WO2016013955A1 - Способ оценки структурных изменений образца материала в результате воздействия на образец - Google Patents

Способ оценки структурных изменений образца материала в результате воздействия на образец Download PDF

Info

Publication number
WO2016013955A1
WO2016013955A1 PCT/RU2014/000565 RU2014000565W WO2016013955A1 WO 2016013955 A1 WO2016013955 A1 WO 2016013955A1 RU 2014000565 W RU2014000565 W RU 2014000565W WO 2016013955 A1 WO2016013955 A1 WO 2016013955A1
Authority
WO
WIPO (PCT)
Prior art keywords
sample
image
images
dimensional
exposure
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.)
Ceased
Application number
PCT/RU2014/000565
Other languages
English (en)
French (fr)
Inventor
Игорь Андреевич ВАРФОЛОМЕЕВ
Александр Николаевич НАДЕЕВ
Дмитрий Анатольевич КОРОТЕЕВ
Иван Викторович ЯКИМЧУК
Андрей Владимирович КАЗАК
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.)
Schlumberger Canada Ltd
Services Petroliers Schlumberger SA
Schlumberger Technology BV
Schlumberger Technology Corp
Schlumberger Holdings Ltd
Prad Research and Development Ltd
Original Assignee
Schlumberger Canada Ltd
Services Petroliers Schlumberger SA
Schlumberger Technology BV
Schlumberger Technology Corp
Schlumberger Holdings Ltd
Prad Research and Development 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 Schlumberger Canada Ltd, Services Petroliers Schlumberger SA, Schlumberger Technology BV, Schlumberger Technology Corp, Schlumberger Holdings Ltd, Prad Research and Development Ltd filed Critical Schlumberger Canada Ltd
Priority to PCT/RU2014/000565 priority Critical patent/WO2016013955A1/ru
Priority to US15/329,021 priority patent/US10719734B2/en
Priority to RU2017100456A priority patent/RU2673774C2/ru
Publication of WO2016013955A1 publication Critical patent/WO2016013955A1/ru
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Definitions

