基于和差直方圖的巖屑紋理分析與分類識別*

楊曉明,李文東,慈興華,張 衛(wèi),王東強,鄭榮兒**

(1.中國海洋大學(xué)光學(xué)光電子實驗室,山東青島266100;2.勝利石油管理局地質(zhì)錄井公司,山東東營257064)

基于和差直方圖的巖屑紋理分析與分類識別*

楊曉明1,李文東1,慈興華2,張 衛(wèi)2,王東強1,鄭榮兒1**

(1.中國海洋大學(xué)光學(xué)光電子實驗室,山東青島266100;2.勝利石油管理局地質(zhì)錄井公司,山東東營257064)

隨著PDC鉆頭的推廣使用,傳統(tǒng)的巖屑錄井方法已難以分析如此細小的巖屑?；跀?shù)字圖像處理技術(shù)對巖屑分類識別技術(shù)進行研究,首先利用和差直方圖統(tǒng)計方法對巖屑進行紋理特征分析和提取,接著運用貝葉斯分類器進行分類識別,實驗結(jié)果表明,此統(tǒng)計特征提取方法對于大部分巖屑可以很好地獲取其主要特征,并最終取得理想的識別結(jié)果。此技術(shù)的發(fā)展將提高現(xiàn)場錄井人員的工作效率和識別準(zhǔn)確率。

巖屑;巖性;和差直方圖;識別

巖屑的描述是地質(zhì)錄井過程中獲取關(guān)鍵性地質(zhì)參數(shù)的主要途徑,其中,巖性的識別[1]可以探知地層結(jié)構(gòu)的各項信息,含油性的識別則關(guān)系到油氣的顯示和評價。至今,各大油田現(xiàn)場錄井中的巖屑分類識別部分,仍舊依靠肉眼進行,其工作經(jīng)驗可表述為:“大段攤開,宏觀細挑,遠看顏色,近看巖性,干濕結(jié)合,挑分巖性,分層定名,按層描述”[2]。然而近幾年,為了更高效益的追求,鉆井中紛紛采用了PDC鉆頭(Polycrystalline Diamond Compact Bit)[3-5],一方面它對巖石的切削能力,使鉆得的巖屑十分細小;另一方面,其轉(zhuǎn)速更快,鉆井效率大大提高。這無形中給現(xiàn)場錄井人員帶來了提高工作效率的迫切愿望,同時也使得傳統(tǒng)巖屑的描述方法更加困難,因此一種高效、高精確度的巖屑描述新技術(shù)成為現(xiàn)今錄井行業(yè)中技術(shù)突破的重大課題。

鑒于技術(shù)上的需求,基于現(xiàn)代數(shù)字圖像處理技術(shù)的借助于計算機的新型巖屑描述技術(shù)正迅速發(fā)展起來。目前,數(shù)字圖像處理技術(shù)[6]已廣泛地應(yīng)用于醫(yī)學(xué)圖像、衛(wèi)星遙感、數(shù)字圖書館和工業(yè)鑄件等領(lǐng)域中,是近年來的研究熱點之一,其主要方法就是通過對圖像的紋理空間結(jié)構(gòu)進行各種統(tǒng)計分析,以獲得其中有用的宏觀和微觀信息[7]。紋理是像素灰度級變化具有的空間規(guī)律性的視覺表現(xiàn),其識別方法很多,從特征提取上,人們提出了直方圖、灰度共生矩陣[8]、馬爾可夫隨機場模型[9]和小波變換[10]等多種方法;根據(jù)采用的分類器不同,人們提出了神經(jīng)網(wǎng)絡(luò)分類[11]、貝葉斯分類[12]、學(xué)習(xí)向量量化網(wǎng)絡(luò)[13]、支持向量機[14]等識別方法。而直方圖[15],作為圖像處理最基本的工具,是用統(tǒng)計的方法對圖像紋理分布進行表征,運算簡單,效率高,具有平移、旋轉(zhuǎn)和縮放不變性[7]。由基本的直方圖出發(fā),至今,又發(fā)展了灰度直方圖、灰度差分直方圖、和差直方圖[16-19]等。其中和差直方圖是目前發(fā)展較為完善,被大家廣為應(yīng)用的一門技術(shù),但由于其中參數(shù)的不確定性,而使得最終識別結(jié)果也具有優(yōu)劣之分。本文通過對多幅圖像不同參數(shù)值的選取比較,最終確定出適合巖屑的最優(yōu)和差直方圖特征提取方案,并進行了巖屑主要特征的提取,最終通過應(yīng)用貝葉斯分類器對巖屑樣品進行分類,以驗證此方案的有效性,并為巖屑描述新技術(shù)提供技術(shù)支持。

