基于机器学习的页岩SEM图像分割方法与流程

基于机器学习的页岩sem图像分割方法
技术领域
[0001]
本发明涉及一种基于机器学习的页岩sem图像分割方法，属于页岩成分表征技术领域。


背景技术：

[0002]
国民经济发展对能源的需求日益攀升，包括页岩油气在内的非常规油气资源越来越受到人们的重视。相比于常规储层，页岩具有超低孔隙度和超低渗透率，富含有机质。页岩储层孔隙类型多种多样，有机质内发育大量的纳米级孔隙和少量天然裂隙，从成因上可将基质孔隙分为有机孔和无机孔。微观孔隙组分含量及其孔径分布是影响页岩储层物性、渗透性和电性的关键参数，准确评价页岩微观结构有助于提高储层评价精度和开发效率。
[0003]
sem测试分辨率高，可用于统计面孔率和孔隙半径分布已发展成为非常规油气储层微观孔隙结构分析的重要方法。在sem的基础上衍生发展出了宽离子束扫描电镜(bib-sem)。宽离子束扫描电镜采用离子束抛光样品表面，将表面划分为一系列网格，对每一网格采用sem扫描建立高分辨率二维图像，拼接所有网格的二维图像建立起大视域高精度二维灰度图像，兼具高分辨率和大视域的特点，为定量分析页岩有机质含量、孔隙度和孔隙结构提供了一种新途径。
[0004]
在bib-sem测试页岩微观结构的实践中，由于页岩中包含有机质、粘土和石英等多种组分，硬度差异大，难以保证抛光后的样品端面完全平整。而二次电子的成像模式除了受到表面成分的影响外，还受到表面形貌的影响，例如尖锐的部分亮度较大，平坦的部分亮度低。因此所获取的sem二维图像中组分边界处存在灰度异常问题，例如孔隙的边缘会出现异常的高灰度值的区域，这导致图像难以精确分割。
[0005]
因此，本发明旨在提供一种先进的页岩图像分割方法以解决现有技术中存在的问题。
[0006]
需要说明的是，上述内容属于发明人的技术认知范畴，并不必然构成现有技术。


技术实现要素：

[0007]
本发明的目的在于解决现有技术所存在的问题，提供了一种基于机器学习的页岩sem图像分割方法，解决了页岩图像中孔隙边缘灰度异常区域的分割问题，图像分割准确度高。
[0008]
本发明通过采取以下技术方案实现上述目的：
[0009]
一种基于机器学习的页岩sem图像分割方法，包括如下步骤：
[0010]
s1、获取页岩的sem二次电子灰度图像；
[0011]
s2、根据页岩的成分特征，建立需要分割的成分类别；
[0012]
s3、在获取的灰度图像中，人工分别选取具有各个成分类别的灰度特征的图像区域，作为训练像素，并标注类别标签；
[0013]
s4、对属于各个成分类别的图像区域通过高斯滤波函数、膜投影滤波函数、双边滤
波函数、kuwahara滤波函数和均值滤波函数进行滤波处理，获取若干个基于像素点灰度的特征值，作为训练数据集，通过每个滤波函数至少获取1个特征；
[0014]
s5、利用训练数据集训练随机森林分类器；
[0015]
s6、采用训练好的随机森林分类器对需要分割的页岩图像进行分割。
[0016]
进一步的，通过高斯滤波函数处理原始图像时，使用高斯函数计算出呈正态分布的3
×
3卷积核，将卷积核与原始图像中各像素的灰度值做卷积运算得到高斯滤波后的特征图像；高斯函数中σ值分别取1、2、4、8、16共5个值，分别对各个σ值对应的卷积核与原图像做卷积运算，获取5个特征值。
[0017]
进一步的，通过膜投影滤波函数处理原始图像时，使用19
×
19的矩阵为初始矩阵，初始矩阵中间列全部设置为1，其余设置为零，每次将初始矩阵旋转6
°
直到180
°
来创建30个卷积核；分别使用30个卷积核与原始图像做卷积运算，得到30个图像，分别通过以下6种方式将30个图像投影到单个图像中，获取6个特征值；
[0018]
(1)每个图像中同一位置像素点的灰度的总和；
[0019]