  • the invention relates to methods for studying samples of materials using their digital three-dimensional models, in particular, to studying changes that occur as a result of some impact on the sample.
  • the exposure usually in one way or another changes either the structure of the sample itself or the distribution of substances into the volume of its pores.
  • An example of exposure may also be transportation or storage of the sample, since the sample may also undergo changes during these processes.
  • the magnitude of the changes that occurred in the samples is characterized by the magnitude of the changes in various volume characteristics (physical dimensions, mass, density, porosity, etc.). Widely known for many different methods for determining these properties. For example, porosity can be measured by measuring the dependence of pressure on gas flow during saturation of a sample, by weighing a liquid-saturated sample, or by using petrographic analysis of thin sections (US4562726, US2840717). Obviously, to assess the magnitude of changes in the sample, it is necessary to apply these methods twice - before and after exposure to the sample.
  • the change in wettability of a sample due to a change in the physical properties of the pore surface can be measured using the Amott method (D. Tiab and ES Donaldson, "Petrophysics: Theory and Practice of Measuring Reservoir Rock and Fluid Transport Properties", Gulf Professional Publishing, 2 nd Edition , 371-373 (2004)).
  • the essence of the method is the capillary displacement of water from a completely water-saturated sample with a liquid hydrocarbon mixture (kerosene), followed by the displacement of a hydrocarbon mixture from the sample with water.
  • the main disadvantage of this method is the low sensitivity near neutral wettability values and the high measurement error in the case of using small samples, when the measurement results of volumetric characteristics become comparable with the error of the measurement methods.
  • the proposed method for assessing structural changes in the sample as a result of exposure provides:
  • At least one sample of the material is scanned and a first image of each sample is obtained.
  • Each sample is exposed, each sample is scanned after exposure, and a second image of each sample is obtained.
  • the first and second images are combined in full resolution using at least one a fragment of the first image and one fragment of the second image, which correspond to the same region of the sample.
  • the combined images are analyzed and the changes in each sample that have occurred as a result of exposure to the sample are evaluated.
  • the spatial combination of the first and second images of each sample in rough resolution can be preliminarily made.
  • the range of possible effects on the sample is quite wide and may include, for example, thermal, chemical or mechanical effects.
  • the exposure may also be the transport of a sample or its storage. For example, when the sample is exposed to the environment or some internal processes occur in the sample that change it.
  • the scanning of a sample can be carried out, for example, by X-ray computed tomography, neutron / positron tomography, positron emission tomography, nuclear magnetic resonance imaging, electron microscopy, laser fluorescence microscopy, optical microscopy, confocal microscopy, Raman microscopy.
  • the resulting images can be one-dimensional, two-dimensional or three-dimensional.
  • each image point (pixel, voxel) can be either a single number or a whole set of numbers.
  • At least one of the two obtained images of the sample can be preliminarily processed to eliminate distortions of a previously known nature.
  • Image pre-processing may include, for example, image scale correction, geometric correction, image color palette correction.
  • an initial approximation is set for combining the acquired images.
  • An important part of the invention is the analysis of combined images, which may include, for example, the construction of two-dimensional histograms, analysis of the depth of damage, analysis of the dependence of the number of damage on grain size.
  • a differential image can be built from the combined images.
  • Each sample can be subjected to different influences (differing both quantitatively and qualitatively) with subsequent determination of the effect that caused changes in a given type and degree.
  • FIG. 1 is a flowchart of one of the sample image matching algorithms.
  • FIG. 2 is a flowchart of a rough image matching algorithm for a sample.
  • FIG. 3 shows a block diagram of a patchwork pattern matching algorithm.
  • FIG. 4 shows examples of differential images.
  • FIG. Figure 5 shows an example of calculating a two-dimensional histogram.
  • FIG. 6, 7 and 8 are examples of two-dimensional histograms for different pairs of images.
  • FIG. 9a shows a two-dimensional section of a microtomographic image of sandstone in its initial state.
  • FIG. 96 is a two-dimensional section of a microtomographic image of sandstone after storage (the image is combined with the image shown in Fig. 9a), and in Fig. 9c shows their difference image.
  • FIG. 10a shows an image of clay sandstone in its original state.
  • FIG. 106 shows an image of clay sandstone after freezing
  • FIG. 10c is a differential image.
  • the proposed method is implemented as follows. At least one material sample is subjected to some kind of effect. Examples of exposure are: multiphase fluid / gas filtration through a sample, chemical exposure, mechanical stress, heating, cooling, diffusion, etc. The impact may also be transportation or storage of the sample.
  • a sample of the test material is scanned.
  • any two-dimensional image can be considered a special case of a three-dimensional image.
  • the result of certain types of studies, such as probe microscopy, and thermal diffusivity profiling are usually profiles of some characteristic — “one-dimensional images”.
  • each image point can be either a single number (for example, on the tomogram - the attenuation coefficient of x-ray radiation at a given point in the sample), or a whole set of numbers. So, with an X-ray microanalysis of the surface of a sample using an electron microscope, you can get an image at each point of which a discretized the spectrum of the x-ray radiation excited by the electron beam emitted from the surface of the sample in a certain energy range.
  • scanning before and after exposure can, in principle, be carried out by different methods.
  • both x-ray and neutron tomography can restore the three-dimensional internal structure of a rock sample through various physical quantities.
  • void spaces of the sample before and after exposure can be distinguished in both images, the combination of which will allow us to analyze the changes that have occurred in the sample.
  • both one-dimensional and two-dimensional images are hereinafter considered to be a special case of three-dimensional images.
  • a three-dimensional image we mean a three-dimensional array stored in the computer's memory.
  • This array can also be considered a discrete function /: ⁇ -> ⁇ , where ⁇ is the domain of definition of the discrete function, and is the range of values of the function /.
  • the domain ⁇ of the discrete function / is the image coordinate space.
  • the point A [, y, z], where x, y, z are the spatial coordinates of the point (voxel) in the image / (by definition), belongs to ⁇ , which is usually denoted as A £ ⁇ , and
  • the resulting image may contain any previously known distortion.
  • two images may have slightly different color spaces, or, for example, two reconstructed three-dimensional x-ray images may have slightly different physical size of the voxel.
  • images may have a predetermined type of geometric distortion.
  • preliminary image correction is sometimes possible in order to simplify the further registration process. On the other hand, this step is not necessary if the nature of the distortion can be taken into account in the registration procedure itself.
  • the task of combining images in the simplest case is as follows. Two images are presented, in which the same object is presented, located in a different way. It is required to find such a spatial transformation for one image in which the object depicted on it coincides with the object (itself) represented on another image.
  • markers may, for example, include characteristic chips, cracks, mechanical marks, contrasting particles (for the scanning method used).
  • the test sample may not contain natural markers.
  • the introduction of artificial markers may be undesirable in view of the additional effect that destroys and / or modifies the structure of the sample, which is in no way associated with the main type of exposure being studied.
  • a similar approach to simplifying the task of combining images has a limited scope.
  • the described invention is devoid of this disadvantage.
  • a similarity transformation is a transformation of Euclidean space in which for any two points A, B and their images A ', B' we have the relation
  • k
  • This conversion allows you to move, rotate and scale the object. It can be specified by the following set of parameters: ⁇ , ⁇ , ⁇ , ⁇ , ⁇ , ⁇ , ⁇ .
  • the parameters x, y, z are associated with the displacement along the corresponding spatial axes, and ⁇ , ⁇ , ⁇ - with the rotation around the axes ⁇ , ⁇ , ⁇ , respectively, s is the "scaling factor".
  • FIG. 1 in the form of a flowchart shows the main steps of the process of combining images // and 1 2 in accordance with one embodiment.
  • an initial approximation can be specified.
  • the computational algorithm produces a rough combination of images in low quality.
  • the algorithm makes an “exact adjustment” of the conversion parameters for the image fragments in full resolution — the so-called patchwork matching.
  • such a computing system may be a personal computer.
  • Modern commercially available x-ray scanners can achieve spatial resolutions of up to 0.1 ⁇ m / voxel with resolution the color (absorption coefficient of the x-rays used) is 16 bits, and as a result of the reconstruction, a three-dimensional image of 4000x4000x4000 voxels is obtained.
  • an area-based image-matching algorithm (Image registration methods: a survey. Barbara Zitova '*, Jan Flusser, Image and Vision Computing 21 (2003) 977-1000) contains two main steps: rough preliminary alignment of images in low quality and combination of images in full quality.
  • the first stage is introduced in order to speed up the computation process by reducing the required number of iterations using the image in full quality.
  • the maximum achievable performance of the algorithm will turn out to be unsatisfactory, especially if the total image size is larger than the available amount of RAM in the computer station, which will lead to a large volume of read / write operations to slower storage media.
  • the user can independently select a set of corresponding points on the combined images.
  • an initial approximation can be specified for the alignment parameters.
  • the final result of the alignment is practically independent of the operator, since in the process of computing the algorithm converges to the only true transformation, regardless of the initial approximation.
  • the user can set points using the graphical interface at his disposal by specifying “similar” points in his opinion on the slices of the images “before exposure” and “after exposure”. That is, the user selects “similar” slices for each image that have some common feature, then the user selects the mentioned feature on each of the images, which leads to the creation of a pair of points ⁇ A it Bi ⁇ .
  • the user can add any number of pairs of points. To estimate the initial approximation, at least 3 pairs of points are required.
  • the parameters ([x m , y m , z m , ⁇ p m , 0 m , i /> m , s m ]) of the similarity transformation T t corresponding to the selected pairs of points can be estimated from three pairs of points, for example, using Horn's method (see, for example, Berthold C. P. Horn, “Closed-form solution of absolute orientation using unit quaternions”, Journal of the Optical Society of America A, Vol. 4, page 629, April 1987). If the scale of the images is known accurately enough, using this method it is enough to evaluate only the parameters [x t , y t , z m , ⁇ ⁇ , t , t ].