1 方法

和差直方圖描述圖像中一定方向、一定距離上相鄰點灰度之間和與差的概率分布情況。紋理圖像分布有一定的規(guī)律(對方向、距離而言),而和差直方圖反映了灰度圖像關(guān)于方向、相鄰間隔、變化幅度的綜合信息,它是分析圖像的局部模式和它們排列規(guī)律的基礎(chǔ),從它出發(fā),可以提取描述圖像紋理的一系列特征[16]。

對于1個K×V的紋理圖像,灰度級為G(G=1,2,……L),考慮2個圖像的元素y1=yk,l和y2=yk+d1,l+d2,(d1,d2)∈D,這里D是要被分析的紋理區(qū)域。對于1個相對的偏移(d1,d2),和差被定義如下:

從(1)和(2),可以定義2個[2L-1]維矩陣,歸一化的和差直方圖如下:

由于一幅圖像的紋理信息包含在圖像中點與點之間的灰度關(guān)系上,因此需要選取合適的2點之間的距離d和方向來反映圖像的紋理特征。為了簡單,只取0,45,90,135(°)共4個方向。由于相反的方向產(chǎn)生相同的和差直方圖矩陣,因此每一個直方圖矩陣只需計算其相應(yīng)的4個方向(d1,d2)=(d,0),(d,d),(0,d),(-d,d)(見圖1)。

圖1 1個元素8個鄰域(距離為d)方向的表示方法Fig.1 Representation of the neighborhood(the distance isd)directions of a pixel

表1 列出了所提取的特征參數(shù)及其表達式[17]。

表1 特征量Table 1 Statistical parameters

其中,均值,反映紋理圖像總體灰度的平均水平。方差,反映灰度分布的離散程度。能量,反映圖像所具有的信息量,若圖像是等概率分布的,則具有最小的能量。相關(guān),能夠用來衡量和差直方圖的元素在行的方向或列的方向的相似程度。熵,反映圖像所具有的信息量,若圖像是等概率分布的,則具有最大的熵。對比度,可理解為圖像的清晰度,即紋理的清晰程度。在圖像中,紋理的溝紋越深,則其對比度越大,圖像越清晰醒目。

2 實驗

2.1 實驗裝置

圖像采集系統(tǒng)是配以Canon Macro MP-E 65mm f/2.8 1-5X的Canon EOS 20D照相機。Canon Macro MP-E 65mm f/2.8 1-5X是佳能的微距鏡頭,焦距范圍是65 mm,最大光圈是f/2.8,能夠放大1～5倍。在拍攝過程中鏡頭到巖屑的距離為8 cm,景深為4 mm,放大倍數(shù)為1.66倍,這樣就能保證每0.5 mm的像素數(shù)為128。照明光源采用環(huán)形節(jié)能燈,環(huán)形節(jié)能燈比自然光穩(wěn)定,與白熾燈比較,其無頻閃,并且環(huán)形可以避免巖屑陰影的出現(xiàn)。

