CN116310784A - 一种基于图像拉平处理的岩芯图片裂缝识别方法 - Google Patents

一种基于图像拉平处理的岩芯图片裂缝识别方法 Download PDF

Info

Publication number
CN116310784A
CN116310784A CN202211640080.8A CN202211640080A CN116310784A CN 116310784 A CN116310784 A CN 116310784A CN 202211640080 A CN202211640080 A CN 202211640080A CN 116310784 A CN116310784 A CN 116310784A
Authority
CN
China
Prior art keywords
image
crack
slope
slopes
filtering
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.)
Pending
Application number
CN202211640080.8A
Other languages
English (en)
Inventor
徐云贵
龚齐宝
张荣虎
贺训云
黄旭日
廖建平
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202211640080.8A priority Critical patent/CN116310784A/zh
Publication of CN116310784A publication Critical patent/CN116310784A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像拉平处理的岩芯滚筒扫描图片裂缝识别方法，对裂缝进行准确定位，其核心是将原始滚筒扫描裂缝图像读取灰度获取彩色图像，返回包含灰度数字图像信息的二维数组，利用动态时间规整算法(Dynamic Time Warping，简称DTW)，得到每个像素点的最优拉伸压缩量，通过最优拉伸压缩量对图像的背景纹理扰动进行拉平处理，再通过FK倾角滤波器对背景纹理扰动图像进行滤波处理，最终进行反动态时间规整算法(Inverse Dynamic Time Warping，简称IDTW)得到裂缝识别结果。本发明通过图像拉平处理的方式进行识别裂缝，通过该方法解决了常规识别裂缝技术不能克服在岩心扫描图像上因岩心滚筒扫描的规则波动纹理的干扰，无法做到对裂缝的精细刻画的问题。

