基于机器学习的页岩大视域图像分类方法

1.本发明涉及图像分类领域，特别是涉及一种基于机器学习的页岩大视域图像分类方法、系统及装置。


背景技术：

2.页岩油气藏作为常规油气藏的补充，其储量巨大，是油气藏的重要组成部分。研究表明，页岩油气藏的微观结构呈现出典型的非均质性，表现为其中孔隙尺寸的展布的多尺度性；而且，其中的孔隙的类型很复杂多样，发育着微裂缝、溶蚀孔隙、粒间孔隙、粒内孔隙、有机质及有机质孔隙等类型的孔隙。
3.为了实现对页岩油气藏中孔隙的结构特征的分析，需要首先有效地分割出页岩油气藏中的不同类型的孔隙。现有技术中针对该问题主要采用的方法为图像二值化分割方法，即利用获取的页岩油气藏的大视域图像中各个像素点的灰度，绘制灰度直方图，并根据该灰度直方图确定用于分割大视域图像中各个孔隙的阈值，将大视域图像中的孔隙与其他部分分割开，进而实现了对不同类型的孔隙的分类。
4.但是正如上述所述，由于页岩油气藏中包含着众多类型的孔隙，其中某些不同类型的孔隙的灰度值是很接近的，这导致该方法中的阈值很难进行有效确定，进而导致使用该方法很容易造成对不同类型但灰度值接近的孔隙的误识别；另外，该方法对于其中一些占比较小的纳米级别的孔隙也难以识别；且大视域图像的数据体巨大，该方法中是直接对大视域图像的整体进行处理，这使得在整个处理过程中对于计算机的硬盘存储空间、内存空间及cpu的处理效率的要求均很高，一定程度上也限制了该方法的使用。
5.可见，寻找一种更加有效且准确的方法将页岩油气藏中的孔隙分割出来并进行分类是目前亟待解决的问题。


技术实现要素：

6.本发明的目的是提供一种基于机器学习的页岩大视域图像分类方法、系统及装置，在降低了计算机的处理压力的基础上，可以准确有效地确定出大视域图像中所有的孔隙及各个孔隙的所属类别，保证了对于不同类型的所有孔隙的准确识别。
7.为解决上述技术问题，本发明提供了一种基于机器学习的页岩大视域图像分类方法，包括：
8.获取页岩油气藏的大视域图像；
9.对所述大视域图像进行图像剪裁以生成各个子图；
10.通过机器学习算法确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典型特征的第一矩阵；
11.根据各个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所有的孔隙的纹理特征的第二矩阵；
12.将各个所述子图的第一矩阵与第二矩阵耦合以得到用于表征所述大视域图像中
所有的孔隙的图像特征的特征矩阵；
13.根据所述特征矩阵通过聚类分析算法确定所述大视域图像中所有的孔隙及各个所述孔隙的所属类别。
14.优选的，获取页岩油气藏的大视域图像，包括：
15.获取氩离子抛光-扫描电子显微镜对页岩油气藏进行扫描后得到的各个小视域扫描图像；
16.对各个所述小视域扫描图像进行图像拼接以得到所述页岩油气藏的大视域图像。
17.优选的，获取页岩油气藏的大视域图像之后，还包括：
18.对所述大视域图像进行预处理以去除所述大视域图像中的条状伪影；
19.对去除条状伪影后的大视域图像进行滤波处理以滤除散点噪声和白点噪声。优选的，对所述大视域图像进行图像剪裁以生成各个子图，包括：
20.确定表征对所述大视域图像进行图像剪裁时的剪裁步长的窗口像素长度及滑动像素长度；
21.根据所述窗口像素长度及所述滑动像素长度对所述大视域图像进行图像剪裁以生成各个子图。
22.优选的，所述聚类分析算法为k-means算法。
23.优选的，所述机器学习算法为卷积神经网络；
24.通过机器学习算法确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典型特征的第一矩阵，包括：
25.将各个所述子图作为第一输入项输入所述卷积神经网络以确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典型特征的第一矩阵。
26.优选的，根据各个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所有的孔隙的纹理特征的第二矩阵，包括：