2.2 實驗樣品

實驗樣品選用油田鉆井地質(zhì)資料公司提供的《巖譜色譜集》中的12號灰綠色泥巖、17號淺灰黃色灰質(zhì)泥巖、18號淺灰色白云質(zhì)泥巖、19號綠灰色含膏泥巖、20號灰色石膏質(zhì)泥巖、25號灰白色粉砂巖、26號灰白色灰質(zhì)粉砂巖、29號灰白色粉細砂巖、31號灰白色中砂巖、35號灰白色石英砂巖共10中標(biāo)準(zhǔn)巖屑樣品。

3 實驗結(jié)果與分析

在同一條件下,對所選取的每一種樣品拍攝了圖片。從每幅圖片中截取了若干個128×128像素的小圖片作為待分析的圖片(如圖2所示,其中第一排的5幅巖屑圖片是泥巖圖片,第二排的5幅巖屑圖片是砂巖圖片),所截取的圖片均為巖屑圖片,不包含背景和巖屑的邊緣。每一類的泥巖和砂巖均截取了51幅,總共510幅圖片。

圖2 所取泥巖和砂巖示例Fig.2 The samples of mudstone and sandstone

對圖片進行處理運算的具體的流程見圖3。

圖3 基于和差直方圖的巖屑分類識別流程圖Fig.3 Flow process chart of recognition of cuttings based on sum and difference histograms

首先是對一定方向、一定距離上相鄰點灰度之間的和與差的概率進行統(tǒng)計。為了簡化運算過程,在進行概率統(tǒng)計時直接將方向取為0,45,90,135(°)4個方向。為了忽略方向差異的影響,使特征參數(shù)值成為與圖像旋轉(zhuǎn)無關(guān)的量,計算的特征參數(shù)值取0,45,90,135(°)4個方向的平均值。

對于d的選取,取510幅標(biāo)準(zhǔn)砂巖樣品和標(biāo)準(zhǔn)泥巖樣品進行確定,d取了不同的值。由于10個樣品共510幅圖片在同一幅圖片中顯得太繁雜,且d取太大的值不能反映圖片的信息,為此,每種樣品只選取了1幅圖片且d選取了15個不同數(shù)值。d選取15個不同數(shù)值時的5個標(biāo)準(zhǔn)砂巖樣品和5個標(biāo)準(zhǔn)泥巖樣品的特征參數(shù)值隨d增大的變化情況見圖4(圖中橫坐標(biāo)表示所取的距離d的值,縱坐標(biāo)為各特征量的值)。

圖4 特征量隨d的變化Fig.4 Change of the statistical parameters withd

從圖中可以看出,當(dāng)像素間距離d=1～15時,均值、方差、能量、相關(guān)、熵、對比度、一致性的值均受到一定影響;均值、方差、相關(guān)受到的影響較小。隨著d的增大,能量和一致性呈明顯的下降趨勢,而熵和對比度則呈明顯的上升趨勢,可以發(fā)現(xiàn),方差、相關(guān)、能量、以及一致性在d=2時變化較大,而在d=3時樣品的某些特征量的值重疊較嚴(yán)重,從d=4開始體現(xiàn)出較好的魯棒性,具有較好的代表性,因此選擇距離d=4[20]。

針對上述方法所提取的特征量,采用貝葉斯分類器進行分類測試。通過所得的識別率對此特征提取方法進行驗證。第一次測試實驗中,訓(xùn)練樣本為全部實驗樣品,測試樣品為其中的一部分。第二次實驗,訓(xùn)練樣本為2/3實驗樣品,測試樣本為剩余的實驗樣品。具體編號見表2和3。

采用和差直方圖方法提取特征量,通過貝葉斯分類器進行分類后的結(jié)果見表2(砂巖和泥巖樣品均標(biāo)以1#、2#、3#、……、255#)。

表2 砂巖和泥巖樣品的識別率Table 2 The discrimination of the mudstone and sandstone

由表2可以發(fā)現(xiàn),有的類別的泥巖識別率相當(dāng)?shù)?如第三種泥巖18號淺灰色白云質(zhì)泥巖和第五種泥巖20號灰色石膏質(zhì)泥巖,第一種砂巖25號灰白色粉砂巖識別率也比較低。

