專利名稱：一種巖石種類的識別方法
技術領域：
本發(fā)明提出了一種巖石種類的識別方法，可以應用于石油勘探、FMI圖像處理、智 能測井儀器研制等領域。
背景技術：
隨著油氣勘探對象的日益復雜，在很多情況下利用傳統(tǒng)測井方法會存在對探井有 效層難以識別、儲量參數(shù)探測精度不高等問題，嚴重影響了油氣儲量的客觀評價。FMI成像 技術不僅提供了裂縫型油藏豐富的地質信息，而且能夠用于裂縫型儲層的定性識別和定量 解釋，為儲層的客觀評價提供了有效的手段。FMI (Formation Microresistivity Imager，微電阻率掃描成像)測井技術，就是 利用電極向井壁地層發(fā)射電流，然后對該電流進行測量、處理，形成彩色或灰度等級的圖 像，最后根據(jù)電流、電阻率、及圖像顏色之間的關系，獲得井壁的有效信息。由于電極接觸的 巖石成分、結構及所含的流體不同，由此引起電流的變化，而電流的變化間接反映出井壁各 處的巖石電阻率的變化，即可以根據(jù)地層中巖性和地質特征表現(xiàn)出的不同的電阻率，確定 地層巖性和地質特征。電阻率差異越大，圖像的反映越明顯高電阻率巖性對應淺色圖像； 低電阻率的巖性和充滿鉆井液的裂縫對應深色圖像。因此，F(xiàn)MI測井技術能夠對井筒周圍 地層介質直觀、清晰、高分辨率地成像，有助于解決當前測井技術面臨的三大地質難題沙 泥巖薄互層、儲層的有效劃分，裂縫性油藏的裂縫和儲集性能分析，復雜巖性油藏的參數(shù)評 價。但是，目前我國對FMI成像資料的處理還停留在人工識別的層面，不僅工作量大、 效率低下，而且受到識別人員知識、經(jīng)驗的限制，主觀性大，特別是在缺乏大量具備專業(yè)知 識和一定經(jīng)驗的地質工作者的單位，該技術更是無法發(fā)揮其優(yōu)勢，這無疑大大制約了該技 術的推廣和應用。因此，研究高效智能化的FMI圖像識別系統(tǒng)對推動我國石油勘探工作具 有重要的意義。其中識別系統(tǒng)的巖石分類標準是由地質工作者根據(jù)巖石圖像的結構、顏色 等特征人為規(guī)定的，即將巖石分為6類熔結集塊巖、熔巖、凝灰?guī)r、角礫凝灰?guī)r、火山角礫 巖、熔蝕角礫巖。然而，由于FMI圖像所含信息量大，顏色、紋理、形狀特征不明顯，加之巖石 種類之間存在一定的相似性，如凝灰?guī)r和凝灰角礪巖等，為FMI圖像的智能識別帶來了極 大的困難。雖然，目前數(shù)字圖像處理技術得到了迅速的發(fā)展，取得了許多重要的成果，但是 該技術在巖石圖像特征提取、智能識別方面研究較少。因此，如何提取FMI圖像的有效特 征，合理表達不同巖石種類之間的區(qū)別，是研制高效智能化的FMI圖像識別系統(tǒng)的關鍵內(nèi) 容和重要組成部分，也為該領域的研究提供了新的方法和技術。參考文獻(1)楊長春，許大華，遲秀榮.微電阻率掃描成像測井方法應用及發(fā)展前景.地球 物理學進展，2005，20 (2) 357-364.(2)葉志紅，陸江蓮，施興建.微電阻率掃描成像測井在火成巖巖性識別中的應 用.國外測井技術，2009，173:15-16.
(3)陳永強，陸安生，胡漢平.基于分形的圖像分析方法綜述.計算機工程與設計， 2005,26(7) 1781-1783.(4)郝敏，麻碩士 .盒維數(shù)在圖像處理中的應用.第二屆國際計算機及計算技術在 農(nóng)業(yè)中的應用研討會，2008，24-27.