27.将各个所述子图作为第二输入项输入灰度共生矩阵算法以根据各个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所有的孔隙的纹理特征的第二矩阵。
28.优选的，当各个所述子图的尺寸大小相同时；
29.各个所述子图的第一矩阵包括m个表征所述子图中包括的所有的孔隙的典型特征的第一数据，其中，所述第一矩阵的维度为1
×
m且m≥1；
30.各个所述子图的第二矩阵包括n个表征所述子图中包括的所有的孔隙的纹理特征的第二数据，其中，所述第二矩阵的维度为1
×
n且n≥1；
31.将各个所述子图的第一矩阵与第二矩阵耦合以得到用于表征所述大视域图像中所有的孔隙的图像特征的特征矩阵，包括：
32.对于每个所述子图，将所述子图的m个所述第一数据及n个所述第二数据依次排列以得到用于表征所述子图中包括的所有的孔隙的图像特征的第三矩阵，所述第三矩阵的维度为1
×
(m n)；
33.在得到每个所述子图的第三矩阵后，将各个所述第三矩阵按行依次排列以得到用于表征所述大视域图像中所有的孔隙的图像特征的特征矩阵，其中，所述特征矩阵的维度为s
×
(m n)且s为所述子图的总个数。
34.为解决上述技术问题，本发明还提供了一种基于机器学习的页岩大视域图像分类系统，包括：
35.获取单元，用于获取页岩油气藏的大视域图像；
36.图像剪裁单元，用于对所述大视域图像进行图像剪裁以生成各个子图；
37.第一确定单元，用于通过机器学习算法确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典型特征的第一矩阵；
38.第二确定单元，用于根据各个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所有的孔隙的纹理特征的第二矩阵；
39.第三确定单元，用于将各个所述子图的第一矩阵与第二矩阵耦合以得到用于表征所述大视域图像中所有的孔隙的图像特征的特征矩阵；
40.图像分类单元，用于根据所述特征矩阵通过聚类分析算法确定所述大视域图像中所有的孔隙及各个所述孔隙的所属类别。
41.为解决上述技术问题，本发明还提供了一种基于机器学习的页岩大视域图像分类装置，包括：
42.存储器，用于存储计算机程序；
43.处理器，用于执行如上述所述的基于机器学习的页岩大视域图像分类方法的步骤。
44.本发明提供了一种基于机器学习的页岩大视域图像分类方法、系统及装置，获取页岩油气藏的大视域图像后，对大视域图像进行图像剪裁以生成各个子图，降低了计算机的计算压力，处理效率更高；随后，为了实现对各个子图中所有的孔隙的图像特征的准确提取以便后续分类，同时考虑了孔隙的典型特征和纹理特征，具体的，通过机器学习算法确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵；根据各个子图中的各个像素点的灰度值确定各个子图的用于表征该子图中包括的所有的孔隙的纹理特征的第二矩阵；将各个子图的第一矩阵与第二矩阵耦合，可以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵；最后，根据该特征矩阵通过聚类分析算法，可以准确有效地确定出大视域图像中所有的孔隙及各个孔隙的所属类别，保证了对于不同类型的所有孔隙的准确识别。
附图说明
45.为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1为本发明提供的一种基于机器学习的页岩大视域图像分类方法的流程图；
47.图2为本发明提供的页岩油气藏的大视域图像的显示示意图；
48.图3为本发明提供的页岩油气藏的大视域图像的一个子图中所有的孔隙的显示示意图；
49.图4为本发明提供的页岩油气藏的大视域图像分类后的显示示意图；
50.图5为本发明提供的页岩油气藏的大视域图像的所有孔隙的结构分布占比示意
图；
51.图6为本发明提供的一种基于机器学习的页岩大视域图像分类系统的结构示意图；
52.图7为本发明提供的一种基于机器学习的页岩大视域图像分类装置的结构示意图。
具体实施方式
