CN117689900A - 基于机器学习和小波变换的纹层特征提取与识别方法 - Google Patents
基于机器学习和小波变换的纹层特征提取与识别方法 Download PDFInfo
- Publication number
- CN117689900A CN117689900A CN202410153826.5A CN202410153826A CN117689900A CN 117689900 A CN117689900 A CN 117689900A CN 202410153826 A CN202410153826 A CN 202410153826A CN 117689900 A CN117689900 A CN 117689900A
- Authority
- CN
- China
- Prior art keywords
- gray level
- average gray
- curve
- wavelet transformation
- gray
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 239000011435 rock Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 230000003014 reinforcing effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 52
- 238000000605 extraction Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Abstract
本发明提供了一种基于机器学习和小波变换的纹层特征提取与识别方法，涉及油气储层技术领域。本发明先获取岩心灰度图像，利用二维卷积模型提取并强化纹层特征，在得到岩心图片的四分位处提取灰度曲线，利用灰度曲线的平均灰度值构建平均灰度曲线后，对平均灰度曲线进行小波变换去除噪声信号，得到小波变换处理后的平均灰度曲线，计算小波变换前后平均灰度曲线之间的灰度差值得到灰度差值曲线，再以小波变换前后的平均灰度值和灰度差值作为特征值进行聚类分析，通过首轮识别深色纹层、次轮识别亮色纹层和暗色纹层，得到纹层类型识别结果。本发明实现了对岩心图像中页岩纹层的自动识别，提高了纹层特征识别的精度和效率，有利于页岩储层的勘探开发。
Description
技术领域
本发明涉及油气储层技术领域，具体涉及一种基于机器学习和小波变换的纹层特征提取与识别方法。
背景技术
页岩作为一种富含有机质的沉积岩石，对于油气资源的勘探和开发具有重要意义，其沉积纹层在一定程度上反映了细粒沉积岩沉积时期的气候变化等诸多因素，纹层的发育程度显著影响其物理性质，使之非均质性增强。准确识别页岩纹层是探究纹层的发育特征、明确纹层所控制储层物性的关系、确定优质岩相组合类型的基础。
目前，纹层识别工作最直观的手段是人工识别，通过观察岩心、岩石薄片识别页岩纹层，由于页岩纹层具有相变快、纹层形态多样的特点，采用人工识别的方式进行纹层识别困难、耗时较长，且识别过程依赖于高精度图片，具有主观性且难以适用于大样本数据；另一种页岩纹层识别方式是根据成像测井切片和测井响应特征，建立纹层识别图版，该方法相较于人工识别，具有精度高的又是，但识别图版的拓展性差，难以应用于其他取心井；除此外，随着机器学习的流行与发展，使得图像处理技术逐渐应用于纹层识别中，利用机器学习进行图像处理的核心思想是基于纹层与其他矿物成分之间的差异程度进行识别，但常规机器学习图像处理方法难以适用于非均质性强、纹层厚薄不一的纹层类型，识别准确度较低，难以定量计算纹层发育频数及纹层纵向厚度分布。因此，亟需提出一种基于机器学习和小波变换的纹层特征提取与识别方法，准确识别纹层特征，提高识别效率与精度，满足实际页岩图像处理的需求。
发明内容
本发明旨在准确识别页岩图像中的纹层特征，提出了一种基于机器学习和小波变换的纹层特征提取与识别方法，基于真实的岩心图像实现了对页岩纹层的自动识别，提高了纹层特征的识别精度与识别效率，为页岩储层的勘探开发奠定了基础。
为了实现上述目的，本发明采用如下技术方案：
基于机器学习和小波变换的纹层特征提取与识别方法，包括以下步骤：
步骤1，对岩心图像预处理得到岩心灰度图像，利用二维卷积模型提取岩心灰度图像中的纹层特征并强化各类纹层信息，得到突出纹层纹理和结构的岩心图片；
步骤2，在岩石图片的四分位处提取灰度曲线，并计算灰度曲线上各数据点的平均灰度值，利用灰度曲线中各行数据点的平均灰度值绘制平均灰度曲线；
步骤3，自定义设置小波基函数和分解级次，利用小波基函数对平均灰度曲线进行小波变换，确定与深度相匹配的去噪信号，得到小波变换后的平均灰度曲线；
步骤4，根据步骤2中的平均灰度曲线和步骤3中小波变换后的平均灰度曲线，计算小波变换前后平均灰度曲线之间的灰度差值得到灰度差值曲线，绘制差值频率分布直方图，确定灰度差值波动频率；
