融合遺傳算法與OSTU的巖石薄片圖像分割方法研究

魏雨

（西安培華學(xué)院 智能科學(xué)與信息工程學(xué)院，陜西 西安 710125）

0 引 言

隨著科學(xué)技術(shù)以及現(xiàn)代工業(yè)技術(shù)的不斷進(jìn)步，能源對(duì)于人類生活乃至社會(huì)發(fā)展變得尤為重要。尤其進(jìn)入21世紀(jì)以來(lái)，我國(guó)對(duì)于石油天然氣的需求量在不斷地增長(zhǎng)。然而隨著油氣的不斷開采，目前已進(jìn)入深層開采時(shí)代，大量的油氣資源存儲(chǔ)在致密或低滲的巖石中，開發(fā)難度較大。

深入地球更深部位，擴(kuò)大地層深處油氣資源，不僅對(duì)建設(shè)我國(guó)能源安全的資源基礎(chǔ)具有重大的現(xiàn)實(shí)和戰(zhàn)略意義，也是加強(qiáng)我國(guó)油氣勘探開發(fā)力度的現(xiàn)實(shí)領(lǐng)域。我國(guó)深部油氣資源豐富，勘探開發(fā)程度低，深部頁(yè)巖氣等資源潛力巨大，勘探開發(fā)前景廣闊，是當(dāng)前和今后的重點(diǎn)研究方向。加強(qiáng)對(duì)深部油氣地層機(jī)理、分布規(guī)律和深部流體流動(dòng)機(jī)理的研究，開展基于地球物理的深層目標(biāo)識(shí)別與預(yù)測(cè)、復(fù)雜地層條件高效鉆井、復(fù)雜油藏改造等關(guān)鍵技術(shù)的研究。對(duì)地下儲(chǔ)層進(jìn)行準(zhǔn)確評(píng)價(jià)描述，進(jìn)而提高油氣開采效率，成為了目前的研究熱點(diǎn)。巖石薄片是由巖心取樣打磨制成，能直觀地對(duì)地下儲(chǔ)層特性進(jìn)行描述。

以前人們對(duì)于巖石薄片的鑒定識(shí)別，通常是由專門的技術(shù)人員采用手工方式進(jìn)行鑒別以及統(tǒng)計(jì)。利用偏光顯微鏡對(duì)巖石薄片進(jìn)行觀測(cè)，分析其中的礦物組成成分以及對(duì)應(yīng)的光化學(xué)性質(zhì)。這種傳統(tǒng)的人工方式需要耗費(fèi)大量的人力物力以及時(shí)間，不僅效率低，準(zhǔn)確度也有限制，因此越來(lái)越多的專業(yè)研究人員開始致力于對(duì)巖石薄片的數(shù)字圖像的分析和鑒定。

巖性油氣儲(chǔ)藏層其形成過(guò)程是非常復(fù)雜的，其主要組成成分巖石顆粒之間因?yàn)閺?qiáng)烈的壓實(shí)作用和膠結(jié)作用，它們之間彼此接觸極為緊密。再加上其形成后期的溶解作用，使得巖石顆粒與空隙之間的邊緣變得模糊難辨。在巖石薄片圖像中，大部分噪聲點(diǎn)都是由巖石顆粒溶解殘留物以及空隙中的自帶的物質(zhì)產(chǎn)生的。在以往的巖石薄片邊緣提取與分割方法中，大部分是利用圖像的灰度信息以及相鄰像素之間的關(guān)聯(lián)關(guān)系進(jìn)行的，但是對(duì)于信息量大復(fù)雜度高的圖像巖石顆粒分割以及空隙提取的效果較差。鑒于這樣的情況，在傳統(tǒng)處理方法的基礎(chǔ)上，相關(guān)專業(yè)人員提出了更優(yōu)的巖石薄片分割算法。