發(fā)明內(nèi)容
本發(fā)明提出了一種巖石種類的識別方法，以解決現(xiàn)有技術中存在的以下技術問 題FMI圖像所含的信息量大，顏色特征、紋理特征、形狀特征不明顯，巖石種類之間存在一 定的相似性，難以表達不同巖石種類之間的區(qū)別等。為解決上述技術問題，本發(fā)明所述的巖石種類的識別方法，包括以下步驟(1. 1)對待識別巖石的FMI彩色圖像A進行濾波、去噪、平滑預處理，并將所述FMI 彩色圖像A轉換化為FMI灰度圖像B ；(1. 2)根據(jù)巖石FMI灰度圖像所共有的黑色區(qū)域、白色區(qū)域和中間過渡色區(qū)域分 三個灰度值區(qū)間聚集的特點，設定對所述FMI灰度圖像B進行Carmy邊緣檢測用的三個閾 值 θ^ 92和 θ3;(1.3)將所述閾值θ” 02和θ3分別與Carmy算子結合，對所述FMI灰度圖像B 重復進行三次Carmy邊緣檢測，從而得到三種邊緣檢測圖像Q、C2和C3 ；(1. 4)根據(jù)所述邊緣檢測圖像CpC2和C3，利用盒維數(shù)特征計算方法求取所述待識 別巖石的三種盒維數(shù)特征；(1. 5)將獲得的所述待識別巖石的所述盒維數(shù)特征與訓練集中的多種已知種類巖 石樣本的盒維數(shù)特征值進行比較，利用最近鄰分類器對所述待識別巖石的種類進行識別。此外，根據(jù)本發(fā)明所述的巖石種類的識別方法，所述閾值θ” 02和03的設定方 法包括以下步驟(2. 1)從具有M幅FMI彩色圖像的圖像庫中隨機選擇一幅FMI彩色圖像D，并將該 FMI彩色圖像D轉化為FMI灰度圖像E ；(2. 2)將所述FMI灰度圖像E轉化為直方圖，其中橫坐標是灰度值，范圍為0 255，縱坐標為在所述FMI灰度圖像E中各灰度值出現(xiàn)的概率；(2. 3)以所述直方圖在橫坐標軸上最左側的點Ph1為起點，沿橫坐標軸對所述 FMI灰度圖像E的灰度值進行聚集，其中，點Pi為所述直方圖橫坐標軸上的相應灰度值概率 不為0的點，設定δ為灰度值聚集的閾值區(qū)間，且15 < δ <30，當所述直方圖在橫坐標 軸上的點Pi = 2與點Pi =工的灰度值滿足Pi+1 < Pi+ δ的關系時，保存點Pi =工和Pi = 2的灰度 值；如果不滿足上述關系，則不保存點Ph1和Pi = 2的灰度值，而令i = i+Ι，重新進行上述 比較，直至所述直方圖在橫坐標軸上最右側的點Pi,同時，將連續(xù)保存3個以上點Pi的灰度 值區(qū)間記為一個聚集區(qū)間，得到黑色、中間過渡色和白色三個聚集區(qū)間，并將所述三個聚集 區(qū)間沿橫坐標軸的順序依次排列保存；(2. 4)重復步驟(2. 1) (2. 3)，直至對所述圖像庫中的所述M幅FMI彩色圖像都 進行灰度值聚集；(2. 5)對每一幅所述FMI灰度圖像E的所述三個聚集區(qū)間的灰度值分別求和，以求 取所述三個聚集區(qū)間各自的灰度平均值，然后，對M幅所述FMI灰度圖像E的相同聚集區(qū)間的灰度平均值相加，求取該聚集區(qū)間的總體灰度平均值，該總體灰度平均值即為該聚集區(qū) 間的邊緣檢測閾值。根據(jù)本發(fā)明所述的巖石種類的識別方法，所述盒維數(shù)特征計算方法包括以下步 驟(3.1)針對所述邊緣檢測圖像Cp(2和(3，從k= 1開始，用kXk像素大小的矩陣 覆蓋所述邊緣檢測圖像CpC2和C3,然后統(tǒng)計穿過該圖像中的巖石邊緣的矩陣的個數(shù)Nk，然 后令k = k+Ι，重新覆蓋所述邊緣檢測圖像Q、C2和C3，直到k的值等于該邊緣檢測圖像的 最短邊的長度h，分別記錄所述邊緣檢測圖像Q、C2和C3中的每一幅的所有k和Nk的值；(3. 