通過對比分析各泥巖和各砂巖的圖片,發(fā)現(xiàn)18號淺灰色白云質(zhì)泥巖(即圖2中第一排的左起第三個)較其它泥巖的顏色淺些,用肉眼來觀察,幾乎接近于砂巖的顏色。而20號灰色石膏質(zhì)泥巖(即圖2中第一排的右起第一個),用肉眼來觀察,顏色與其它泥巖很接近,但為什么識別率僅為62%呢。原因是該灰色石膏質(zhì)泥巖的成分是以泥巖為主,但含有較多的白色豆?fàn)铍[晶質(zhì)石膏粒。由于石膏粒的存在,因此判別起來識別率就會降低。而對于25號灰白色粉砂巖,由圖2(第二排左起第一個)可以看出,它的顏色較泥巖淺些,較砂巖深一些,因此它的識別率也不高。由此可以發(fā)現(xiàn),對于顏色既接近于泥巖又接近于砂巖的巖屑,識別起來較困難;對于含有較多其它物體的巖屑,識別率也不會高。因此,認為該方法能夠很準(zhǔn)確地識別出12號灰綠色泥巖、17號淺灰黃色灰質(zhì)泥巖、19號綠灰色含膏泥巖、29號灰白色粉細砂巖、31號灰白色中砂巖和35號灰白色石英砂巖。

為了最終確定和差直方圖方法對于巖屑巖性特征描述所起的作用,以上面能準(zhǔn)確識別的6類巖屑重新作為實驗樣品。運用和差直方圖進行特征提取,并運用貝葉斯分類器進行分類,結(jié)果見表3(樣品重新進行編號)。

表3 砂巖和泥巖樣品的識別率Table 3 The discrimination of the mudstone and sandstone

由表3可以發(fā)現(xiàn),泥巖和砂巖的識別率均較高,泥巖的平均識別率為100%,砂巖的平均識別率為98.70%。因此運用和差直方圖方法進行巖屑特征提取能夠準(zhǔn)確地識別出灰綠色泥巖、淺灰黃色灰質(zhì)泥巖、綠灰色含膏泥巖、灰白色粉細砂巖、灰白色中砂巖和灰白色石英砂巖。

4 結(jié)論與討論

利用和差直方圖方法對標(biāo)準(zhǔn)石油巖屑樣品進行特征提取,并利用貝葉斯分類器進行分類,分類結(jié)果表明利用和差直方圖方法能夠較準(zhǔn)確地對《巖譜色譜集》中的部分樣品進行分類識別。但是對于顏色介于砂巖和泥巖之間的巖屑樣品,和差直方圖就顯得有些力不從心了;同時對于含雜質(zhì)較多的樣品,識別率也較低。這恰好說明了和差直方圖方法對于巖屑巖性描述的可行性。因此只要對大量不同類別的砂泥巖進行分析,建立不同砂巖和泥巖的數(shù)據(jù)庫,就可以在較短的時間內(nèi)對大量石油巖屑進行較準(zhǔn)確的分類,這將大大提高現(xiàn)場錄井人員的工作效率。

[1] 覃豪,張超謨.基于粗糙集與模糊學(xué)的巖性識別[J].江漢石油學(xué)院學(xué)報,2004,26(4):60-62.

[2] 柳金鐘,張海翠,王秀榮,等.文72塊沙三中地層特征分析及巖性特征識別[J].內(nèi)蒙古石油化工,2005(8):156-159.

[3] 程曉東.PDC鉆頭在塔河油田的應(yīng)用與分析[J].西部探礦工程,2005(增刊):112-113.

[4] 曹賢,司萬春,王磊,等.PDC鉆頭在江蘇油田的應(yīng)用[J].西部探礦工程,2006,121(05):59-61.

[5] 李增科,楊玉坤.PDC鉆頭在西部工區(qū)的應(yīng)用分析[J].鉆采工藝,2006,20(1):99-102.