2015年，徐永進(jìn)等提出利用CT圖像層間相關(guān)性自動(dòng)計(jì)算分割閾值進(jìn)行目標(biāo)分割，并以分割效果較好的幀為中心,進(jìn)行自動(dòng)區(qū)域生長(zhǎng)修復(fù),從而完善分割效果。2016年，張嘉凡等根據(jù)“物以類聚”的統(tǒng)計(jì)原理,按距離相近或相似程度對(duì)巖石CT圖像中的像素進(jìn)行標(biāo)定,從而實(shí)現(xiàn)圖像分割及量化。2018年，李周等對(duì)疊加序列圖像的融合圖后利用分水嶺法進(jìn)行目標(biāo)顆粒提取,然后使用AGNES法自底向上對(duì)過(guò)分割區(qū)域聚類,實(shí)現(xiàn)顆粒的自動(dòng)分割。2018年，彭志偉等針對(duì)巖石薄片在固定可視范圍下的偏光序列圖，根據(jù)顏色以及亮度的變化特征對(duì)巖石薄片進(jìn)行邊緣分割以及修復(fù)。2019年，鐘逸等提出了基于Fast-MBD變換的超像素算法用于巖石薄片圖像顆粒的自動(dòng)分割。2020年，潘代玉等利用改進(jìn)的SLIC算法進(jìn)行巖石礦物顆粒邊緣分割。2020年，司晨冉等提出了一種基于Mask R-CNN和分水嶺算法的巖石顆粒圖像分割方法，避免過(guò)分割的同時(shí)防止細(xì)骨料區(qū)域出現(xiàn)欠分割。2021年，周恒等融合多尺度和多角度的特征表達(dá)提出了一種改進(jìn)的C3相干算法。2022年，嚴(yán)良平等通過(guò)提取深度圖像與可見光圖像的隨機(jī)特征和顯著性特征，并根據(jù)多組隨機(jī)特征和顯著性特征得到多個(gè)分割預(yù)測(cè)結(jié)果，最后選擇最優(yōu)分割結(jié)果。

綜上所述，目前巖石薄片圖像分割和識(shí)別的研究大多集中于巖石薄片單偏光圖像，主要存在兩方面的問(wèn)題：一是對(duì)于凝膠填充不充分的溶蝕孔隙及雜基微孔隙的識(shí)別存在一定的局限性；二是現(xiàn)有辦法對(duì)于顏色差異不大的相鄰顆粒無(wú)法準(zhǔn)確分割。那么，解決以上問(wèn)題就成為當(dāng)前的研究要點(diǎn)。

1 遺傳算法

遺傳算法，簡(jiǎn)稱GA，是一種計(jì)算模型。GA以Darwin的進(jìn)化論為基礎(chǔ)，其核心思想是模擬自然界生物進(jìn)化的過(guò)程，包括基因的選擇與遺傳。在實(shí)際使用中，遺傳算法通常被用來(lái)搜索得到問(wèn)題的最優(yōu)解。

遺傳算法從初代種群開始，按照自然界優(yōu)勝劣汰和適者生存的自然法則，經(jīng)過(guò)選擇、交叉和變異操作，逐代演化來(lái)產(chǎn)生出越來(lái)越優(yōu)的結(jié)果。對(duì)于某一代的種群，先計(jì)算個(gè)體的適應(yīng)度，然后再無(wú)規(guī)律地隨機(jī)選擇出若干個(gè)體，再對(duì)這些選擇出來(lái)的個(gè)體進(jìn)行交叉和變異操作，得到新的后代種群。在整個(gè)操作中，完全遵照大自然中適者生存的法則，以及優(yōu)勝劣汰的原則，一代又一代地逐步演變，最終得到對(duì)環(huán)境適應(yīng)能力最好的個(gè)體，也就是問(wèn)題的最優(yōu)解。遺傳算法的操作過(guò)程跟自然進(jìn)化非常類似，對(duì)于參數(shù)較多條件復(fù)雜的數(shù)學(xué)問(wèn)題求解效果很好。

遺傳算法的三種遺傳算子：選擇，交叉，遺傳。

（1）選擇。選擇操作就是從某一代群體中選擇出一部分個(gè)體組成新的下一代，選擇的依賴條件是適應(yīng)度。簡(jiǎn)單來(lái)說(shuō)，就是優(yōu)勝劣汰。換句話說(shuō)，對(duì)于某個(gè)個(gè)體而言，它的適應(yīng)度越高，那么它被選中的幾率就越大。這里以輪盤賭法為例，假如某個(gè)種群中個(gè)體的數(shù)量是，對(duì)于個(gè)體來(lái)說(shuō)，它的適應(yīng)度表示為f，那么個(gè)體被選取的概率就是P，P的表達(dá)式如式（1）所示：

