結合顏色和紋理特征的巖心熒光圖像含油級別判定*

曹　磊　卿粼波　滕奇志　何海波

(1.四川大學電子信息學院　成都　610065)(2.成都西圖科技有限公司　成都　610065)

?

結合顏色和紋理特征的巖心熒光圖像含油級別判定*

曹磊1卿粼波1滕奇志1何海波2

(1.四川大學電子信息學院成都610065)(2.成都西圖科技有限公司成都610065)

摘要判定巖心熒光圖像的含油級別對石油勘探研究具有重要的實際應用價值。不同的含油級別表現(xiàn)為一定的顏色和紋理特征。通過選定含油級別示例圖像作為模板，結合顏色和紋理特征計算待判定圖像與模板圖像間相似度，進而判定熒光圖像的含油級別。首先，根據(jù)主要顏色非均勻量化HSV顏色直方圖提取熒光圖像的顏色特征。然后，利用LBP算子生成LBP圖像，并對LBP圖像求取GLCM特征值，來描述熒光圖像的紋理特征。最后，使用巴氏距離分別計算待判定圖像的顏色相似度和紋理相似度，并多特征融合得出綜合相似度。實驗結果表明，結合顏色和紋理特征能夠提高巖心熒光圖像含油級別判定的準確性。

關鍵詞相似度; 顏色直方圖; LBP; GLCM; 巴氏距離; 多特征融合

Determination of the Oil-bearing Grade of Core Fluorescent Image by Combining Color and Texture Features

CAO Lei1QING Linbo1TENG Qizhi1HE Haibo2

(1. College of Electronic and Information, Sichuan University, Chengdu610065)

(2. Chengdu Xitu Technology Co. Ltd, Chengdu610065)

AbstractIt is of practical significance for petroleum exploration to determine the oil-bearing grade of core fluorescence image. Oil-bearing grades of core have different color and texture features. By selecting sample image of oil-bearing grade as a template, image similarity is computed and then oil-bearing grade of the fluorescent image is determined by combining color and texture features. Firstly, according to the major colors, non-uniform quantization of HSV color histogram is done. Secondly, LBP code is used to generate the LBP image and obtain the GLCM characteristic values of the LBP image to describe the texture feature of image. Finally, the color similarity and texture similarity of fluorescent image are calculated respectively using the Bhattacharyya distance, and comprehensive similarity of multi-feature fusion. Experimental results show that combining color and texture feature can improve the accuracy of the oil-bearing grade of core fluorescence image.

Key Wordssimilarity, color histogram, LBP, GLCM, Bhattacharyya distance, multi-feature fusion

Class NumberTP391

1引言

巖心是反映地下油氣儲層最真實最直觀的實物資料。在黑暗條件下，巖心實物在一定波長紫外線照射下，激發(fā)出來的可見光被圖像采集設備捕捉成像得到巖心熒光圖像。在石油地質研究中，巖心的含油級別分為富含油、飽含油、油斑、油跡、油浸和熒光六種[1]。

石油勘探工作中，常以人眼觀察和經驗直接判定含油級別，這種方法受主觀因素影響較大?，F(xiàn)在直接從巖心熒光圖像中分析提取特征，將專家認定的含油級別示例圖像作為模板，將待判定的熒光圖像與含油級別模板圖像進行相似性度量，得出含油巖心熒光圖像的含油級別，可以方便更多的石油地質工作人員更好地判定巖心的含油級別。

傳統(tǒng)的相似度計算僅基于顏色特征[2]，這樣不能全面描述圖像的內容，本文結合顏色和紋理特征計算相似度，利用更多的圖像內容衡量圖像間的相似性。不同含油級別之間顏色、紋理特征的差異，為利用顏色特征和紋理特征判定含油級別提供了理論依據(jù)。

2巖心含油級別判定依據(jù)