53.本发明的核心是提供一种基于机器学习的页岩大视域图像分类方法、系统及装置，在降低了计算机的处理压力的基础上，可以准确有效地确定出大视域图像中所有的孔隙及各个孔隙的所属类别，保证了对于不同类型的所有孔隙的准确识别。
54.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.请参照图1，图1为本发明提供的一种基于机器学习的页岩大视域图像分类方法的流程图。
56.该基于机器学习的页岩大视域图像分类方法，包括：
57.s11：获取页岩油气藏的大视域图像；
58.s12：对大视域图像进行图像剪裁以生成各个子图；
59.s13：通过机器学习算法确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵；
60.s14：根据各个子图中的各个像素点的灰度值确定各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵；
61.s15：将各个子图的第一矩阵与第二矩阵耦合以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵；
62.s16：根据特征矩阵通过聚类分析算法确定大视域图像中所有的孔隙及各个孔隙的所属类别。
63.本实施例中，考虑到现有技术中为了实现对非常规油气藏中不同类型的孔隙的有效分割，主要采用的方法为图像二值化分割方法。但是该方法容易对不同类型但灰度值接近的孔隙误识别，对于一些占比较小的纳米级别的孔隙也难以识别，且该方法对计算机的算力及硬件基础方面的要求也较高。为此，本技术提供了一种基于机器学习的页岩大视域图像分类方法，在降低了计算机的处理压力的基础上，准确有效地实现了对于不同类型的所有的孔隙的识别及分类。
64.首先需要说明的是，页岩油气藏是非常规油气藏的一种，本技术以页岩油气藏为例，因此本技术提供的基于机器学习的页岩大视域图像分类方法同样也适用于其他类型的非常规油气藏。于是，在获取页岩油气藏的大视域图像之后，为了降低计算机的算力方面的处理压力以及符合后续本技术中使用的机器学习算法的需要，对大视域图像进行图像剪裁以生成各个子图，需要说明的是，这里的大视域图像为灰度图像，分辨率高且视野范围大。
65.随后，为了实现对各个子图中所有的孔隙的图像特征的准确提取以便后续分类，
同时考虑了孔隙的典型特征和纹理特征，即一方面通过机器学习算法确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵，其中，这里的典型特征可以理解为所述子图中占比最大且孔隙特征最为明显的孔隙所呈现出的特征；这里的机器学习算法包括但不限于卷积神经网络，本技术在此不作特别的限定，当然，可以进行思维拓展的是，本技术这里采用的是机器学习算法确定各个子图的第一矩阵，也可以采用其他的方法确定各个子图的第一矩阵，符合本技术中的执行逻辑即可。另一方面，根据各个子图中的各个像素点的灰度值确定各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵。
66.在得到各个子图的第一矩阵和第二矩阵之后，将各个子图的第一矩阵与第二矩阵耦合以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵，并根据特征矩阵通过聚类分析算法确定大视域图像中所有的孔隙及各个孔隙的所属类别。需要说明的是，这里采用聚类分析算法的原因在于，聚类分析算法是将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析算法可以在未知所要求划分的类别的情况下根据各个子图中图像的特征矩阵收集数据来实现图像分类。因此，可见，采用聚类分析算法能够很好地实现本技术中的处理逻辑。
67.需要说明的是，根据特征矩阵通过聚类分析算法确定大视域图像中所有的孔隙及各个孔隙的所属类别之后，可以采用数字岩心技术来分析该大视域图像中的所有孔隙的微观结构，统计每一种类型的孔隙的占比，即对每一种类型的孔隙使用数字岩心分析技术，计算每一种类型的孔隙的微观孔隙结构，并结合不同类型的孔隙的占比实现非常规油气藏的大视域图像的微观孔隙结构分析。
