CN115410049B - 一种岩体溶蚀程度的分类评估方法及装置 - Google Patents

一种岩体溶蚀程度的分类评估方法及装置 Download PDF

Info

Publication number
CN115410049B
CN115410049B CN202211341488.5A CN202211341488A CN115410049B CN 115410049 B CN115410049 B CN 115410049B CN 202211341488 A CN202211341488 A CN 202211341488A CN 115410049 B CN115410049 B CN 115410049B
Authority
CN
China
Prior art keywords
pixel
label
mineral
category
cluster
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
Application number
CN202211341488.5A
Other languages
English (en)
Other versions
CN115410049A (zh
Inventor
贺宏浩
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202211341488.5A priority Critical patent/CN115410049B/zh
Publication of CN115410049A publication Critical patent/CN115410049A/zh
Application granted granted Critical
Publication of CN115410049B publication Critical patent/CN115410049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G06T5/70—
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10116—X-ray image

Abstract

本发明提供了一种岩体溶蚀程度的分类评估方法及装置，属于溶蚀评估技术领域，解决岩体溶蚀程度评估可用性不高的技术问题，包括：对岩体进行采样，获取采样的扫描图像；依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；依据标注的扫描图像，基于目标像素点的像素类别标签及邻近像素点的像素类别标签，对目标像素点进行簇标签标注；依据像素点的像素类别标签及簇标签，确定扫描图像包含的孔隙及孔隙的尺寸；基于确定的孔隙尺寸及预先设置的孔隙划分策略，获取扫描图像包含的原生孔以及次生孔；基于原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果。可以提高岩体溶蚀程度的评估可用性。

