基于支持向量機(jī)的巖心識(shí)別算法研究

王 浩，宋文廣，徐 浩，張冰心

(長(zhǎng)江大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，湖北 荊州 434023)

在地質(zhì)學(xué)研究的領(lǐng)域，對(duì)巖心圖像進(jìn)行分析是研究巖心微觀(guān)特征的重要方法，已經(jīng)在巖石薄片分析等應(yīng)用方面取得了良好的效果[1]。巖心圖像識(shí)別對(duì)地質(zhì)勘探方面有著重要的作用[2]。對(duì)深層次石油勘探開(kāi)發(fā)過(guò)程中，巖心圖像對(duì)識(shí)別存儲(chǔ)層進(jìn)行預(yù)測(cè)可以作為十分關(guān)鍵的依據(jù)[3]。因此巖心圖像識(shí)別技術(shù)可以廣泛應(yīng)用于工程地質(zhì)、石油勘探開(kāi)發(fā)領(lǐng)域中[4]。

本文主要從巖心圖像入手，對(duì)巖心圖像做預(yù)處理操作[5]，獲取預(yù)處理操作后的巖心圖像，提取圖像HSV顏色空間下的顏色矩和LBP的均勻模式下的紋理特征[6]，分別對(duì)提取到的巖心圖像進(jìn)行特征降維[7]。降維后的特征向量進(jìn)行特征融合，并使用SVM分類(lèi)訓(xùn)練器分類(lèi)識(shí)別，得到可以自動(dòng)識(shí)別巖心種類(lèi)的模型[8]。這樣不僅能使巖心分析人員從繁瑣的巖心分析工作中解脫出來(lái)，而且降低巖心經(jīng)驗(yàn)分析的錯(cuò)誤率，提高巖心分析識(shí)別的效率[9]。

1 巖心圖像預(yù)處理及特征提取

1.1 巖心圖像預(yù)處理

巖心圖像的預(yù)處理操作是因?yàn)閹r心圖像直接處理時(shí)噪聲太大，對(duì)巖心識(shí)別造成影響[10]。預(yù)處理可以保留圖像的細(xì)節(jié)信息[11]。為了防止提取巖心圖像的特征時(shí)，其表面的白巖心標(biāo)注等內(nèi)容(見(jiàn)圖1)對(duì)特征提取造成干擾。在特征提取時(shí)，選取每張圖像中心的200*200的像素區(qū)域，用來(lái)減少噪聲對(duì)后續(xù)識(shí)別造成的干擾。

1.2 巖心圖像顏色特征提取

顏色是日常生活中最為直觀(guān)、明顯的視覺(jué)感受[12]。巖心的顏色信息是對(duì)巖心識(shí)別不可或缺的因素[13]。事實(shí)上，專(zhuān)業(yè)人員對(duì)于大部分巖心圖像的識(shí)別也都要依靠巖心的顏色信息[14]。由于巖心圖像不管如何變換方向、圖像大小、視角都不會(huì)使它本身的顏色有變化，所以顏色特征的魯棒性較好[15]。

圖1 巖心圖片

在顏色提取過(guò)程中，常見(jiàn)的巖心圖像(見(jiàn)圖2)是由巖心圖像高分辨率采集儀拍攝獲得，均為RGB格式。巖心圖像在RGB模式下難以分離色調(diào)、亮度和飽和度，并提取到有用的顏色特征。根據(jù)各個(gè)顏色空間的特性，HSV顏色空間下更適合提取巖心圖像的顏色特征。這里首先用公式(1)～(3)將巖心圖像轉(zhuǎn)化為HSV顏色空間，如圖3所示。

(1)

(2)

(3)

圖2 顏色空間下的巖心圖片

圖3 轉(zhuǎn)換為HSV顏色空間下的巖心圖像及各分量

顏色特征的提取是在轉(zhuǎn)換為HSV顏色空間后進(jìn)行的，有許多提取方法。大部分方法的第一步就是量化處理每一張巖心圖像，然而量化可能產(chǎn)生一些問(wèn)題(如誤檢)，量化后的特征維數(shù)過(guò)高等，對(duì)特征提取有較大的影響。因此，選用顏色矩表示顏色特征。如公式(4)～(6)為顏色的一階均值矩、二階方差矩、三階斜度矩的數(shù)學(xué)式，表示巖心圖像顏色分布。

(4)

(5)

(6)

式中：pi，j表示的是概率，即第i個(gè)顏色通道的灰度值j出現(xiàn)的概率；N表示的是圖像中共有N個(gè)像素。把巖心圖像拆分為H、S、V三個(gè)通道，而這三個(gè)通道又分為一階、二階、三階，所以顏色特征用顏色矩表示為九個(gè)分量。