68.还需要说明的是，这里对于用于实现对非常规油气藏中不同类型的孔隙的微观结构的识别除了本技术中的方法加上数字岩心技术的方式，现有技术中还有一些其他的方式，如低温气体等温吸附法，该方法为间接测量法，低温气体等温吸附法是在等温条件下将吸附质(氮气或二氧化碳)气体注入吸附剂(样品)内，通过记录不同压力条件吸附质在介质表面的吸附量，根据理论模型解释并计算出吸附剂内表面和孔隙性质的方法。该方法所测定的最小理论孔径为吸附质气体的分子直径，最大直径一般不超过100nm，一般而言，氮气吸附适用于孔径为0.4～50nm的孔隙测定，二氧化碳吸附设用于孔径为0.4～2nm的孔隙测定。再如高压压汞法，该方法也属于间接测量法，压汞法(水银注入法)是利用压汞仪在不同压力条件下，将汞压入多孔介质以获取孔隙结构特征的方法，理论上可测量的孔隙吼道分布范围为0.004～440μm。压汞法在研究常规储层孔隙吼道分布方面具有较大的优势，但对于非常规油气藏样品的测试和分析，压汞法具有一定的限制及分析误差，高压下孔喉结构会发生不可逆变形，导致纳米尺度孔隙的坍塌。可见，现有技术中的其他两种类型的方法都对于非常规气藏的采样样品本身有或多或少的破坏，相较于本技术中提供的基于机器学习的页岩大视域图像分类方法具有明显的局限性和不足。
69.当然，本技术提供的基于机器学习的页岩大视域图像分类方法不仅仅可以应用在油气田开发领域中的非常规油气藏的大视域图像的分类，同时还可以应用到材料图像中不同材料属性的分类及医学图像中不同组织类型的分类。而且本技术中针对的研究对象为非常规油气藏的大视域图像，但是同样也可以应用到x射线断层扫描图像、聚焦粒子束-电子扫描显微镜图像等其他借助于先进光学仪器获取的二维或三维图像分类中。
70.综上，本发明提供了一种基于机器学习的页岩大视域图像分类方法，在降低了计
算机的计算压力的基础上，可以准确有效地确定出大视域图像中所有的孔隙及各个孔隙的所属类别，保证了对于不同类型的所有孔隙的准确识别。
71.在上述实施例的基础上：
72.作为一种优选的实施例，获取页岩油气藏的大视域图像，包括：
73.获取氩离子抛光-扫描电子显微镜对页岩油气藏进行扫描后得到的各个小视域扫描图像；
74.对各个小视域扫描图像进行图像拼接以得到页岩油气藏的大视域图像。
75.本实施例中，考虑到根据氩离子抛光-扫描电子显微镜可以获得对待扫描样品的小视域且分辨率高的扫描图像，本技术中，利用该氩离子抛光-扫描电子显微镜，获取氩离子抛光-扫描电子显微镜对页岩油气藏进行扫描后得到的各个小视域扫描图像，随后对各个小视域扫描图像进行图像拼接以得到页岩油气藏的大视域图像，需要说明的是，这里具体采用的技术手段可以为图像拼接技术，本技术在此不做特别的限定。
76.可见，通过这种方式可以简单可靠地获得页岩油气藏的大视域图像。
77.作为一种优选的实施例，获取页岩油气藏的大视域图像之后，还包括：
78.对大视域图像进行预处理以去除大视域图像中的条状伪影；
79.对去除条状伪影后的大视域图像进行滤波处理以滤除散点噪声和白点噪声。
80.本实施例中，发明人进一步考虑到获取的页岩油气藏的大视域图像，受限于实验过程中的设备和周边环境等各种因素，会导致获取的大视域图像中存在着各式各样的噪点，这些噪点会对后续图像分类过程造成干扰，影响最终结果的准确性。因此，需要对所述大视域图像进行预处理。
81.具体来说，对大视域图像进行预处理以去除大视域图像中的条状伪影，并对去除条状伪影后的大视域图像进行滤波处理以滤除散点噪声和白点噪声。
82.需要说明的是，在具体实现时，这里需要有针对性的选择相应地滤波算法，考虑到往往单一的滤波算法无法达到预想的效果，因此在实际滤波图像处理过程中，本技术中具体采用几种滤波算法联用的方式来进行处理，以达到预想的效果，于是针对页岩油气藏的大视域图像进行滤波处理过程中对散点噪声可以使用中值滤波算法，对白点噪声和需要特别进行边缘保护的可以使用非局部均质滤波算法。