  • the area of search for a solution to a problem is usually called the set of values of the desired variables of the task in which a search for its solution will be performed. So, the task of combining two three-dimensional images by converting similarity generally reduces to finding seven values of parameters (variables) [x, y, ⁇ , ⁇ , ⁇ , ⁇ , s] with the corresponding search area:
  • the search for a solution in such an infinite area is not required.
  • the search region of the desired transformation can be represented as a hyper-rectangle whose sides are parallel to the coordinate axes of the space of the desired variables.
  • Diagonal giperpryamougolnika [ ⁇ , ⁇ ⁇ , ⁇ ⁇ , ⁇ ⁇ , ⁇ , ⁇ 5] will be called the "search area width", and the center of the search area coincides with the initial estimate [x m, y m, z m, (p t, a t , gr t , s m ] conversion parameters.
  • the width of the search area can be estimated through the distance between the points selected by the user in the first image (A) and the image positions predicted by the transformation (T t ) of the images of the corresponding points B (): where by ⁇ A ⁇ we mean the modulus of the vector A (Euclidean distance from the origin [0,0,0]). Accordingly, the width of the search area can be estimated as follows: ⁇
  • S x is the largest of the dimensions along the x axis of the 1st and 2nd three-dimensional images.
  • the next image alignment step — the coarse alignment step — consists of several parts, as shown schematically in FIG. 2.
  • the main objective of this stage is to obtain alignment with accuracy sufficient for further “patchwork alignment”. This allows you to use images with lower resolution (having lower spatial resolution and / or more roughly sampled color space). The use of lower resolution images significantly increases the speed of calculations.
  • the coarse image alignment phase begins with a preliminary search on the grid.
  • a grid search is a well-known technique in many optimization problems that allows you to find the approximate position of a global minimum, as well as a maximum or value that satisfies some other criterion (without limiting generality, further the minimum search problem is considered).
  • the similarity functional of images Q (Ti) is minimized, which is a measure of similarity (a lower value corresponds to a greater similarity) of the first image and the second one subjected to similarity transformation 7f with the parameters [xy Zi, ⁇ , ⁇ , ⁇ , ⁇ ].
  • the simplest case of combining two images having the same color space, obtained on one device and retaining any common structural features it is sufficient to use the simplest L2-like functional:
  • n is the number of pairs of pixels in the compared images
  • B is a point from the set ⁇ 2 .
  • A T (B ⁇ ) - a point from the set ⁇ ⁇ 5 corresponding to the point H, according to the transformation T (B).
  • the simplest method for finding the minimum of a function is to directly calculate its values in a finite set of points within the search area. It is convenient to form a set of such points (for example, in the case of a hyper-rectangular search region) uniformly in each of the variables.
  • the result is a grid of points on which the solution is searched.
  • the size of the step (steps along each variable) of the grid, or the inverse of the step — grid density significantly affects the correctness of the solution found. Sufficient can be considered such a grid density at which the function behaves monotonously between the nodes of the search grid. On the other hand, an increase in grid density leads to a rapid increase in the time required for computing.
  • the choice of the optimal mesh density remains one of the main difficulties associated with grid search.
  • This method uses an algorithm that allows you to automatically evaluate the optimal mesh density for each particular alignment.
  • MAX_ST maximum possible grid step
  • step ST For each of the 7 transformation parameters, select the minimum significant grid step for this parameter - ST and the maximum possible grid step for this parameter - MAX. For each value of this parameter from 0 to MAX, in step ST, the image is converted in accordance with the current value of the estimated parameter and the similarity functional Q between the original and converted images is calculated. Based on the calculated dependence, MAX_ST is determined - the value of the parameter being evaluated, below which the similarity functional Q monotonically decreases.
  • the grid steps chosen in this way for each of the parameters ensure the monotonicity of the change in the similarity functional for combining the original first image with the second obtained after exposure.
  • the search for optimal alignment on a given grid is a calculation of the similarity functional at all grid nodes, i.e., for each of the sets of transformation parameters available in the grid or, in other words, for all parameter values in the hyper-rectangular search field with the corresponding MAX_ST step for each parameter.
  • the optimal set of transformation parameters one is selected that corresponds to the minimum value of the similarity functional.
  • the nearest local minimum of the similarity functional is searched.
  • flaps can be selected both automatically and manually by the operator. As a similar flap can be any, limited part of the image. Any number of “flaps” can be used, in particular, it is possible to completely cover the original image with them. The flaps can also be spatially overlapping. The processes of combining flap pairs are completely independent, which allows us to achieve high parallelism of calculations. It seems advisable to form a set of "flaps" depending on the types of sample and exposure, as well as the purpose of the study. Below are some of the most characteristic cases.
  • patchwork matching can be used to speed up the calculation process. It achieved due to the fact that it turns out to be sufficient to combine only a few "flaps".
  • flaps can be used with the following centers (x, y, z):
  • min DIM and max DIM correspond to the boundaries of the sample along the DIM axis. These values are automatically selected so that the flap matches the border of the sample, and not the empty space near it.
  • the algorithm received an unacceptably large error, this may mean that the sample was deformed during exposure. If such an opportunity is allowed by the operator, the algorithm can automatically switch to using a larger number of “flaps” in order to evaluate and take into account the deformation of the sample.
  • the three-dimensional deformation field can be estimated by combined flaps, for example, using displacement vectors describing the displacement of the “flap” vertices relative to the global optimal transformation for image matching (in the solid approximation). Patchwork alignment of deformed samples can also significantly improve the quality of the differential image, which, in this case, can be obtained by “gluing” locally aligned flaps.
  • one part of the sample is much more damaged than the other, and its use in the alignment process is difficult.
  • a large relative volume of the damaged part can lead to insufficient alignment quality in the case of a direct search for the optimal conversion throughout the image.
  • the user can independently select the area that will participate in the registration process. This can be done both on a rough and a patchwork stage independently. In this case, the difference image will be built for the full source image. This area can also be selected automatically, as the inner part of the sample, at a certain distance from its borders.
  • a difference image is understood to mean a certain function of both combined images, that is:
  • iB) f (l 1 (T (B)), I 2 (B).
  • G (_9) is a similarity transformation.
  • T (B) corresponds to a similarity transformation followed by deformation.
  • FIG. 4 shows two simple examples of the function /.
  • two polar regions appear on the difference image.
  • analysis of such a difference image can provide information about changes in the sample, including the migration of particles in the pore space, the appearance / clogging of pores and cracks of various sizes, the destruction of rock particles and the compaction or loosening of the substance.
  • Another useful feature in practice is the correlation between the color values of the corresponding pixels of the first and second combined images. It is most convenient to present this correlation in the form of a two-dimensional histogram.
  • the two-dimensional histogram H for images I lt 1 2 we mean a two-dimensional array, a cell (with 1; with 2 ) which stores the number of voxels of the first image having color c while the corresponding pixel of the second image has color with 2 :
  • 1 g is a tabular discrete function that describes the first three-dimensional image
  • Ci is the color value belonging to the image color space k
  • c 2 is the color value belonging to the color space of the image h ⁇
  • && is the operator "and” equal to 1 if both operands are equal to 1, and 0 if at least one of the operands is not equal to 1.
  • FIG. 5a shows an example of calculating a two-dimensional histogram over a pair of images with a size of 2x2 pixels.
  • the first image all four pixels have different values from 1 to 4, while in the second - all values are 1.
  • the analyzed pair of images contains the following pairs of values of the corresponding pixels: (1; 1), (2; 1 ), (3; 1) and (4; 1).
  • Each pair occurs only once, therefore, the two-dimensional histogram is equal to 1 at points (1; 1), (2; 1), (3; 1), (4; 1) and is equal to 0 at the remaining points.
  • a symmetrical situation is observed in the case shown in FIG. 56.
  • FIG. 7 shows an example of a two-dimensional histogram with incorrect combination of two images. It is seen that the resulting distribution is more or less symmetrical with respect to the diagonal of equal values, however, some of the maxima are located away from it, in contrast to FIG. 6.
  • a two-dimensional histogram can be calculated from the combined images both to assess the type and nature of changes in the rock structure, and to check the quality of image alignment.
  • Visual analysis of two-dimensional histograms is useful in studying changes in the breed that have occurred, for example, as a result of chemical reactions, when individual substances, including the mineral skeleton, can partially dissolve, change the chemical composition, and change in size. As applied to x-ray tomography, all these changes lead to a change in the absorption coefficient of x-ray radiation, and, therefore, can be traced on a two-dimensional histogram.
  • the result can be simplified to the usual, one-dimensional histogram by calculating the average value of the differential image for each distance conversion value.
  • each voxel of the image can be associated with a certain type of substance.
  • the type of mineral can be directly determined from the value of the absorption coefficient of x-ray radiation at a given point. Then it becomes possible to evaluate the number and nature of the changes for each type of substance independently. As an example, the application of the method for assessing the safety of a rock sample is described.
  • FIG. 9a shows a two-dimensional section of a microtomographic image of sandstone in its initial state
  • FIG. 96 - after storage the image is combined with the image shown in Fig. 9a
  • FIG. 9a shows an image of clay sandstone in the initial state
  • FIG. 96 shows an image of clay sandstone after freezing
  • FIG. 9c is a differential image.
  • Typical types of changes are noted in FIG. 9: 1 - grain separation; 2 - destruction of grain; 3 - particle migration; 4 - change in the nature of the contact between grains.
  • the average distance over which individual particles moved can be estimated as 2-3 of their linear sizes.
  • the appearance of bright boundaries in the difference image is associated with damage to the grain boundaries of the substance during freezing-thawing (Fig. 9c).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Processing (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