Description

一种基于图像拉平处理的岩芯图片裂缝识别方法
技术领域
本发明属于图像处理领域，特别是在岩芯图像识别裂缝技术领域。
背景技术
裂缝是指岩石之间丧失结合力或构造变形而形成的空间面，它是一个不连续体。裂缝既可以储集油气，又可以为地下流体提供渗流通道。在低渗透油藏的研究中，裂缝是控制油气富集和产能的主要因素。目前，国内外许多研究人员进行储层裂缝研究。大致可以分为地质识别方法和地球物理识别方法。其中地质识别方法以岩芯观察法、野外露头观察法、镜下观察法、开发数据分析法等为主；地球物理识别方法多以常规测井、成像测井、地震方法为主。目前常规测井与成像测井技术发已基本成熟。通过这些裂缝识别方法与数学方法、计算机技术的综合运用，可以对裂缝的发育特征以及分布规律进行研究和预测。然而在实际工作中，通过人为识别裂缝的形状与结构往往是较困难的，需要耐心、细致的长时间工作，而且容易出现人为的失误导致描述不准确的问题；而通过岩芯观察法、野外露头观察法、测井、地震方法从常常受到取芯程度、地震资料品质、常规测井资料等限制，裂缝预测效果不佳。因此，如何利用数字图像识别技术来完成裂缝结构识别是一项具有实际意义的课题。
岩芯是石油勘探开发过程中重要的地质信息媒介，钻井岩芯是获取地下地质特征的第一手资料，从岩芯可以获得古生物化石的特征，推算地层的年代，进行地层对比，研究储集层的性质，而对岩芯裂缝识别的研究对整个油气勘探开发过程都有重要的意义。岩芯观察法主要用于认识和描述宏观裂缝，岩芯观察法是识别裂缝最直接的方法,岩芯观察法能够观察到裂缝的力学性质、组系关系、充填、含油气性等，还可以测量裂缝的产状、开度、密度、深度、层位、孔隙度等。通过岩芯扫描仪对岩芯进行外表面扫描，使用旋转的滚轴转动岩芯，采集一次后滚轴旋转一个角度，采集下一个角度的照片，完成一个岩芯的采集后，对图像进行裁剪拼接，之后通常使用人工处理或者图像处理技术对岩芯扫描图像进行边缘识别来确定裂缝的产状。边缘检测是识别出灰色数字图像上灰度级变化很快的集合，灰度数字图像是每个像素只有一个采样颜色的图像；这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以表示任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑色与白色两种颜色；灰度图像在黑色与白色之间还有许多级的颜色深度。边缘检测技术研究的目的是为了标记图像中灰度梯度最大的点，边缘检测算法主要是基于图像强度的一阶和二阶导数，确定图像各点邻域强度的变化值，通过增强算法将领域强度值显著突变的点显示出来常见的边缘检测算子包括差分边缘检测、Sobel算子、Roberts算子、拉普拉斯算子、Prewitt算子等，其方法原理为：利用梯度最大值，利用二阶导数零交叉值，还有是选取合适的阈值来获取图像的边界。尽管这些算法具有较好的精度和时域性能，但由于引入了各种差分运算，导致抗抗干扰的性能差，同时由于滚筒扫描得出岩心扫描图片过程中会得到规则的纹理背景扰动，常规方法又无法克服在滚筒扫描裂缝图像上的规则波动纹理对裂缝高精度识别的干扰，无法做到对裂缝的精细刻画。
为了克服现有方法的不足，本发明提出了基于一种基于图像拉平处理的岩芯滚筒扫描图片裂缝识别方法流程，该方法流程解决了岩芯滚筒扫描图片上规则纹理扰动对裂缝识别的扰动，提高了裂缝识别精度，在裂缝识别中获得了较好的效果。
发明内容
本发明的目的是针对上述的在滚筒扫描裂缝图像上进行裂缝识别中，常规边缘检测技术引入了各种差分运算，导致抗抗干扰的性能差，同时不能克服在滚筒扫描裂缝图像上因岩芯滚筒扫描的规则波动纹理的干扰，无法做到对裂缝的精细刻画的问题，提出了一种基于图像拉平处理的一种岩芯裂缝识别方法流程，该裂缝识别方法流程能够高精度、高效率的识别裂缝。该方法流程通过对滚筒扫描裂缝图片进行处理，读取灰度获取灰度图像，返回包含灰色图像信息的数组，利用基于时窗的动态时间规整算法(Dynamic TimeWarping，简称DTW)，选取合适的计算时窗，计算图像像素点在时窗的欧式距离，进而得到累计距离矩阵，即可得到每个像素点的最优拉伸压缩量，通过最优拉伸压缩量对图像的进行背景拉平处理，再通过FK域倾角滤波器，选取合适的微小斜率对背景图像进行滤波处理，最终进行反动态时间规整算法(Inverse Dynamic Time Warping，简称IDTW)还原原始图像得到裂缝识别结果。因此，该流程克服了常规边缘检测技术抗干扰的性能差、消除了岩芯扫描图像上的规则纹理的干扰，实现了裂缝的图像智能识别。
为了实现上述目的，本发明提供了一种基于图像处理的裂缝识别方法流程，该流程包括：
(1)对原始滚筒扫描裂缝图像提取灰度后，用彩色图像三通道展示原始裂缝(如图2)，也可以选择适合一个三通道值(B，G，R)将原始岩芯滚筒扫描图像的灰度像素保存为一个二维数组，这里演示的是取R值将裂缝图片保存在二维数组中；
(2)将岩芯滚筒扫描图像提取到的二维数组通过动态时间规整算法(DTW)进行背景纹理拉平处理；动态时间规整算法(DTW)最早适用于语音识别，随后将其应用于相似时间序列的匹配，其基础思想为利用欧式距离量化离散序列各点相似性，再采用动态规划方法求取最小累计欧式距离，最后通过路径回溯寻找两个序列最佳匹配路径并通过拉伸压缩使得两个离散序列达到最佳匹配，通过最优拉伸压缩量对图像的纹理进行拉平处理。