83.还需要说明的是，在进行上述滤波步骤之后，发明人进一步考虑到经过滤波处理之后的大视域图像往往会存在偏暗或偏亮及对比度不明显等问题，这将对后续图像分类步骤带来较大的误差，因此本技术还可以对图像进行亮度及对比度调整，以准确加速图像分类，本技术在此不做特别的限定。
84.可见，通过上述方式通过对获取到的页岩油气藏的大视域图像的一系列的图像预处理，为后续图像分类步骤的实现提供了基础，进一步保证了本技术提供的方法的准确性。
85.作为一种优选的实施例，对大视域图像进行图像剪裁以生成各个子图，包括：
86.确定表征对大视域图像进行图像剪裁时的剪裁步长的窗口像素长度及滑动像素长度；
87.根据窗口像素长度及滑动像素长度对大视域图像进行图像剪裁以生成各个子图。
88.本实施例中，为了实现对所述大视域图像的剪裁，首先确定表征对大视域图像进行图像剪裁时的剪裁步长的窗口像素长度及滑动像素长度，这里的窗口像素长度及滑动像
素长度均小于所述大视域扫描图像的像素总长度；随后根据窗口像素长度及滑动像素长度对大视域图像进行图像剪裁以生成各个子图。
89.需要说明的是，通常这里的滑动像素长度和窗口像素长度大小相同，可以为128、256、512、1024等，本技术在此不作特别的限定，根据研究对象的差异不同，选择合适的数值即可。
90.具体的，这里给出本技术的一种具体的实施例，请参照图2，图2为本发明提供的页岩油气藏的大视域图像的显示示意图，这里采用了helios nanolab 660扫描电子显微镜对某地区的页岩油气藏的岩心进行扫描，扫描分辩率为10nm/像素，扫描后图像像素大小为70000
×
70000。对该大视域图像按照窗口像素大小为256
×
256，滑动像素大小为256
×
256进行剪裁并进行滤波、亮度及对比度处理后，请参照图3，图3为本发明提供的页岩油气藏的大视域图像的一个子图中所有的孔隙的显示示意图，该图展示了其中一个子图中包括的所有的孔隙；请进一步参照图4，图4为本发明提供的页岩油气藏的大视域图像分类后的显示示意图，其中，类型1为岩石颗粒；类型2为溶蚀孔类型；类型3为粒间孔隙；类型4为粒内孔隙；类型5为有机质及有机质孔隙，右侧为各个类型的孔隙在该子图中所占的百分比；最后请参照图5，图5为本发明提供的页岩油气藏的大视域图像的所有孔隙的结构分布占比示意图，在这之后可以对每一种类型的孔隙使用数字岩心分析技术，计算每一种类型的孔隙的微观孔隙结构，并结合不同类型的孔隙的占比实现页岩油气藏大视域图像的微观孔隙结构分析。
91.可见，通过这种方式可以简单可靠地实现对大视域图像进行图像剪裁以生成各个子图，便于后续处理，降低了计算机的处理压力。
92.作为一种优选的实施例，聚类分析算法为k-means算法。
93.本实施例中，这里的聚类分析算法可以为k-means算法，k-means算法作为一种经典的用于划分类别的聚类分析算法，是十大经典数据挖掘算法之一。它可以通过空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代，逐次更新各聚类中心的值，直至得到最好的聚类结果。k-means算法原理简单易实现，可以有效地实现本技术中根据特征矩阵通过k-means算法确定大视域图像中所有的孔隙及各个孔隙的所属类别的这一执行逻辑。
94.作为一种优选的实施例，机器学习算法为卷积神经网络；
95.通过机器学习算法确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵，包括：
96.将各个子图作为第一输入项输入卷积神经网络以确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵。
97.本实施例中，这里的机器学习算法可以为卷积神经网络，通过将各个子图作为第一输入项输入卷积神经网络，可以确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵，具体的，页岩油气藏的大视域图像为二维灰度图像，其灰度值有256个级别，展布从0～255，因此每个子图也是二维灰度图像，其灰度值展布从0～255。卷积神经网络包括输入层、隐藏层、输出层。将各个子图作为第一输入项输入所述输入层，隐藏层为卷积、线性整流、池化、全连接，最终得到输出的第一矩阵。