Для оценки структурных изменений в образце материала в результате воздействия на образец сканируют, по меньшей мере, один образец материала до и после воздействия и получают соответственно первое изображение и второе изображение каждого образца. Производят совмещение обоих изображений в полном разрешении, используя по меньшей мере один фрагмент первого изображения и один фрагмент второго изображения каждого образца, которые соответствуют одной и той же области образца. Анализируют совмещенные изображения и производят оценку изменений в каждом образце, произошедших в результате осуществленного воздействия.

Description

СПОСОБ ОЦЕНКИ СТРУКТУРНЫХ ИЗМЕНЕНИЙ ОБРАЗЦА МАТЕРИАЛА В РЕЗУЛЬТАТЕ ВОЗДЕЙСТВИЯ НА ОБРАЗЕЦ
Область техники
Изобретение относится к способам исследования образцов материалов при помощи их цифровых трёхмерных моделей, в частности, к изучению изменений, происходящих в результате некоторого воздействия на образец.
Предшествующий уровень техники
Изучение образцов материалов, например, горных пород, может потребовать наблюдения структурных изменений при различных типах воздействия на образец. Типичными воздействиями являются: многофазная фильтрация газа, жидкости и твёрдого вещества через образец, химическое воздействие, механическое воздействие (деформация), нагрев, охлаждение, диффузия и т. п. Воздействие обычно тем или иным образом изменяет либо структуру самого образца, либо распределение веществ в объёме его пор.
Примером воздействия может также являться транспортировка или хранение образца, так как в ходе этих процессов образец тоже может претерпевать изменения.
Традиционно величина изменений, произошедших в образцах, характеризуется с помощью величин изменения различных объёмных характеристик (физические размеры, массу, плотность, пористость, и т. д.). Широко известно множество различных методов определения указанных свойств. Например, пористость может быть измерена с помощью измерения зависимости давления от расхода газа в процессе насыщения образца, с помощью взвешивания насыщенного жидкостью образца или при помощи петрографического анализа шлифов (US4562726, US2840717). Очевидно, что для оценки величины изменений в образце необходимо применять эти методы дважды - до и после воздействия на образец.
Изменение смачиваемости образца ввиду изменения физических свойств поверхности пор может быть измерено с помощью метода Амотта (D. Tiab and Е.С. Donaldson, "Petrophysics: Theory and Practice of Measuring Reservoir Rock and Fluid Transport Properties", Gulf Professional Publishing, 2nd Edition, 371-373 (2004)). Сущность метода заключается в капиллярном вытеснении воды из полностью водонасыщенного образца жидкой углеводородной смесью (керосином) с последующим вытеснением из образца углеводородной смеси водой. Основным недостатком этого метода является низкая чувствительность вблизи нейтральных значений смачиваемости и высокая погрешность измерений в случае использования образцов малого размера, когда результаты измерения объёмных характеристик становятся сопоставимы с погрешностью методов измерения.
Кроме того, упомянутые и подобные им методы имеют и другие недостатки:
• Отсутствие пространственного разрешения
• Невозможность определения непосредственной причины произошедших изменений • Низкая чувствительность в случае малых изменений в образце - погрешность измерения может оказаться больше искомой разницы между измеряемыми величинами.
• Повреждение образца в процессе проведения измерений, что может затруднить обнаружение изменений от исследуемого воздействия.
Раскрытие изобретения
Предлагаемый способ оценки структурных изменений в образце в результате воздействия обеспечивает:
• Неразрушающий характер измерений
• Наличие пространственного разрешения
• Возможность определения непосредственной причины изменения структуры и свойств образца
• Высокую чувствительность в случае малых изменений в образце (т.е. даже если существенные изменения коснулись лишь небольшой доли образца).
В соответствии с предлагаемым способом сканируют, по меньшей мере, один образец материала и получают первое изображение каждого образца. Осуществляют воздействие на каждый образец, сканируют каждый образец после воздействия и получают второе изображение каждого образца.
Для каждого образца осуществляют совмещение первого и второго изображений в полном разрешении, используя по меньшей мере один фрагмент первого изображения и один фрагмент второго изображения, которые соответствуют одной и той же области образца.
После этого анализируют совмещённые изображения и производят оценку изменений в каждом образце, произошедших в результате воздействия на образец.
Предварительно может быть произведено пространственное совмещение первого и второго изображений каждого образца в грубом разрешении.
Круг возможных воздействий на образец достаточно широк и может включать, например, термические, химические или механические воздействия. Воздействие может также представлять собой транспортировку образца или его хранение. Например, когда на образец воздействует окружающая среда или в образце протекают некоторые внутренние процессы, изменяющие его.
Сканирование образца может быть осуществлено, например, посредством рентгеновской компьютерной томографии, нейтронной/позитронной томографии, позитрон-эмиссионной томографии, ядерно-магнитно-резонансной томографии, электронной микроскопии, лазерной флуоресцентной микроскопии, оптической микроскопии, конфокальной микроскопии, рамановской микроскопии.
Сканирования до и после воздействия может быть осуществлено разными методами. Полученные изображения могут быть одномерными, двухмерными или трёхмерными. Кроме того, каждая точка изображения (пиксел, воксел) может являться как одним числом, так и целым набором чисел.
Предварительно может быть произведена обработка, по меньшей мере, одного из двух полученных изображений образца для устранения искажений заранее известного характера.
Предварительная обработка изображений может включать, например, исправление масштаба изображений, геометрическую коррекцию, исправление цветовой палитры изображения.
В соответствии с одним из вариантов осуществления изобретения задают начальное приближение для совмещения полученных изображений.
Важной частью изобретения является анализ совмещённых изображений, который может включать, например, построение двухмерных гистограмм, анализ глубины повреждений, анализ зависимости количества повреждений от размера зерна.
При необходимости из совмещённых изображений может быть построено разностное изображение.
Каждый образец может быть подвергнут разным воздействиям (отличающимися как количественно, так и качественно) с последующим определением воздействия, вызвавшего изменения заданного типа и степени.
Существует возможность изучить эволюцию изменений в структуре образца при многократном одинаковом воздействии, а также при последовательности разных воздействий. Краткое описание чертежей
Изобретение поясняется чертежами. На фиг. 1 представлена блок-схема одного из алгоритмов совмещения изображений образца. На фиг. 2 представлена блок-схема алгоритма грубого совмещения изображений образца. На фиг. 3 представлена блок-схема алгоритма лоскутного совмещения изображений образца. На фиг. 4 приведены примеры разностных изображений. На фиг. 5 приведён пример вычисления двухмерной гистограммы. На фиг. 6, 7 и 8 приведены примеры двухмерных гистограмм для различных пар изображений. На фиг. 9а показан двухмерный срез микротомографического изображения песчаника в исходном состоянии. На фиг. 96— двухмерный срез микротомографического изображения песчаника после хранения (изображение совмещено с изображением, показанным на фиг. 9а), а на фиг. 9в показано их разностное изображение. На фиг. 10а приведено изображение глинистого песчаника в исходном состоянии. На фиг. 106 приведено изображение глинистого песчаника после заморозки, а на фиг. 10в - разностное изображение.
Подробное описание изобретения
Предлагаемый способ реализуется следующим образом. По меньшей мере один образец материала подвергают какому-либо воздействию. Примерами воздействия являются: многофазная фильтрация флюидов/газа через образец, химическое воздействие, механическое воздействие, нагрев, охлаждение, диффузия и т. п. Воздействием может также являться транспортировка или хранение образца.
До и после воздействия осуществляют сканирование образца исследуемого материала. На сегодняшний день существует множество методик получения трёхмерных изображений: конфокальная микроскопия, ультразвуковая томография, однофотонная эмиссионная компьютерная томография, магниторезонансная томография, позитрон-эмиссионная томография, рентгеновская томография, нейтронная томография и другие. Так же существует ещё большее число методов получения двухмерных изображений образца: сканирующая электронная микроскопия, оптическая микроскопия, флуоресцентная микроскопия (в частности, — лазерная флуоресцентная микроскопия, рентгенофлуоресцентный анализ), акустическая микроскопия и другие. Очевидно, любое двухмерное изображение может считаться частным случаем изображения трёхмерного. Результатом некоторых типов исследований, таких как зондовая микроскопия, профилирование температуропроводности обычно являются профили какой-либо характеристики— «одномерные изображения».
Таким образом, получаемые изображения могут быть одномерными, двухмерными или трёхмерными. Кроме того, каждая точка изображения (пиксел, воксел) может являться как одним числом (например, на томограмме - коэффициент ослабления рентгеновского излучения в данной точке образца), так и целым набором чисел. Так при рентгеновском микроанализе поверхности образца на электронном микроскопе можно получить изображение, в каждой точке которого регистрируется дискретизированный спектр возбуждаемого электронным пучком рентгеновского излучения, испускаемого с поверхности образца, в некотором диапазоне энергий.
Следует отметить, что сканирование до и после воздействия в принципе может быть осуществлено разными методами. Например, и рентгеновская, и нейтронная томографии позволяют восстанавливать трёхмерную внутреннюю структуру образца горной породы посредством различных физических величин. При этом на обоих изображениях могут быть выделены пустотные пространства образца до и после воздействия, совмещение которых позволит проанализировать произошедшие изменения в образце.