巖心熒光圖像的不同含油級別之間，有顏色和紋理特征的差異，如圖1六個含油級別模板圖像所示。

通過與油田工作人員協(xié)商，確定以上六種熒光含油級別模板圖像。不同區(qū)域不同地層的巖心采集到的熒光圖像可能會產生顏色偏移，所以，針對不同批次巖心熒光圖像，六種巖心熒光含油級別模板圖像，應該由油田工作人員挑選作為標準，并可更改替換。

圖1　含油級別模板圖像

從圖1可以看出，含油區(qū)域呈現(xiàn)棕黃色，不含油區(qū)域呈現(xiàn)紫黑色。顏色特征直觀有效地描述了不同含油級別熒光圖像的視覺差距。

自然圖像大多具有紋理，巖心熒光圖像也不例外。巖心熒光圖像的含油分布紋理類型如表1所示[1]。

表1　宏觀上巖心含油分布類型表

可見，不同含油級別的熒光圖像呈現(xiàn)出不同的紋理特征，含油級別高的熒光圖像紋理類型偏向于塊狀、層狀，含油級別低的圖像偏向于斑點狀、條紋狀。

特征提取是相似匹配的基礎。相似性度量可以從巖心熒光圖像的顏色特征和紋理特征兩方面進行。本文首先提取顏色特征，針對熒光圖像主要顏色非均勻量化HSV顏色直方圖，計算顏色直方圖的巴氏距離作為顏色相似度，然后提取紋理特征，通過LBP算子產生LBP圖像、對LBP圖像求取灰度共生矩陣的一組特征值，LBP圖像之間灰度直方圖的巴氏距離和GLCM一組特征值的巴氏距離的平均值作為紋理相似度，最后多特征融合[3]計算圖像間的綜合相似度。

3顏色特征提取

3.1顏色直方圖

顏色是圖像最直觀最有效的視覺特征，本文采用顏色直方圖統(tǒng)計圖像中不同顏色的分布比例[4]。相似的圖像，它們的顏色直方圖也相似。

數(shù)字圖像是基于RGB空間表達的，但是RGB顏色空間是面向硬件的，常用在顯示器系統(tǒng)，而HSV顏色空間是面向用戶的，符合人眼的視覺感知特性，所以要將熒光圖像從RGB空間轉換到HSV空間。

將圖像顏色空間轉變?yōu)镠SV顏色空間后，色調H取值0~360，飽和度S、亮度V取值0~1，三個分量組合仍會產生大量的顏色，需要對顏色進行量化，將H、S、V三個分量的量化級數(shù)分別設為QH、QS、QV，由此H、S、V三個分量組成一個一維特征向量：

HSV=H×QS×QV+S×QV+V

(1)

3.2巴氏距離計算相似度

得到HSV顏色直方圖特征向量后，將圖像間的相似程度轉換為圖像顏色直方圖特征向量間的相似程度，特征向量間的相似程度使用距離公式進行歸一化計算，具有計算量小、適合不同大小圖像、易歸一化的優(yōu)點。

圖像間的相似度即直方圖距離可用巴式距離測定，其在統(tǒng)計學中用于測量兩種離散概率分布的可分離性：

dBhattacharyya(H1,H2)=

(2)

其中H1，H2分別代表待判定圖像與模板圖像的直方圖特征向量。dBhattacharyya即為圖像相似度，范圍為0~1之間。0為最相似，1為最不相似。

3.3針對熒光圖像的非均勻量化

針對熒光圖像中的含油組分的顏色主要集中在黃色、棕色、褐色等類黃色的特點，對黃棕褐含油區(qū)域的顏色和紫黑色背景顏色等顏色區(qū)間細量化，對像素數(shù)較少的其他顏色進行粗量化，從而提高顏色相似度計算的準確性。

因為棕黃色含油區(qū)域的色調在45附近，藍紫色背景色調在265附近，所以對45和265附近顏色區(qū)間進行細致量化，設圖像中像素的值為，具體顏色非均勻量化[5]如下：

(3)