Description

一种岩体溶蚀程度的分类评估方法及装置
技术领域
本发明涉及溶蚀评估技术领域，具体而言，涉及一种岩体溶蚀程度的分类评估方法及装置。
背景技术
石油储层、水库大坝、建筑地基的岩体中含有的矿物质遇水后，易溶矿物质会逐渐进入水中，形成溶液流失，使得岩体不断被侵蚀，导致岩体的孔渗特性、结构力学特性等物性随之发生改变，从而影响水库大坝、建筑地基的安全性。岩体中含有的易溶矿物质的量不同，类别不同，溶蚀程度以及岩体的各项物性改变程度也会不同，为了对石油储层、水库大坝、建筑地基进行评估，一般采用岩体溶蚀程度作为评估指标，用以对石油储层物性、水库大坝安全性、建筑地基稳定性进行评估。
由于岩体中含有的可溶矿物质类别有多种，且各类别可溶矿物质的化学性质不同，其溶解度也不一样，即使是同一矿物质类别，不同位置处的溶蚀程度也不同，例如，没有受到溶液或溶剂侵蚀的矿物质，即使该矿物质的溶解度较高，但由于缺少溶剂，也不会发生溶蚀，而现有的岩体溶蚀程度评估方法，只能对岩体的溶蚀程度进行整体评估，不能区分不同矿物质的溶蚀程度，也不能区分对于同类矿物质，发生溶蚀的是哪部分矿物质，使得岩体溶蚀程度的评估方法，评估结果的可用性和准确性不高，不利于采取针对性的措施进行维护。
发明内容
鉴于此，本发明的目的在于提供岩体溶蚀程度的分类评估方法及装置，以提高岩体溶蚀程度的评估可用性。
第一方面，本发明实施例提供了岩体溶蚀程度的分类评估方法，包括：
对岩体进行采样，获取采样的扫描图像；
依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系；
依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；
依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；
依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；
基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；
基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，在所述获取采样的扫描图像之后，所述方法还包括：
对所述扫描图像进行噪声滤除预处理。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注，包括：
依据岩样矿物成分含量分布数据确定像素值范围与矿物类别的映射关系；
遍历扫描图像的每一像素点，获取该像素点的像素值；
确定像素值在所述映射关系中的像素值范围；
获取确定的像素值范围映射的矿物类别；
在像素点上标注表征所述映射的矿物类别的像素类别标签。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，获取所述像素值范围与矿物类别的映射关系，包括：
获取样本岩体的采样区域的样本；
通过XRD成分分析实验，获取所述采样区域的岩体成分含量分布数据；
按照岩体成分含量分布数据，对样本扫描图像的像素值进行分类；
调整分类的像素值范围，使得调整的像素值范围对应的成分含量，与岩体成分含量分布数据中，该调整的像素值范围对应的矿物类别的成分含量的误差，满足预先设置的误差阈值；
获取满足所述误差阈值的像素值范围，以及该像素值范围对应的矿物类别，构建像素值范围与矿物类别的映射关系。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，包括：
遍历扫描图像的每一像素点，提取其中一像素点作为目标像素点，获取目标像素点的像素类别标签；
定位与目标像素点相邻的邻近像素点，获取邻近像素点的像素类别标签；
若目标像素点的像素类别标签与邻近像素点的像素类别标签相同，以该邻近像素点为目标像素点，执行所述定位与目标像素点相邻的邻近像素点的步骤；
若目标像素点的像素类别标签与邻近像素点的像素类别标签不相同，确定该目标像素点为簇的边缘像素点；
基于簇的边缘像素点以及边缘像素点围成的封闭区域内的像素点，构建簇。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述对目标像素点进行簇标签标注，包括：
依据预先选取的矿物类别标签，遍历构建簇的扫描图像的每一簇；
若簇的矿物类别标签与选取的矿物类别标签相同，确定该簇是否设置有簇标签；
若设置，跳转至下一簇；
若未设置，查询存储的矿物类别标签与已设置簇标签的数据库，获取最后一次的已设置簇标签，按照预先设置的簇标签设置策略，对该簇内的每一像素点设置簇标签，将设置的簇标签存储至所述数据库。
结合第一方面、第一方面的第一种可能的实施方式至第五种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述方法还包括：
遍历所述扫描图像中的每一簇，获取类标签为孔隙的簇；
针对每一类标签为孔隙的簇，获取与该簇相邻的簇的像素类别标签，依据预先设置的像素类别标签与矿物类别的映射关系，确定所述孔隙周围的矿物类别。
结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸，包括：
遍历所述扫描图像，获取像素类别标签为孔隙的孔隙像素点；
获取簇标签相同的孔隙像素点，得到孔隙，每一簇标签对应一孔隙；
基于孔隙内包含的像素点数及像素分辨率，得到孔隙尺寸。
结合第一方面、第一方面的第一种可能的实施方式至第五种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果，包括：
针对每一像素类别标签，从所述原生孔中，获取处于该像素类别标签对应的矿物中的分类原生孔，以及，从所述次生孔中，获取处于该像素类别标签对应的矿物中的分类次生孔；
计算分类原生孔的原生平均半径，以及，分类次生孔的次生平均半径；
获取所述次生平均半径与原生平均半径的平均半径差；
计算所述平均半径差与原生平均半径的比值，得到所述像素类别标签对应的岩体溶蚀程度评估结果。
第二方面，本发明实施例还提供了一种岩体溶蚀程度的分类评估装置，包括：
采样模块，用于对岩体进行采样，获取采样的扫描图像；
