CN117036635B - 一种基于图像纹理分类的页岩多尺度数字岩心构建方法 - Google Patents
一种基于图像纹理分类的页岩多尺度数字岩心构建方法 Download PDFInfo
- Publication number
- CN117036635B CN117036635B CN202311301400.1A CN202311301400A CN117036635B CN 117036635 B CN117036635 B CN 117036635B CN 202311301400 A CN202311301400 A CN 202311301400A CN 117036635 B CN117036635 B CN 117036635B
- Authority
- CN
- China
- Prior art keywords
- image
- shale
- gray
- texture
- scale
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 51
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 239000011148 porous material Substances 0.000 claims abstract description 32
- 238000007621 cluster analysis Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 27
- 238000002591 computed tomography Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000035699 permeability Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 5
- 239000005416 organic matter Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种基于图像纹理分类的页岩多尺度数字岩心构建方法,涉及数字岩心构建技术领域,具体包括如下步骤:针对页岩样品开展多级多尺度多分辨率扫描,获取页岩岩心在不同尺度下图像,包括获取:页岩三维图像和二维扫描电子图像。根据SEM‑Maps图像的子图像的纹理特征,利用特征参数聚类分析,将纹理特征分类。根据每类纹理特征构建数字岩心,并计算岩石物性参数。根据灰度建立微米CT图像与SEM‑Maps图像的联系,用数字岩心物性参数表征混合相,获得多尺度数字岩心。本发明的技术方案克服现有技术中不能精确表征多尺度孔隙结构特征、模拟岩石物理属性的问题。
Description
技术领域
本发明涉及数字岩心构建技术领域,具体涉及一种基于图像纹理分类的页岩多尺度数字岩心构建方法。
背景技术
近年来,由于常规油气资源可采储量的减少以及能源需求的增长,对页岩储层的勘探开发力度不断增大。页岩孔隙结构复杂,孔隙尺寸分布广泛,给页岩油气的勘探开发带来很大的挑战,因此需要对页岩的孔隙结构和物理性质有更精细的表征。
随着成像和计算机技术的发展,使用数字岩心技术反映页岩的微观孔隙结构,模拟岩石物理属性已成为必然趋势。目前数字岩心构建主要有两类方法:第一种是基于CT扫描的物理实验方法构建数字岩心,该方法能很好地表征孔隙喉道特征,但是无法识别小于仪器分辨率的小孔隙及喉道。第二种方法是以二维图像为基础用数值重建方法构建数字岩心。该方法优点是以扫描电镜为基础,其分辨率比CT扫描高,可表征复杂储层结构及几何形态,缺点是所建模型太小,难以确定选取的训练图像是否具有代表性。
通过上述分析,现有技术存在的以下问题及缺陷:
现有技术无法在三维空间上同时满足扫描视域大和成像分辨率高的要求,即仅使用物理实验建模方法难以构建同时包含微纳米孔隙的数字岩心模型。没有将物理实验法和数值重建方法的优势相结合,进而构建连续统一的多尺度数字岩心。
因此,现需要一种能够精确表征多尺度孔隙结构特征,模拟岩石物理属性的基于图像纹理分类的页岩多尺度数字岩心构建方法。
发明内容
本发明的主要目的在于提供一种基于图像纹理分类的页岩多尺度数字岩心构建方法,以解决现有技术中不能精确表征多尺度孔隙结构特征、模拟岩石物理属性的问题。
为实现上述目的,本发明提供了一种基于图像纹理分类的页岩多尺度数字岩心构建方法,具体包括如下步骤:
S1,针对页岩样品开展多级多尺度多分辨率扫描,获取页岩岩心在不同尺度下图像,包括获取:页岩三维图像和二维扫描电子图像。