(2)每个图像中同一位置像素点灰度的平均值；
[0020]
(3)每个图像中同一位置像素点灰度的标准偏差；
[0021]
(4)每个图像中同一位置像素点灰度的中位数；
[0022]
(5)每个图像中同一位置像素点的最大灰度；
[0023]
(6)每个图像中同一位置像素点的最小灰度。
[0024]
进一步的，通过双边滤波函数处理时，邻域像素点分别选择与当前像素点的空间半径为5和10内的像素点，邻域像素点灰度值与当前像素点灰度值的接近度分别设置为50和100，即分别设定空间半径和接近度值为5&50、5&100、10&50、10&100四种情况，计算平均值，获取4个特征值。
[0025]
进一步的，通过kuwahara滤波函数处理原始图像时，使用19
×
19的矩阵为初始矩阵，初始矩阵中间列全部设置为1，其余设置为零；每次将初始矩阵旋转6
°
直到180
°
来创建30个模板，分别使用30个模板对原始图像中的像素点进行掩膜处理，得到30个区域，对所得30个区域计算方差和均值，分别选择“方差”、“方差/均值”和“(方差/均值)
2”最小的区域作为目标区域，模板中心像素点的灰度值等于目标区域中像素点的平均值，获取3个特征值。
[0026]
通过均值滤波函数处理原始图像时，将目标像素点的灰度值分别设置为距离目标像素分别为1、2、4、8、16个像素点半径内的像素点灰度的平均值，获取5个特征值。
[0027]
进一步的，所述成分类别包括孔隙、有机质、无机质骨架和黄铁矿中的一种或多种。
[0028]
进一步的，所述人工选取具有各个成分类别的灰度特征的训练像素包含孔隙边缘灰度异常的部分，将孔隙边缘灰度异常的部分划分到与该区域相邻的非孔隙的成分类别。
[0029]
进一步的，步骤s5中，随机森林分类器的参数设置为：每批处理像素点数量的大小为100-500，优选200；分类树的个数为100-500，优选200；随机使用的特征变量的数量为5-20，优选10。
[0030]
本发明的有益效果包括但不限于：
[0031]
本发明提供的基于机器学习的页岩sem图像分割方法，(1)将灰度图像分割转换为
对像素点分类操作，使用高斯滤波函数、膜投影滤波函数、双边滤波函数、kuwahara滤波函数和均值滤波函数基于空间和比例相关的信息以多种方式描述原始图像中每个像素点及其邻近区域，获得了各像素点多个基于灰度的特征值，构建了高效的训练数据集，提高了所训练的随机森林分类器的准确性。(2)将灰度图像中孔隙边缘灰度异常的区域归入训练像素中并合理划分至相应类别，为提取用于分类的特征提供全面完整的信息，有效解决了样品表面平整度不高造成sem二次电子灰度图像中孔隙边界灰度异常的问题，提高了图像分割精度，适用于不同页岩抛光平面的sem二次电子灰度图像分割。
附图说明
[0032]
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0033]
图1为获取的页岩端面的sem二次电子灰度图像经放大后的图像(内插图为局部放大细节)；
[0034]
图2为本发明实施例1提供的基于机器学习的页岩sem图像分割方法中在图1提供的页岩端面灰度图像中所选择的进行训练的像素(内插图为局部放大细节)；
[0035]
图3为采用本发明实施例1提供的基于机器学习的页岩sem图像分割方法对图1提供的页岩端面灰度图像进行学习分割的结果；
[0036]
图4为采用对比例1提供的分割方法对图1提供的页岩端面灰度图像进行页岩图像分割的结果(内插图为局部放大细节)；
[0037]
图5为对比例2提供的分割方法在图1提供的页岩端面灰度图像中所选择的进行训练的像素；
[0038]
图6为采用对比例2提供的方法对图1提供的页岩端面灰度图像进行页岩图像分割的结果(内插图为局部放大细节)；