如上所示：將H分量非均勻量化為16級，S分量非均勻量化為4級，亮度信息對顏色的區(qū)分較小，故不考慮V分量。由此得到64種代表顏色。含油區(qū)域和不含油區(qū)域呈現(xiàn)不同的顏色，呈現(xiàn)在直方圖上就是兩個高峰，所以要對類黃色和類紫色進行細量化，量化區(qū)間分別為10或20，而其他顏色量化區(qū)間為30。對油斑級別測試圖繪制非均勻量化顏色直方圖如圖2所示。

圖2　油斑測試圖及其非均勻量化直方圖

使用圖3飽含油測試圖，分別與六種含油級別模板圖像(如圖1)通過巴氏距離進行相似度計算，得出相似度數(shù)據(jù)見表2(0為最相似，1為最不相似)：

顏色特征巴氏距離均勻量化非均勻量化飽含油0.9000.637富含油0.8800.698油浸0.8930.757油斑0.9080.825油跡0.9360.944熒光0.9540.925

利用巴氏距離使用均勻量化計算出來的相似度，判定為富含油級別，且相似度集中在0.9附近，沒有很好地區(qū)分含油級別之間的差距。而使用非均勻量化得到的相似度呈一個上升的趨勢，這恰恰符合飽含油級別與其他含油級別相似性差異的變化趨勢，由此可見HSV非均勻量化能夠獲得更準確的相似度數(shù)據(jù)。

4紋理特征提取

4.1LBP算子

紋理是對圖像區(qū)域的描述，常用的紋理特征提取方法有灰度共生矩陣GLCM[6]、LBP算子[7]。LBP算子計算量小，常用于紋理分類。灰度共生矩陣的能量、熵、對比度、相關性和逆差矩五個特征值可以用來描述熒光圖像的紋理特征。所以本文采用先用LBP算子得到LBP圖像，然后對LBP圖像求取灰度共生矩陣特征值的方法進行紋理特征提取。

局部二值模式LBP是一種描述灰度圖像的局部紋理特征的算子[7]。原始的LBP算子定義為在3×3的窗口內，將窗口中心像素點的灰度值作為閾值，鄰域的8個像素的灰度值分別與其比較，大于閾值的像素標記為1，反之標記為0。周圍8位二進制數(shù)轉換成的十進制數(shù)就是中心像素的LBP值，取值0~255。如圖4所示。

圖4　LBP算子

中心像素的LBP值定義：

(4)

其中(xc,yc)是中心像素，灰度值是ic，而ip則是相鄰像素的灰度值，s(·)是一個階躍函數(shù)，N為鄰域像素個數(shù)：

(5)

圖像中的每一個像素都用LBP值替代，由此得到LBP圖像。LBP圖像是一種特殊的灰度圖像。

不同的編碼順序會產生不同的LBP值，按照從左上角起順時針順序編碼，圖4二進制為10111010，十進制LBP值為186。按一行一行的順序編碼，二進制為10101101，LBP值為173。不同編碼順序如圖5所示。

圖5　編碼順序

巖心熒光圖像的紋理主要呈水平方向，為了突出水平層次的紋理變化，LBP值的計算采用水平方向編碼。對圖2(1)油斑測試圖按不同編碼順序得到的LBP圖像如圖6所示。

圖6　LBP圖譜

LBP算子原始編碼順序得到的LBP圖像紋理過細，而水平順序編碼得到的LBP圖像更能描述圖像的紋理變化與分布。

4.2融合LBP和GLCM

通常的做法是計算LBP圖像間的直方圖距離作為兩幅熒光圖像在紋理上的相似度，但這樣做無法對紋理的位置分布進行描述。本文接著對LBP圖像計算其灰度共生矩陣的一組特征值[8]。取LBP圖像直方圖相似度和LBP圖像GLCM特征值相似度的平均值作為紋理相似度的值。

灰度共生矩陣GLCM是滿足一定距離和方向的像素對的灰度值聯(lián)合分布概率。可以使用灰度共生矩陣的能量、熵、對比度、相關性和逆差矩五個特征值描述熒光圖像的紋理特征。能量描述圖像中紋理的均勻程度，熵描述紋理的復雜程度，對比度描述紋理的溝紋深淺，相關性描述圖像的灰度級在行或列方向上的相似程度，逆差矩描述紋理局部的變化。