S2,根据SEM-Maps图像的子图像的纹理特征,利用特征参数聚类分析,将纹理特征分类。
S3,根据每类纹理特征构建数字岩心,并计算岩石物性参数。
S4,根据灰度建立微米CT图像与SEM-Maps图像的联系,用数字岩心物性参数表征混合相,获得多尺度数字岩心。
进一步地,步骤S1具体包括如下步骤:
S1.1,采用微米CT对岩样进行扫描,获取三维岩心扫描图像;在微米CT扫描图像中截取表征单元体,并对图像进行降噪处理,对三维岩心扫描图像进行三相分割,分别为孔隙相、基质相和混合相。
S1.2,采用扫描电子显微镜SEM-Maps,根据微米CT扫描图像,选定感兴趣区域进行扫描,获得一张页岩二维扫描电子图像。
进一步地,步骤S2具体包括如下步骤:
S2.1,将SEM-Maps图像灰度归一化处理至0~255,裁剪为若干个大小相同的子图像,每个子图像代表一种纹理类型。
S2.2,计算每个子图像的灰度共生矩阵提取其纹理特征,将每个子图像特征参数组成矩阵,获得了若干个子图像的特征参数矩阵。
S2.3,使用k-means算法对这些数据进行聚类分析,确定最佳聚类数N,将所有子图像划分为N个类型,观察不同类别内图像的纹理特征,定义孔隙结构类型,计算每类纹理特征的灰度均值。
进一步地,步骤S3具体包括如下步骤:
S3.1,随机选取每类纹理特征内若干张的子图像进行二值化处理,用马尔科夫链蒙特卡洛法重构数字岩心。
S3.2,在各类型数字岩心各向同性的假设下,在单一流动方向下进行模拟。计算每个类型内孔隙度渗透率的平均值,作为该类纹理特征的岩石物性参数。
进一步地,步骤S4具体为:
统计混合相的灰度分布,基于SEM-Maps图像每类纹理特征计算的灰度均值,并将其作为聚类中心,利用k-means算法对混合相灰度进行聚类分析,利用代表数字岩心的孔隙度和渗透率表征混合相的孔渗分布,获得多尺度数字岩心。
进一步地,步骤S1.1中,对三维岩心扫描图像进行三相分割的方法是采用多阈值算法对微米CT扫描图像进行图像分割,经过公式(1)计算得出两个阈值,将图像低阈值部分分割为孔隙相,将高阈值部分分割为基相,将中间阈值部分分割为混合相。
(1);
其中,,和分别为三类像素占总像素数的比例,,和分别为
三类像素的平均灰度值,为总的平均灰度值。
进一步地,在步骤S2.2中,基于灰度共生矩阵计算的特征参数选用具有代表性且常用的四个统计量,分别是:
角二阶矩:;
对比度: ;
熵:;
反差分矩阵:;
其中,灰度矩阵被定义为从灰度为的原图像的点到原图像灰度为的点的概
率,用表示。
为了减少角度的影响,取四个角度(0°,45°,90°,135°),然后取平均值组成特征参数矩阵作为每个子图像的分类依据。
进一步地,在步骤S2.3中,利用肘部法则和轮廓系数确定k-means聚类分析的聚类数量并评估聚类效果。
进一步地,在步骤S3中,构建的数字岩心的物理尺寸与微米CT图像中一个像素点的物理尺寸相同。
本发明具有如下有益效果:
本发明通过将页岩高分辨率扫描电镜图像中纹理特征进行图像分类,对低分辨率微米CT扫描图像进行分割,通过灰度分布建立高低分辨率图像之间的联系,将高分辨率图像信息升级尺度到低分辨率图像,构建连续统一的多尺度数字岩心,精确表征多尺度孔隙结构特征,模拟岩石物理属性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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。在附图中:
图1示出了本发明的一种基于图像纹理分类的页岩多尺度数字岩心构建方法的流程图。
图2示出了实施例一中利用本发明提供的方法进行页岩样品SEM-Maps扫描图像。
图3示出了实施例一中利用本发明提供的方法进行纹理特征分类后的粒间孔隙图。
图4示出了实施例一中利用本发明提供的方法进行纹理特征分类后的矿物间孔隙图。
图5示出了实施例一中利用本发明提供的方法进行纹理特征分类后的基质图。
图6示出了实施例一中利用本发明提供的方法进行纹理特征分类后的有机质及有机质孔隙图。
图7示出了实施例一中利用本发明提供的方法进行纹理特征分类后的溶蚀孔隙图。
具体实施方式
下面将结合附图对本发明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。
如图1所示一种基于图像纹理分类的页岩多尺度数字岩心构建方法,具体包括如下步骤:
S1,针对页岩样品开展多级多尺度多分辨率扫描,获取页岩岩心在不同尺度下图像,包括获取:页岩低分辨率三维图像和高分辨率、大视域的二维扫描电子图像。
S2,根据SEM-Maps图像的子图像的纹理特征,利用特征参数聚类分析,将纹理特征分类。