[0039]
图7为采用对比例3中所述的传统灰度阈值分割方法对图1提供的页岩端面灰度图像进行分割的结果(内插图为局部放大细节)。
具体实施方式
[0040]
在以下内容中将会对本发明进行进一步的详细描述。但是需要指出的是，以下的具体实施方式仅仅以示例性的方式给出本发明的具体操作实例，但是本发明的保护范围不仅限于此。本发明的保护范围仅仅由权利要求书所限定。本领域技术人员能够显而易见地想到，可以在本发明权利要求书限定的保护范围之内对本发明所述的实施方式进行各种其它的改良和替换，并且仍然能够实现相同的技术效果，达到本发明的最终技术目的。
[0041]
下面将以具体的实施方式对本发明页岩图像分割方法进行详细说明。
[0042]
实施例1：
[0043]
本实施例所提的基于机器学习的页岩sem图像自动分割方法应用于该sem二次电子灰度图像分割，具体步骤如下：
[0044]
s1、获取页岩的sem二次电子灰度图像：
[0045]
具体的，本实施例对页岩采用bib抛光岩心端面，利用sem的二次电子模式成像，获取该页岩的sem二次电子灰度图像，包含1411
×
950个像素点。
[0046]
图1为获取的页岩端面的sem二次电子灰度图像经放大后的图像(内插图为局部放大细节)，图1中最暗(灰度值最小)区域为孔隙，然后依次为有机质、无机质骨架和黄铁矿。
[0047]
将图1中有机质中包围的孔隙放大后发现孔隙边界处灰度异常，孔隙周围存在高亮的区域，其灰度值明显高于周围的有机质，灰度值与图中黄铁矿的灰度区间存在较大重叠。
[0048]
s2、根据图1中页岩端面灰度图像的成分特征，确定需要将其分割的成分类别包括孔隙、有机质、无机质骨架和黄铁矿。
[0049]
s3、在获取的页岩端面灰度图像中，人工选取具有各个成分类别的灰度特征的图像区域作为训练像素，并标注类别标签；训练像素包含孔隙边缘的灰度异常的部分，如图2中所示，孔隙标为a区域，有机质标记为b区域、无机质骨架标为c区域、黄铁矿标记为d区域；选取时，需要将孔隙边缘灰度异常的部分划分到与该区域相邻的非孔隙的成分类别。
[0050]
s4、对属于各个成分类别的图像区域通过高斯滤波函数、膜投影滤波函数、双边滤波函数、kuwahara滤波函数和均值滤波函数进行滤波处理，获取若干个基于像素点灰度的特征值用于构建训练数据集，通过每个滤波函数至少获取1个特征；其中，高斯滤波函数、膜投影滤波函数、双边滤波函数、kuwahara滤波函数和均值滤波函数在对原始图像进行处理的目的及各项参数为：
[0051]
高斯滤波通过使用高斯函数来减少噪声水平，通过高斯滤波函数处理原始图像时，使用高斯函数计算出呈正态分布的3
×
3卷积核，将卷积核与原始图像中各像素的灰度值做卷积运算得到高斯滤波后的特征值；高斯函数中σ值分别取1、2、4、8、16共5个值，分别对各个σ值对应的卷积核与原图像做卷积运算，获取5个特征值。
[0052]
膜投影滤波通过定向过滤增强图像的膜状结构，通过膜投影滤波函数处理原始图像时，使用19
×
19的矩阵为初始矩阵，初始矩阵中间列全部设置为1，其余设置为零，每次将初始矩阵旋转6
°
直到180
°
来创建30个卷积核；分别使用30个卷积核与原始图像做卷积运算，得到30个图像，分别通过以下6种方式将30个图像投影到单个图像中，获取6个特征值；
[0053]
(1)每个图像中同一位置像素点的灰度的总和；
[0054]
(2)每个图像中同一位置像素点灰度的平均值；
[0055]
(3)每个图像中同一位置像素点灰度的标准偏差；
[0056]
(4)每个图像中同一位置像素点灰度的中位数；
[0057]
(5)每个图像中同一位置像素点的最大灰度；
[0058]
(6)每个图像中同一位置像素点的最小灰度。
[0059]