步骤5，对步骤2中的平均灰度曲线、步骤3中小波变换后的平均灰度曲线、步骤4中的灰度差值曲线进行归一化处理，并将小波变换前后的平均灰度值和灰度差值作为特征值进行聚类分析，得到差值频率直方图；
步骤6，对比步骤1中的岩心图片与步骤5中的聚类结果，判断聚类结果中各簇所对应的纹层类型，经过首轮识别和次轮识别得到纹层识别结果；
步骤7，合并纹层识别结果中相邻深度且类型相同的纹层，绘制各类纹层的图件。
优选地，所述步骤1中，包括以下步骤：
步骤1.1，获取岩心图像，将岩心图像解码后导入至Python数据库中储存；
步骤1.2，利用经验转换公式将Python数据库中的岩心图像由RGB图像转换为灰度图像，得到岩心灰度图像；
步骤1.3，基于卷积神经网络构建二维卷积模型，二维卷积网络模型包括三层网络结构，分别设置各层网络结构内滤波器的数量、二维卷积窗口的高度和宽度、滑动步长、填充参数和激活函数后，利用二维卷积模型提取岩心灰度图像的纹层特征并强化岩心灰度图像中各类纹层的信息，得到突出纹层纹理和结构的岩石图片。
优选地，所述经验转换公式为：
（1）
式中，为岩心灰度图像的灰度值；为岩心灰度图像中的红色分量；为岩心
灰度图像中的绿色分量；为岩心灰度图像中的蓝色分量。
优选地，所述步骤2中，包括以下步骤：
步骤2.1，利用Python数据库计算岩石图片各行四分位处的灰度值并转换为整数类型，得到四分位数，将岩石图片的深度和四分位数存储于Python数据库中，生成三条灰度曲线；
步骤2.2，利用平均值函数计算三条灰度曲线中各行数据点的平均灰度值并储存于Python数据库中，以平均灰度值作为横坐标、深度作为纵坐标绘制平均灰度曲线，利用平均灰度曲线获取灰度值随深度的变化趋势。
优选地，所述步骤3中，利用三条灰度曲线中各行数据点的平均灰度值构建多维数组后，自定义设置用于小波变换的小波基函数以及分解层次，计算软阈值处理的阈值，对小波基函数中的小波系数进行软阈值处理并和反变换后，利用小波基函数对平均灰度曲线进行小波变换得到去噪后的信号，调整去噪后的信号长度并与深度相匹配，得到小波变换后的平均灰度曲线。
优选地，所述步骤4中，对步骤2中的平均灰度曲线和步骤3中小波变换后的平均灰度曲线进行归一化处理后，分析小波变换前后平均灰度曲线之间的差异，计算小波变换前后平均灰度曲线之间的灰度差值，得到灰度差值曲线，绘制差值频率分布直方图，得到平均灰度曲线的灰度差值波动频率，并将灰度差值、小波变换前后平均灰度曲线的平均灰度值、深度存储于Python数据库中。
优选地，所述步骤5中，包括以下步骤：
步骤5.1，对步骤2中的平均灰度曲线、步骤3中的小波变换后平均灰度曲线和步骤4中的灰度差值曲线进行归一化处理，得到小波变换前的平均灰度值、小波变换后的平均灰度值和灰度差值，对小波变换前后的平均灰度值和灰度差值进行标准化后作为聚类分析的特征值；
步骤5.2，调用Python数据库中的回归算法数据库和聚类算法数据库，设置K-Means算法的聚类簇数，利用K-Means算法对标准化后的特征值进行聚类分析，计算相邻深度差值表示纹层厚度，并将聚类分析得到聚类结果、深度差值和特征值保存至Python数据库中；
步骤5.3，对小波变换前后的平均灰度曲线进行充填展示聚类结果，并根据聚类结果绘制差值频率直方图。
优选地，所述步骤6，包括以下步骤：
步骤6.1，将步骤1中所得到的岩心图片与步骤5中的聚类结果进行对比，判断聚类结果中各簇所对应的纹层类型进行首轮识别，若聚类结果中某簇仅对应一类纹层，则结束识别，判断纹层类型为深色纹层，进入步骤6.3中；若某簇对应多类纹层，则进入次轮识别，并根据对应多类纹层的簇的平均灰度曲线计算差分序列，进入步骤6.2中；
步骤6.2，针对进入次轮识别的聚类结果，遍历各簇的平均灰度值并计算相邻深度差值的差分序列，根据差分序列的正负情况进行次轮识别，得到次轮识别结果；
若差分序列为正数，则纹层类别判定为暗色纹层，若差分序列为负数，则纹层类别判定为亮色纹层；
步骤6.3，综合首轮识别结果和次轮识别结果得到纹层识别结果，将纹层识别结果储存至Python数据库中。
优选地，所述步骤7中，从Python数据库中调取纹层识别结果，合并纹层识别结果中相邻深度且纹层类型相同的深度差值得到纹层厚度，采用不同的颜色表示各类纹层，按照深度由浅到深的顺序绘制纹层厚度条形图，并针对各类纹层绘制纹层纵向分布图、纹层厚度纵向分布条形图和纹层厚度频率分布直方图。
本发明所带来的有益技术效果：
本发明提出了一种基于机器学习和小波变换的纹层特征提取与识别方法，利用二维卷积模型提取岩心灰度图像中的纹层特征，捕捉岩心灰度图像中各类纹层的纹理和结构信息，强化了岩心图像中暗色纹层、亮色纹层、深色纹层的信息，有利于后续纹层类型的识别。
本发明方法通过对平均灰度曲线进行小波变换处理，综合考虑了不同尺度上的纹理特征，配合采用聚类分析结果，结合机器学习和小波变换的提取纹层特征，实现了对聚类分析结果中各类簇所对应纹层类型的准确判断，提高了纹层类型识别的准确性。
