基于和差直方图的岩屑纹理分析与分类识别*

杨晓明,李文东,慈兴华,张 卫,王东强,郑荣儿**

(1.中国海洋大学光学光电子实验室,山东青岛266100;2.胜利石油管理局地质录井公司,山东东营257064)

基于和差直方图的岩屑纹理分析与分类识别*

杨晓明1,李文东1,慈兴华2,张 卫2,王东强1,郑荣儿1**

(1.中国海洋大学光学光电子实验室,山东青岛266100;2.胜利石油管理局地质录井公司,山东东营257064)

随着PDC钻头的推广使用,传统的岩屑录井方法已难以分析如此细小的岩屑。基于数字图像处理技术对岩屑分类识别技术进行研究,首先利用和差直方图统计方法对岩屑进行纹理特征分析和提取,接着运用贝叶斯分类器进行分类识别,实验结果表明,此统计特征提取方法对于大部分岩屑可以很好地获取其主要特征,并最终取得理想的识别结果。此技术的发展将提高现场录井人员的工作效率和识别准确率。

岩屑;岩性;和差直方图;识别

岩屑的描述是地质录井过程中获取关键性地质参数的主要途径,其中,岩性的识别[1]可以探知地层结构的各项信息,含油性的识别则关系到油气的显示和评价。至今,各大油田现场录井中的岩屑分类识别部分,仍旧依靠肉眼进行,其工作经验可表述为:“大段摊开,宏观细挑,远看颜色,近看岩性,干湿结合,挑分岩性,分层定名,按层描述”[2]。然而近几年,为了更高效益的追求,钻井中纷纷采用了PDC钻头(Polycrystalline Diamond Compact Bit)[3-5],一方面它对岩石的切削能力,使钻得的岩屑十分细小;另一方面,其转速更快,钻井效率大大提高。这无形中给现场录井人员带来了提高工作效率的迫切愿望,同时也使得传统岩屑的描述方法更加困难,因此一种高效、高精确度的岩屑描述新技术成为现今录井行业中技术突破的重大课题。

鉴于技术上的需求,基于现代数字图像处理技术的借助于计算机的新型岩屑描述技术正迅速发展起来。目前,数字图像处理技术[6]已广泛地应用于医学图像、卫星遥感、数字图书馆和工业铸件等领域中,是近年来的研究热点之一,其主要方法就是通过对图像的纹理空间结构进行各种统计分析,以获得其中有用的宏观和微观信息[7]。纹理是像素灰度级变化具有的空间规律性的视觉表现,其识别方法很多,从特征提取上,人们提出了直方图、灰度共生矩阵[8]、马尔可夫随机场模型[9]和小波变换[10]等多种方法;根据采用的分类器不同,人们提出了神经网络分类[11]、贝叶斯分类[12]、学习向量量化网络[13]、支持向量机[14]等识别方法。而直方图[15],作为图像处理最基本的工具,是用统计的方法对图像纹理分布进行表征,运算简单,效率高,具有平移、旋转和缩放不变性[7]。由基本的直方图出发,至今,又发展了灰度直方图、灰度差分直方图、和差直方图[16-19]等。其中和差直方图是目前发展较为完善,被大家广为应用的一门技术,但由于其中参数的不确定性,而使得最终识别结果也具有优劣之分。本文通过对多幅图像不同参数值的选取比较,最终确定出适合岩屑的最优和差直方图特征提取方案,并进行了岩屑主要特征的提取,最终通过应用贝叶斯分类器对岩屑样品进行分类,以验证此方案的有效性,并为岩屑描述新技术提供技术支持。

1 方法

和差直方图描述图像中一定方向、一定距离上相邻点灰度之间和与差的概率分布情况。纹理图像分布有一定的规律(对方向、距离而言),而和差直方图反映了灰度图像关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式和它们排列规律的基础,从它出发,可以提取描述图像纹理的一系列特征[16]。

对于1个K×V的纹理图像,灰度级为G(G=1,2,……L),考虑2个图像的元素y1=yk,l和y2=yk+d1,l+d2,(d1,d2)∈D,这里D是要被分析的纹理区域。对于1个相对的偏移(d1,d2),和差被定义如下:

从(1)和(2),可以定义2个[2L-1]维矩阵,归一化的和差直方图如下:

由于一幅图像的纹理信息包含在图像中点与点之间的灰度关系上,因此需要选取合适的2点之间的距离d和方向来反映图像的纹理特征。为了简单,只取0,45,90,135(°)共4个方向。由于相反的方向产生相同的和差直方图矩阵,因此每一个直方图矩阵只需计算其相应的4个方向(d1,d2)=(d,0),(d,d),(0,d),(-d,d)(见图1)。

图1 1个元素8个邻域(距离为d)方向的表示方法Fig.1 Representation of the neighborhood(the distance isd)directions of a pixel