[6] Rafael C,Gonzalez,Richard E,et al.阮秋琦等譯.數(shù)字圖像處理(Matlab版)[M].北京:電子工業(yè)出版社,2005.

[7] Wlodzimiez greblicki.Continuous-time Hammerstein system identification[J].IEEE Trans on Automatic Control,2000,45(6):1232-1236.

[8] Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEE Transactions on Systems,Man and Cybernetic,1973,3(6):610-621.

[9] 盛文,柳健.基于馬爾可夫隨機場模型和函數(shù)聯(lián)接網(wǎng)絡(luò)的紋理分類方法[J].紅外與激光工程,2000,29(2):1-4.

[10] 黃昕,張良培,李翠琳.基于小波變換的影像紋理特征提取試驗[J].測繪信息與工程,2005,30(6):7-9.

[11] Andrew Laine,Jian Fan.Texture classification by wavelet packet signatures[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1993,15(11):1186-1191.

[12] Dimitrios Charalampidis,Takis Kasparis.Wavelet-based rotational invariant roughness features for texture classification and segmentation[J].IEEE Trans.on Image Processing,2002,11(8):825-837.

[13] 袁野,仲崇權(quán),楊素英,等.基于學(xué)習(xí)向量量化網(wǎng)絡(luò)的指定顏色物體的識別[J].計算機工程與應(yīng)用,2002,38(10):100-102.

[14] 李杰,楚恒,朱維樂,等.使用支持向量機的紋理識別方法[J].光電工程,2005,32(8):48-51.

[15] Gibson D,Gaydecki P A.The application of local grey level histograms to organelle classification in histological images[J].Comput.Biol.Med,1996,24(4):329-337.

[16] 吳澤暉.B超圖像的紋理識別[J].湖南大學(xué)學(xué)報:自然科學(xué)版,2001,19(4):337-341.

[17] Juan Martinez,Jose D,Luis-Delgado,et al.Automatic system for quality-based classification of marble textures[J].IEEE Transacrions on Systems,Man,and Cybernetics-oartc:Applications and Reviews,2005,35(4):488-497.

[18] Ameur Z,Ameur S,Adane A,et al.Cloud classification using the textural features of meteosat images[J].International Journal of Remote Sensing,2004,25(21):4491-4503.

[19] Unser M.Sum and difference histograms for texture classification.[J]IEEE Trans.Pattern Anal.Mach.Intell,1986,8:118-125.

[20] 趙暉.顯微細胞圖像的紋理描述[D].長沙:國防科學(xué)技術(shù)大學(xué),2004.

Texture Analysis and Recognition of Cuttings Based on Sum and Difference Histograms

YAN G Xiao-Ming1,LI Wen-Dong1,CI Xing-Hua2,ZHANG Wei2,WANG Dong-Qiang1,ZHENG Rong-er1
(1.Optics﹠Optoelectronics Laboratory,Ocean University of China,Shandong 266100,China;2.Geologging Company,Shengli Petroleum Management Bureau,Dongying 257064,China)

Because of the application of Polycrystalline Diamond Compact Bit,the traditional cutting logging methods are facing many difficulties,and they are no longer applicable to describe so small cuttings.So researches are based on the numerical image processing technology.First,analyses and extracts the texture features of cuttings with sum and difference histograms.Then,recognizes it by Bayes classifier.The result suggests it is useful to acquire the main features for most cuttings and has a good result of recognition.The improvement of this technology will raise rapidly the work efficiency and the accuracy of recognition for site geologists.

cuttings;lithology;sum and difference histograms;recognition

TP391;P585

A

1672-5174(2011)03-099-06

國家高技術(shù)研究發(fā)展計劃項目(2002AA615170);中國石化勝利油田有限公司技術(shù)開發(fā)項目資助

2009-07-11;

2010-03-10

楊曉明(1979-),女,碩士。E-mail:yang__0108@163.com

**通訊作者:E-mail:rzheng@ouc.edu.cn

責(zé)任編輯 陳呈超