类别标签设置模块，用于依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系；依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；
簇标签设置模块，用于依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；
孔尺寸确定模块，用于依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；
孔类型识别模块，用于基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；
溶蚀程度评估模块，用于基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的岩体溶蚀程度的分类评估方法及装置，通过对岩体进行采样，获取采样的扫描图像；依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系；依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果。这样，通过对像素点信息进行像素向量升维，从而基于升维的像素点信息进行像素类别标签标注以及簇标签标注，可以基于标注的像素点获取不同矿物类别对应的孔隙，基于孔隙区分出的原生孔和次生孔，进行各矿物类别的溶蚀程度评估，从而提高岩体溶蚀程度的评估可用性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例所提供的岩体溶蚀程度的分类评估方法流程示意图；
图2示出了本发明实施例所提供的孔隙尺寸分布频谱示意图；
图3示出了本发明实施例所提供的岩体溶蚀程度的分类评估装置结构示意图；
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
现有的岩体溶蚀程度的评估方法，利用岩体的整体变化（岩体物性）进行岩体溶蚀程度评估，其中，岩体物性是岩体作为一个整体的物性，难以区分各类别矿物质，无法实现对不同类别矿物质溶蚀程度的分类评估。其中，目前的岩体溶蚀程度评估方法，可大体分为两类，第一类是根据易溶矿物质的减少量进行岩体溶蚀程度评估，例如，通过X射线衍射（XRD，X-Ray Diffraction）矿物质成分分析，确定岩体中易溶矿物质的减少量，该方法无法区分该类矿物质的哪部分遭受了溶液侵蚀而发生溶蚀，哪一部分没有遭受溶液侵蚀而不发生溶蚀。因此，在计算易溶矿物质的减少量时，以侵蚀前岩体中该类矿物的总含量作为基准做差计算，即将该类矿物质的溶蚀均摊到了没有遭受溶液侵蚀的该类矿物质上，使得计算出得到的岩体侵蚀程度往往偏小；另外，由于该类方法需要拿到岩体溶蚀前的各类矿物质含量，而自然界中岩体的溶蚀早在亿万年前已经开始，因而，无法获取岩体溶蚀前的各类矿物质含量，应用较少，可用性不高，准确性较低。第二类是根据岩体溶蚀后岩体的物性变化程度进行岩体溶蚀程度评估，尤其在石油行业，利用储层孔隙度和渗透率的变化程度进行反推，从而得到岩体溶蚀程度，由于岩体的孔渗及结构力学等岩体物性是岩体作为一个整体的物性，是所有矿物质、孔隙结构等特征的综合表现，因而，该方法无法实现对不同类别矿物质的溶蚀程度分类评估。
本发明实施例中，提出岩体溶蚀程度的分类评估方法，基于图像处理和数据统计，不仅能对不同类别的矿物质引起的岩体溶蚀程度进行评估，还能对矿物质是否发生溶蚀，溶蚀的位置（哪部分发生溶蚀，哪部分未发生溶蚀）进行识别。
本发明实施例提供了一种岩体溶蚀程度的分类评估方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的岩体溶蚀程度的分类评估方法流程示意图。如图1所示，该方法包括：
步骤101，对岩体进行采样，获取采样的扫描图像；
本发明实施例中，对岩体进行采样及拍摄，例如，在岩体的目标区域（采样区）进行取样。作为一可选实施例，可以是根据预先设置的岩体溶蚀程度分类评估的精细度要求，选择与精细度要求相匹配的采样拍摄方式，获取采样区的图像。例如，可根据图片分辨率要求，选择计算机断层（CT，Computerized Tomography）扫描或扫描电子显微镜（SEM，Scanning Electronic Microscopy）扫描，获取对应的扫描图像。
步骤102，依据预先设置的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；
本发明实施例中，首先依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系；再依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注。在获取扫描图像的过程中，由于环境因素的影响，扫描图像中可能携带有较多的噪声，因而，作为一可选实施例，在获取采样的扫描图像之后，依据预先设置的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注之前，该方法还包括：
对扫描图像进行噪声滤除预处理。
本发明实施例中，作为一可选实施例，噪声滤除预处理包括但不限于：图像滤波、图像增强等，通过预处理，可以此消除图像噪音等。作为另一可选实施例，在进行噪声滤除预处理之前，还可根据预先设置的噪声确定策略，确定扫描图像中包含的噪音类型，查询噪声类型与噪声滤除算法，选择确定的噪声类型映射的噪声滤除算法，以进行噪声滤除预处理。
本发明实施例中，作为一可选实施例，依据预先设置的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注，包括：
依据岩样矿物成分含量分布数据确定像素值范围与矿物类别的映射关系；
遍历扫描图像的每一像素点，获取像素点的像素值；
确定像素值在所述映射关系中的像素值范围；
获取确定的像素值范围映射的矿物类别；
在像素点上标注表征所述映射的矿物类别的像素类别标签。
本发明实施例中，在获取扫描图像的过程中，由于外界干扰以及成像技术原因，会使得同一类别矿物质成分（目标区域）的像素值存在差异。因而，作为一可选实施例，还可结合岩体成分含量分布数据，确定每类矿物类别对应的像素值范围，利用阈值分割法（像素值范围与矿物类别的映射关系），对扫描图像的像素点进行矿物类别分类，从而将像素点划归到不同的矿物类别，为每个像素点标注矿物类别标签（像素类别标签）。作为一可选实施例，像素类别标签为数字标签，用以表明像素点所属的矿物类别。例如，若确定像素点的矿物类别为孔隙，对于孔隙像素点，设置对应的孔隙像素类别标签为0，若确定像素点的矿物类别为石英，设置对应的石英像素类别标签为1。