本发明方法通过将机器学习与小波变换相结合，在岩心纹层特征提取和识别应用过程中具有高效性、全面性和可解释性，有利于地质学领域的研究和实践。
附图说明
图1为本发明一种基于机器学习和小波变换的纹层特征提取与识别方法的流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
本发明提出了一种基于机器学习和小波变换的纹层特征提取与识别方法，如图1所示，将本发明方法应用于井F中进行纹层特征提取与识别，具体包括以下步骤：
步骤1，对井F的岩心图像预处理得到岩心灰度图像，利用二维卷积模型提取岩心灰度图像中的纹层特征并强化各类纹层信息，得到突出纹层纹理和结构的岩心图片，包括以下子步骤：
步骤1.1，获取井F的岩心图像，将井F的岩心图像解码后导入至Python数据库中储存。
步骤1.2，利用经验转换公式将井F的岩心图像由RGB图像转换为灰度图像，得到岩心灰度图像。
本实施例中，所述经验转换公式为：
（1）
式中，为岩心灰度图像的灰度值；为岩心灰度图像中的红色分量；为岩心
灰度图像中的绿色分量；为岩心灰度图像中的蓝色分量。灰度值由红色分量、绿色分量和
蓝色分量进行加权平均所得，其中红色分量、绿色分量和蓝色分量的权重分别为0.299、
0.587、0.114，用于反映人眼对不同颜色的感知程度。
步骤1.3，基于卷积神经网络构建二维卷积模型，二维卷积网络模型包括三层网络结构，分别设置各层网络结构内滤波器的数量、二维卷积窗口的高度和宽度、滑动步长、填充参数和激活函数后，利用二维卷积模型提取岩心灰度图像的纹层特征并强化岩心灰度图像中各类纹层的信息，得到突出纹层纹理和结构的岩石图片。
本实施例中，二维卷积网络模型包括三层网络结构，分别为第一卷积层、第二卷积层和第三卷积层。
所述第一卷积层中滤波器数量设置为1，二维卷积窗口的高度设置为3，二维卷积窗口的宽度设置为3，横向滑动步长设置为2，纵向滑动步长设置为2，填充参数为有填充，初始化固定值设置为0.02。
所述第二卷积层中滤波器数量设置为1，二维卷积窗口的高度设置为3，二维卷积窗口的宽度设置为3，横向滑动步长设置为1，纵向滑动步长设置为1，填充参数为有填充，初始化固定值设置为0.02，激活函数设置为Relu函数。
所述第三卷积层中滤波器数量设置为1，二维卷积窗口的高度设置为3，二维卷积窗口的宽度设置为3，横向滑动步长设置为1，纵向滑动步长设置为1，填充参数为有填充，初始化固定值设置为0.02，激活函数设置为Relu函数。
步骤2，在岩石图片的四分位处提取三条灰度曲线，并计算三条灰度曲线上各数据点的平均灰度值，利用三条灰度曲线中各行数据点的平均灰度值绘制平均灰度曲线，包括以下子步骤：
步骤2.1，利用Python数据库计算岩石图片各行四分位处的灰度值并转换为整数类型，得到四分位数，将岩石图片的深度和四分位数存储于Python数据库中，生成三条灰度曲线，分别为灰度曲线Q1、灰度曲线Q2和灰度曲线Q3。
所述四分位处对应为岩心图片在水平中心线上位于四分之一、二分之一和四份之三处的灰度值。
步骤2.2，利用平均值函数计算灰度曲线Q1、灰度曲线Q2和灰度曲线Q3中各行数据点的平均灰度值并储存于Python数据库中，以平均灰度值作为横坐标、深度作为纵坐标绘制平均灰度曲线L1，利用平均灰度曲线L1获取灰度值随深度的变化趋势。
步骤3，利用灰度曲线Q1、灰度曲线Q2和灰度曲线Q3中各行数据点的平均灰度值构建多维数组后，自定义设置用于小波变换的小波基函数以及分解层次，计算软阈值处理的阈值，对小波基函数中的小波系数进行软阈值处理并和反变换后，利用小波基函数对平均灰度曲线进行小波变换得到去噪后的信号，调整去噪后的信号长度并与深度相匹配，得到小波变换后的平均灰度曲线L2。
本实施例中，小波基函数采用层数为3层的DB3小波基函数，通过DB3小波基函数进行去噪处理，通过对DB3小波基函数中的小波系数进行软阈值处理，减小DB3小波变换后信号中的噪声。
步骤4，根据步骤2中的平均灰度曲线L1和步骤3中小波变换后的平均灰度曲线L2，分析小波变换前后平均灰度曲线之间的差异，计算平均灰度曲线L1与平均灰度曲线L2之间的灰度差值得到灰度差值曲线，并对平均灰度曲线L1与平均灰度曲线L2进行色彩填充。
利用不同颜色填充区域突出平均灰度曲线L1与平均灰度曲线L2之间的灰度差异，若某一深度处平均灰度曲线L1的平均灰度值大于平均灰度曲线L2的平均灰度值时，填充颜色为橙色，若某一深度处平均灰度曲线L1的平均灰度值不超过平均灰度曲线L2的平均灰度值时，填充颜色为蓝色。
同时，绘制差值频率分布直方图，得到平均灰度曲线的灰度差值波动频率，并将灰度差值、小波变换前后平均灰度曲线的平均灰度值、深度存储于Python数据库中。