對(duì)于某個(gè)種群，其中每個(gè)個(gè)體被選中的概率是定的。若某個(gè)體被選中的概率大，那么它被選中的機(jī)會(huì)就多，它所攜帶的遺傳基因就有很大可能性在種群中擴(kuò)散開來(lái)；反過(guò)來(lái)，若個(gè)體被選中的概率比較小，那么其極大可能會(huì)被淘汰掉。

（2）交叉。為了產(chǎn)生新個(gè)體，通常從前代種群中隨機(jī)選擇兩個(gè)個(gè)體作為雙親樣本，通過(guò)雙親染色體的交換組合，產(chǎn)生兩個(gè)新的染色體作為后代，此過(guò)程稱為交叉或者重組。一般情況下，最多使用的是單點(diǎn)交叉算子，也就是在配對(duì)的染色上隨機(jī)選擇一個(gè)位置，然后兩個(gè)染色體在該交叉位置處進(jìn)行基因的變換，執(zhí)行過(guò)程如圖1所示。

圖1 單點(diǎn)交叉算子流程圖

如圖2所示，雙親A和B，經(jīng)過(guò)單點(diǎn)交叉變?yōu)锳'和B'。

圖2 交叉算子示例

（3）變異。為了保證遺傳算法不陷入局部尋優(yōu)保證得到的是全局最優(yōu)解，在進(jìn)化過(guò)程中要進(jìn)行變異操作。使用最多的是單點(diǎn)變異。比如某個(gè)基因的二進(jìn)制編碼為10101，對(duì)第4個(gè)基因進(jìn)行單點(diǎn)變異，由“0”變?yōu)椤?”，最終的基因變?yōu)?0111，如圖3所示。

圖3 變異算子示例

對(duì)上一代群體經(jīng)過(guò)選擇操作、交叉操作和變異操作，最終得到下一代群體。

2 巖石薄片分割

2.1 巖石薄片相關(guān)概念

巖石薄片是一種特別薄的小巖片，首先需要在巖石樣本上，以垂直層理方向切取，然后將小巖片磨成薄片。為了要在偏光顯微鏡下觀察，所以必須足夠薄，薄到光線可以穿透，一般的標(biāo)準(zhǔn)巖石薄片厚度為0.03毫米。

巖石薄片圖像，是將巖石薄片放置在偏光顯微鏡載物臺(tái)上使用高清攝像頭拍攝而成的圖像。

巖石薄片鑒定，就是將制成的巖石薄片放在偏光顯微鏡下，通過(guò)觀察薄片中礦物質(zhì)的結(jié)構(gòu)以及其結(jié)晶特征，從而確定巖石中礦物的組成成分以及光學(xué)特性。另外，通過(guò)分析薄片中礦物的形成順序，推斷巖石的成因和類型，最終得到薄片樣本中巖石的名稱。目前，巖石薄片的鑒定識(shí)別通常用于油氣儲(chǔ)層的勘探與評(píng)價(jià)、環(huán)境保護(hù)、以及水利勘測(cè)等領(lǐng)域。

2.2 最大類間方差（OSTU）

最大類間方差法(OSTU)是在20世紀(jì)70年代由一名日本學(xué)者提出的，是一種可以自動(dòng)尋找合適的閾值的方法。OSTU一般用來(lái)做灰度圖像的聚類處理，經(jīng)過(guò)聚類后圖像會(huì)被劃分為兩部分，前景部分和背景部分，前景也稱為目標(biāo)。OSTU利用直方圖來(lái)計(jì)算最優(yōu)的類內(nèi)方差。前景部分圖像和背景部分圖像的類內(nèi)方差越大，則說(shuō)明二者之間的相似性越小，即劃分的準(zhǔn)確性就越大。

OSTU的原理是：存在某圖像A，假定當(dāng)前閾值是TH，在圖像A中前景部分的像素占總圖像像素的比例為，前景部分的平均像素灰度值為；背景部分的像素占總圖像像素的比例為，背景部分的平均像素灰度值為，前景部分與背景部分之間的方差表示為，整幅圖像的平均灰度為。

假設(shè)圖像A的大小為×，整幅圖像中灰度值小于閾值TH的像素?cái)?shù)量是NUM，灰度值大于閾值TH的像素?cái)?shù)量是NUM，則存在：