位置方向為θ，距離為d的一對像素點，灰度為和的概率定義為p(i,j)。將能量、熵、對比度、相關性和逆差矩五個特征值組成五維的特征向量，記為(f1,f2,f3,f4,f5)，計算公式分別如下：

f1=fenergy=∑i,jP(i,j)2

(6)

f2=fenergy=-∑i,jP(i,j)logP(i,j)

(7)

f3=fcontrast=-∑i,j(i-j)2P(i,j)

(8)

(9)

(10)

其中，

μx=∑ii∑jP(i,j)

μy=∑jj∑iP(i,j)

σx=∑i(i-μx)2∑jP

σy=∑j(j-μy)2∑iP

求取距離d=1，方向θ=0°,45°,90°,135°的四組五維特征向量并級聯(lián)起來，得到LBP圖像灰度共生矩陣的20維特征向量，將這個20維的特征向量通過巴氏距離計算相似度。取LBP圖像直方圖的相似度和此相似度的平均值作為紋理相似度的值。

5多特征判定含油級別

巖心熒光圖像的顏色特征和紋理特征分別進行相似度計算，通過特征加權確定不同特征對綜合相似度的影響[9]，得到更準確的綜合相似度，提高圖像匹配的準確率。

5.1多特征融合

待判定的圖像分別與六種不同級別模板圖像針對顏色和紋理特征進行相似度計算，最匹配的模板圖像的含油級別就是待判定圖像的含油級別。

巖心熒光圖像含油級別判定流程如圖7所示。

圖7　含油級別判定流程圖

待判定圖像與模板圖像在視覺特征上的多特征融合的綜合相似度[10]，可用下式來表示：

(11)

其中wj是特征權重，k是特征的個數(shù)，S(fpj,fqj)是圖像p和圖像q關于特征j的相似度。

5.2實驗結果

本文采用實驗測量的方法確定顏色和紋理的特征權重。使用15張圖像進行相似性匹配，發(fā)現(xiàn)只用顏色相似度判定準確的有13張，只使用紋理相似度判定準確的有11張。所以將顏色特征的權重p和紋理特征的權重q分別設為(0.55,0.45)，(0.6,0.4)，(0.65,0.35)。通過反復實驗，發(fā)現(xiàn)顏色特征對綜合相似度的權重設為0.55，紋理特征的權重設為0.45時，綜合相似度對圖像含油級別的判定最準確。

已知圖8(a)是油浸級別，圖8(b)是油斑級別。

圖8　測試圖

下面用測試圖(a)、(b)分別與六種含油級別模板圖像進行顏色特征和紋理特征的相似度計算。巴氏距離計算的相似度越小，圖像間越相似。

表3　相似度測量結果對比

從表中可以看出，圖(a)顏色相似度最小是0.316，準確判定級別為油浸，紋理相似度最小是0.090(油斑)，出現(xiàn)相鄰含油級別的誤差，而圖(b)紋理相似度最小為0.138，準確判定為油斑，顏色相似度最小為0.475(油浸)，出現(xiàn)相鄰級別誤差，多特征融合后的綜合相似度取長補短，對兩張圖的判定都準確，圖(a)最小相似度0.216，判定為油浸，圖(b)最小相似度0.327，判定為油斑。

將算法判定出來的結果與人眼視覺認知的結果進行對照，對同一批次更多數(shù)量的巖心熒光圖像進行測試，判定準確率及變化趨勢如下：

表4　判定準確率比較

圖9　實驗結果比較

從上述數(shù)據(jù)可以看到，單獨使用一種特征判定圖像間的相似度，不能全面反映出圖像信息，結合顏色和紋理兩種特征加權求圖像綜合相似度，可以利用更豐富的圖像信息，從而提高含油級別判定的準確率。

6結語

通過巖心熒光圖像與含油級別模板圖像進行相似度計算，可以確定該熒光圖像的含油級別，單獨使用顏色或紋理特征計算相似度都不能全面利用圖像信息，而將兩種特征融合計算相似度會提高判定的準確性，這對巖心熒光圖像的含油級別判定具有重要的工程應用價值。

參 考 文 獻

[1] 中國石化西北油田分公司.Q/SHXB0092-2012,巖心巖屑錄井規(guī)范[S]. 2012:3-5.