表1 列出了所提取的特征参数及其表达式[17]。

表1 特征量Table 1 Statistical parameters

其中,均值,反映纹理图像总体灰度的平均水平。方差,反映灰度分布的离散程度。能量,反映图像所具有的信息量,若图像是等概率分布的,则具有最小的能量。相关,能够用来衡量和差直方图的元素在行的方向或列的方向的相似程度。熵,反映图像所具有的信息量,若图像是等概率分布的,则具有最大的熵。对比度,可理解为图像的清晰度,即纹理的清晰程度。在图像中,纹理的沟纹越深,则其对比度越大,图像越清晰醒目。

2 实验

2.1 实验装置

图像采集系统是配以Canon Macro MP-E 65mm f/2.8 1-5X的Canon EOS 20D照相机。Canon Macro MP-E 65mm f/2.8 1-5X是佳能的微距镜头,焦距范围是65 mm,最大光圈是f/2.8,能够放大1～5倍。在拍摄过程中镜头到岩屑的距离为8 cm,景深为4 mm,放大倍数为1.66倍,这样就能保证每0.5 mm的像素数为128。照明光源采用环形节能灯,环形节能灯比自然光稳定,与白炽灯比较,其无频闪,并且环形可以避免岩屑阴影的出现。

2.2 实验样品

实验样品选用油田钻井地质资料公司提供的《岩谱色谱集》中的12号灰绿色泥岩、17号浅灰黄色灰质泥岩、18号浅灰色白云质泥岩、19号绿灰色含膏泥岩、20号灰色石膏质泥岩、25号灰白色粉砂岩、26号灰白色灰质粉砂岩、29号灰白色粉细砂岩、31号灰白色中砂岩、35号灰白色石英砂岩共10中标准岩屑样品。

3 实验结果与分析

在同一条件下,对所选取的每一种样品拍摄了图片。从每幅图片中截取了若干个128×128像素的小图片作为待分析的图片(如图2所示,其中第一排的5幅岩屑图片是泥岩图片,第二排的5幅岩屑图片是砂岩图片),所截取的图片均为岩屑图片,不包含背景和岩屑的边缘。每一类的泥岩和砂岩均截取了51幅,总共510幅图片。

图2 所取泥岩和砂岩示例Fig.2 The samples of mudstone and sandstone

对图片进行处理运算的具体的流程见图3。

图3 基于和差直方图的岩屑分类识别流程图Fig.3 Flow process chart of recognition of cuttings based on sum and difference histograms

首先是对一定方向、一定距离上相邻点灰度之间的和与差的概率进行统计。为了简化运算过程,在进行概率统计时直接将方向取为0,45,90,135(°)4个方向。为了忽略方向差异的影响,使特征参数值成为与图像旋转无关的量,计算的特征参数值取0,45,90,135(°)4个方向的平均值。

对于d的选取,取510幅标准砂岩样品和标准泥岩样品进行确定,d取了不同的值。由于10个样品共510幅图片在同一幅图片中显得太繁杂,且d取太大的值不能反映图片的信息,为此,每种样品只选取了1幅图片且d选取了15个不同数值。d选取15个不同数值时的5个标准砂岩样品和5个标准泥岩样品的特征参数值随d增大的变化情况见图4(图中横坐标表示所取的距离d的值,纵坐标为各特征量的值)。

图4 特征量随d的变化Fig.4 Change of the statistical parameters withd

从图中可以看出,当像素间距离d=1～15时,均值、方差、能量、相关、熵、对比度、一致性的值均受到一定影响;均值、方差、相关受到的影响较小。随着d的增大,能量和一致性呈明显的下降趋势,而熵和对比度则呈明显的上升趋势,可以发现,方差、相关、能量、以及一致性在d=2时变化较大,而在d=3时样品的某些特征量的值重叠较严重,从d=4开始体现出较好的鲁棒性,具有较好的代表性,因此选择距离d=4[20]。

针对上述方法所提取的特征量,采用贝叶斯分类器进行分类测试。通过所得的识别率对此特征提取方法进行验证。第一次测试实验中,训练样本为全部实验样品,测试样品为其中的一部分。第二次实验,训练样本为2/3实验样品,测试样本为剩余的实验样品。具体编号见表2和3。

采用和差直方图方法提取特征量,通过贝叶斯分类器进行分类后的结果见表2(砂岩和泥岩样品均标以1#、2#、3#、……、255#)。

表2 砂岩和泥岩样品的识别率Table 2 The discrimination of the mudstone and sandstone

由表2可以发现,有的类别的泥岩识别率相当低,如第三种泥岩18号浅灰色白云质泥岩和第五种泥岩20号灰色石膏质泥岩,第一种砂岩25号灰白色粉砂岩识别率也比较低。

通过对比分析各泥岩和各砂岩的图片,发现18号浅灰色白云质泥岩(即图2中第一排的左起第三个)较其它泥岩的颜色浅些,用肉眼来观察,几乎接近于砂岩的颜色。而20号灰色石膏质泥岩(即图2中第一排的右起第一个),用肉眼来观察,颜色与其它泥岩很接近,但为什么识别率仅为62%呢。原因是该灰色石膏质泥岩的成分是以泥岩为主,但含有较多的白色豆状隐晶质石膏粒。由于石膏粒的存在,因此判别起来识别率就会降低。而对于25号灰白色粉砂岩,由图2(第二排左起第一个)可以看出,它的颜色较泥岩浅些,较砂岩深一些,因此它的识别率也不高。由此可以发现,对于颜色既接近于泥岩又接近于砂岩的岩屑,识别起来较困难;对于含有较多其它物体的岩屑,识别率也不会高。因此,认为该方法能够很准确地识别出12号灰绿色泥岩、17号浅灰黄色灰质泥岩、19号绿灰色含膏泥岩、29号灰白色粉细砂岩、31号灰白色中砂岩和35号灰白色石英砂岩。

