包围的空间进行有机质填充；
S6)对有机质分布情况进行修正得到有机质修正分布图像；
S7)将待识别孔缝与有机质修正分布图像进行交集运算，判断交集结果是否属于有机质修正分布图像中的有机质分布位置，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。
进一步地，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；
其中，
Figure BDA0003550295460000071
Figure BDA0003550295460000072
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分布图像。
在其中一个实施方式中，步骤S3)中对二次电子信号图像进行孔缝和有机质的共同提取时采用恒定阈值算法；
采用恒定阈值算法对二次电子信号图像进行孔缝和有机质的共同提取时，先设定恒定阈值G,若当前像素点灰度值G(i,j)≤G，则表示当前像素点为孔缝或有机质的一部分，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)≤G的像素点而获得共同分布图像。
在其中一个实施方式中，步骤S4)将共同分布图像和孔缝分布图像做减法处理时采用以下公式：Go(i,j)＝Gh(i,j)-Gp(i,j)，其中，Go(i,j)表示有机质灰度值，Gh(i,j)表示共同分布图像中孔缝和有机质的共同提取灰度值，Gp(i,j)表示孔缝的灰度值。若Gh(i,j)＝T3,Gp(i,j)＝T1,那么Go(i,j)＝T3–T1,T3和T1的取值可根据经验设定,T3>T1。
在其中一个实施方式中，步骤S5)中提取有机质图像中的所有的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；
提取有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：
Gb(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，Gb(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S5)中并对有机质边界包围的空间进行有机质填充时采用以下填充运算公式：
GC(i，j)k＝GC(i，j)k-1⊕SE2；
其中，SE2表示像素结构元素，⊕表示扩充运算，k为填充次数，GC(i,j)k表示k次填充后的有机质灰度值，GC(i,j)k-1表示k-1次填充后的有机质灰度值。
在其中一个实施方式中，步骤S6)对有机质分布情况进行修正时，是将之前获得的填充前的有机质边界和填充后的有机质进行合集运算，采用以下公式-修正后的有机质函数：
Gn(i，j)＝(GC(i，j)k-1⊕SE2)∪Gb(i，j)
其中，Gn(i,j)表示修正后的有机质灰度值。
在其中一个实施方式中，步骤S7)中待识别孔缝为有机孔缝的判别条件为：(Gp(i,j)∩Gn(i,j))∈Gn(i,j)，其中，Gp(i,j)表示孔缝的灰度值，若满足上述判别条件，则为有机孔缝，否则为无机孔缝。
也即，将待识别孔缝与有机质修正分布图像进行交集运算，判断交集结果是否属于有机质修正分布图像中的有机质分布位置，若属于，则该待识别孔缝为有机孔缝，否则为无机孔缝。
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二次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3所示的二次电子信号图像，扫描时采用1kV电压，100pA电流；图像大小为：720*460，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进行滤波处理，滤波处理后的二次电子信号图像如图4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分布图像如图5所示，图5中黑色代表孔缝，白色代表其它。
对二次电子信号图像中孔缝和有机质进行共同提取：采用恒定阈值方法提取有机质和孔缝。例如，本实施例中有机质和孔缝的灰度值均在115之下，设定阈值G＝115。图像中如果某一位置像素灰度值小于115，该像素就是孔缝或有机质的一部分，否则就是其它矿物。提取的共同分布图像如图6所示，图6中黑色代表所有孔缝和有机质，白色代表其它。
提取所有有机质：将共同分布图像和孔缝分布图像做减法处理而提取出有机质分布图像；对有机质在二维空间进行收缩运算，然后做有机质边界提取运算Gb(i,j)＝Go(i,j)-(Go(i,j)ΘSE1)，这里SE1取为3X3像素结构元素；提取后，将有机质边界包围的空间进行有机质填充；填充完成后，将填充后的有机质和原有的有机质边界做合集运算而完成有机质分布情况的修正，修正后的有机质分布图像参阅图7；
孔缝类别判断：依据判别条件(Gp(i,j)∩Gn(i,j))∈Gn(i,j)，若满足上述判别条件，则得到如图8所示的有机孔缝分布图，否则得到如图9所示的无机孔缝分布图。
通过统计每个像素的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0.88％和1.7％，总面孔率为2.58％。
上述实施例的基于二次电子信号图像的页岩孔缝类型识别方法，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，便于页岩油气的勘探和研究。
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)