2)用最小二乘法對所述邊緣檢測圖像CpC2和C3中的每一幅的所有k和Nk的 值進行取對數(shù)曲線擬合，擬合后的曲線為lnNk = alnk+b，該直線的負斜率-a即為所述FMI 彩色圖像的盒維數(shù)特征值。根據(jù)本發(fā)明所述的巖石種類的識別方法，所述最近鄰分類器是在多種已知種類巖 石樣本訓練集中找到盒維數(shù)特征值與待識別巖石的所述盒維數(shù)特征值之間的距離最小的 樣本，從而將該樣本的所述種類作為所述待識別巖石的所屬種類。采用所述最近鄰分類器進行巖石種類識別的具體方法為在m個巖石種類ω” ω2，…，ωω中，每類設置N個FMI彩色圖像樣本作為訓練集，首先，根據(jù)公式(1)，將所述待 識別巖石的所述盒維數(shù)特征值分別與所述每類的所述N個FMI彩色圖像樣本的盒維數(shù)特征 值進行比較，以從所述每類的所述N個FMI彩色圖像樣本中獲得盒維數(shù)特征值的距離的最 小值
權利要求
一種巖石種類的識別方法，包括以下步驟(1.1)對待識別巖石的FMI彩色圖像A進行濾波、去噪、平滑預處理，并將所述FMI彩色圖像A轉換化為FMI灰度圖像B；(1.2)根據(jù)巖石FMI灰度圖像所共有的黑色區(qū)域、白色區(qū)域和中間過渡色區(qū)域分三個灰度值區(qū)間聚集的特點，設定對所述FMI灰度圖像B進行Canny邊緣檢測用的三個閾值θ1、θ2和θ3；(1.3)將所述閾值θ1、θ2和θ3分別與Canny算子結合，對所述FMI灰度圖像B重復進行三次Canny邊緣檢測，從而得到三種邊緣檢測圖像C1、C2和C3；(1.4)根據(jù)所述邊緣檢測圖像C1、C2和C3，利用盒維數(shù)特征計算方法求取所述待識別巖石的三種盒維數(shù)特征；(1.5)將獲得的所述待識別巖石的所述盒維數(shù)特征與訓練集中的已知種類巖石樣本的盒維數(shù)特征值進行比較，利用最近鄰分類器對所述待識別巖石的種類進行識別。
2.根據(jù)權利要求1所述的巖石種類的識別方法，其特征在于，所述閾值θ”02和θ3 的設定方法包括以下步驟(2. 1)從具有M幅FMI彩色圖像的圖像庫中隨機選擇一幅FMI彩色圖像D，并將該FMI 彩色圖像D轉化為FMI灰度圖像E ；(2. 2)將所述FMI灰度圖像E轉化為直方圖，其中橫坐標為灰度值，范圍為0 255，縱 坐標為在所述FMI灰度圖像E中各灰度值出現(xiàn)的概率；(2. 3)以所述直方圖在橫坐標軸上最左側的點Pi = ！為起點，沿橫坐標軸對所述FMI灰 度圖像E的灰度值進行聚集，其中，點Pi為所述直方圖橫坐標軸上的相應灰度值概率不為 0的點，設定δ為灰度值聚集的閾值區(qū)間，且15 < δ <30，當所述直方圖在橫坐標軸上的 點Pi = 2與點Pi =工的灰度值滿足Pi+1 < Pi+ δ的關系時，保存點Pi =工和Pi = 2的灰度值；如 果不滿足上述關系，則不保存點Ph1和Pi = 2的灰度值，而令i = i+Ι，重新進行上述比較， 直至所述直方圖在橫坐標軸上最右側的點Pi,同時，將連續(xù)保存3個以上點Pi的灰度值區(qū) 間記為一個聚集區(qū)間，得到黑色、中間過渡色和白色三個聚集區(qū)間，并將所述三個聚集區(qū)間 沿橫坐標軸的順序依次排列保存；(2. 4)重復步驟(2. 1) (2. 3)，直至對所述圖像庫中的所述M幅FMI彩色圖像都進行 灰度值聚集；(2. 5)對每一幅所述FMI灰度圖像E的所述三個聚集區(qū)間的灰度值分別求和，以求取所 述三個聚集區(qū)間各自的灰度平均值，然后，對M幅所述FMI灰度圖像E的相同聚集區(qū)間的灰 度平均值相加，以求取該聚集區(qū)間的總體灰度平均值，該總體灰度平均值即為該聚集區(qū)間 的邊緣檢測閾值。