S3,根据每类纹理特征构建数字岩心,并计算岩石物性参数。
S4,根据灰度建立微米CT图像与SEM-Maps图像的联系,用高分辨率数字岩心物性参数表征混合相,获得多尺度数字岩心。
针对页岩样品开展多级多尺度多分辨率扫描,获取页岩岩心在不同尺度下图像。采用微米CT对岩样进行扫描,获取三维岩心扫描图像;对三维岩心扫描图像进行三相分割,划分为孔隙相、基质相和混合相。混合相为:既包含孔隙(所含孔隙在该分辨率下不能识别,在更高分辨率下的图像中可以识别)又包含基质的岩石区域。采用大视域扫描电子显微镜(SEM-Maps)实验,根据微米CT扫描图像,选定感兴趣区域进行扫描,获得一张页岩高分辨率、大视域的二维扫描电子图像。
具体地,步骤S1具体包括如下步骤:
S1.1,采用微米CT对岩样进行扫描,获取三维岩心扫描图像;在微米CT扫描图像中截取表征单元体,并对图像进行降噪处理,对三维岩心扫描图像进行三相分割,分别为孔隙相、基质相和混合相。
S1.2,采用扫描电子显微镜SEM-Maps,根据微米CT扫描图像,选定感兴趣区域进行扫描,获得一张页岩高分辨率、大视域的二维扫描电子图像。
具体地,步骤S2具体包括如下步骤:
S2.1,将SEM-Maps图像灰度归一化处理至0~255,裁剪为若干个大小相同的子图像,每个子图像代表一种纹理类型。
S2.2,计算每个子图像的灰度共生矩阵提取其纹理特征,将每个子图像特征参数组成矩阵,获得了若干个子图像的特征参数矩阵。
S2.3,使用k-means算法对这些数据进行聚类分析,确定最佳聚类数N,将所有子图像划分为N个类型,观察不同类别内图像的纹理特征,定义孔隙结构类型,计算每类纹理特征的灰度均值。
具体地,步骤S3具体包括如下步骤:
S3.1,随机选取每类纹理特征内若干张的子图像进行二值化处理,用马尔科夫链蒙特卡洛法重构高分辨率数字岩心。
S3.2,在各类型数字岩心各向同性的假设下,在单一流动方向下进行模拟。计算每个类型内孔隙度渗透率的平均值,作为该类纹理特征的岩石物性参数。
具体地,步骤S4具体为:
统计混合相的灰度分布,基于SEM-Maps图像每类纹理特征计算的灰度均值,并将其作为聚类中心,利用k-means算法对混合相灰度进行聚类分析,对混相灰度数据聚类分析,确定每个像素所属纹理类别。利用代表数字岩心的孔隙度和渗透率表征混合相的孔渗分布,最终获得由孔隙相、基质相以及混合相(由高分辨率数字岩心表征)构成的页岩多尺度数字岩心。
具体地,步骤S1.1中,对三维岩心扫描图像进行三相分割的方法是采用Ostu提出的多阈值算法对微米CT扫描图像进行图像分割,经过公式(1)计算得出两个阈值,将图像低阈值部分分割为孔隙相,将高阈值部分分割为基相,将中间阈值部分分割为混合相。
(1);
其中,,和分别为三类像素占总像素数的比例,,和分别为
三类像素的平均灰度值,为总的平均灰度值。
具体地,在步骤S2.2中,基于灰度共生矩阵计算的特征参数选用具有代表性且常用的四个统计量,分别是:
角二阶矩:角二阶矩又称能量,是图像灰度分布均匀程度和纹理粗细的一个度量。当图像纹理均一规则时,能量值较大;反之灰度共生矩阵的元素相近(当图像的像素随机性比较大,共生矩阵的元素就比较接近),能量值较小。
。
对比度:对比度反应了图像的清晰度和纹理的沟纹深浅。纹理越清晰反差越大,对比度也就越大。
。
熵:熵度量了图像包含的随机性,表现了图像的复杂程度。当共生矩阵所有值均相等或像素值表现出最大的随机性时,熵最大。
。
反差分矩阵:反差分矩阵又称逆方差,反映了纹理的清晰程度和规则程度,纹理清晰、规律性较强、易于描述的,值较大。
。
其中,灰度矩阵被定义为从灰度为的原图像的点到原图像灰度为的点的概
率,用表示。
为了减少角度的影响,取四个角度(0°,45°,90°,135°),然后取平均值组成特征参数矩阵作为每个子图像的分类依据。
具体地,在步骤S2.3中,利用肘部法则和轮廓系数确定k-means聚类分析的聚类数量并评估聚类效果。
肘部法则是一种基于聚类内部平方和(SSE)的方法,用于确定最佳的聚类数量。SSE衡量了每个数据点与其所属聚类中心的距离的平方和,用以评估聚类的紧密度。肘部法则的核心思想是,增加聚类数量时,SSE会逐渐减小,但减小速度会逐渐放缓。当聚类数量达到一定程度时,SSE的减小速度会显著减缓,形成一个"肘部"。该"肘部"所对应的聚类数量即为最佳的聚类数量。
轮廓系数是一种衡量聚类结果质量的指标,结合了聚类内部紧密度和聚类间分离度。它反映了数据点与所属聚类的紧密程度以及与其他聚类的差异程度。轮廓系数范围在[-1,1]之间,值接近1表示聚类结果较好,接近0表示一般,接近-1表示较差。通过计算数据点的轮廓系数并取平均值,可以对聚类结果进行量化评估。高轮廓系数通常对应更好的聚类效果。