本发明实施例中，作为一可选实施例，利用如下步骤获取像素值范围与矿物类别的映射关系：
获取样本岩体的采样区域的样本；
通过XRD成分分析实验，获取所述采样区域的岩体成分含量分布数据；
按照岩体成分含量分布数据，对样本扫描图像的像素值进行分类；
调整分类的像素值范围，使得调整的像素值范围对应的成分含量，与岩体成分含量分布数据中，该调整的像素值范围对应的矿物类别的成分含量的误差，满足预先设置的误差阈值；
获取满足所述误差阈值的像素值范围，以及该像素值范围对应的矿物类别，构建像素值范围与矿物类别的映射关系。
本发明实施例中，对样本扫描图像的像素值进行分类的分类数与样本矿物类别数相同。不同类别的矿物质，一般密度不同，对应在扫描图像上的像素点的灰度值（像素值）也不同，且密度越大的矿物质，对应的灰度值越小，因而，可以依据该关系，基于样本岩体，构建像素值范围与矿物类别的映射关系。
步骤103，依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；
本发明实施例中，与目标像素点相邻的邻近像素点包括：位于该像素点的上、下、左、右的四个像素点。岩体由多种矿物质和大量孔隙构成，而每一种矿物质，又以不同的颗粒分布在岩体内，每一个矿物质颗粒或孔隙在扫描图像上对应多个像素点。本发明实施例中，将由多个像素点组成的每一个矿物质颗粒或孔隙定义为一个簇。
本发明实施例中，作为一可选实施例，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，包括：
遍历扫描图像的每一像素点，提取其中一像素点作为目标像素点，获取目标像素点的像素类别标签；
定位与目标像素点相邻的邻近像素点，获取邻近像素点的像素类别标签；
若目标像素点的像素类别标签与邻近像素点的像素类别标签相同，以该邻近像素点为目标像素点，执行所述定位与目标像素点相邻的邻近像素点的步骤；
若目标像素点的像素类别标签与邻近像素点的像素类别标签不相同，确定该目标像素点为簇的边缘像素点；
基于簇的边缘像素点以及边缘像素点围成的封闭区域内的像素点，构建簇。
本发明实施例中，作为一可选实施例，簇标签为簇序号，以矿物质颗粒或孔隙的编号作为该簇的簇序号，从而为扫描图像中的每一个像素点增加簇序号，从而对像素点对应的向量进行升维。
本发明实施例中，通过像素标签化和像素向量升维，对于二维灰度的扫描图像，像素的数据格式（像素信息）变化如下：
p（i,j,G）变换为：p（i,j,L,b）。
其中，
i，j为像素点的坐标；
G为像素点的灰度值；
L为像素类别标签；
b为像素点所属簇的簇序号。
本发明实施例中，作为一可选实施例，对于每一矿物类别对应的各个簇，簇序号的初始值均设为0。
本发明实施例中，作为另一可选实施例，在进行簇标签标注时，还可以通过建立用于表征像素所属簇（对应矿物质颗粒或孔隙）的全局变量B，初始值为零，像素类别标签L的具体值对应某一矿物质或者孔隙。本发明实施例中，设定孔隙的像素类别标签为0，即孔隙像素的L值为0。
本发明实施例中，作为一可选实施例，对目标像素点进行簇标签标注，包括：
依据预先选取的矿物类别标签，遍历构建簇的扫描图像的每一簇；
若簇的矿物类别标签与选取的矿物类别标签相同，确定该簇是否设置有簇标签；
若设置，跳转至下一簇；
若未设置，查询存储的矿物类别标签与已设置簇标签的数据库，获取最后一次的已设置簇标签，按照预先设置的簇标签设置策略，对该簇内的每一像素点设置簇标签，将设置的簇标签存储至所述数据库。
本发明实施例中，预先设定矿物类别或者孔隙的L值，例如，设定L为L1，遍历扫描图像的所有像素点（簇），获取与L1值相同的像素点，从而确定该像素点的矿物类别。例如，若某一像素点的p(L)=L1时，判定该像素点属于L1对应的矿物质类别或孔隙，再确定该像素点是否设置有簇标签，例如，根据该像素点的b值是否为零，确定该像素点是否已经分配簇序号（簇标签）：
如果b=0，说明没有分配簇标签，则查询数据库，获取最后一次的已设置簇标签B，设置B值加1以进行更新（B++），将更新的B值赋值至当前像素点的b（b=B），更新后的b值即为该像素点的簇序号。接着，根据L值，判断该像素点的邻域像素点是否属于同一矿物类别，如果某个邻域像素点是同类像素，将该邻域像素点赋予相等的簇序号（b=B），为同一簇；如果不存在同类邻域像素，则本次簇序号确定遍历结束；
如果b≠0，表明该像素点已经设置有簇标签，不再重新设置簇标签。
若p(L)≠L1，表明该像素点与预先设定的矿物类别或者孔隙不是同类像素，不设置簇标签。
本发明实施例中，从第一次的p(L)=L1的像素点开始继续遍历扫描图像，整个扫描图像遍历完后，L1对应的所有同类别像素点中，属于同一簇的像素点均被分配一个唯一的簇序号，遍历完所有像素点后，全局变量B值为该矿物类别对应的簇数。
本发明实施例中，在一矿物类别的簇序号确定完毕后，修改L值，依据同样的方法，可完成扫描图像中所有矿物类别的像素点的簇序号确定。
本发明实施例中，在像素点的簇序号确定后，簇序号相等的像素点属于同一个簇，通过遍历该簇中的所有像素点，如果遍历到的像素点的邻域像素点的像素类别标签与该像素点的像素类别标签不相同，表明该像素点为该簇的边缘像素点，找到该簇的所有边缘像素点，完成簇边缘的提取。
本发明实施例中，作为一可选实施例，该方法还包括：
遍历所述扫描图像中的每一簇，获取类标签为孔隙的簇；
针对每一类标签为孔隙的簇，获取与该簇相邻的簇的像素类别标签，依据预先设置的像素类别标签与矿物类别的映射关系，确定所述孔隙周围的矿物类别。
本发明实施例中，利用簇边缘提取方法，根据孔隙的簇序号，提取该孔隙的边缘，并统计与该孔隙的边缘像素点相邻的像素点的像素类别标签及对应像素类别标签数，可以识别该孔隙边缘包含的矿物质及矿物质类别数，进而确定该孔隙处在哪些矿物质内，依次类推可以识别出所有孔隙周边的矿物质。
步骤104，依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；
本发明实施例中，作为一可选实施例，依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸，包括：