3.根據(jù)權利要求1所述的巖石種類的識別方法，其特征在于，所述盒維數(shù)特征計算方 法包括以下步驟(3. 1)針對所述邊緣檢測圖像CpC2和C3，從k = 1開始，用kXk像素大小的矩陣覆蓋 所述邊緣檢測圖像CpC2和C3,然后統(tǒng)計穿過該圖像中的巖石邊緣的矩陣的個數(shù)Nk，然后令 k = k+Ι，重新覆蓋所述邊緣檢測圖像CpC2和C3,直到k的值等于該邊緣檢測圖像的最短邊 的長度h為止，分別記錄所述邊緣檢測圖像Q、C2和C3中的每一幅的所有k和Nk的值； (3. 2)用最小二乘法對所述邊緣檢測圖像CpC2和C3中的每一幅的所有k和Nk的值進行取對數(shù)曲線擬合，擬合后的曲線為=InNk = alnk+b，該直線的負斜率-a即為所述FMI彩 色圖像的盒維數(shù)特征值。
4.根據(jù)權利要求1所述的巖石種類的識別方法，其特征在于，所述最近鄰分類器是在 多種已知種類巖石樣本訓練集中找到盒維數(shù)特征值與所述待識別巖石的所述盒維數(shù)特征 值之間的距離最小的樣本，從而將該樣本的所屬種類作為待識別巖石的所屬種類。
5.根據(jù)權利要求4所述的巖石種類的識別方法，其特征在于，采用所述最近鄰分類器 進行巖石種類識別的具體方法為在m個巖石種類ω” ω2，…，ωω中，每類設置N個FMI彩色圖像樣本作為訓練集，首 先，根據(jù)公式(1)，將所述待識別巖石的所述盒維數(shù)特征值分別與所述每類的所述N個FMI 彩色圖像樣本的盒維數(shù)特征值進行比較，以從所述每類的所述N個FMI彩色圖像樣本中獲 得盒維數(shù)特征值的距離的最小值；
6.根據(jù)權利要求5所述的巖石種類的識別方法，其特征在于，當出現(xiàn)多個最終最小值 時，即，獲得不止一個&(χ)時，則將多個所對應的巖石種類中的任一種作為待識別巖 石的種類。
全文摘要
本發(fā)明提供一種巖石種類的識別方法，包括以下步驟(1)對待識別巖石的FMI彩色圖像進行預處理，并將其轉換化為FMI灰度圖像；(2)設定對FMI灰度圖像進行Canny邊緣檢測用的三個閾值；(3)以三個閾值對FMI灰度圖像進行三次Canny邊緣檢測；(4)利用盒維數(shù)特征計算方法求取待識別巖石的三種盒維數(shù)特征；(5)根據(jù)所求得的待識別巖石的盒維數(shù)特征，利用最近鄰分類器對待識別巖石的種類進行識別。該方法為FMI圖像的智能識別鑒定了基礎，推進了高效智能化的FMI圖像識別系統(tǒng)的研究，間接促進了FMI測井技術的普及與推廣?？蓮V泛的應用于石油勘探、FMI圖像處理、智能測井儀器研制等方面。
文檔編號G06K9/00GK101950359SQ20101029904
公開日2011年1月19日 申請日期2010年10月8日 優(yōu)先權日2010年10月8日
發(fā)明者殷緒成, 王志彬, 邱曉寧, 郝紅衛(wèi) 申請人:郝紅衛(wèi);王志彬;殷緒成