從而得到巖心圖像的九維顏色特征向量：

Fcolor=[μH，σH，sH，μS，σS，sS，μV，σV，sV]

(7)

1.3 巖心圖像紋理特征提取

顏色特征提取是處理巖心圖像的像素點(diǎn)，但紋理特征提取處理的是像素區(qū)域內(nèi)像素變化，是巖心圖像除了顏色特征以外最直觀(guān)的屬性表征，并且紋理特征是針對(duì)巖心圖像像素及其鄰域灰度值的計(jì)算、統(tǒng)計(jì)而提取特征的[16-17]。

LBP在眾多巖心圖像紋理特征提取的方法中，具有抗噪性、旋轉(zhuǎn)不變性以及灰度不變性的優(yōu)勢(shì)[18]，它的實(shí)際效果比較明顯。傳統(tǒng)的LBP算子過(guò)程如圖4所示，將圖像區(qū)域的某個(gè)像素值設(shè)為閾值，并將以該閾值為中心的3×3的鄰域內(nèi)的各像素值與之比較，大于中心像素的置為1，小于中心像素的置為0，將其按順時(shí)針排列，可得到一個(gè)八位二進(jìn)制數(shù)，再將它轉(zhuǎn)化為十進(jìn)制，這個(gè)十進(jìn)制數(shù)就是這個(gè)像素的LBP值，也就表示這個(gè)區(qū)域的紋理信息。

圖4 傳統(tǒng)LBP算子示意圖

LBP紋理特征的公式(8)如下：

(8)

式中：p表示3*3的窗口中除中心點(diǎn)像素外的第p個(gè)像素點(diǎn)；I(c)表示中心像素點(diǎn)的灰度值，I(p)表示鄰域內(nèi)第p個(gè)像素點(diǎn)的灰度值；S(x)用如下公式(9)計(jì)算。

(9)

由公式(8)和(9)可知，小區(qū)域像素差的關(guān)系能用一個(gè)數(shù)字表示，其取值范圍是0～255。用像素差值記錄巖心圖像的紋理關(guān)系，當(dāng)光照變強(qiáng)或變?nèi)鯐r(shí)，巖心圖像每個(gè)像素值的變化也是相同的，這樣整體LBP基本沒(méi)有變化，表明LBP受光照影響不大。

傳統(tǒng)的LBP算子(見(jiàn)圖5)受噪聲干擾嚴(yán)重，導(dǎo)致特征提取偏差過(guò)大。為了擴(kuò)大傳統(tǒng)LBP算子的局限性和適用范圍，使用圖6所示的圓形鄰域，使LBP算子適用于任意鄰域，擴(kuò)大了傳統(tǒng)的正方形鄰域的適用范圍，其優(yōu)點(diǎn)是可以任意選擇某一圓形鄰域的采樣點(diǎn)個(gè)數(shù)。任意選取采樣點(diǎn)可能會(huì)導(dǎo)致圓形邊界上的點(diǎn)的位置在幾個(gè)像素格子之間，不便于計(jì)算該鄰域的LBP值。為了解決這個(gè)問(wèn)題，使用opencv的雙線(xiàn)性插值法來(lái)解決，計(jì)算公式(10)如下：

(10)

圖5 傳統(tǒng)LBP算子

圖6 改進(jìn)后的圓形鄰域示意圖

改進(jìn)后的LBP如圖7所示，大幅抑制了噪聲的干擾。與傳統(tǒng)的LBP相比，增加了采樣點(diǎn)P和半徑R這兩個(gè)變量。改進(jìn)后的公式(11)如下：

(11)

式中：p表示圓形區(qū)域中第p個(gè)采樣點(diǎn)；I(c)表示中心像素的灰度值，I(p)表示圓形邊界像素點(diǎn)中第p個(gè)點(diǎn)的灰度值。共P個(gè)點(diǎn)在邊界上，可以通過(guò)式(12)計(jì)算這些邊界上的點(diǎn)：

(12)

S(x)公式與原始LBP中的一樣，見(jiàn)公式(13)：

(13)