遍历所述扫描图像，获取像素类别标签为孔隙的孔隙像素点；
获取簇标签相同的孔隙像素点，得到孔隙，每一簇标签对应一孔隙；
基于孔隙内包含的像素点数及像素分辨率，得到孔隙尺寸。
本发明实施例中，作为一可选实施例，孔隙尺寸为像素点数与图像分辨率的乘积。例如，对于某一孔隙，像素数为x，分辨率为y，则孔隙大小为xy。
步骤105，基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；
本发明实施例中，作为一可选实施例，基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔，包括：
依据确定的孔隙尺寸，绘制孔隙的尺寸分布频谱；
在尺寸分布频谱中，获取孔隙尺寸小于预设尺寸阈值、孔隙大小变化范围超过预设范围阈值、且连续性满足预先设置的连续性优良的孔隙，得到原生孔；
获取所述尺寸分布频谱中，除所述原生孔之外的孔隙，得到次生孔。
本发明实施例中，获取扫描图像包含的所有孔隙，绘制孔隙大小的分布频谱。
本发明实施例中，鉴于原生孔和溶蚀后形成的次生孔的大小分布不一样，原生孔小而多，大小变化范围大且连续性好，而次生孔大而少，大小变化不连续，基于此，通过孔隙大小的分布频谱，区分原生孔和次生孔。
图2示出了本发明实施例所提供的尺寸分布频谱示意图。如图2所示，图中横坐标为孔半径（r），纵坐标为孔个数（p），本发明实施例中，孔隙分布频谱中，虚线左边的孔隙的半径较小，孔隙数多，孔径分布相对连续，符合孔隙划分策略中原生孔的特点，虚线右边的孔隙的半径较大，孔隙数少，孔径分布相对分散，符合孔隙划分策略中次生孔的特点。因而，确定孔隙分布频谱中虚线左边是原生孔，右边为次生孔。
步骤106，基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果。
本发明实施例中，作为一可选实施例，基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果，包括：
针对每一像素类别标签，从所述原生孔中，获取处于该像素类别标签对应的矿物中的分类原生孔，以及，从所述次生孔中，获取处于该像素类别标签对应的矿物中的分类次生孔；
计算分类原生孔的原生平均半径，以及，分类次生孔的次生平均半径；
获取所述次生平均半径与原生平均半径的平均半径差；
计算所述平均半径差与原生平均半径的比值，得到所述像素类别标签对应的岩体溶蚀程度评估结果。
本发明实施例中，针对一矿物类别，得到处于该矿物类别中的孔隙，从得到的孔隙中，区分出原生孔和次生孔，基于原生孔和次生孔的尺寸，计算该矿物类别的岩体溶蚀程度。例如，以石英矿物为例，若扫描图像中，处于石英矿物中的孔隙为100个，经过区分，60个孔隙为次生孔，40个孔隙为原生孔，则计算60个次生孔半径的次生平均半径，40个原生孔半径的原生平均半径，计算次生平均半径与原生平均半径的平均半径差，利用平均半径差除以原生平均半径，得到孔隙的相对变化率，该相对变化率为石英矿物引起的岩体溶蚀程度。
本发明实施例中，次生孔是原生孔经过溶蚀后形成的，矿物质溶蚀程度（岩体溶蚀程度）越大，次生孔隙越大，为了消去原生孔隙大小对矿物质溶蚀程度评估的影响，采用次生孔大小对原生孔大小的相对变化，用于评估矿物质溶蚀程度，相对变化越大，矿物质的溶蚀程度越强。
本发明实施例中，作为另一可选实施例，该方法还包括：
计算所述原生孔的原孔平均半径，以及，次生孔的次孔平均半径；
获取所述次孔平均半径与原孔平均半径的孔径差；
计算所述孔径差与原孔平均半径的比值，得到岩体溶蚀程度评估结果。
本发明实施例中，只在岩体取样和成像环节，需要用到大型仪器和设备，而在后续环节，利用图像处理和数据统计进行岩体溶蚀程度评估，通过对像素点信息进行像素向量升维，从而基于升维的像素点信息进行像素类别标签标注以及簇标签标注，基于标注的像素点或簇，筛选出不同矿物类别对应的所有孔隙，根据孔隙所包含的像素点数以及图像分辨率计算出所有孔隙的大小，通过数据统计获取该矿物类别对应的孔隙大小分布频谱以及所有孔隙大小分布频谱，并基于孔隙大小分布频谱进行原生孔和次生孔划分，依据次生孔大小对原生孔大小的相对变化评估进行该矿物类别的溶蚀程度评估，实现对自然界中实际岩体的溶蚀程度进行准确且简洁高效的分类评估，具有简洁高效和成本低廉的优点。进一步地，不仅可区分不同矿物类别，还可区分同矿物类别中发生溶蚀的位置，实现对该矿物类别的溶蚀程度评估，评估更合理和准确，从而有利于采取针对性的措施进行维护，提高岩体溶蚀程度的评估可用性。
图3示出了本发明实施例所提供的岩体溶蚀程度的分类评估装置结构示意图。如图3所示，该装置包括：
采样模块301，用于对岩体进行采样，获取采样的扫描图像；
本发明实施例中，作为一可选实施例，扫描图像包括但不限于：CT图像、SEM图像。
类别标签设置模块302，用于依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系；依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；
本发明实施例中，作为一可选实施例，类别标签设置模块302包括：
第一遍历单元（图中未示出），用于依据岩样矿物成分含量分布数据确定像素值范围与矿物类别的映射关系；遍历扫描图像的每一像素点，获取该像素点的像素值；
范围确定单元，用于确定像素值在所述映射关系中的像素值范围；
类别获取单元，用于获取确定的像素值范围映射的矿物类别；
标签标注单元，用于在像素点上标注表征所述映射的矿物类别的像素类别标签。
本发明实施例中，作为一可选实施例，获取所述像素值范围与矿物类别的映射关系，包括：
获取样本岩体的采样区域的样本；
通过XRD成分分析实验，获取所述采样区域的岩体成分含量分布数据；
按照岩体成分含量分布数据，对样本扫描图像的像素值进行分类；
调整分类的像素值范围，使得调整的像素值范围对应的成分含量，与岩体成分含量分布数据中，该调整的像素值范围对应的矿物类别的成分含量的误差，满足预先设置的误差阈值；
获取满足所述误差阈值的像素值范围，以及该像素值范围对应的矿物类别，构建像素值范围与矿物类别的映射关系。
簇标签设置模块303，用于依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；