步骤5，对步骤2中的平均灰度曲线、步骤3中小波变换后的平均灰度曲线、步骤4中的灰度差值曲线进行归一化处理，并将小波变换前后的平均灰度值和灰度差值作为特征值进行聚类分析，得到差值频率直方图，包括以下子步骤：
步骤5.1，对步骤2中的平均灰度曲线L1、步骤3中的平均灰度曲线L2和步骤4中的灰度差值曲线进行归一化处理，得到小波变换前的平均灰度值、小波变换后的平均灰度值和灰度差值，对平均灰度曲线L1上的平均灰度值、平均灰度曲线L2上的平均灰度值和灰度差值进行标准化并作为聚类分析的特征值，通过标准化保证各类数据的尺度相同。
步骤5.2，调用Python数据库中的回归算法数据库和聚类算法数据库，将K-Means算法的聚类簇数设置为2，即聚类簇数包括第一类簇Cluster0和第二类簇Cluster1，利用K-Means算法对标准化后的特征值进行聚类分析，计算相邻深度差值用于表示纹层厚度，并将聚类分析得到聚类结果、深度差值和特征值保存至Python数据库中。
本实施例中，相邻深度差值计算公式为：
（2）
式中，为纹层厚度，为数据点的序号，为第个数据点所
对应的深度值，为第个数据点所对应的深度值。
步骤5.3，对步骤2中的平均灰度曲线L1和步骤3中经小波变换后的平均灰度曲线L2进行颜色充填，根据聚类结果将不同的纹层类型所对应的区域填充为不同的颜色，其中，第一类簇Cluster0所对应的区域填充为黄色，第二类簇Cluster1所对应的区域填充为红色，用于可视化聚类结果，并根据聚类结果绘制差值频率直方图。
步骤6，将步骤1中所得到的岩心图片与步骤5中的聚类结果进行对比，判断聚类结果中各簇所对应的纹层类型，进行纹层类型识别，包括以下子步骤：
步骤6.1，将步骤1中所得到的岩心图片与步骤5中的聚类结果进行对比，判断聚类结果中各簇所对应的纹层类型进行首轮识别，若聚类结果中某簇仅对应一类纹层，则结束识别，识别结果为深度段包含两类纹层；若某簇对应多类纹层，则进入次轮识别，并根据对应多类纹层的簇的平均灰度曲线计算差分序列，进入步骤6.2中。
本实施例中，判定充填为红色的第二类簇Cluster1为深色纹层，填充为黄色的第一类簇Cluster0对应多类纹层，对第一类簇Cluster0进行次轮识别。
步骤6.2，对第一类簇Cluster0中的平均灰度值进行标准化处理后，遍历各平均灰度值，计算相邻深度差值所对应的差分序列，如公式（3）所示：
（3）
式中，为差分序列，，为第个数据点所对应的
平均灰度值，为第个数据点所对应的平均灰度值。
根据差分序列的正负情况进行次轮识别，若差分序列，则差分序列，纹层类别判定为暗色纹层，若差分序列，则差分序列，纹层
类别判定为亮色纹层。
步骤6.3，利用差分序列的取值进行次轮识别后，将平均灰度曲线L1上的平均灰度值、平均灰度曲线L2上的平均灰度值、灰度差值、差分序列、首轮识别结果和次轮识别结果均储存至Python数据库中。
步骤7，从Python数据库中调取纹层识别结果，对相邻深度且类型相同的纹层进行合并，采用不同的颜色表示各类纹层，按照深度由浅到深的顺序绘制纹层厚度条形图，并针对各类纹层绘制纹层纵向分布图、纹层厚度纵向分布条形图和纹层厚度频率分布直方图，通过绘制各类纹层的图件对纹层识别结果进行可视化。
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 (9)
1.基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，包括以下步骤：
步骤1，对岩心图像预处理得到岩心灰度图像，利用二维卷积模型提取岩心灰度图像中的纹层特征并强化各类纹层信息，得到突出纹层纹理和结构的岩心图片；
步骤2，在岩石图片的四分位处提取灰度曲线，并计算灰度曲线上各数据点的平均灰度值，利用灰度曲线中各行数据点的平均灰度值绘制平均灰度曲线；
步骤3，自定义设置小波基函数和分解级次，利用小波基函数对平均灰度曲线进行小波变换，确定与深度相匹配的去噪信号，得到小波变换后的平均灰度曲线；
步骤4，根据步骤2中的平均灰度曲线和步骤3中小波变换后的平均灰度曲线，计算小波变换前后平均灰度曲线之间的灰度差值得到灰度差值曲线，绘制差值频率分布直方图，确定灰度差值波动频率；
步骤5，对步骤2中的平均灰度曲线、步骤3中小波变换后的平均灰度曲线、步骤4中的灰度差值曲线进行归一化处理，并将小波变换前后的平均灰度值和灰度差值作为特征值进行聚类分析，得到差值频率直方图；
步骤6，对比步骤1中的岩心图片与步骤5中的聚类结果，判断聚类结果中各簇所对应的纹层类型，经过首轮识别和次轮识别得到纹层识别结果；
步骤7，合并纹层识别结果中相邻深度且类型相同的纹层，绘制各类纹层的图件。
2.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤1中，包括以下步骤：
步骤1.1，获取岩心图像，将岩心图像解码后导入至Python数据库中储存；
步骤1.2，利用经验转换公式将Python数据库中的岩心图像由RGB图像转换为灰度图像，得到岩心灰度图像；