1.一种基于二次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，获得二次电子信号图像；
S2)对二次电子信号图像进行孔缝提取而获得孔缝分布图像；
S3)对二次电子信号图像进行孔缝和有机质的共同提取而获取共同分布图像；
S4)将共同分布图像和孔缝分布图像做减法处理而提取出有机质分布图像；
S5)提取有机质分布图像中的所有的有机质边界,并对有机质边界包围的空间进行有机质填充；
S6)对有机质分布情况进行修正得到有机质修正分布图像；
S7)将待识别孔缝与有机质修正分布图像进行交集运算，判断交集结果是否属于有机质修正分布图像中的有机质分布位置，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所述的基于二次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1所述的基于二次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。
4.根据权利要求1所述的基于二次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。
5.根据权利要求4所述的基于二次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分布图像。
6.根据权利要求5所述的基于二次电子信号图像的页岩孔缝类型识别方法，其特征在于：步骤S3)中对二次电子信号图像进行孔缝和有机质的共同提取时采用恒定阈值算法。
7.根据权利要求6所述的基于二次电子信号图像的页岩孔缝类型识别方法，其特征在于：采用恒定阈值算法对二次电子信号图像进行孔缝和有机质的共同提取时，先设定恒定阈值G,若当前像素点灰度值G(i,j)≤G，则表示当前像素点为孔缝或有机质的一部分，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)≤G的像素点而获得共同分布图像。
8.根据权利要求5所述的基于二次电子信号图像的页岩孔缝类型识别方法，其特征在于：步骤S5)中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：
Gb(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，Gb(i,j)表示有机质边界灰度值，Go(i,j)表示有机质灰度值。
9.根据权利要求8所述的基于二次电子信号图像的页岩孔缝类型识别方法，其特征在于：步骤S5)中并对有机质边界包围的空间进行有机质填充时采用以下填充运算公式：
Figure FDA0003550295450000031
其中，SE2表示像素结构元素，
Figure FDA0003550295450000032
表示扩充运算，k为填充次数，GC(i,j)k表示k次填充后的有机质灰度值，GC(i,j)k-1表示k-1次填充后的有机质灰度值。
10.根据权利要求9所述的基于二次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)对有机质分布情况进行修正时，采用以下修正公式：
Figure FDA0003550295450000033
其中，Gn(i,j)表示修正后的有机质灰度值。
CN202210259659.3A 2022-03-16 2022-03-16 基于二次电子信号图像的页岩孔缝类型识别方法 Active CN114627083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210259659.3A CN114627083B (zh) 2022-03-16 2022-03-16 基于二次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
CN202210259659.3A CN114627083B (zh) 2022-03-16 2022-03-16 基于二次电子信号图像的页岩孔缝类型识别方法

Publications (2)

Publication Number Publication Date
CN114627083A true CN114627083A (zh) 2022-06-14
CN114627083B CN114627083B (zh) 2023-11-03

Family

ID=81902350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210259659.3A Active CN114627083B (zh) 2022-03-16 2022-03-16 基于二次电子信号图像的页岩孔缝类型识别方法

Country Status (1)

Country Link
CN (1) CN114627083B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
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
US20190331583A1 (en) * 2017-06-01 2019-10-31 China University Of Petroleum (East China) Evaluation method for different types of pore evolution in shale
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
CN111028094A (zh) * 2019-11-14 2020-04-17 中国科学院力学研究所 一种基于页岩扫描电镜图像提取的等效toc计算方法
US20200387759A1 (en) * 2019-06-10 2020-12-10 Northeast Petroleum University Automatic identification method and system for different types of pores of mud shale
CN112308819A (zh) * 2020-09-16 2021-02-02 宜宾学院 一种基于扫描电镜多特征灰度图像的孔隙识别方法
CN112414917A (zh) * 2020-11-03 2021-02-26 西安石油大学 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法
CN113450371A (zh) * 2021-06-30 2021-09-28 长江大学 一种储层微裂缝识别方法、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
US20190331583A1 (en) * 2017-06-01 2019-10-31 China University Of Petroleum (East China) Evaluation method for different types of pore evolution in shale
US20200387759A1 (en) * 2019-06-10 2020-12-10 Northeast Petroleum University Automatic identification method and system for different types of pores of mud shale
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
CN111028094A (zh) * 2019-11-14 2020-04-17 中国科学院力学研究所 一种基于页岩扫描电镜图像提取的等效toc计算方法
CN112308819A (zh) * 2020-09-16 2021-02-02 宜宾学院 一种基于扫描电镜多特征灰度图像的孔隙识别方法
CN112414917A (zh) * 2020-11-03 2021-02-26 西安石油大学 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法
CN113450371A (zh) * 2021-06-30 2021-09-28 长江大学 一种储层微裂缝识别方法、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ARASH RABBANI 等: "Image-based modeling of carbon storage in fractured organic-rich shale with deep learning acceleration", ELSEVIER, pages 1 - 12 *
孙寅森 等: "基于图像分析技术的页岩微观孔隙特征定性及定量表征", 地球科学进展, pages 91 - 103 *
高衍武 等: "利用多重-大津阈值算法和扫描电镜分割CT图像", 长江大学学报(自然科学版), pages 4 - 5 *

Also Published As

Publication number Publication date
CN114627083B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN107067379B (zh) 基于三维fib-sem图像的页岩孔隙定量表征方法
CN105352873A (zh) 页岩孔隙结构的表征方法
US11361193B2 (en) Automatic identification method and system for different types of pores of mud shale
US7379593B2 (en) Method for image segmentation from proved detection of background and text image portions
CN112419250A (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
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
US9013571B2 (en) Image processing device, measuring/testing system, and program
JPH096957A (ja) 濃度画像の２値化方法および画像２値化装置
CN105784713A (zh) 基于机器视觉的密封圈表面缺陷检测方法
CN110246138B (zh) 一种数字岩心图像孔喉分割的方法
US11360037B1 (en) Classified characterization method for connectivity of organic matter (OM)-hosted pores in shale
CN104318564A (zh) 一种矿物颗粒分相的方法
CN117974601B (zh) 基于模板匹配的硅片表面缺陷检测方法及系统
CN103247049A (zh) 一种smt焊点图像分割方法
CN110189353B (zh) 一种泥页岩能谱矿物分布图校准方法及系统
CN113012124A (zh) 一种鞋印孔洞和嵌入物特征检测及描述方法
CN110246139B (zh) 基于双阈值的浮游生物原位图像roi快速提取方法
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
CN114627083A (zh) 基于二次电子信号图像的页岩孔缝类型识别方法
CN110211144B (zh) 一种泥页岩扫描电镜图片孔隙提取方法及系统
CN117893478A (zh) 一种样品图像的颗粒检测方法和系统
CN114624470B (zh) 基于复合电子信号图像的页岩孔缝类型识别方法
US6289123B1 (en) Character extracting method and its apparatus
CN114463324A (zh) 基于海森矩阵滤波的岩心图像裂缝识别方法

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