本发明实施例中，与目标像素点相邻的邻近像素点包括：位于该像素点的上、下、左、右的四个像素点，将由多个像素点组成的每一个矿物质颗粒或孔隙定义为一个簇。
本发明实施例中，作为一可选实施例，簇标签设置模块303包括：
簇遍历单元，用于依据预先选取的矿物类别标签，遍历构建簇的扫描图像的每一簇；
簇匹配单元，若簇的矿物类别标签与选取的矿物类别标签相同，确定该簇是否设置有簇标签；
若设置，跳转至下一簇；
若未设置，查询存储的矿物类别标签与已设置簇标签的数据库，获取最后一次的已设置簇标签，按照预先设置的簇标签设置策略，对该簇内的每一像素点设置簇标签，将设置的簇标签存储至所述数据库。
本发明实施例中，作为另一可选实施例，簇标签设置模块303还用于：
遍历所述扫描图像中的每一簇，获取类标签为孔隙的簇；
针对每一类标签为孔隙的簇，获取与该簇相邻的簇的像素类别标签，依据预先设置的像素类别标签与矿物类别的映射关系，确定所述孔隙周围的矿物类别。
孔尺寸确定模块304，用于依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；
本发明实施例中，作为一可选实施例，孔尺寸确定模块304具体用于：
遍历所述扫描图像，获取像素类别标签为孔隙的孔隙像素点；
获取簇标签相同的孔隙像素点，得到孔隙，每一簇标签对应一孔隙；
基于孔隙内包含的像素点数及像素分辨率，得到孔隙尺寸。
孔类型识别模块305，用于基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；
本发明实施例中，作为一可选实施例，孔类型识别模块305包括：
第二遍历单元（图中未示出），用于遍历扫描图像的每一像素点，提取其中一像素点作为目标像素点，获取目标像素点的像素类别标签；
定位单元，用于定位与目标像素点相邻的邻近像素点，获取邻近像素点的像素类别标签；
类别匹配单元，若目标像素点的像素类别标签与邻近像素点的像素类别标签相同，以该邻近像素点为目标像素点，执行所述定位与目标像素点相邻的邻近像素点的步骤；
若目标像素点的像素类别标签与邻近像素点的像素类别标签不相同，确定该目标像素点为簇的边缘像素点；
簇构建单元，用于基于簇的边缘像素点以及边缘像素点围成的封闭区域内的像素点，构建簇。
本发明实施例中，作为另一可选实施例，孔类型识别模块305还用于：
依据确定的孔隙尺寸，绘制孔隙的尺寸分布频谱；
在尺寸分布频谱中，获取孔隙尺寸小于预设尺寸阈值、孔隙大小变化范围超过预设范围阈值、且连续性满足预先设置的连续性优良的孔隙，得到原生孔；
获取所述尺寸分布频谱中，除所述原生孔之外的孔隙，得到次生孔。
溶蚀程度评估模块306，用于基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果。
本发明实施例中，作为一可选实施例，溶蚀程度评估模块306包括：
孔提取单元（图中未示出），用于针对每一像素类别标签，从所述原生孔中，获取处于该像素类别标签对应的矿物中的分类原生孔，以及，从所述次生孔中，获取处于该像素类别标签对应的矿物中的分类次生孔；
半径计算单元，用于计算分类原生孔的原生平均半径，以及，分类次生孔的次生平均半径；
差值计算单元，用于获取所述次生平均半径与原生平均半径的平均半径差；
溶蚀程度评估单元，用于计算所述平均半径差与原生平均半径的比值，得到所述像素类别标签对应的岩体溶蚀程度评估结果。
本发明实施例中，作为另一可选实施例，溶蚀程度评估模块306还用于：
计算所述原生孔的原孔平均半径，以及，次生孔的次孔平均半径；
获取所述次孔平均半径与原孔平均半径的孔径差；
计算所述孔径差与原孔平均半径的比值，得到岩体溶蚀程度评估结果。
本发明实施例中，作为一可选实施例，该装置还包括：
预处理模块（图中未示出），用于对所述扫描图像进行噪声滤除预处理。
本发明实施例中，作为另一可选实施例，该装置还包括：
孔簇获取模块，用于遍历所述扫描图像中的每一簇，获取类标签为孔隙的簇；
成分识别模块，用于针对每一类标签为孔隙的簇，获取与该簇相邻的簇的像素类别标签，依据预先设置的像素类别标签与矿物类别的映射关系，确定所述孔隙周围的矿物类别。
所述依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸，包括：
遍历所述扫描图像，获取像素类别标签为孔隙的孔隙像素点；
获取簇标签相同的孔隙像素点，得到孔隙，每一簇标签对应一孔隙；
基于孔隙内包含的像素点数及像素分辨率，得到孔隙尺寸。
如图4所示，本申请一实施例提供了一种计算机设备400，用于执行图1中的岩体溶蚀程度的分类评估方法，该设备包括存储器401、与存储器401通过总线相连的处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述岩体溶蚀程度的分类评估方法的步骤。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述岩体溶蚀程度的分类评估方法。
对应于图1中的岩体溶蚀程度的分类评估方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述岩体溶蚀程度的分类评估方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述岩体溶蚀程度的分类评估方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种岩体溶蚀程度的分类评估方法，其特征在于，包括：
对岩体进行采样，获取采样的扫描图像；
依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系，包括：获取岩体的采样区域的样本；通过XRD成分分析实验，获取所述采样区域的岩体成分含量分布数据；按照岩体成分含量分布数据对样本扫描图像的像素值进行分类；调整分类的像素值范围，使得调整的像素值范围对应的成分含量，与岩体成分含量分布数据中，该调整的像素值范围对应的矿物类别的成分含量的误差，满足预先设置的误差阈值；获取满足所述误差阈值的像素值范围，以及该像素值范围对应的矿物类别，构建像素值范围与矿物类别的映射关系；
依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；