圖7 圓形模式LBP算子

傳統(tǒng)LBP算子產(chǎn)生的八位二進(jìn)制數(shù)有28-1種模式，改進(jìn)后的圓形鄰域的p個(gè)采樣點(diǎn)會(huì)對(duì)應(yīng)2p-1種模式。由此可知，采樣點(diǎn)p的個(gè)數(shù)越大，產(chǎn)生的二進(jìn)制種類(lèi)和數(shù)量就越多，特征提取極為不便。因此需要用越少的數(shù)據(jù)量更加清晰的表達(dá)圖像信息。在這里用到均勻模式LBP(uniform LBP)來(lái)實(shí)現(xiàn)降維操作。均勻模式LBP的原理是把統(tǒng)計(jì)LBP算子得到的二進(jìn)制序列，如果是從0到1或者是從1到0跳變兩次以?xún)?nèi)，這個(gè)二級(jí)制序列就是均勻模式，反之亦然。這樣符合要求的有58種，把其余的不符合的全部歸為第59類(lèi)，原來(lái)的256維降成59維，實(shí)現(xiàn)了對(duì)LBP的基本降維操作。

在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，用統(tǒng)計(jì)直方圖來(lái)作為巖心紋理分析的特征算子在后續(xù)分類(lèi)學(xué)習(xí)中的效果比較明顯。具體計(jì)算步驟描述如下：

第1步：將每張巖心圖像分割為同樣大小的子塊，計(jì)算每一子塊中的LBP值；

第2步：對(duì)每一個(gè)子塊進(jìn)行直方圖統(tǒng)計(jì)，獲得一個(gè)直方圖；

第3步：這些直方圖融合后就會(huì)形成巖心圖像的紋理特征。

2 特征降維與特征融合

2.1 特征降維

由于采樣點(diǎn)過(guò)多或其他提取過(guò)程致使巖心圖像的特征維數(shù)過(guò)高，造成所謂的“維數(shù)災(zāi)難”，導(dǎo)致效率低下以及特征矩陣稀疏等問(wèn)題[19]。為了避免因維數(shù)太高造成分類(lèi)不準(zhǔn)確，分類(lèi)效率低下等問(wèn)題，選取PCA主成分降維的方法來(lái)降低巖心圖像的特征維數(shù)。

PCA主成分降維就是將原始的高維特征轉(zhuǎn)換為低維的新特征。它的主要思想是將原始的N維特征通過(guò)正交變換的方式，重新映射到新的互不相關(guān)的k維上，并且k小于N，這樣就達(dá)到了特征降維的效果。

2.2 特征融合

用單一特征進(jìn)行巖心圖像識(shí)別分類(lèi)時(shí)，總會(huì)丟失部分特征信息，使準(zhǔn)確率也偏低，單用顏色特征分類(lèi)的準(zhǔn)確率為60%左右，紋理特征進(jìn)行分類(lèi)的準(zhǔn)確率為63%左右，總體準(zhǔn)確率都比較低下，所以需要進(jìn)行特征融合，使用多特征進(jìn)行分類(lèi)，將顏色特征和紋理特征融合，互相補(bǔ)充，使得丟失的信息盡可能的少，這樣分類(lèi)的效率和準(zhǔn)確率會(huì)有較大的提升。

巖心圖像通過(guò)提取顏色矩特征得到9維特征向量，LBP紋理特征通過(guò)降維得到20維特征向量，最后融合形成一個(gè)29維特征向量。

3 巖心圖像識(shí)別分類(lèi)器

在巖心圖像的智能識(shí)別中，SVM算法運(yùn)用于對(duì)圖像的識(shí)別分類(lèi)，其基本原理是找到一個(gè)超平面，能夠使得數(shù)據(jù)進(jìn)行有效的分類(lèi)，并且要保證超平面兩邊的樣本盡可能距離這個(gè)超平面遠(yuǎn)[20]。SVM本身是一個(gè)線(xiàn)性分類(lèi)器，實(shí)現(xiàn)的是非錯(cuò)即對(duì)的二分類(lèi)問(wèn)題。它要解決的就是式(14)所示的優(yōu)化問(wèn)題。

(14)

再通過(guò)拉格朗日和KKT條件等數(shù)學(xué)運(yùn)算求解得到式(15)：

d(XT)=∑yiaiXT+b0

(15)

式中：yi是類(lèi)別標(biāo)記，XT是待預(yù)測(cè)實(shí)例的轉(zhuǎn)置。Ai，b0是求解出的固定值。根據(jù)d(XT)的正負(fù)判斷分類(lèi)。構(gòu)造最優(yōu)超平面時(shí)所有樣本滿(mǎn)足式(16)：

(16)