Для простоты изложения и одномерные, и двухмерные изображения далее по тексту считаются частным случаем трёхмерных изображений.
Здесь и далее под трёхмерным изображением будем понимать трёхмерный массив, хранящийся в памяти компьютера. Этот массив можно также считать дискретной функцией /: Ω -> ζ, где Ω - область определения дискретной функции, а - область значений функции /. Область определения Ω дискретной функции / является пространством координат изображения. Например, точка А = [ , y, z], где x, y, z являются пространственными координатами точки (воксела) на изображении / (по определению), принадлежит Ω, что обычно обозначается как А £ Ω, при этом
1(A) ε ς.
В некоторых случаях полученное изображение может содержать какие- либо заранее известные искажения. Например, два изображения могут иметь незначительно отличающиеся пространства цветов, или, например, два реконструированных трёхмерных рентгеновских изображения могут иметь несколько различный физический размер воксела. Во многих случаях изображения могут иметь заранее известный тип геометрического искажения. В случае наличия априорной информации об искажениях иногда возможна предварительная коррекция изображения с целью упрощения дальнейшего процесса совмещения. С другой стороны, этот шаг не является обязательным в случае, если характер искажений может быть учтён в самой процедуре совмещения.
В упомянутом примере, когда два изображения имеют различный размер воксела, возможны два варианта:
• Коррекция размера воксела перед процедурой совмещения и последующее совмещение без необходимости масштабирования изображения в процессе совмещения
• Не корректировать размер воксела, позволив алгоритму совмещения найти правильный масштаб (при этом пользователь может ограничить область поиска правильного коэффициента масштабирования)
Далее производят совмещение полученных изображений. Задача совмещения изображений в простейшем случае состоит в следующем. Даны два изображения, на которых представлен один и тот же объект, расположенный различным образом. Требуется найти такое пространственное преобразование для одного изображения, при котором объект, изображённый на нём, совпадёт с объектом (самим собой), представленном на другом изображении.
Одним из частых способов упрощения данной задачи является использование существующих или искусственно внесенных в образец объектов-маркеров, легко выделяемых на совмещаемых изображениях. К таким маркерам могут, например, относиться характерные сколы, трещины, механические метки, контрастные (для используемого метода сканирования) частицы. В общем случае исследуемый образец может не содержать естественных маркеров. Введение же искусственных маркеров может быть нежелательным в виду дополнительного воздействия, разрушающего и/или модифицирующего структуру образца, которое никак не связано с основным исследуемым видом воздействия. Таким образом, подобный подход к упрощению задачи совмещения изображений имеет ограниченную область применения. Описываемое изобретение лишено данного недостатка.
В данном тексте мы ограничиваемся рассмотрением преимущественно преобразований подобия. Преобразование подобия - это преобразование евклидова пространства, при котором для любых двух точек А, В и их образов А', В' имеет место соотношение |А'В'|=к|АВ|, где к— положительное число, называемое коэффициентом подобия. Данное преобразование позволяет осуществлять перемещение, поворот и масштабирование объекта. Его можно задать следующим набором параметров: χ,γ, ζ, φ, θ, ψ, Ξ. Здесь параметры x, y, z связаны со смещением вдоль соответствующих пространственных осей, а φ, θ, ψ — с вращением вокруг осей χ, γ, ζ соответственно, s является «коэффициентом масштабирования».
Такое приближение оказывается вполне достаточным в большинстве встречающихся на практике случаев
На фиг. 1 в виде блок-схемы изображены основные этапы процесса совмещения изображений // и 12 в соответствии с одним из вариантов осуществления. На предварительном этапе (1) для сокращения требуемого количества вычислений может быть задано начальное приближение. На следующем этапе (2) при необходимости вычислительный алгоритм производит грубое совмещение изображений в низком качестве. На этапе (3) алгоритм производит «точную подстройку» параметров преобразования по фрагментам изображений в полном разрешении - так называемое лоскутное совмещение. В итоге по известным параметрам преобразования при необходимости может быть создано полное разностное изображение.
Далее эти этапы будут рассмотрены более подробно.
Основные процедуры описанного способа (получение изображения, выполнение алгоритма совмещения, а нередко и само осуществление воздействия на образец) реализуются с использованием электронных вычислительных систем. Эта система может быть единственной для всех упомянутых процедур. Однако, как правило, используются различные вычислительные машины для каждой из задач. Общие требования ко всем этим вычислительным системам состоят в наличии:
• процессора для выполнения необходимых команд и вычислений;
• памяти для хранения временной и постоянной информации (объёмом достаточным для работы с получаемыми изображениями);
• устройств ввода и вывода для управления и контроля выполняемых процедур;
• а также возможности передачи информации через сеть или съёмные носители.
В простейшем случае реализации изобретения такой вычислительной системой может быть персональный компьютер.
Современные коммерчески доступные рентгеновские сканеры могут достигать пространственного разрешения до 0.1 мкм/воксел при разрешении по цвету (коэффициенту поглощения используемых рентгеновских лучей) в 16 бит, при этом в результате реконструкции получается трёхмерное изображение размером 4000x4000x4000 вокселов. Естественным образом высокое качество и разрешение получаемого изображения приводит к его большому размеру. Например, для описанных выше параметров, несжатое изображение будет занимать 40003х2=128 ГБ (здесь считается, что 1 ГБ=1000 МБ). Изображения подобного размера в настоящее время не могут быть обработаны за разумное время «прямолинейными» алгоритмами на современных персональных компьютерах.
Как правило, основанный на площадях алгоритм совмещения изображений (Image registration methods: a survey. Barbara Zitova'*, Jan Flusser, Image and Vision Computing 21 (2003) 977-1000) содержит два основных этапа: грубое предварительное совмещение изображений в низком качестве и совмещение изображений в полном качестве.
Во многих случаях первый этап вводится с целью ускорения процесса вычислений путём уменьшения требуемого количества итераций, использующих изображение в полном качестве. Однако даже с учётом этой оптимизации максимально достижимая производительность алгоритма окажется неудовлетворительной, особенно в случае, если суммарный размер изображений окажется больше имеющегося количества оперативной памяти вычислительной станции, что приведёт к большому объёму операций чтения/записи на более медленные носители информации.
На предварительном этапе предлагаемого способа с целью минимизации времени вычислений пользователь может самостоятельно выбрать набор соответствующих точек на совмещаемых изображениях. Таким образом, может быть задано начальное приближение для параметров совмещения. Несмотря на то, что начальное приближение зависит от оператора, конечный результат совмещения фактически не зависит от оператора, так как в процессе вычислений алгоритм сойдётся к единственному верному преобразованию, независимо от начального приближения.
Пользователь может задавать точки при помощи имеющегося в его распоряжении графического интерфейса путём указания «похожих» на его взгляд точек на срезах изображений «до воздействия» и «после воздействия». То есть пользователь выбирает для каждого изображения «схожие» срезы, имеющие какую-либо общую особенность, затем пользователь выделяет упомянутую особенность на каждом из изображений, что приводит к созданию пары точек {Ait Bi}. Пользователь может добавить любое количество пар точек. Для оценки начального приближения требуется, как минимум, 3 пары точек.
Параметры ( [xm, ym, zm, <pm, 0m, i/>m, sm] ) преобразования подобия Тт, соответствующего выбранным парам точек, могут быть оценены по трём парам точек, например, с помощью метода Хорна (см., например, Berthold К. P. Horn "Closed-form solution of absolute orientation using unit quaternions", Journal of the Optical Society of America A, Vol. 4, page 629, April 1987). В случае если масштаб изображений известен достаточно точно, данным методом достаточно оценивать только параметры [хт, ут, zm, φτη, вт, т] .
Кроме того, можно оценить точность начального приближения, с целью определения «гиперпрямоугольника области поиска». Областью поиска решения задачи принято называть множество значений искомых переменных задачи, в которых будет произведён поиск её решения. Так, задача по совмещению двух трёхмерных изображений путём преобразования подобия в общем случае сводится к поиску семи значений параметров (переменных) [х, у, ζ, φ, θ, ψ, s] с соответствующей областью поиска:
[/?, /?, /?, [-180°; 180°], [-90°; 90°], [-180°; 180°], s 0], где R - множество действительных чисел. Как правило, в каждом конкретном случае поиск решения в такой бесконечной области не требуется. Часто область поиска искомого преобразования можно представить как гиперпрямоугольник, стороны которого параллельны координатным осям пространства искомых переменных. Диагональ гиперпрямоугольника [ι , σζ, σφ, σθ, σ , σ5] будем называть «шириной области поиска», а центр области поиска совпадает с начальной оценкой [хт, ут, zm, (рт, вт, грт, sm] параметров преобразования.
Ширину области поиска при этом можно оценить через расстояние между точками, выбранными пользователем на первом изображении (А ) и предсказываемыми преобразованием (Тт) положениями образов соответствующих точек В():
Figure imgf000016_0001
где под \А\ понимается модуль вектора А (евклидово расстояние от начала координат [0,0,0]). Соответственно, ширину области поиска можно оценить следующим образом: σ
σ
σ
σ, ^/Sx
Figure imgf000017_0001
где Sx— наибольший из размеров вдоль оси х 1-го и 2-го трёхмерных изображений.
В большинстве случаев пользователь может указать 3 пары точек достаточно быстро. Это, с одной стороны, позволяет экономить машинное время, а с другой (что, даже более важно) делает всю процедуру совмещения значительно более надёжной.