依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；
依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；
基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；
基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果；
所述基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果，包括：
针对每一像素类别标签，从所述原生孔中，获取处于该像素类别标签对应的矿物中的分类原生孔，以及，从所述次生孔中，获取处于该像素类别标签对应的矿物中的分类次生孔；
计算分类原生孔的原生平均半径，以及，分类次生孔的次生平均半径；
获取所述次生平均半径与原生平均半径的平均半径差；
计算所述平均半径差与原生平均半径的比值，得到所述像素类别标签对应的岩体溶蚀程度评估结果。
2.根据权利要求1所述的方法，其特征在于，在所述获取采样的扫描图像之后，所述方法还包括：
对所述扫描图像进行噪声滤除预处理。
3.根据权利要求1所述的方法，其特征在于，所述依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注，包括：
依据岩样矿物成分含量分布数据确定像素值范围与矿物类别的映射关系；
遍历扫描图像的每一像素点，获取该像素点的像素值；
确定像素值在所述映射关系中的像素值范围；
获取确定的像素值范围映射的矿物类别；
在像素点上标注表征所述映射的矿物类别的像素类别标签。
4.根据权利要求1所述的方法，其特征在于，所述基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，包括：
遍历扫描图像的每一像素点，提取其中一像素点作为目标像素点，获取目标像素点的像素类别标签；
定位与目标像素点相邻的邻近像素点，获取邻近像素点的像素类别标签；
若目标像素点的像素类别标签与邻近像素点的像素类别标签相同，以该邻近像素点为目标像素点，执行所述定位与目标像素点相邻的邻近像素点的步骤；
若目标像素点的像素类别标签与邻近像素点的像素类别标签不相同，确定该目标像素点为簇的边缘像素点；
基于簇的边缘像素点以及边缘像素点围成的封闭区域内的像素点，构建簇。
5.根据权利要求4所述的方法，其特征在于，所述对目标像素点进行簇标签标注，包括：
依据预先选取的矿物类别标签，遍历构建簇的扫描图像的每一簇；
若簇的矿物类别标签与选取的矿物类别标签相同，确定该簇是否设置有簇标签；
若设置，跳转至下一簇；
若未设置，查询存储的矿物类别标签与已设置簇标签的数据库，获取最后一次的已设置簇标签，按照预先设置的簇标签设置策略，对该簇内的每一像素点设置簇标签，将设置的簇标签存储至所述数据库。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
遍历所述扫描图像中的每一簇，获取类标签为孔隙的簇；
针对每一类标签为孔隙的簇，获取与该簇相邻的簇的像素类别标签，依据预先设置的像素类别标签与矿物类别的映射关系，确定所述孔隙周围的矿物类别。
7.根据权利要求6所述的方法，其特征在于，所述依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸，包括：
遍历所述扫描图像，获取像素类别标签为孔隙的孔隙像素点；
获取簇标签相同的孔隙像素点，得到孔隙，每一簇标签对应一孔隙；
基于孔隙内包含的像素点数及像素分辨率，得到孔隙尺寸。
8.一种岩体溶蚀程度的分类评估装置，其特征在于，包括：
采样模块，用于对岩体进行采样，获取采样的扫描图像；
类别标签设置模块，用于依据岩样矿物成分含量分布数据，确定像素值范围与矿物类别的映射关系，包括：获取岩体的采样区域的样本；通过XRD成分分析实验，获取所述采样区域的岩体成分含量分布数据；按照岩体成分含量分布数据对样本扫描图像的像素值进行分类；调整分类的像素值范围，使得调整的像素值范围对应的成分含量，与岩体成分含量分布数据中，该调整的像素值范围对应的矿物类别的成分含量的误差，满足预先设置的误差阈值；获取满足所述误差阈值的像素值范围，以及该像素值范围对应的矿物类别，构建像素值范围与矿物类别的映射关系；依据确定的像素值范围与矿物类别的映射关系，对扫描图像进行像素类别标签标注；
簇标签设置模块，用于依据进行像素类别标签标注的扫描图像，基于该扫描图像中目标像素点的像素类别标签以及与该目标像素点相邻的邻近像素点的像素类别标签，对目标像素点进行簇标签标注；
孔尺寸确定模块，用于依据像素点的像素类别标签以及簇标签，确定所述扫描图像包含的孔隙及孔隙尺寸；
孔类型识别模块，用于基于确定的孔隙尺寸以及预先设置的孔隙划分策略，获取所述扫描图像包含的原生孔以及次生孔；
溶蚀程度评估模块，用于基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果；
所述基于获取的原生孔以及次生孔，获取岩体溶蚀程度的分类评估结果，包括：
针对每一像素类别标签，从所述原生孔中，获取处于该像素类别标签对应的矿物中的分类原生孔，以及，从所述次生孔中，获取处于该像素类别标签对应的矿物中的分类次生孔；
计算分类原生孔的原生平均半径，以及，分类次生孔的次生平均半径；
获取所述次生平均半径与原生平均半径的平均半径差；
计算所述平均半径差与原生平均半径的比值，得到所述像素类别标签对应的岩体溶蚀程度评估结果。
CN202211341488.5A 2022-10-31 2022-10-31 一种岩体溶蚀程度的分类评估方法及装置 Active CN115410049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341488.5A CN115410049B (zh) 2022-10-31 2022-10-31 一种岩体溶蚀程度的分类评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341488.5A CN115410049B (zh) 2022-10-31 2022-10-31 一种岩体溶蚀程度的分类评估方法及装置