具体地,在步骤S3中,构建的数字岩心的物理尺寸与微米CT图像中一个像素点的物理尺寸相同。
实施例一。
以一块页岩样品为例,应用本发明提供的基于图像分类的页岩多尺度数字岩心构建方法,构建多尺度数字岩心,具体包括以下步骤:
S1,针对页岩样品开展多级多尺度多分辨率扫描。图2为样品微米CT三维扫描图像,分辨率为12μm,其孔隙度为14.17%,渗透率为0.97mD;在微米CT扫描图像中截取表征单元体,表征单元体大小为450×450×450(像素),降噪处理后,用多阈值算法对微米CT扫描图像进行三相分割,经过计算得到两个阈值147.36,243.47,将灰度区间0~147.36的像素点设置为孔隙相,147.36~243.47设置为混合相,243.47~255设置为基质相。其中,混合相既包括基质也包括低于分辨率的微孔隙。分析微米CT扫描图像并选取感兴趣的区域,通过线切割定位相应的物理位置,将SEM-Maps实验设备用于其扫描成像实验,获取高分辨率、大视域二维页岩样品微观结构图像,分辨率为10nm,图像尺寸为12800×12800(像素)。
S2,将SEM-Maps图像读入程序中,将其灰度归一化处理至0~255之间,设置裁剪窗口大小为256×256(像素),将SEM-Maps图像裁剪为2500个大小为256×256(像素)的子图像。计算每个子图像的灰度共生矩阵,在其基础上根据下面四个公式获取对比度、能量、熵和反差分矩阵这四个二次统计量。
;
;
;
;
为了减少角度的影响,取四个角度(0°,45°,90°,135°),分别计算这四个统计量,然后计算平均值组成特征参数矩阵作为每个子图像的分类依据。
利用k-means算法聚类分析,利用肘部法则和轮廓系数法确定最佳聚类数为5。因
此,将所有子图像划分为5个类别,图3-图7为分类后各类别纹理特征随机展示图像,观察不
同类别内图像的纹理特征,利用公式计算每类纹理特征的灰度均值。为
每个类别内每张子图像的灰度均值,为该类别灰度均值。
其中,图3为粒间孔隙,灰度均值为157.76。图4为矿物间孔隙,灰度均值为164.63。图5为基质,灰度均值为170.28;图6为有机质及有机质孔隙,灰度均值为152.85;图7为溶蚀孔隙,灰度均值为164.97。
S3,随机选取每个类型内20张子图像作为输入条件,利用马尔科夫链蒙特卡洛方法重建代表性纹理特征数字岩心,在各类型数字岩心各向同性的假设下,在单一流动方向下进行模拟。各类型纹理特征孔渗参数如表1所示。
表1:各类型纹理特征孔渗参数
。
S4,统计混合相的灰度分布,基于SEM-Maps图像每类纹理特征计算的灰度均值,并将其作为聚类中心,利用k-means算法对混合相灰度进行聚类分析。因此混合相的也被划分成为五种类型,利用步骤S3中代表数字岩心的孔隙度和渗透率表征混合相的孔渗分布,获得多尺度数字岩心。
基于所构建多尺度数字岩心进行单向流动模拟,计算孔隙度为15.53%,渗透率为2.5mD,与实验数据接近。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,具体包括如下步骤:
S1,针对页岩样品开展多级多尺度多分辨率扫描,获取页岩岩心在不同尺度下图像,包括获取:页岩三维图像和二维扫描电子图像;
S2,根据SEM-Maps图像的子图像的纹理特征,利用特征参数聚类分析,将纹理特征分类;
S3,根据每类纹理特征构建数字岩心,并计算岩石物性参数;
S4,根据灰度建立微米CT图像与SEM-Maps图像的联系,用数字岩心物性参数表征混合相,获得多尺度数字岩心;
步骤S2具体包括如下步骤:
S2.1,将SEM-Maps图像灰度归一化处理至0~255,裁剪为若干个大小相同的子图像,每个子图像代表一种纹理类型;
S2.2,计算每个子图像的灰度共生矩阵提取其纹理特征,将每个子图像特征参数组成矩阵,获得了若干个子图像的特征参数矩阵;
S2.3,使用k-means算法对这些数据进行聚类分析,确定最佳聚类数N,将所有子图像划分为N个类型,观察不同类别内图像的纹理特征,定义孔隙结构类型,计算每类纹理特征的灰度均值;
在步骤S2.2中,基于灰度共生矩阵计算的特征参数选用具有代表性且常用的四个统计量,分别是:
角二阶矩:;
对比度:;
熵:;
反差分矩阵:;
其中,灰度矩阵被定义为从灰度为的原图像的点到原图像灰度为/>的点的概率,用表示;
为了减少角度的影响,取四个角度(0°,45°,90°,135°),然后取平均值组成特征参数矩阵作为每个子图像的分类依据。
2.根据权利要求1所述的一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,步骤S1具体包括如下步骤:
S1.1,采用微米CT对岩样进行扫描,获取三维岩心扫描图像;在微米CT扫描图像中截取表征单元体,并对图像进行降噪处理,对三维岩心扫描图像进行三相分割,分别为孔隙相、基质相和混合相;
S1.2,采用扫描电子显微镜SEM-Maps,根据微米CT扫描图像,选定感兴趣区域进行扫描,获得一张页岩二维扫描电子图像。
3.根据权利要求1所述的一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,步骤S3具体包括如下步骤:
S3.1,随机选取每类纹理特征内若干张的子图像进行二值化处理,用马尔科夫链蒙特卡洛法重构数字岩心;
S3.2,在各类型数字岩心各向同性的假设下,在单一流动方向下进行模拟,计算每个类型内孔隙度渗透率的平均值,作为该类纹理特征的岩石物性参数。
4.根据权利要求1所述的一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,步骤S4具体为:
统计混合相的灰度分布,基于SEM-Maps图像每类纹理特征计算的灰度均值,并将其作为聚类中心,利用k-means算法对混合相灰度进行聚类分析,利用代表数字岩心的孔隙度和渗透率表征混合相的孔渗分布,获得多尺度数字岩心。
5.根据权利要求2所述的一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,步骤S1.1中,对三维岩心扫描图像进行三相分割的方法是采用多阈值算法对微米CT扫描图像进行图像分割,经过公式(1)计算得出两个阈值,将图像低阈值部分分割为孔隙相,将高阈值部分分割为基相,将中间阈值部分分割为混合相;
(1);
其中,,/>和/>分别为三类像素占总像素数的比例,/>,/>和/>分别为三类像素的平均灰度值,/>为总的平均灰度值。
6.根据权利要求1所述的一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,在步骤S2.3中,利用肘部法则和轮廓系数确定k-means聚类分析的聚类数量并评估聚类效果。
7.根据权利要求1所述的一种基于图像纹理分类的页岩多尺度数字岩心构建方法,其特征在于,在步骤S3中,构建的数字岩心的物理尺寸与微米CT图像中一个像素点的物理尺寸相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301400.1A CN117036635B (zh) | 2023-10-10 | 2023-10-10 | 一种基于图像纹理分类的页岩多尺度数字岩心构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301400.1A CN117036635B (zh) | 2023-10-10 | 2023-10-10 | 一种基于图像纹理分类的页岩多尺度数字岩心构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036635A CN117036635A (zh) | 2023-11-10 |
CN117036635B true CN117036635B (zh) | 2024-01-05 |
Family
ID=88628558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311301400.1A Active CN117036635B (zh) | 2023-10-10 | 2023-10-10 | 一种基于图像纹理分类的页岩多尺度数字岩心构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036635B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018218702A1 (zh) * | 2017-06-01 | 2018-12-06 | 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 |
CN109285222A (zh) * | 2018-09-06 | 2019-01-29 | 中国地质大学(北京) | 有机页岩高分辨率数字岩心构建与分析方法 |
CN113609696A (zh) * | 2021-08-16 | 2021-11-05 | 中国地质大学(北京) | 基于图像融合的多尺度多组分数字岩心构建方法及系统 |
CN114529771A (zh) * | 2022-02-23 | 2022-05-24 | 中国石油大学(华东) | 基于机器学习的页岩大视域图像分类方法 |