Следующий этап совмещения изображений — этап грубого совмещения— состоит из нескольких частей, что схематично изображено на фиг. 2. Основной задачей данного этапа является получения совмещения с точностью, достаточной для дальнейшего «лоскутного совмещения». Это позволяет использовать изображения с пониженным разрешением (имеющие более низкое пространственное разрешение и/или более грубо дискретизованное пространство цветов). Использование изображений с пониженным разрешением значительно повышает скорость вычислений.
Этап грубого совмещения изображений начинается с предварительного поиска по сетке. Поиск по сетке - широко известный приём во многих задачах оптимизации, позволяющий найти приблизительное положение глобального минимума, а также максимума или значения, удовлетворяющего какому-либо другому критерию (не ограничивая общности, далее рассматривается задача поиска минимума). В рассматриваемой задаче осуществляется минимизация функционала подобия изображений Q(Ti), который является мерой похожести (меньшее значение соответствует большему сходству) первого изображения и второго, подверженного преобразованию подобия 7f с параметрами [x y Zi , ψι, θι, ψι, Ξι]. В простейшем случае совмещения двух изображений, имеющих одинаковое пространство цвета, полученных на одном устройстве и сохранивших между собой какие-либо общие структурные особенности, достаточным является использование п остейшего Ь2-подобного функционала:
Figure imgf000018_0001
где:
Q - функционал подобия;
п - число пар пикселей в сравниваемых изображениях;
/-L - первое трёхмерное изображение;
/2 - второе трёхмерное изображение;
В - точка из множества Ω2.
А = Т(В~) — точка из множества Ωΐ5 соответствующая точке Я, согласно преобразованию Т {В).
Простейшим методом поиска минимума функции является прямое вычисление её значений в конечном наборе точек внутри области поиска. Удобно сформировать набор таких точек (например, в случае гиперпрямоугольной области поиска) равномерно по каждой из переменных. В результате получают сетку точек, на которой проводится поиск решения. Размер шага (шагов по каждой из переменной) сетки, или обратная величина шага— плотность сетки, существенным образом влияют на корректность найденного решения. Достаточной можно считать такую плотность сетки, при которой функция ведёт себя монотонно между узлами сетки поиска. С другой стороны - увеличение плотности сетки ведёт к быстрому росту требуемого на вычисления времени. Выбор оптимальной плотности сетки остаётся одной из основных сложностей, связанных с поиском по сетке.
В данном способе используется алгоритм, позволяющий автоматически оценить оптимальную для каждого конкретного совмещения плотность сетки. Обычно для быстрой оценки максимально возможного шага сетки (MAX_ST) достаточно проанализировать зависимость функционала подобия от параметров преобразования
Figure imgf000019_0001
s], взяв в качестве второго изображения (подвергающегося преобразованию) полную копию первого. Для этого вычисляется несколько точек зависимости функционала подобия от малых значений параметров преобразования [х, у, ζ, φ, θ, ψ, s].
Для каждого из 7 параметров преобразования выбирают минимальный значимый шаг сетки по этому параметру - ST и максимально возможный шаг сетки по этому параметру - МАХ. Для каждого значения этого параметра от 0 до МАХ с шагом ST преобразовывают изображение в соответствии с текущим значением оцениваемого параметра и вычисляют функционал подобия Q между исходным и преобразованным изображениями. По вычисленной зависимости определяют MAX_ST - значение оцениваемого параметра, ниже которого функционал подобия Q монотонно убывает. Выбранные таким образом шаги сетки по каждому из параметров обеспечивают монотонность изменения функционала подобия при совмещении исходного первого изображения со вторым, полученным после воздействия.
Поиск оптимального совмещения на заданной сетке представляет собой вычисление функционала подобия во всех узлах сетки, то есть для каждого из имеющихся в сетке наборов параметров преобразования или, другими словами, для всех имеющихся в гиперпрямоугольной области поиска значений параметров с соответствующим шагом MAX_ST по каждому из параметров. В качестве оптимального набора параметров преобразования выбирается тот, который соответствует минимальному значению функционала подобия.
Далее, в окрестности найденного на сетке решения производится поиск ближайшего локального минимума функционала подобия. В процедуре локальной оптимизации можно использовать фактически любой известный алгоритм оптимизации, или использовать несколько различных алгоритмов, выбирая затем лучший из полученных ими результатов. Например, ограниченный симплексный поиск оказывается достаточно быстрым и робастным в данном случае.
К сожалению, алгоритмы локального поиска нередко приводят к нахождению не глобального, а локального минимума. С целью проверки глобальности найденного минимума в описываемом алгоритме присутствует дополнительный шаг. После завершения процедуры локального поиска запускается ещё одна аналогичная процедура, однако на этот раз начальной точкой выбирается точка, отстоящая на некоторое расстояние от найденного на предыдущем шаге минимума. В случае если найденный минимум является глобальным - второй поиск должен сойтись к тому же значению (с учётом задаваемой пользователем невязки), что и первый, в противном случае процедура поиска запускается ещё раз. В случае если число повторных поисков превысит заданный порог, алгоритм уведомит пользователя об ошибке совмещения, таким образом, предлагая проверить и/или изменить параметры совмещения. Данная процедура основана на предположении о том, что область монотонности функционала подобия в случае глобального минимума больше, чем в случае ложного «локального» минимума. Такое предположение в большинстве случаев верно для встречающихся на практике трёхмерных изображений.
После выполнения грубого совмещения изображений осталось лишь уточнить решение, вернувшись к полному (исходному) пространственному разрешению, то есть размеру пиксела (воксела). Однако, если размер полного изображения достаточно велик (как в случае современных микротомограмм), то даже одна итерация прямого локального совмещения полноразмерных изображений может занять значительное время. Прямой подбор параметров преобразования с использованием полных изображений является весьма неэффективным в данном случае, так как требует либо одновременного нахождения совмещаемых изображений в оперативной памяти, либо приводит к необходимости многократного чтения изображения с устройства хранения данных. Таким образом, метод прямого совмещения теряет свою эффективность по мере роста размеров изображения. Описываемый далее алгоритм позволяет совмещать большие трёхмерные изображения без необходимости выполнять прямое сравнение полных изображений. Блок-схема завершающего этапа совмещения изображений — лоскутного совмещения — представлена на фиг. 3, где 1г и /2 — совмещаемые изображения; и / — фрагменты, вырезанные из соответствующих совмещаемых изображений.
Общая сложность вычислений будет значительно меньше, если полное преобразование будет вычислено по нескольким независимо совмещённым фрагментам исходного изображения - «лоскутам» 1 и /|. Возможность совмещать малые части целых изображений появляется лишь благодаря предварительному грубому совмещению, после которого лоскуты, выделенные по одинаковым координатам для обоих изображений, приближённо будут соответствовать одной области образца. Каждая пара лоскутов совмещается полностью аналогично процедуре грубого совмещения.
Упомянутые лоскуты могут быть выбраны как автоматически, так и вручную оператором. В качестве подобного лоскута может выступать любая, ограниченная часть изображения. Может быть использовано любое количество «лоскутов», в частности, можно полностью покрыть ими исходное изображение. Лоскуты могут также пространственно накладываться друг на друга. Процессы совмещения пар лоскутов совершенно независимы, что позволяет добиться высокого параллелизма вычислений. Целесообразным представляется формирование набора «лоскутов» в зависимости от типов образца и воздействия, а также цели исследования. Ниже рассмотрено несколько наиболее характерных случаев.
Если образец представляет собой твёрдое тело, лоскутное совмещение может быть использовано с целью ускорения процесса вычислений. Оно достигается за счёт того, что оказывается достаточным совместить лишь несколько «лоскутов». В частности, могут быть использованы лоскуты, со следующими центрами (х, у, z):
1) (mm*, су, cz)
2) (max*, су, cz)
3) (сх, miny, Cz)
4) (cx, maxyj cz)
5) {cx, Cy, minz)
6) (cx, cy, maxz)
где minDIM и maxDIM соответствуют границам образца вдоль оси DIM. Эти значения выбираются автоматически, таким образом, чтобы лоскут соответствовал границе образца, а не пустому пространству возле него. DIM - одна из пространственных осей: х, у или z, а сшм = (гшп м + тахош)/2 - центр образца вдоль оси DIM.
Такой выбор лоскутов позволяет добиться высокой точности совмещения благодаря расстоянию между лоскутами, близкому к максимально возможному. При этом вычислительная сложность остаётся сравнительно невысокой.
После совмещения всех запланированных лоскутов можно с высокой точностью оценить параметры преобразования подобия для всего образца, по парам точек, как описано выше, используя в качестве пар точек вершины лоскутов.
В случае если в процессе нахождения параметров пространственного преобразования для всего образца, в ходе этапа лоскутного совмещения в приближении твёрдого тела (то есть без деформаций) алгоритм получил неприемлемо большую величину ошибки, это может означать, что образец деформировался в процессе воздействия. Если подобная возможность разрешена оператором, алгоритм может автоматически перейти к использованию большего числа «лоскутов», с целью оценки и учёта деформации образца.
Оценить трёхмерное поле деформаций по совмещённым лоскутам можно, например, с помощью векторов смещений, описывающих смещение вершин «лоскутов» относительно глобального оптимального преобразования для совмещения изображений (в приближении твёрдого тела). Лоскутное совмещение деформированных образцов так же позволяет значительно повысить качество разностного изображения, которое, в этом случае может быть получено за счёт «склейки» локально совмещённых лоскутов.