(3)选取倾角滤波器然后对纹理拉平背景的裂缝图像进行斜率滤波处理，拉平的背景纹理扰动与裂缝有着显著的斜率差异，选取合适的斜率(Slopes)和对应斜率的振幅(Bias)进行斜率滤波，每一个斜率对应一个滤波器的振幅值；这里选取的斜率(Slopes)为：Slopes＝-0.025,-0.015,0.005,0.0075，选取微小斜率进行滤波处理，可以达到更好的效果，对应斜率的振幅(Bias)为：Bias＝1,0,0,1，由此可见，倾角滤波的Slopes＝f1,f2,f3,f4和amps＝a1,a2,a3,a4参数表示的是:在频谱曲线上各个对应点(f1,a1),(f2,a2),(f3,a3),(f4,a4)这些点的连线构成的滤波器，在这些点之外的曲线与第一个点和最后一个点的幅值相同，可以完成对纹理扰动的滤波处理。
(4)基于滤波处理的结果，对图像进行反动态时间规整算法(IDTW)，即可以得到识别的裂缝结果。
附图说明
图1为一种基于图像处理的裂缝识别方法的流程图。
图2为原始岩芯滚筒扫描图像。
图3为原始岩芯滚筒扫描图像提取灰度后的彩色图像。
图4为动态时间规整算法(DTW)后的裂缝图像。
图5为FK域倾角滤波处理之后的图像。
图6为反动态时间规整算法(IDTW)得到的裂缝识别的灰度图片。
图7为标注出裂缝的灰度图片。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明提供的一种基于图像拉平处理的岩芯裂缝识别方法流程，该流程包括以下详细步骤：
步骤一：对原始岩芯滚筒扫描裂缝图像(如图1)提取灰度后，用彩色图像三通道展示原始裂缝(如图2)，也可以选择适合一个三通道值(B，G，R)将原始岩芯滚筒扫描图像的灰度像素保存为一个二维数组，这里演示的是取R值将裂缝图片保存在二维数组中。
步骤二：将岩芯滚筒扫描裂缝图像提取到的二维数组通过动态时间规整算法(DTW)进行背景拉平处理；动态时间规整算法(DTW)最早适用于语音识别，随后将气应用于相似时间序列的匹配，其基础思想为利用欧式距离量化离散序列各点相似性，再采用动态规划方法求取最小累计欧式距离，最后通过路径回溯寻找两个序列最佳匹配路径并通过拉伸压缩使得两个离散序列达到最佳匹配，通过最优拉伸压缩量对图像的地层产状进行拉平处理。
首先，根据实际情况选取拉伸压缩时窗户L，由此建立欧式距离E:
Ei,l＝|S(i)-W(i+l)|2
其中，
E为欧式距离；
S、W为两组序列；
i为序列下标；
l为时窗长度，取值-L到L。
根据动态时间规整算法的思想计算累计距离矩阵D：
D0,l＝E0,l
Figure BDA0004008476760000041
其中，
D累计距离矩阵；
E为欧式距离；
i为序列下标；
l为时窗长度，取值-L到L。
通过路径回溯可以寻得最佳匹配路径u，u＝[u0,u1,…,ut]，存放了W(t)中每一个点的拉伸压缩量。通过计算最佳匹配路径得到拉伸压缩量，即可对裂缝图像的背景进行拉平处理(如图4)。
步骤三：通过对图像规则背景纹理扰动拉平处理后，可以使用滤波器消除背景纹理干扰，在地震处理中，线性噪声的同相轴的倾角随着其视速度的变化而变化，因此，FK倾角滤波也称二维视速度滤波，是20世纪70年代左右提出并被广泛应用的消除线性噪声的一种变换域去噪方法，是地震数据处理中用来提高地震记录信噪比的一种常规处理手段。根据RANSAC算法思想，识别线性噪声的斜率或视速度(倾角)是在散点集中寻找和判断线性噪声(内点)分布规律，并估算线性数学模型参数的过程。在实现过程中，鉴于线性噪声的振幅、频率、相位和波形在空间上具有相关性，而且这些特征与信号存在明显差别，因此，将波形相似性作为内点的判断标准。
这里，选取FK域倾角滤波器对拉平背景纹理的裂缝图像进行斜率滤波处理，拉平的背景纹理扰动与裂缝有着显著的斜率差异，选取合适的斜率(Slopes)和对应斜率的振幅(Bias)进行斜率滤波，每一个斜率对应一个滤波器的振幅值；这里选取的斜率(Slopes)为：Slopes＝-0.025,-0.015,0.005,0.0075，选取微小斜率进行滤波处理，可以达到更好的效果，对应斜率的振幅(Bias)为：Bias＝1,0,0,1，由此可见，倾角滤波的Slopes＝f1,f2,f3,f4和amps＝a1,a2,a3,a4参数表示的是:在频谱曲线上各个对应点(f1,a1),(f2,a2),(f3,a3),(f4,a4)这些点的连线构成的滤波器，在这些点之外的曲线与第一个点和最后一个点的幅值相同,滤波之后的结果如图5。
步骤四：即利用动态时间规整算法(DTW)计算出的最佳匹配路径(u)与滤波之后的结果进行反动态时间规整算法(IDTW)，得到裂缝识别灰度图片，如图6，再结果中标注出识别的裂缝结果图片，如图7。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求；
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种基于图像拉平处理的岩芯裂缝识别方法，其特征在于，该方法流程包括：
步骤1：对原始岩芯滚筒扫描裂缝图像提取灰度处理(图3)；用彩色图像三通道展示原始裂缝，选择一个彩色图像三通道的值(B，G，R)将原始岩芯滚筒扫描裂缝图像的灰度像素保存为一个二维数组，这里演示的是取R值将裂缝图片保存在二维数组中；