步骤1.3，基于卷积神经网络构建二维卷积模型，二维卷积网络模型包括三层网络结构，分别设置各层网络结构内滤波器的数量、二维卷积窗口的高度和宽度、滑动步长、填充参数和激活函数后，利用二维卷积模型提取岩心灰度图像的纹层特征并强化岩心灰度图像中各类纹层的信息，得到突出纹层纹理和结构的岩石图片。
3.根据权利要求2所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述经验转换公式为：
（1）
式中，为岩心灰度图像的灰度值；/>为岩心灰度图像中的红色分量；/>为岩心灰度图像中的绿色分量；/>为岩心灰度图像中的蓝色分量。
4.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤2中，包括以下步骤：
步骤2.1，利用Python数据库计算岩石图片各行四分位处的灰度值并转换为整数类型，得到四分位数，将岩石图片的深度和四分位数存储于Python数据库中，生成三条灰度曲线；
步骤2.2，利用平均值函数计算三条灰度曲线中各行数据点的平均灰度值并储存于Python数据库中，以平均灰度值作为横坐标、深度作为纵坐标绘制平均灰度曲线，利用平均灰度曲线获取灰度值随深度的变化趋势。
5.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤3中，利用三条灰度曲线中各行数据点的平均灰度值构建多维数组后，自定义设置用于小波变换的小波基函数以及分解层次，计算软阈值处理的阈值，对小波基函数中的小波系数进行软阈值处理并和反变换后，利用小波基函数对平均灰度曲线进行小波变换得到去噪后的信号，调整去噪后的信号长度并与深度相匹配，得到小波变换后的平均灰度曲线。
6.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤4中，对步骤2中的平均灰度曲线和步骤3中小波变换后的平均灰度曲线进行归一化处理后，分析小波变换前后平均灰度曲线之间的差异，计算小波变换前后平均灰度曲线之间的灰度差值，得到灰度差值曲线，绘制差值频率分布直方图，得到平均灰度曲线的灰度差值波动频率，并将灰度差值、小波变换前后平均灰度曲线的平均灰度值、深度存储于Python数据库中。
7.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤5中，包括以下步骤：
步骤5.1，对步骤2中的平均灰度曲线、步骤3中的小波变换后平均灰度曲线和步骤4中的灰度差值曲线进行归一化处理，得到小波变换前的平均灰度值、小波变换后的平均灰度值和灰度差值，对小波变换前后的平均灰度值和灰度差值进行标准化后作为聚类分析的特征值；
步骤5.2，调用Python数据库中的回归算法数据库和聚类算法数据库，设置K-Means算法的聚类簇数，利用K-Means算法对标准化后的特征值进行聚类分析，计算相邻深度差值表示纹层厚度，并将聚类分析得到聚类结果、深度差值和特征值保存至Python数据库中；
步骤5.3，对小波变换前后的平均灰度曲线进行充填展示聚类结果，并根据聚类结果绘制差值频率直方图。
8.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤6，包括以下步骤：
步骤6.1，将步骤1中所得到的岩心图片与步骤5中的聚类结果进行对比，判断聚类结果中各簇所对应的纹层类型进行首轮识别，若聚类结果中某簇仅对应一类纹层，则结束识别，判断纹层类型为深色纹层，进入步骤6.3中；若某簇对应多类纹层，则进入次轮识别，并根据对应多类纹层的簇的平均灰度曲线计算差分序列，进入步骤6.2中；
步骤6.2，针对进入次轮识别的聚类结果，遍历各簇的平均灰度值并计算相邻深度差值的差分序列，根据差分序列的正负情况进行次轮识别，得到次轮识别结果；
若差分序列为正数，则纹层类别判定为暗色纹层，若差分序列为负数，则纹层类别判定为亮色纹层；
步骤6.3，综合首轮识别结果和次轮识别结果得到纹层识别结果，将纹层识别结果储存至Python数据库中。
9.根据权利要求1所述的基于机器学习和小波变换的纹层特征提取与识别方法，其特征在于，所述步骤7中，从Python数据库中调取纹层识别结果，合并纹层识别结果中相邻深度且纹层类型相同的深度差值得到纹层厚度，采用不同的颜色表示各类纹层，按照深度由浅到深的顺序绘制纹层厚度条形图，并针对各类纹层绘制纹层纵向分布图、纹层厚度纵向分布条形图和纹层厚度频率分布直方图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153826.5A CN117689900B (zh) | 2024-02-04 | 2024-02-04 | 基于机器学习和小波变换的纹层特征提取与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153826.5A CN117689900B (zh) | 2024-02-04 | 2024-02-04 | 基于机器学习和小波变换的纹层特征提取与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689900A true CN117689900A (zh) | 2024-03-12 |