98.当然，这里的卷积神经网络也可以替换为其他的算法，只需要符合本技术中的执
行逻辑得到第一矩阵即可。
99.可见，通过卷积神经网络可以可靠地确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵，且实现方式简单有效。
100.作为一种优选的实施例，根据各个子图中的各个像素点的灰度值确定各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵，包括：
101.将各个子图作为第二输入项输入灰度共生矩阵算法以根据各个子图中的各个像素点的灰度值确定各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵。
102.本实施例中，为了确定各个子图中包括的所有的孔隙的纹理特征，可以依托于灰度共生矩阵算法，将各个子图作为第二输入项输入灰度共生矩阵算法以根据各个子图中的各个像素点的灰度值确定各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵，且实现方式可靠。
103.具体的，这里的第二矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。在应用灰度共生矩阵算法时，主要包括以下步骤：
104.首先对于各个子图来说会分别选在几个不同的方向来进行计算，即水平方向0
°
，垂直90
°
，以及45
°
和135
°
；
105.随后对于每个子图来说，计算特征值，即采用四个最常用的特征来提取图像的纹理特征：能量、对比度、相关度、熵。
106.其中，能量(角二阶距)可以表示为：
[0107][0108]
其中，p(i,j)为以所述子图中任意一个像素点为坐标原点后位置为(i,j)处的像素点的灰度值。而能量是第二矩阵的各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。
[0109]
对比度可以表示为：
[0110][0111]
对比度是第二矩阵的主对角线附近的惯性矩，它体现第二矩阵的元素如何分布，反映了图像的清晰度和纹理沟纹的深浅。
[0112]
相关度可以表示为：
[0113][0114]
其中，μ
x
为x方向的像素点的灰度均值，μy为y方向的像素点的灰度均值，δ
x
为x方向的像素点的灰度方差，δy为y方向的像素点的灰度方差。相关度体现了第二矩阵中的元素在行或列方向上的相似程度，反映了图像局部灰度相关性。
[0115]
熵可以表示为：
[0116][0117]
熵体现了图像纹理的随机性。若第二矩阵中所有值都相等，取得最大值；若第二矩
阵中的值不均匀，则其值会变得很小。最终，求出各个子图在所选取各个方向上的特征值，进而得到各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵。
[0118]
当然，这里的灰度共生矩阵算法也可以替换为小波变换算法，本技术在此不作特别的限定，能够实现本技术中的执行逻辑即可。
[0119]
作为一种优选的实施例，当各个子图的尺寸大小相同时；
[0120]
各个子图的第一矩阵包括m个表征子图中包括的所有的孔隙的典型特征的第一数据，其中，第一矩阵的维度为1
×
m且m≥1；
[0121]
各个子图的第二矩阵包括n个表征子图中包括的所有的孔隙的纹理特征的第二数据，其中，第二矩阵的维度为1
×
n且n≥1；
[0122]
将各个子图的第一矩阵与第二矩阵耦合以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵，包括：
[0123]
对于每个子图，将子图的m个第一数据及n个第二数据依次排列以得到用于表征子图中包括的所有的孔隙的图像特征的第三矩阵，第三矩阵的维度为1
×
(m n)；
[0124]
在得到每个子图的第三矩阵后，将各个第三矩阵按行依次排列以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵，其中，特征矩阵的维度为s
×
(m n)且s为子图的总个数。