В некоторых случаях, одна часть образца повреждена значительно сильнее другой, и её использование в процессе совмещения оказывается затруднительно. Большой относительный объём повреждённой части может привести к недостаточному качеству совмещения в случае прямого поиска оптимального преобразования по всему изображению. В описываемом алгоритме, пользователь может самостоятельно выбрать область, которая будет участвовать в процессе совмещения. Это может быть сделано как на грубом, так и на лоскутном этапе независимо. При этом разностное изображение будет построено для полного исходного изображения. Данная область так же может быть выбрана автоматически, как внутренняя часть образца, на некотором расстоянии от его границ.
При необходимости после того, как были вычислены параметры преобразования, совмещающего изображения до и после воздействия, можно построить разностное изображение, иллюстрирующее изменения, произошедшие в результате воздействия в структуре образца.
Обычно под разностным изображением понимают некую функцию от обоих совмещённых изображений, то есть:
iB) = f(l1(T(B)), I2(B ).
В качестве простейшего примера подобной функции можно предложить модуль разности =
Figure imgf000025_0001
В случае приближения твёрдого тела, Г(_9) является преобразованием подобия. В случае деформируемого образца Т(В) соответствует преобразованию подобия с последующей деформацией.
На фиг. 4 приведены два простых примера функции /. В случае сместившегося на некоторое расстояние круга, на разностном изображении проявляются две полярные области. В общем случае, анализ такого разностного изображения может дать информацию об изменениях в образце, включая миграцию частиц в поровом пространстве, появление/закупоривание пор и трещин различного масштаба, разрушение частиц породы и уплотнение или разрыхление вещества.
Для оценки структурных изменений, произошедших в образце в результате воздействия, осуществляют анализ совмещённых изображений.
С целью количественной оценки и визуального анализа количества изменений, произошедших в структуре образца, могут быть вычислены различные статистические функции. Одной из практически полезных характеристик произошедших изменений является зависимость количества изменений от размера зерна. Для многих типов пород исходное трёхмерное изображение может быть кластеризовано. В простейшем случае для этого может быть использован алгоритм, основанный на методе водораздела (Serge Beucher and Christian Lantuejoul. Use of watersheds in contour detection. In International workshop on image processing: Real-time edge and motion detection. Rennes, France,
17 - 21 September 1979). На следующем этапе для каждого кластера вычисляется его размер (в вокселах) и среднее значение принадлежащих ему вокселов на разностном изображении. В случае если несколько кластеров имеют одинаковый размер, значения для них усредняются.
Другой полезной на практике характеристикой является корреляция между значениями цвета соответствующих пикселей первого и второго совмещённых изображений. Наиболее удобно представить эту корреляцию в виде двухмерной гистограммы. Здесь под двухмерной гистограммой Н для изображений Ilt 12 мы понимаем двухмерный массив, ячейка (с1; с2) которого хранит число вокселов первого изображения имеющих цвет с при том, что соответствующий пиксел второго изображения имеет цвет с2 :
И с2) = ((Д(Г(В)) == CL)&&(/20?) == с2))
веп2
где:
1г - табличная дискретная функция, описывающая первое трёхмерное изображение;
/2 - табличная дискретная функция, описывающая второе трёхмерное изображение;
ΣΒ6Ω2(— ) ~ арифметическая сумма по всем точкам изображения; Hii l2 (clt c2) - двухмерная гистограмма;
Ci - значение цвета, принадлежащее пространству цвета изображения к;
с2 - значение цвета, принадлежащее пространству цвета изображения h\
"==" - оператор сравнения, равный 1, если оба операнда равны, и 0, если операнды не равны;
"&&" - оператор «и», равный 1 , если оба операнда равны 1 , и 0, если хотя бы один из операндов не равен 1.
На фиг. 5а изображён пример вычисления двухмерной гистограммы по паре изображений с размером 2x2 пиксела. На первом изображении все четыре пиксела имеют разные значения от 1 до 4, в то время как на втором - все значения равны 1. Таким образом, в анализируемой паре изображений присутствуют следующие пары значений соответственных пикселов: (1 ;1), (2;1), (3;1) и (4;1). Каждая пара встречается лишь один раз, поэтому двухмерная гистограмма равна 1 в точках (1 ;1), (2;1), (3;1), (4;1) и равна 0 в остальных точках. Симметричная ситуация наблюдается в случае, представленном на фиг. 56.
Для вычисления двухмерной гистограммы изображения должны быть предварительно совмещены. Ясно, что в случае анализа двух идентичных изображений, значения соответствующих пикселей будут равны. Это приведёт к тому, что двухмерная гистограмма будет равна 0 везде кроме диагональных элементов. Массив только диагональных элементов в этом случае будет эквивалентен стандартной одномерной гистограмме изображения. При анализе же двух корректно совмещённых реальных изображений одного и того же образца без каких-либо структурных изменений гистограмма не будет диагональной из-за наличия экспериментальной погрешности. Тем не менее, значения в соответственных пикселах будут отличаться друг от друга лишь в пределах экспериментальной ошибки. По этой причине, двухмерная гистограмма будет симметрична относительно своей диагонали, имея на ней свои локальные максимумы. Пример двухмерной гистограммы реальной пары корректно совмещённых трёхмерных изображений приведён на фиг. 6.
Наконец, в случае каких-либо изменений в образце, произошедших в период между первым и вторым сканированием, на двухмерной гистограмме будут возникать ненулевые области, смещённые в сторону от диагонали равных значений (фиг. 7). Следует отличать, случаи внутренних изменений в образце, от случаев некорректного совмещения изображений (или полного его отсутствия). На фиг. 8 приведён пример двухмерной гистограммы при некорректном совмещении двух изображений. Видно, что полученное распределение более-менее симметрично относительно диагонали равных значений, однако часть максимумов расположено в стороне от неё в отличие от фиг. 6.
Таким образом, двухмерная гистограмма может быть вычислена по совмещённым изображениям как с целью оценки типа и характера изменений произошедших в структуре породы, так и для проверки качества совмещения изображений.
Визуальный анализ двухмерных гистограмм оказывается полезен при изучении изменений в породе, произошедших, например, в результате химических реакций, когда отдельные вещества, включая минеральный скелет, могут частично растворяться, менять химический состав, изменяться в размерах. Применительно к рентгеновской томографии все эти изменения приводят к изменению коэффициента поглощения рентгеновского излучения, а, следовательно, могут быть отслежены на двухмерной гистограмме.
Во многих случаях, например, при изучении процессов, связанных с растворением минерала, оказывается полезным ввести характеристику, описывающую глубину повреждений. Соответствующие вычисления могут быть выполнены следующим образом. Осуществляют кластеризацию исходного изображения, как описано выше; вычисляют «преобразование расстояния» (данное преобразование сопоставляет каждому вокселу расстояние от него до ближайшего воксела, соответствующего «пустотному пространству»
[http://en.wikipedia.org/w/index.php?title=Distance transform&oldid=557170713] ) и вычисляют двухмерную гистограмму для разностного изображения и преобразования расстояния.
Кроме того, полученный результат можно упростить до обычной, одномерной гистограммы, вычислив среднее значение разностного изображения для каждого значения преобразования расстояния.
Отдельно стоит отметить случай, когда каждому вокселу изображения можно поставить в соответствие определённый тип вещества. Например, в некоторых случаях тип минерала может быть непосредственно определён из значения коэффициента поглощения рентгеновского излучения в данной точке. Тогда оказывается возможным оценить количество и характер изменений для каждого типа вещества независимо. В качестве примера описано применение способа для оценки сохранности образца породы.
Образец горной породы— песчаника— был отсканирован с помощью рентгеновского микротомографа дважды: в «начальном состоянии» и спустя год хранения в специфических, близких к комнатным, условиях. Затем полученные изображения были совмещены описанным выше способом. На фиг. 9а показан двухмерный срез микротомографического изображения песчаника в исходном состоянии, на фиг. 96— после хранения (изображение совмещено с изображением, показанным на фиг. 9а). На фиг. 9в показано разностное изображение D первого и второго изображений, яркость которого увеличена в 10 раз (D = Ю [ 1х— 12 |). Изменённым областям соответствуют яркие точки. В тёмных областях изменения отсутствуют. Из фигур видно, различия между первым и вторым изображениями фактически сводятся к некоррелированному шуму, что позволяет сделать вывод об отсутствии существенных изменений в поровом пространстве и/или структуре вещества в процессе хранения.
В качестве ещё одного примера ниже описано применение способа для выбора наименее разрушающих методов заморозки образцов горной породы.
В процессе заморозки и последующего оттаивания образование льда из воды в поровом пространстве образца может приводить к различным разрушениям. Выбор наименее повреждающего метода для каждого типа породы— важная часть процесса хранения и транспортировки образцов, существенно влияющая на точность последующих лабораторных исследований. Были исследованы несколько типов заморозки (быстрая - путём помещения образца в жидкий азот, медленная - с постепенным понижением температуры и другие). Каждый тип заморозки был проверен на нескольких типах горных пород. После того, как изображения были совмещены, разностные изображения пород были изучены экспертом, который выбрал наименее повреждающий метод для каждого типа породы.
На фиг. 9а приведено изображение глинистого песчаника в исходном состоянии, на фиг. 96 приведено изображение глинистого песчаника после заморозки, а на фиг. 9в — разностное изображение. Характерные типы изменений отмечены на фиг. 9: 1 - разделение зерна; 2 - разрушение зерна; 3 - миграция частиц; 4 - изменение характера контакта между зёрнами. Среднее расстояние, на которое перемещались отдельные частицы можно оценить как 2-3 их линейных размера. Появление ярких границ на разностном изображении связано с повреждением границ зёрен вещества в процессе заморозки-оттаивания (фиг. 9в).