式中：C為懲罰因子；w、b分別為超平面的法向量和截距。懲罰因子C越大，落在正確類(lèi)別的樣本對(duì)最優(yōu)超平面的懲罰越大。

巖心圖像識(shí)別是實(shí)現(xiàn)對(duì)多種類(lèi)別巖心區(qū)分的問(wèn)題，所以需要使用核技巧來(lái)將原本多種類(lèi)巖心圖像區(qū)分開(kāi)來(lái)。把這種線(xiàn)性不可分的巖心圖像分開(kāi)，就需要用映射的方式，把低維的巖心圖像數(shù)據(jù)轉(zhuǎn)換到高維。而這種映射操作就需要用到核函數(shù)來(lái)實(shí)現(xiàn)，有很多種方式可以實(shí)現(xiàn)映射的核函數(shù)，通過(guò)實(shí)驗(yàn)觀(guān)察，采用rbf高斯核函數(shù)對(duì)巖心圖像分類(lèi)效果比較明顯。核方法處理線(xiàn)性不可分的數(shù)據(jù)就是將原始的巖心特征映射到更高維度的空間，這樣就變成了線(xiàn)性可分的問(wèn)題，再使用線(xiàn)性超平面進(jìn)行分割，最后再把超平面映射回原始特征空間。

4 實(shí)驗(yàn)結(jié)果及結(jié)論

通過(guò)收集沉積巖的種類(lèi)，將樣本集分為：碎屑巖、粘土巖、碳酸鹽巖、其他內(nèi)源巖等這幾種類(lèi)別的沉積巖，每種巖心有將近400幅巖心圖像來(lái)進(jìn)行分類(lèi)訓(xùn)練。對(duì)所有樣本分別提取巖心圖像的顏色和紋理特征后，將融合后的巖心圖像進(jìn)行分類(lèi)訓(xùn)練。將樣本和樣本標(biāo)簽按照8:2的比例隨機(jī)拆分為訓(xùn)練集和測(cè)試集。把拆分好的數(shù)據(jù)放入分類(lèi)器中進(jìn)行識(shí)別。最后得到的訓(xùn)練模型的準(zhǔn)確率如表1所示，基本達(dá)到了系統(tǒng)的需求。

表1 三種巖心圖像特征識(shí)別巖性準(zhǔn)確率

本文提供了一種能夠自動(dòng)識(shí)別出巖石的種類(lèi)，并能夠自動(dòng)分類(lèi)的系統(tǒng)，可以大大減少巖心檢測(cè)的人力和成本的支出。圖像識(shí)別技術(shù)，針對(duì)巖石圖像的特點(diǎn)，對(duì)采集的巖心圖像就行預(yù)處理過(guò)程，對(duì)巖心圖像提取HSV顏色空間下的顏色特征，并運(yùn)用顏色矩特征維數(shù)少不需要進(jìn)行特征降維的優(yōu)點(diǎn)，得到巖心圖像的顏色特征；對(duì)巖心圖像使用提取改進(jìn)后的均勻模式的LBP紋理特征，做紋理直方圖，提取巖心圖像的紋理特征，對(duì)提取到的高維紋理特征做特征降維的操作。最后通過(guò)上述過(guò)程得到的顏色和紋理特征，融合后放入SVM學(xué)習(xí)分類(lèi)器進(jìn)行學(xué)習(xí)，得到一個(gè)預(yù)測(cè)分類(lèi)器，可以對(duì)巖心圖像進(jìn)行識(shí)別。通過(guò)此方法，可以通過(guò)巖心圖像的顏色和紋理來(lái)判別巖心種類(lèi)，有效提高巖心識(shí)別準(zhǔn)確率，改善了目前識(shí)別巖心圖像準(zhǔn)確率低下的問(wèn)題。最后將此巖心自動(dòng)識(shí)別模型應(yīng)用于石油測(cè)井圖中，形成如圖8所示的多井對(duì)比巖心圖層自動(dòng)識(shí)別圖，將各層的巖性識(shí)別并標(biāo)注，可以對(duì)各井之間地層的連通性有一個(gè)比較明確的認(rèn)識(shí)，更有利于地質(zhì)工作人員對(duì)地層和油藏的存儲(chǔ)有更加明確的認(rèn)知。

圖8 多井對(duì)比巖心圖層自動(dòng)識(shí)別圖

綜上所述，從沉積巖入手，對(duì)沉積巖進(jìn)行識(shí)別和分類(lèi)，使工作人員可以對(duì)儲(chǔ)油層有更加準(zhǔn)確的把握。不僅能使巖心分析人員從繁瑣的巖心分析工作中解脫出來(lái)，而且降低巖心經(jīng)驗(yàn)分析的錯(cuò)誤率，提高巖心分析識(shí)別的效率。