双边滤波通过对当前像素邻域的灰度值与当前像素接近的各个像素灰度值进行平均，通过双边滤波函数处理时，邻域像素点分别选择与当前像素点的空间半径为5和10内的像素点，邻域像素点灰度值与当前像素点灰度值的接近度分别设置为50和100，即分别设定空间半径和接近度值为5&50、5&100、10&50、10&100四种情况，计算平均值，获取4个特征值。
[0060]
kuwahara滤波通过计算图像模板中邻域内的均值和方差，选择图像灰度值较为均匀的区域的均值替代模板中心像素灰度值，通过kuwahara滤波函数处理原始图像时，使用
19
×
19的矩阵为初始矩阵，初始矩阵中间列全部设置为1，其余设置为零；每次将初始矩阵旋转6
°
直到180
°
来创建30个模板，分别使用30个模板对原始图像中的像素点进行掩膜处理，得到30个区域，对所得30个区域计算方差和均值，分别选择“方差”、“方差/均值”和“(方差/均值)
2”最小的区域作为目标区域，模板中心像素点的灰度值等于目标区域中像素点的平均值，获取3个特征值。
[0061]
均值滤波对目标像素及周边像素取平均值后再填回目标像素实现滤波，通过均值滤波函数处理原始图像时，将目标像素点的灰度值分别设置为距离目标像素分别为1、2、4、8、16个像素点半径内的像素点灰度的平均值，获取5个特征值。
[0062]
可见，本实施例通过高斯滤波函数、膜投影滤波函数、双边滤波函数、kuwahara滤波函数和均值滤波函数五个图像处理函数总共获得的特征个数为23个。
[0063]
s5、利用训练数据集训练随机森林分类器；训练数据集为非平衡数据集；随机森林分类器的参数设置为：每批处理像素点数量的大小为200；分类树的个数为200；随机使用的特征的数量为10。随机森林分类器训练过程中，使用信息增益、信息增益比或者基尼指数作为准则构建若干决策树，每个决策树构建时均从训练数据集中有放回的抽取样本作为训练集，例如使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阈值，构建出若干决策树，构成随机森林，按照多棵树投票决定最终分类结果。
[0064]
s6、采用训练好的随机森林分类器对需要分割的页岩图像进行分割，分割结果如图3中所示，将图3与图1对比可见，分类器可自动识别和划分孔隙、有机质、无机质骨架和黄铁矿，分割的图像中没有出现孔隙边缘灰度异常的现象，孔隙边缘灰度异常的区域已经被准确的分类。
[0065]
对比例1：
[0066]
对比例1与实施例1的不同之处在于：步骤s4及s5中，采用高斯模糊、sobel滤波、hessian矩阵、高斯差、方差图像处理方法对原始图像进行处理并提取特征构建训练数据集后进行学习分割的结果，从图4中可见有机质内的孔隙被错误的分类为无机质骨架。
[0067]
对比例2：
[0068]
本对比例2与实施例1的不同之处在于：如图5中所示，步骤s3中选取训练像素时未对边缘灰度异常的区域进行划分。从图6的分割结果中可见分割结果中边缘灰度异常的现象没有解决，训练像素不同的选择方式会带来截然不同的结果。
[0069]
对比例3：
[0070]
对比例3中采用传统的灰度阈值分割方法对图1进行分割，从图7中可见传统的灰度阈值分割方法把属于有机质的部分错误的划分为了黄铁矿，把属于无机质骨架的区域也划分为了黄铁矿，造成了图像的误分割。
[0071]
将本发明实施例1提供的分割方法与对比例1-3比较可知，本发明实施例1提供的分割方法的分割结果与实际情况符合，解决了由于样品表面平整度引起的孔隙边缘灰度异常的问题。
[0072]
上述具体实施方式不能作为对本发明保护范围的限制，对于本技术领域的技术人员来说，对本发明实施方式所做出的任何替代改进或变换均落在本发明的保护范围内。
[0073]
本发明未详述之处，均为本技术领域技术人员的公知技术。