步骤2：将岩芯滚筒扫描图像提取到的二维数组通过动态时间规整算法(DTW)进行纹理扰动拉平处理(图4)；动态时间规整算法(DTW)最早适用于语音识别，随后将其应用于相似时间序列的匹配，其基础思想为利用欧式距离量化离散序列各点相似性，再采用动态规划方法求取最小累计欧式距离，最后通过路径回溯寻找两个序列最佳匹配路径并通过拉伸压缩使得两个离散序列达到最佳匹配，通过最优拉伸压缩量对图像的纹理扰动进行拉平处理；
步骤3：选取倾角滤波器对拉平纹理扰动的裂缝图像进行斜率滤波处理(图5)；拉平的纹理扰动与裂缝有着显著的斜率差异，选取合适的斜率(Slopes)和对应斜率的振幅(Bias)进行斜率滤波，每一个斜率对应一个滤波器的振幅值；这里选取的斜率(Slopes)为：Slopes＝-0.025,-0.015,0.005,0.0075，选取微小斜率进行滤波处理，可以达到更好的效果，对应斜率的振幅(Bias)为：Bias＝1,0,0,1，由此可见，倾角滤波的Slopes＝f1,f2,f3,f4和amps＝a1,a2,a3,a4参数表示的是:在频谱曲线上各个对应点(f1,a1),(f2,a2),(f3,a3),(f4,a4)这些点的连线构成的滤波器，在这些点之外的曲线与第一个点和最后一个点的幅值相同；
步骤4：基于滤波处理的结果，对图像进行反动态时间规整算法(IDTW)，即可以得到识别的裂缝结果(图6和图7)。
2.根据权利要求1所述的岩芯裂缝识别方法流程，其特征在于，所述步骤2包括：
将裂缝原始图片提取灰度数组通过动态时间规整算法(DTW)进行纹理扰动拉平处理；将岩芯滚筒扫描图像提取到的二维数组通过动态时间规整算法(DTW)进行背景拉平处理；动态时间规整算法(DTW)最早适用于语音识别，随后将气应用于相似时间序列的匹配，其基础思想为利用欧式距离量化离散序列各点相似性，再采用动态规划方法求取最小累计欧式距离，最后通过路径回溯寻找两个序列最佳匹配路径并通过拉伸压缩使得两个离散序列达到最佳匹配，通过最优拉伸压缩量对图像的地层产状进行拉平处理；
首先，根据实际情况选取拉伸压缩时窗户L，由此建立欧式距离E:
Ei,l＝|S(i)-S(i+l)|2
其中，
E为欧式距离；
S、W为两组序列；
i为序列下标；
l为时窗长度，取值-L到L；
根据动态时间规整算法的思想计算累计距离矩阵D：
D0,l＝E0,l
Figure FDA0004008476750000021
其中，
D累计距离矩阵；
E为欧式距离；
i为序列下标；
l为时窗长度，取值-L到L；
通过路径回溯可以寻得最佳匹配路径u，u＝[u0,u1,…,ut]，存放了W(t)中每一个点的拉伸压缩量。通过计算最佳匹配路径得到拉伸压缩量，即可对裂缝图像的背景进行拉平处理。
3.根据权利要求1所述的一种基于图像拉平处理的岩芯滚筒扫描图片裂缝识别方法，其特征在于，所述步骤3包括：
通过对图像规则纹理扰动拉平处理后，使用滤波器消除纹理扰动的干扰。在地震处理中，线性噪声的同相轴的倾角随着其视速度的变化而变化，因此，FK倾角滤波也称二维视速度滤波，是20世纪70年代左右提出并被广泛应用的消除线性噪声的一种变换域去噪方法，是地震数据处理中用来提高地震记录信噪比的一种常规处理手段。根据RANSAC算法思想，识别线性噪声的斜率或视速度(倾角)是在散点集中寻找和判断线性噪声(内点)分布规律，并估算线性数学模型参数的过程。在实现过程中，鉴于线性噪声的振幅、频率、相位和波形在空间上具有相关性，而且这些特征与信号存在明显差别，因此，将波形相似性作为内点的判断标准；
这里，选取FK域倾角滤波器原理对拉平纹理扰动的裂缝图像进行斜率滤波处理。拉平的纹理扰动与裂缝有着显著的斜率差异，选取倾角滤波器然后对拉平背景的裂缝图像进行斜率滤波处理，选取合适的斜率(Slopes)和对应斜率的振幅(Bias)进行斜率滤波，每一个斜率对应一个滤波器的振幅值；这里选取的斜率(Slopes)为：Slopes＝-0.025,-0.015,0.005,0.0075，选取微小斜率进行滤波处理，可以达到更好的效果，对应斜率的振幅(Bias)为：Bias＝1,0,0,1，由此可见，倾角滤波的Slopes＝f1,f2,f3,f4和amps＝a1,a2,a3,a4参数表示的是:在频谱曲线上各个对应点(f1,a1),(f2,a2),(f3,a3),(f4,a4)这些点的连线构成的滤波器，在这些点之外的曲线与第一个点和最后一个点的幅值相同,即可以消除纹理扰动的干扰。
CN202211640080.8A 2022-12-20 2022-12-20 一种基于图像拉平处理的岩芯图片裂缝识别方法 Pending CN116310784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211640080.8A CN116310784A (zh) 2022-12-20 2022-12-20 一种基于图像拉平处理的岩芯图片裂缝识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211640080.8A CN116310784A (zh) 2022-12-20 2022-12-20 一种基于图像拉平处理的岩芯图片裂缝识别方法