| CN117689900B CN117689900B (zh) | 2024-04-19 |
Family
ID=90133852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410153826.5A Active CN117689900B (zh) | 2024-02-04 | 2024-02-04 | 基于机器学习和小波变换的纹层特征提取与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689900B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003259125A (ja) * | 2002-02-22 | 2003-09-12 | Agfa Gevaert Nv | 多スケールグラデーション処理方法 |
| EP1349105A2 (de) * | 2002-03-26 | 2003-10-01 | Siemens Aktiengesellschaft | Archivierung digitaler Bilder durch Merkmalsextraktion im Fourierraum |
| JP2006053577A (ja) * | 2005-09-12 | 2006-02-23 | Ricoh Co Ltd | 感光体及びそれを用いた画像形成装置 |
| CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
| CN112950551A (zh) * | 2021-02-05 | 2021-06-11 | 自然资源部第一海洋研究所 | 一种海洋沉积物岩心年代快速标定方法 |
| CN114118159A (zh) * | 2021-11-30 | 2022-03-01 | 南京和源电力实业有限公司 | 基于小波灰度卷积的开关柜断路器机械特性诊断方法 |
| CN116070147A (zh) * | 2023-02-08 | 2023-05-05 | 中国地质大学（武汉） | 一种基于灰度相分析页岩岩相和结构的方法 |
| CN116263809A (zh) * | 2021-12-10 | 2023-06-16 | 中国石油化工股份有限公司 | 一种基于人工智能与测井分层建模的页岩油岩相识别方法 |
-
2024
- 2024-02-04 CN CN202410153826.5A patent/CN117689900B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003259125A (ja) * | 2002-02-22 | 2003-09-12 | Agfa Gevaert Nv | 多スケールグラデーション処理方法 |
| EP1349105A2 (de) * | 2002-03-26 | 2003-10-01 | Siemens Aktiengesellschaft | Archivierung digitaler Bilder durch Merkmalsextraktion im Fourierraum |
| JP2006053577A (ja) * | 2005-09-12 | 2006-02-23 | Ricoh Co Ltd | 感光体及びそれを用いた画像形成装置 |
| CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
| CN112950551A (zh) * | 2021-02-05 | 2021-06-11 | 自然资源部第一海洋研究所 | 一种海洋沉积物岩心年代快速标定方法 |
| CN114118159A (zh) * | 2021-11-30 | 2022-03-01 | 南京和源电力实业有限公司 | 基于小波灰度卷积的开关柜断路器机械特性诊断方法 |
| CN116263809A (zh) * | 2021-12-10 | 2023-06-16 | 中国石油化工股份有限公司 | 一种基于人工智能与测井分层建模的页岩油岩相识别方法 |
| CN116070147A (zh) * | 2023-02-08 | 2023-05-05 | 中国地质大学（武汉） | 一种基于灰度相分析页岩岩相和结构的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李光耀;聂诗良;: "基于小波分解和模糊聚类的图像分割方法", 计算机技术与发展, no. 06, 10 June 2009 (2009-06-10) * |