-
2023
- 2023-10-10 CN CN202311301400.1A patent/CN117036635B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018218702A1 (zh) * | 2017-06-01 | 2018-12-06 | 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 |
CN109285222A (zh) * | 2018-09-06 | 2019-01-29 | 中国地质大学(北京) | 有机页岩高分辨率数字岩心构建与分析方法 |
CN113609696A (zh) * | 2021-08-16 | 2021-11-05 | 中国地质大学(北京) | 基于图像融合的多尺度多组分数字岩心构建方法及系统 |
CN114529771A (zh) * | 2022-02-23 | 2022-05-24 | 中国石油大学(华东) | 基于机器学习的页岩大视域图像分类方法 |
Non-Patent Citations (1)
Title |
---|
基于多分辨率图像融合的多尺度多组分数字岩心构建;崔利凯;孙建孟;闫伟超;高银山;王洪君;宋丽媛;;吉林大学学报(地球科学版)(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036635A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116605B (zh) | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN110188792B (zh) | 前列腺mri三维图像的图像特征获取方法 | |
CN109285222A (zh) | 有机页岩高分辨率数字岩心构建与分析方法 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN109191471A (zh) | 基于改进U-Net网络的胰腺细胞图像分割方法 | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
CN105806765A (zh) | 一种显微ct扫描土体空间孔隙结构的精细化表征方法 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
CN108446616B (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN103698803A (zh) | 一种岩石孔隙结构表征方法及装置 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN108230325A (zh) | 基于卡通纹理分解的复合降质图像质量评价方法及系统 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN115797551B (zh) | 基于两步无监督聚类算法的激光点云数据自动建模方法 | |
CN115235977A (zh) | 基于分形特征计算页岩多尺度孔径分布的方法及系统 | |
CN112069704A (zh) | 真实混凝土试件的多自由度格构模型的构建方法 | |
CN113223004A (zh) | 一种基于深度学习的肝脏图像分割方法 | |
Bayırlı et al. | Determining different plant leaves' fractal dimensions: a new approach to taxonomical study of plants | |
CN112435288B (zh) | 一种基于图像的孔隙特征计算方法 | |
CN117036635B (zh) | 一种基于图像纹理分类的页岩多尺度数字岩心构建方法 | |
CN112381845B (zh) | 岩心图像生成方法、模型训练方法及装置 | |
CN108764112A (zh) | 一种遥感图像目标物检测方法及设备 | |
CN102968793B (zh) | 基于dct域统计特性的自然图像与计算机生成图像的鉴别方法 | |
CN116403211B (zh) | 一种基于单细胞病理图像细胞核的分割和聚类方法及系统 |
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 |