基于机器学习的页岩大视域图像分类方法

技术特征：
1.一种基于机器学习的页岩大视域图像分类方法，其特征在于，包括：获取页岩油气藏的大视域图像；对所述大视域图像进行图像剪裁以生成各个子图；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；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；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；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。2.如权利要求1所述的基于机器学习的页岩大视域图像分类方法，其特征在于，获取页岩油气藏的大视域图像，包括：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；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。3.如权利要求1所述的基于机器学习的页岩大视域图像分类方法，其特征在于，获取页岩油气藏的大视域图像之后，还包括：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；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。4.如权利要求1所述的基于机器学习的页岩大视域图像分类方法，其特征在于，对所述大视域图像进行图像剪裁以生成各个子图，包括：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；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。5.如权利要求1所述的基于机器学习的页岩大视域图像分类方法，其特征在于，所述聚类分析算法为k-means算法。6.如权利要求1至5任一项所述的基于机器学习的页岩大视域图像分类方法，其特征在于，所述机器学习算法为卷积神经网络；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：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。7.如权利要求6所述的基于机器学习的页岩大视域图像分类方法，其特征在于，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，包括：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。8.如权利要求7所述的基于机器学习的页岩大视域图像分类方法，其特征在于，当各个所述子图的尺寸大小相同时；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；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；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：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)；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。9.一种基于机器学习的页岩大视域图像分类系统，其特征在于，包括：获取单元，用于获取页岩油气藏的大视域图像；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；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；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；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；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。10.一种基于机器学习的页岩大视域图像分类装置，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行如权利要求1至8任一项所述的基于机器学习的页岩大视域图像分类方法的步骤。

技术总结
本发明公开了一种基于机器学习的页岩大视域图像分类方法，通过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；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，即通过机器学习算法确定各个子图的表征其中所有的孔隙的典型特征的第一矩阵；随后确定各个子图的表征其中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得到表征大视域图像中所有的孔隙的图像特征的特征矩阵；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。孔隙的准确识别。孔隙的准确识别。


技术研发人员：姚军 刘磊 孙海 张磊
受保护的技术使用者：中国石油大学（华东）
技术研发日：2022.02.23
技术公布日：2022/5/25