采用遍歷法，當(dāng)前景部分與背景部分之間的方差為最大時(shí)，此時(shí)所對(duì)應(yīng)的閾值TH就是最優(yōu)閾值。

2.3 基于GA與OSTU的巖石薄片圖像分割方法分解

（1）適應(yīng)度函數(shù)：OSTU全局算法。

（2）選擇算法：輪盤賭選擇算法。

輪盤賭選擇法的過(guò)程如下：

1）計(jì)算出種群中每個(gè)個(gè)體的適應(yīng)度P。

2）計(jì)算每個(gè)個(gè)體的累積概率Q。

3）產(chǎn)生0到1閉區(qū)間內(nèi)的一個(gè)的隨機(jī)數(shù)，若＜，則選1，否則選，使得Q＜Q成立。

4）將步驟2）、3）重復(fù)次即可。

（3）交叉算法：利用單點(diǎn)交叉，取小于0.7的隨機(jī)概率。

（4）終止條件：進(jìn)化代數(shù)5 000。

（5）交叉概率：直方圖中各灰度的概率。

（6）變異概率，一般取0.001～0.1。

2.4 圖像分割處理流程

本文分割算法流程如圖4所示。

圖4 本文分割算法流程圖

步驟1：讀取巖石薄片原圖像，將BGR圖轉(zhuǎn)為灰度圖。

步驟2：計(jì)算巖石薄片圖像的直方圖；將各灰度值的概率作為選擇操作中的適應(yīng)度，產(chǎn)生第一代種群。

步驟3：計(jì)算當(dāng)前代的適應(yīng)度函數(shù)。

步驟4：用輪盤賭法，按照一定概率從上一代種群中選擇出若干個(gè)體，組成下一代的種群。

步驟5：對(duì)新種群進(jìn)行交叉處理。

步驟6：對(duì)新種群進(jìn)行變異處理。

步驟7：轉(zhuǎn)到步驟3執(zhí)行，直到設(shè)定的執(zhí)行次數(shù)完成。

3 實(shí)驗(yàn)及結(jié)果分析

本文采用長(zhǎng)慶油田的50張巖石薄片進(jìn)行了實(shí)驗(yàn)，同時(shí)對(duì)這50張薄片圖像還采用最大熵閾值分割算法和迭代閾值分割算法進(jìn)行了處理，對(duì)所有巖石薄片圖像的三種算法的處理結(jié)果進(jìn)行比較，本文列出了其中四張巖石薄片圖像的處理結(jié)果，如圖5至圖9所示。

圖5 巖石薄片原圖

圖6 直方圖

圖7 最大熵閾值分割結(jié)果

圖8 迭代閾值分割結(jié)果

圖9 本文算法分割結(jié)果

以圖5中的巖石薄片1為例，對(duì)巖石薄片1進(jìn)行人工分割標(biāo)記，將巖石薄片1分割為6類，而本文算法將巖石薄片1分割為5類，準(zhǔn)確率達(dá)83%，結(jié)果如圖10所示。同時(shí)，對(duì)圖5中四張巖石薄片圖像進(jìn)行人工手動(dòng)標(biāo)記，結(jié)果與本文算法分割結(jié)果進(jìn)行比對(duì)，如表1所示。

圖10 巖石薄片1分割結(jié)果

表1 不同分割算法準(zhǔn)確率比較

由表1可知，相比最大熵閾值分割結(jié)果和迭代閾值分割結(jié)果，本文分割算法的準(zhǔn)確率高，平均準(zhǔn)確率達(dá)90%以上。

4 結(jié) 論

本文提出的巖石薄片圖像分割方法，先使用原始巖石薄片圖像生成直方圖，再結(jié)合GA算法自動(dòng)獲取適當(dāng)?shù)膱D像分割閾值。為驗(yàn)證本文算法的分割效果，采用50張長(zhǎng)慶油田的巖石薄片圖像進(jìn)行了分割實(shí)驗(yàn)，本文算法的分割準(zhǔn)確率可以達(dá)到90%以上。結(jié)果表明，通過(guò)大量巖石薄片圖像的直方圖信息，能夠?qū)崿F(xiàn)巖石薄片圖像的分割閾值的自動(dòng)選取。但是由于所采用的巖石薄片圖像樣本較少，因此仍舊有一定的誤差，并且隨著圖像內(nèi)容復(fù)雜度的提升，GA算法需要更長(zhǎng)的時(shí)間以及更豐富的特征才能達(dá)到預(yù)期的效果。因此下一步的工作會(huì)針對(duì)這兩方面做一些改進(jìn)，以期望得到更好的分割效果并適應(yīng)于更多的巖石圖像種類。