China Petrochemical Northwest Oilfield Branch Company. Q/SHXB0092-2012, Logging Specification of Core & Detritus[S]. 2012:3-5.

[2] 李長勇,曹其新,郭峰.基于主色直方圖特征匹配的蔬果分類方法[J].上海交通大學學報,2009,(12):1898-1903.

LI Changyong, CAO Qixin, GUO Feng. Vegetable & Fruit Classification Method Based on Dominant Color Histogram[J]. Journal of Shanghai Jiaotong University,2009,(12):1898-1903.

[3] Jasmine K P, Kumar P R. Integration of HSV Color Histogram and LMEBP Joint Histogram for Multimedia Image Retrieval[J]. Advances in Intelligent Systems & Computing,2014:753-762.

[4] Wang X Y, Wu J F, Yang H Y. Robust Image Retrieval Based on Color Histogram of Local Feature Regions[J]. Multimedia Tools & Applications,2010,49(2):323-345(23).

[5] 羅微,李紅巖,孫麗萍.基于顏色空間非等間隔量化的木材圖像主色調檢索[J].東北林業(yè)大學學報,2012,40(10):159-162.

LUO Wei, LI Hongyan, SUN Liping. Primary Color Retrieval of Wood Image Based on Unequal Interval Quantization of Color Space[J]. Journal of Northeast Forestry University,2012,40(10):159-162.

[6] 楊波,徐光祐.紋理相似性度量研究及基于紋理特征的圖象檢索[J].自動化學報,2004,30(6):991-998.

YANG Bo, XU Guangyou. Texture Similarity Measure and Image Retrieval Based on Texture Features[J]. Acta Automatica Sinica,2004,30(6):991-998.

[7] 徐少平,劉小平,李春泉,等.基于區(qū)域最大相似度的快速圖像分割算法[J].光電子激光,2013,24(5):990-998.

XU Shaoping, LIU Xiaoping, LI Chunquan, et al. Fast Image Segmentation Algorithm Based on Region Maximum Similarity[J]. Journal of Optoelectronics Laser,2013,24(5):990-998.

[8] 王國德,張培林,任國全,等.融合LBP和GLCM的紋理特征提取方法[J].計算機工程,2012,38(11):199-201.

WANG Guode, ZHANG Peilin, REN Guoquan, et al. Texture Feature Extraction Method of Fusion LBP and GLCM[J]. Computer Engineering,2012,38(11):199-201.

[9] Kaya Y, Kayci L. Application of Artificial Neural Network for Automatic Detection of Butterfly Species Using Color and Texture Features[J]. Visual Computer,2014,30(1):71-79.

[10] 王建功,林國余.基于多特征融合的多攝像機人體跟蹤方法[J].吉林大學學報:信息科學版,2014,32(6):675-683.

WANG Jiangong, LIN Guoyu. Multi Camera Human Tracking Method Based on Multi Feature Fusion[J]. Journal of Jilin University: Information Science Edition,2014,32(6):675-683.

中圖分類號TP391

DOI:10.3969/j.issn.1672-9722.2016.02.030

作者簡介:曹磊，男，碩士研究生，研究方向：計算機應用與圖像識別。卿粼波，男，博士，副教授，研究方向：信號與信號系統(tǒng)、圖像處理、圖像通信。滕奇志，女，博士，教授，博士生導師，研究方向：數(shù)字圖像處理與模式識別、計算機應用與圖像識別、生物醫(yī)學圖像等。何海波，男，高級工程師，研究方向：圖像處理與計算機應用。

基金項目:國家自然科學基金(編號:61372174)資助。

*收稿日期:2015年8月11日,修回日期:2015年9月27日