Publications (1)

Publication Number Publication Date
CN116310784A true CN116310784A (zh) 2023-06-23

Family

ID=86832947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211640080.8A Pending CN116310784A (zh) 2022-12-20 2022-12-20 一种基于图像拉平处理的岩芯图片裂缝识别方法

Country Status (1)

Country Link
CN (1) CN116310784A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977999A (zh) * 2023-08-03 2023-10-31 北京建工环境修复股份有限公司 一种基于机器视觉的岩芯智能识别方法、系统及存储介质
CN117975374A (zh) * 2024-03-29 2024-05-03 山东天意机械股份有限公司 一种双皮墙自动化生产线智能视觉监控方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977999A (zh) * 2023-08-03 2023-10-31 北京建工环境修复股份有限公司 一种基于机器视觉的岩芯智能识别方法、系统及存储介质
CN116977999B (zh) * 2023-08-03 2024-03-08 北京建工环境修复股份有限公司 一种基于机器视觉的岩芯智能识别方法、系统及存储介质
CN117975374A (zh) * 2024-03-29 2024-05-03 山东天意机械股份有限公司 一种双皮墙自动化生产线智能视觉监控方法

Similar Documents

Publication Publication Date Title
CN116310784A (zh) 一种基于图像拉平处理的岩芯图片裂缝识别方法
US8909508B2 (en) Petrographic image analysis for determining capillary pressure in porous media
CA2279400C (fr) Methode de detection automatique des heterogeneites planaires recoupant la stratification d'un milieu
EP0842443B1 (fr) Methode de determination automatique des bancs de stratification dans un milieu
CN106405651B (zh) 一种基于测井匹配的全波形反演初始速度模型构建方法
CN105865424B (zh) 一种基于非线性模型的多光谱遥感水深反演方法及装置
CN110208859A (zh) 基于超声成像的油基泥浆井裂缝定量参数智能计算方法
CN113703045B (zh) 一种基于轻量级网络的地震相识别方法
CN108109157B (zh) 一种基于数字式全景钻孔图像的岩体评估分析方法
CN106443802A (zh) 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统
CA2245128C (fr) Methode statistique de classement d'evenements lies aux proprietes physiques d'un milieu complexe tel que le sous-sol
CN115456916A (zh) 一种基于图像质量的表面流速计算方法
US20230154208A1 (en) Method of Detecting at Least One Geological Constituent of a Rock Sample
CA2731474C (fr) Procede pour caracteriser un panache de co2 dans un aquifere de stockage geologique
CN108828687B (zh) 一种基于电成像面孔率的渗透率计算方法
CN106600535B (zh) 全井眼测井图像生成方法
Hansen et al. Making interpretable images from image logs
CN115619721A (zh) 海底浅层沉积物中的生物扰动作用的定量估算方法
CN108915676A (zh) 一种致密储层孔隙可动流体侵入剖面成像方法
Zou et al. Applications of high‐resolution borehole image rapid synthesis method for the refined detection of in‐suit rock mass structural features during deep‐buried geotechnical engineering
JP7554520B2 (ja) 定方位化処理装置、定方位化支援方法及びプログラム
Zhou et al. Identification and parameter characterization of pores and fractures in shales based on multi-scale digital core data.
CN111045083A (zh) 一种储层含气性检测方法
US20240352818A1 (en) Orienting processing device, orienting assistance method, and program
CN113269712B (zh) 一种基于铸体薄片构建储层岩石毛管压力曲线的方法

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