| 谢淑云;雷蕾;焦存礼;何治亮;鲍征宇;马佳怡;张殿伟;彭守涛;: "鲕粒白云岩内部溶蚀及孔隙非均质性演化研究", 现代地质, no. 06, 15 December 2019 (2019-12-15) * |
| 韩宗晏: "碳酸盐岩储层成像测井相分析方法及应用", 中国优秀硕士学位论文全文数据库, no. 3, 15 March 2022 (2022-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689900B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rellier et al. | Texture feature analysis using a Gauss-Markov model in hyperspectral image classification | |
| CN102194114B (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
| CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
| CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
| CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
| CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
| CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
| CN108520204A (zh) | 一种人脸识别方法 | |
| CN112766227B (zh) | 一种高光谱遥感影像分类方法、装置、设备及存储介质 | |
| CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
| CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| 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 | |
| CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
| CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
| CN112991370B (zh) | 一种岩心ct裂纹识别与分割方法 | |
| CN113223170B (zh) | 一种基于致密砂岩ct图像三维重构的孔隙识别方法 | |
| CN105512670A (zh) | 基于keca特征降维和聚类的hrct周围神经分割 | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| CN109947960A (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
| CN117689900B (zh) | 基于机器学习和小波变换的纹层特征提取与识别方法 | |
| CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
| CN117351371A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
| CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
| CN114998876A (zh) | 一种基于岩石薄片图像的海陆过渡相页岩纹层结构识别方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong. Patentee after: CHINA University OF PETROLEUM (EAST CHINA) Country or region after: China Address before: 266580 No. 579 qianwangang Road, Huangdao District, Qingdao City, Shandong Province Patentee before: CHINA University OF PETROLEUM (EAST CHINA) Country or region before: China |