一种基于CT扫描处理数字岩心图像的方法与流程

一种基于ct扫描处理数字岩心图像的方法
技术领域
1.本发明涉及数字岩心技术领域，特别涉及一种基于ct扫描处理数字岩心图像的方法。


背景技术：

2.数字岩心在砂岩、碳酸盐岩、页岩等岩心分析领域得到广泛应用，其基本原理是基于扫描图像运用计算机图像处理技术并通过一定的算法完成数字岩心的重构。
3.在对岩心进行矿物或岩石骨架成分分布研究时，往往是将岩心扫描后的灰度图像进行处理，即对数字岩心图像进行处理，识别出不同的矿物或岩石骨架成分分布情况，往往在岩心样本中需要分辨出岩石、空气、水、有机物等。
4.现有的数字岩心图像处理方法虽然能够对岩心样本的绝大部分已知矿物或岩石骨架成分分布进行准确判断，但所采集的岩心样本无法保证其矿物或岩石骨架成分分布均属于常规矿物或岩石骨架成分组成及分布，因此，还需提升对岩心样本矿物或岩石骨架成分分布的判断能力。


技术实现要素：

5.本发明的目的在于提供一种基于ct扫描处理数字岩心图像的方法，其通过灰度值的变化趋势来提取特征量，从而确定对待测岩心试样中矿物或岩石骨架成分分布的判断能力。
6.为实现上述目的，本发明采用如下技术方案，包括以下步骤：
7.s1、通过岩心ct扫描仪对岩心标样扫描，获得岩心标样ct图像；
8.s2、对岩心标样ct图像进行灰度处理，获得岩心标样灰度图像；
9.s3、获取岩心标样灰度图像中每个像素点的灰度值；
10.s4、对像素点所对应的矿物或岩石骨架成分进行神经网络模型训练，并通过灰度值的变化趋势来提取特征量，所述灰度值变化趋势是将同属矿物或岩石骨架成分对应的灰度值进行聚类分析，建立基于特征量的判别函数；
11.采用距离分段线性判别函数，将聚类样本进行划分，即按照均值连线的中点的垂直线对样本集进行分类，定义判别函数为；
[0012][0013]
判别规则为；
[0014]
gj(x)＝min gi(x)，i＝1，2，...，m
[0015]
其中，m
il
为第i类第j个子区域中样本的均值向量；x为未知样本；m为判别函数gi(x)个数；
[0016]
s5、取待测岩心试样，对待测岩心试样进行步骤s1至s3；
[0017]
s6、通过神经网络模型识别待测岩心试样中的灰度值变化，与步骤s4中判别函数
结合进行类别划分，将当前灰度值与像素点和矿物成分对比，并通过特征量获得三维空间的矿物或岩石骨架成分分布。
[0018]
优选的是，在步骤s2中通过反投影将岩心标样ct图像转化为岩心标样灰度图像。
[0019]
优选的是，在步骤s3中，在获取每个像素点的灰度值前通过去躁处理去除岩心标样灰度图像中的噪点。
[0020]
优选的是，所述去躁处理的方法为对岩心标样灰度图像进行滤波处理。
[0021]
优选的是，步骤s4中进行神经网络模型训练的岩心标样为若干不同岩心标样的像素点。
[0022]
优选的是，步骤s4中进行神经网络模型训练的若干岩心标样为在不同地理位置处获取的不同岩层和同一岩层不同位置的岩心标样。
[0023]
优选的是，步骤s4中进行神经网络模型训练的过程为：
[0024]
s41.将所述灰度图像构建成在三维空间的映射图像，将所述映射图像中的像素点的灰度值与该像素点所对应的矿物或岩石骨架成分进行匹配，识别并标记像素点所对应的矿物或岩石骨架成分；
[0025]
s42.通过映射图像中每个像素点所对应的灰度值的变化趋势来提取像素点的特征量。
[0026]
优选的是，步骤s6中通过对待测岩心试样所对应的像素点的灰度值和特征量与神经网络模型训练出的像素点进行对比，获得待测岩心试样所对应的矿物或岩石骨架成分分布。
[0027]
优选的是，若步骤s6中无法通过神经网络模型识别出待测岩心试样中的矿物或岩石骨架成分，则进行滚动学习，将该新的像素点动态更新至神经网络模型中，并标记相应的矿物或岩石骨架成分。
[0028]
本发明的有益效果是：其通过灰度值的变化趋势来提取特征量，从而确定对待测岩心试样中矿物或岩石骨架成分分布的判断能力。
附图说明
[0029]
图1是发明一种基于ct扫描处理数字岩心图像的方法的流程图。
[0030]
图2为本发明中待测岩心试样的灰度切片图。
具体实施方式
[0031]
下面结合附图对发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0032]
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或其它元件或其组合的存在或添加。
[0033]
如图1-2所示，本发明的一种实现形式，为实现上述目的，本发明采用如下技术方案，包括：
[0034]
s1、通过岩心ct扫描仪对岩心标样扫描，获得岩心标样ct图像。
[0035]
s2、对岩心标样ct图像进行灰度处理，通过反投影将岩心标样ct图像转化为岩心标样灰度图像，获得岩心标样灰度图像。
[0036]
s3、先对岩心标样灰度图像进行滤波，实现去除岩心标样灰度图像中的噪点，然后获取岩心标样灰度图像中每个像素点的灰度值。
[0037]
s4、对像素点所对应的矿物或岩石骨架成分进行神经网络模型训练，并通过灰度值的变化趋势来提取特征量，所述灰度值变化趋势是将同属矿物或岩石骨架成分对应的灰度值进行聚类分析，建立基于特征量的判别函数；
[0038]
采用距离分段线性判别函数，将聚类样本进行划分，即按照均值连线的中点的垂直线对样本集进行分类，定义判别函数为:
[0039][0040]
判别规则为；
[0041]gj
(x)＝min gi(x)，i＝1，2，...，m
[0042]
其中，m
il
为第i类第j个子区域中样本的均值向量；x为未知样本；m为判别函数gi(x)个数。
[0043]
其中，步骤s4中进行神经网络模型训练的岩心标样为若干不同岩心标样的像素点或者是在不同地理位置处获取的不同岩层和同一岩层不同位置的岩心标样。
[0044]
进行神经网络模型训练的过程为：
[0045]
s41.将所述灰度图像构建成在三维空间的映射图像，将所述映射图像中的像素点的灰度值与该像素点所对应的矿物或岩石骨架成分进行匹配，识别并标记像素点所对应的矿物或岩石骨架成分；
[0046]
s42.通过映射图像中每个像素点所对应的灰度值的变化趋势来提取像素点的特征量。
[0047]
s5、取待测岩心试样，对待测岩心试样进行步骤s1至s3；
[0048]
s6、通过神经网络模型识别待测岩心试样中的灰度值变化，通过对待测岩心试样所对应的像素点的灰度值和特征量与神经网络模型训练出的像素点进行对比，与步骤s4中判别函数结合进行类别划分，将当前灰度值与像素点和矿物成分对比，并通过特征量获得三维空间的矿物或岩石骨架成分分布。
[0049]
s7、若无法通过神经网络模型识别出待测岩心试样中的矿物或岩石骨架成分，则进行滚动学习，将该新的像素点动态更新至神经网络模型中，并标记相应的矿物或岩石骨架成分。
[0050]
综上所述本发明一种基于ct扫描处理数字岩心图像的方法，其通过灰度值的变化趋势来提取特征量，从而确定对待测岩心试样中矿物或岩石骨架成分分布的判断能力。
[0051]
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。