Publications (2)

Publication Number Publication Date
CN115410049A CN115410049A (zh) 2022-11-29
CN115410049B true CN115410049B (zh) 2023-01-31

Family

ID=84167316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341488.5A Active CN115410049B (zh) 2022-10-31 2022-10-31 一种岩体溶蚀程度的分类评估方法及装置

Country Status (1)

Country Link
CN (1) CN115410049B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109187161A (zh) * 2018-08-30 2019-01-11 中国石油大学(北京) 一种碎屑岩中长石溶蚀程度的定量评价方法
WO2019167030A1 (en) * 2018-03-02 2019-09-06 Kore Geosystems Inc. Identifying and logging properties of core samples
CN111781082A (zh) * 2020-06-24 2020-10-16 中国石油大学(华东) 一种表征水岩模拟实验中长石溶蚀程度的方法
US10927671B1 (en) * 2018-01-26 2021-02-23 Diversified Well Logging, Llc Method and apparatus for drill cutting analysis
CN113223170A (zh) * 2021-05-26 2021-08-06 东北石油大学 一种基于致密砂岩ct图像三维重构的孔隙识别方法
WO2021245563A1 (en) * 2020-06-02 2021-12-09 Matrix Jvco Ltd Borehole image interpretation and analysis
CN114037693A (zh) * 2021-11-17 2022-02-11 中国矿业大学 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法
CN115220098A (zh) * 2021-04-16 2022-10-21 中国石油化工股份有限公司 碳酸盐岩断控缝洞体自动识别方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107228816B (zh) * 2017-06-01 2018-11-13 中国石油大学(华东) 一种泥页岩中不同类型孔隙演化评价方法
CN113570651B (zh) * 2021-07-06 2023-02-07 中国地质大学（北京） 基于sem图像的碳酸盐岩储层孔隙半径分布定量方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10927671B1 (en) * 2018-01-26 2021-02-23 Diversified Well Logging, Llc Method and apparatus for drill cutting analysis
WO2019167030A1 (en) * 2018-03-02 2019-09-06 Kore Geosystems Inc. Identifying and logging properties of core samples
CN109187161A (zh) * 2018-08-30 2019-01-11 中国石油大学(北京) 一种碎屑岩中长石溶蚀程度的定量评价方法
WO2021245563A1 (en) * 2020-06-02 2021-12-09 Matrix Jvco Ltd Borehole image interpretation and analysis
CN111781082A (zh) * 2020-06-24 2020-10-16 中国石油大学(华东) 一种表征水岩模拟实验中长石溶蚀程度的方法
CN115220098A (zh) * 2021-04-16 2022-10-21 中国石油化工股份有限公司 碳酸盐岩断控缝洞体自动识别方法及装置
CN113223170A (zh) * 2021-05-26 2021-08-06 东北石油大学 一种基于致密砂岩ct图像三维重构的孔隙识别方法
CN114037693A (zh) * 2021-11-17 2022-02-11 中国矿业大学 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
松辽盆地营城组中基性火山岩储层特征及成储机理;黄玉龙等;《岩石学报》;20100115(第01期);全文 *
次火山岩储层储集空间形成及演化――以克拉美丽气田滴西18井区为例;刘小洪等;《天然气地球科学》;20160210(第02期);全文 *

Also Published As

Publication number Publication date
CN115410049A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Vogt et al. Mapping spatial patterns with morphological image processing
Prill et al. Morphological segmentation of FIB‐SEM data of highly porous media
Neubert et al. Evaluation of remote sensing image segmentation quality–further results and concepts
CN104237103A (zh) 一种孔隙连通性定量表征方法及装置
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
Barros Filho et al. Accuracy of lacunarity algorithms in texture classification of high spatial resolution images from urban areas
CN113706603B (zh) 页岩有机质孔隙连通性分类表征的方法
Acosta et al. An innovative image-processing model for rust detection using Perlin Noise to simulate oxide textures
CN110910444B (zh) 一种res尺度页岩等效三维孔隙参数快速提取方法
CN112132791A (zh) 一种页岩扫描电镜图像处理方法、装置、设备和存储介质
Tang et al. A multiple-point spatially weighted k-NN method for object-based classification
CN111738131B (zh) 一种合金两相微结构参数特征提取方法
CN111028094B (zh) 一种基于页岩扫描电镜图像提取的等效toc计算方法
CN110018108B (zh) 岩石孔隙孔径的测定方法及设备
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
CN115410049B (zh) 一种岩体溶蚀程度的分类评估方法及装置
Nagase et al. Automatic calculation and visualization of nuclear density in whole slide images of hepatic histological sections
CN115457028A (zh) 一种扫描电镜样品裂纹图像自动分割标定方法及系统
CN115393577A (zh) 一种红外海上小目标抗干扰的检测方法
CN114862883A (zh) 一种目标边缘提取方法、图像分割方法及系统
Kim et al. A hybrid dasymetric mapping for population density surface using remote sensing data
Andaru et al. Intelligent Detection of SEM Mineralogy Using Dynamic Segmentation Algorithm in Geothermal Sedimentary Reservoir: Case Study with Quantification of Quartz Overgrowth
Godehardt et al. Efficient 3D erosion dilation analysis by sub-pixel EDT
CN111858700A (zh) 一种基于地理探测器的黄土沟壑发育影响机理分析方法
Mesev Fusion of point-based postal data with IKONOS imagery

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