Claims

Формула изобретения
1. Способ оценки структурных изменений в образце материала в результате воздействия на образец, в соответствии с которым:
сканируют, по меньшей мере, один образец материала и получают первое изображение образца,
осуществляют воздействие на каждый образец,
сканируют каждый образец после воздействия и получают второе изображение каждого образца,
для каждого образца производят совмещение первого и второго изображений в полном разрешении, используя по меньшей мере один фрагмент первого изображения и один фрагмент второго изображения, соответствующих одной и той же области образца,
анализируют совмещённые изображения и производят оценку изменений в каждом образце, произошедших в результате осуществлённого воздействия.
2. Способ по п.1, в соответствии с которым перед совмещением первого и второго изображений в полном разрешении производят предварительное совмещение первого и второго изображений каждого образца в грубом разрешении.
3. Способ по п.1, в соответствии с которым область каждого образца, из которой выбирают совмещаемые фрагменты первого и второго изображений, является предварительно заданной.
4. Способ по п. 1, в соответствии с которым воздействие на образец представляет собой термическое воздействие.
5. Способ по п. 1, в соответствии с которым воздействие на образец представляет собой химическое воздействие.
6. Способ по п. 1, в соответствии с которым воздействие на образец представляет собой механическое воздействие.
7. Способ по п. 1, в соответствии с которым воздействие на образец представляет собой транспортировку образца.
8. Способ по п. 1, в соответствии с которым воздействие на образец представляет собой хранение образца.
9. Способ по п. 5, в соответствии с которым химическим воздействием является экстракция или очистка порового пространства.
10. Способ по п. 1, в соответствии с которым сканирование образца осуществляют посредством рентгеновской компьютерной томографии, нейтронной/позитронной томографии, позитрон-эмиссионной томографии, ядерно-магнитно-резонансной томографии.
1 1. Способ по п. 1 , в соответствии с которым сканирование образца осуществляют посредством электронной микроскопии.
12. Способ по п. 1, в соответствии с которым сканирование образца осуществляют посредством лазерной флуоресцентной микроскопии.
13. Способ по п. 1, в соответствии с которым сканирование образца осуществляют посредством оптической микроскопии.
14. Способ по п. 1, в соответствии с которым сканирование образца осуществляют посредством конфокальной микроскопии.
15. Способ по п. 1, в соответствии с которым сканирование образца осуществляют посредством рамановской микроскопии.
16. Способ по п. 1, в соответствии с которым методы сканирования до и после воздействия отличны друг от друга.
17. Способ по п. 1, в соответствии с которым каждое полученное изображение образца является одномерным.
18. Способ по п. 1, в соответствии с которым каждое полученное изображение образца является двухмерным.
19. Способ по п. 1, в соответствии с которым каждое полученное изображение образца является трёхмерным.
20. Способ по п. 1, в соответствии с которым размерность изображений, полученных до и после воздействия, отличны друг от друга.
21. Способ по п. 1, в соответствии с которым производят предварительную обработку, по меньшей мере, одного из двух полученных изображений образца для устранения искажений.
22. Способ по п. 21, в соответствии с которым в процессе предварительной обработки изображений исправляют масштаб изображений и/или выполняют геометрическую коррекцию.
23. Способ по п. 21, в соответствии с которым в процессе предварительной обработке изображений осуществляют исправление цветовой палитры изображения.
24. Способ по п. 1, в соответствии с которым задают начальное приближение для совмещения изображений.
25. Способ по п. 1, в соответствии с которым анализ совмещённых изображений включает построение двухмерных гистограмм.
26. Способ по п. 1, в соответствии с которым анализ совмещённых изображений включает анализ глубины повреждений.
27. Способ по п. 1, в соответствии с которым анализ совмещённых изображений включает их кластеризацию и проведение усреднения анализируемой величины по кластерам со схожими параметрами.
28. Способ по п. 27, в соответствии с которым анализ совмещённых изображений включает анализ зависимости количества повреждений от размера зерна и особенностей структуры пустотного пространства.
29. Способ по п. 1, в соответствии с которым анализ совмещённых изображений включает анализ гистограммы повреждений отдельно для каждого типа вещества.
30. Способ по п. 1, в соответствии с которым из совмещённых изображений строят разностное изображение.
31. Способ по п. 1, в соответствии с которым образцы подвергают воздействиям разного типа и дополнительно определяют воздействие, вызывающие изменения заданного типа и степени.
32. Способ по п. 1, в соответствии с которым образцы подвергают многократному воздействию одного типа, вносящего изменения в структуру образца с каждым новым воздействием.
33. Способ по п. 1, в соответствии с которым каждая точка получаемых изображений содержит набор значений, характеризующих различные физические свойства образца.
34. Способ по п. 33, в соответствии с которым набором значений в каждой точке изображения является спектр поглощения или испускания электромагнитного излучения в некотором диапазоне длин волн или энергий.
35. Способ по п. 1, в соответствии с которым процедура совмещения использует преобразования подобия с последующей деформацией, что позволяет определить поле деформаций в образце.
PCT/RU2014/000565 2014-07-25 2014-07-25 Способ оценки структурных изменений образца материала в результате воздействия на образец Ceased WO2016013955A1 (ru)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/RU2014/000565 WO2016013955A1 (ru) 2014-07-25 2014-07-25 Способ оценки структурных изменений образца материала в результате воздействия на образец
US15/329,021 US10719734B2 (en) 2014-07-25 2014-07-25 Method for evaluating structural changes of a sample resulting from a treatment of the sample
RU2017100456A RU2673774C2 (ru) 2014-07-25 2014-07-25 Способ оценки структурных изменений образца материала в результате воздействия на образец

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2014/000565 WO2016013955A1 (ru) 2014-07-25 2014-07-25 Способ оценки структурных изменений образца материала в результате воздействия на образец

Publications (1)

Publication Number Publication Date
WO2016013955A1 true WO2016013955A1 (ru) 2016-01-28

Family

ID=55163379

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2014/000565 Ceased WO2016013955A1 (ru) 2014-07-25 2014-07-25 Способ оценки структурных изменений образца материала в результате воздействия на образец

Country Status (3)

Country Link
US (1) US10719734B2 (ru)
RU (1) RU2673774C2 (ru)
WO (1) WO2016013955A1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114965315A (zh) * 2022-05-18 2022-08-30 重庆大学 一种基于高光谱成像的岩体损伤劣化快速评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1245875A1 (ru) * 1984-04-12 1986-07-23 Организация П/Я А-3143 Способ измерени деформаций изделий
RU2184347C2 (ru) * 2000-08-09 2002-06-27 Мазуренко Юрий Тарасович Способ получения изображений внутренней структуры объектов
UA50066A (ru) * 2001-05-23 2002-10-15 Українська Академія Друкарства Способ цветокоррекции компьютерных изображений
US20110181701A1 (en) * 2008-05-23 2011-07-28 The Australian National University Image Data Processing

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2840717A (en) 1953-01-09 1958-06-24 Continental Oil Co Method of determining the porosity of core samples
US4562726A (en) 1984-07-02 1986-01-07 Core Laboratories, Inc. Method and apparatus for testing the compressibility of subterranean samples
JP3478566B2 (ja) 1993-09-16 2003-12-15 株式会社東芝 Ｘ線ｃｔスキャナ
WO2008091242A2 (en) * 2005-12-21 2008-07-31 Uva Patent Foundation Systems and methods of laser texturing and crystallization of material surfaces
JP4890096B2 (ja) * 2006-05-19 2012-03-07 浜松ホトニクス株式会社 画像取得装置、画像取得方法、及び画像取得プログラム
CA2802063A1 (en) * 2010-06-21 2012-03-29 The Regents Of The University Of California Differential interference contrast serial time encoded amplified microscopy
US20150192461A1 (en) * 2012-07-05 2015-07-09 National University Of Singapore Light microscope and method of controlling the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1245875A1 (ru) * 1984-04-12 1986-07-23 Организация П/Я А-3143 Способ измерени деформаций изделий
RU2184347C2 (ru) * 2000-08-09 2002-06-27 Мазуренко Юрий Тарасович Способ получения изображений внутренней структуры объектов
UA50066A (ru) * 2001-05-23 2002-10-15 Українська Академія Друкарства Способ цветокоррекции компьютерных изображений
US20110181701A1 (en) * 2008-05-23 2011-07-28 The Australian National University Image Data Processing

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SERGE BEUCHER ET AL.: "Use of watersheds in contour detection.", IN INTERNATIONAL WORKSHOP ON IMAGE PROCESSING: REAL-TIME EDGE AND MOTION DETECTION., 17 September 1979 (1979-09-17), Renners, France *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114965315A (zh) * 2022-05-18 2022-08-30 重庆大学 一种基于高光谱成像的岩体损伤劣化快速评估方法

Also Published As

Publication number Publication date
RU2017100456A3 (ru) 2018-08-27
US20170220899A1 (en) 2017-08-03
RU2017100456A (ru) 2018-08-27
RU2673774C2 (ru) 2018-11-29
US10719734B2 (en) 2020-07-21

Similar Documents

Publication Publication Date Title
US10223782B2 (en) Digital rock physics-based trend determination and usage for upscaling
US8854430B2 (en) Image data processing
Li et al. Adaptive reconstruction method for three-dimensional orientation imaging
Réthoré et al. Extended three-dimensional digital image correlation (X3D-DIC)
US20090232388A1 (en) Registration of 3d point cloud data by creation of filtered density images
CN105701481B (zh) 一种倒塌建筑物提取方法
US12430901B2 (en) Systems and methods for digital transformation of medical images and fibrosis detection
Zhu et al. A physics-based model for crystal orientation dictionary indexing by directional reflectance microscopy
Zhao et al. Soil pore identification with the adaptive fuzzy C-means method based on computed tomography images
Sun et al. EPCI: A new tool for predicting absolute permeability from computed tomography images
Desrosiers et al. Correlative laser confocal microscopy study and multimodal 2D/3D registration as ground truth for X-ray inspection of internal defects in LPBF manufacturing
CN120071341B (zh) 基于图像识别的注浆材料固结体孔隙率评估方法及系统
Varfolomeev et al. 3D Multiclass digital core models via microCT, SEM-EDS and deep learning
Seifer et al. ClusterAlign: A fiducial tracking and tilt series alignment tool for thick sample tomography
RU2673774C2 (ru) Способ оценки структурных изменений образца материала в результате воздействия на образец
Ben-Noah et al. Efficient pore space characterization based on the curvature of the distance map
Benedetti et al. A two-step inverse scattering procedure for the qualitative imaging of homogeneous cracks in known host media-preliminary results
Kim et al. Automated image classification of minerals using convolutional neural networks
Bagherzadeh et al. Resolution enhancement and segmentation of polar bubbly ice micro CT scans via 3D convolutional neural network
Bunting et al. An area based technique for image-to-image registration of multi-modal remote sensing data
RU2774959C1 (ru) Способ определения фильтрационных свойств неоднородных пористых образцов
AU2021390203A1 (en) Process for identifying a sub-sample and a method for determining the petrophysical properties of a rock sample
Sun et al. DigiFrac: Reconstruction and Quantification of Discrete Fractures in rocks using Micro-CT images
US12456600B2 (en) Scanning electron microscopy-based tomography of specimens
Bitenc et al. Potential and limitations of terrestrial laser scanning for discontinuity roughness estimation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14897911

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 15329021

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2017100456

Country of ref document: RU

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 14897911

Country of ref document: EP

Kind code of ref document: A1