[0125]
本实施例中，在对所述大视域图像进行均匀分割，以使各个子图的尺寸大小相同的情况下，于是对于每个子图来说，通过机器学习算法确定的该子图的第一矩阵具体包括m个第一数据，这些第一数据表征了该子图中所有的孔隙的典型特征，该第一矩阵的维度为1
×
m；确定的该子图的第二矩阵具体包括n个第二数据，这些第二数据表征了该子图中所有的孔隙的纹理特征，该第二矩阵的维度为1
×
n。
[0126]
于是对于每个子图，将该子图的m个第一数据及n个第二数据依次排列以得到用于表征子图中包括的所有的孔隙的图像特征的第三矩阵，第三矩阵的维度为1
×
(m n)，在得到每个子图的第三矩阵后，将各个第三矩阵按行依次排列以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵，且该确定方式准确可靠。
[0127]
具体的，这里为了叙述简便，假定所述大视域图像在进行图像分割后得到3个尺寸大小一致的子图，即子图总个数s＝3，且对于任意一个子图来说，其第一矩阵包括3个第一数据，即m＝3；其第二矩阵包括2个第二数据，即n＝2；于是，对于第1个子图来说，其第一矩阵可以表示为[m1，m2，m3]，其第二矩阵可以表示为[n1，n2]；对于第2个子图来说，其第一矩阵可以表示为[m4，m5，m6]，其第二矩阵可以表示为[n3，n4]；对于第3个子图来说，其第一矩阵可以表示为[m7，m8，m9]，其第二矩阵可以表示为[n5，n6]；
[0128]
于是，对于第1个子图，将该子图的m个第一数据及n个第二数据依次排列得到的第三矩阵可以表示为[m1，m2，m3，n1，n2]，对于第2个子图，将该子图的m个第一数据及n个第二数据依次排列得到的第三矩阵可以表示为[m4，m5，m6，n3，n4]，对于第3个子图，将该子图的m个第一数据及n个第二数据依次排列得到的第三矩阵可以表示为[m7，m8，m9，n5，n6]。
[0129]
在得到每个子图的第三矩阵后，将各个第三矩阵按行依次排列后，得到的所述大视域图像的特征矩阵可以表示为：
[0130][0131]
请参照图6，图6为本发明提供的一种基于机器学习的页岩大视域图像分类系统的结构示意图。
[0132]
该基于机器学习的页岩大视域图像分类系统，包括：
[0133]
获取单元21，用于获取页岩油气藏的大视域图像；
[0134]
图像剪裁单元22，用于对大视域图像进行图像剪裁以生成各个子图；
[0135]
第一确定单元23，用于通过机器学习算法确定各个子图的用于表征子图中包括的所有的孔隙的典型特征的第一矩阵；
[0136]
第二确定单元24，用于根据各个子图中的各个像素点的灰度值确定各个子图的用于表征子图中包括的所有的孔隙的纹理特征的第二矩阵；
[0137]
第三确定单元25，用于将各个子图的第一矩阵与第二矩阵耦合以得到用于表征大视域图像中所有的孔隙的图像特征的特征矩阵；
[0138]
图像分类单元26，用于根据特征矩阵通过聚类分析算法确定大视域图像中所有的孔隙及各个孔隙的所属类别。
[0139]
对于本发明中提供的基于机器学习的页岩大视域图像分类系统的介绍请参照上述基于机器学习的页岩大视域图像分类方法的实施例，此处不再赘述。
[0140]
请参照图7，图7为本发明提供的一种基于机器学习的页岩大视域图像分类装置的结构示意图。
[0141]
该基于机器学习的页岩大视域图像分类装置，包括：
[0142]
存储器31，用于存储计算机程序；
[0143]
处理器32，用于执行如上述所述的基于机器学习的页岩大视域图像分类方法的步骤。
[0144]
对于本发明中提供的基于机器学习的页岩大视域图像分类装置的介绍请参照上述基于机器学习的页岩大视域图像分类方法的实施例，此处不再赘述。
[0145]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0146]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0147]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。