为了最终确定和差直方图方法对于岩屑岩性特征描述所起的作用,以上面能准确识别的6类岩屑重新作为实验样品。运用和差直方图进行特征提取,并运用贝叶斯分类器进行分类,结果见表3(样品重新进行编号)。

表3 砂岩和泥岩样品的识别率Table 3 The discrimination of the mudstone and sandstone

由表3可以发现,泥岩和砂岩的识别率均较高,泥岩的平均识别率为100%,砂岩的平均识别率为98.70%。因此运用和差直方图方法进行岩屑特征提取能够准确地识别出灰绿色泥岩、浅灰黄色灰质泥岩、绿灰色含膏泥岩、灰白色粉细砂岩、灰白色中砂岩和灰白色石英砂岩。

4 结论与讨论

利用和差直方图方法对标准石油岩屑样品进行特征提取,并利用贝叶斯分类器进行分类,分类结果表明利用和差直方图方法能够较准确地对《岩谱色谱集》中的部分样品进行分类识别。但是对于颜色介于砂岩和泥岩之间的岩屑样品,和差直方图就显得有些力不从心了;同时对于含杂质较多的样品,识别率也较低。这恰好说明了和差直方图方法对于岩屑岩性描述的可行性。因此只要对大量不同类别的砂泥岩进行分析,建立不同砂岩和泥岩的数据库,就可以在较短的时间内对大量石油岩屑进行较准确的分类,这将大大提高现场录井人员的工作效率。

[1] 覃豪,张超谟.基于粗糙集与模糊学的岩性识别[J].江汉石油学院学报,2004,26(4):60-62.

[2] 柳金钟,张海翠,王秀荣,等.文72块沙三中地层特征分析及岩性特征识别[J].内蒙古石油化工,2005(8):156-159.

[3] 程晓东.PDC钻头在塔河油田的应用与分析[J].西部探矿工程,2005(增刊):112-113.

[4] 曹贤,司万春,王磊,等.PDC钻头在江苏油田的应用[J].西部探矿工程,2006,121(05):59-61.

[5] 李增科,杨玉坤.PDC钻头在西部工区的应用分析[J].钻采工艺,2006,20(1):99-102.

[6] Rafael C,Gonzalez,Richard E,et al.阮秋琦等译.数字图像处理(Matlab版)[M].北京:电子工业出版社,2005.

[7] Wlodzimiez greblicki.Continuous-time Hammerstein system identification[J].IEEE Trans on Automatic Control,2000,45(6):1232-1236.

[8] Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEE Transactions on Systems,Man and Cybernetic,1973,3(6):610-621.

[9] 盛文,柳健.基于马尔可夫随机场模型和函数联接网络的纹理分类方法[J].红外与激光工程,2000,29(2):1-4.

[10] 黄昕,张良培,李翠琳.基于小波变换的影像纹理特征提取试验[J].测绘信息与工程,2005,30(6):7-9.

[11] Andrew Laine,Jian Fan.Texture classification by wavelet packet signatures[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1993,15(11):1186-1191.

[12] Dimitrios Charalampidis,Takis Kasparis.Wavelet-based rotational invariant roughness features for texture classification and segmentation[J].IEEE Trans.on Image Processing,2002,11(8):825-837.

[13] 袁野,仲崇权,杨素英,等.基于学习向量量化网络的指定颜色物体的识别[J].计算机工程与应用,2002,38(10):100-102.

[14] 李杰,楚恒,朱维乐,等.使用支持向量机的纹理识别方法[J].光电工程,2005,32(8):48-51.

[15] Gibson D,Gaydecki P A.The application of local grey level histograms to organelle classification in histological images[J].Comput.Biol.Med,1996,24(4):329-337.

[16] 吴泽晖.B超图像的纹理识别[J].湖南大学学报:自然科学版,2001,19(4):337-341.

[17] Juan Martinez,Jose D,Luis-Delgado,et al.Automatic system for quality-based classification of marble textures[J].IEEE Transacrions on Systems,Man,and Cybernetics-oartc:Applications and Reviews,2005,35(4):488-497.

[18] Ameur Z,Ameur S,Adane A,et al.Cloud classification using the textural features of meteosat images[J].International Journal of Remote Sensing,2004,25(21):4491-4503.

[19] Unser M.Sum and difference histograms for texture classification.[J]IEEE Trans.Pattern Anal.Mach.Intell,1986,8:118-125.

[20] 赵晖.显微细胞图像的纹理描述[D].长沙:国防科学技术大学,2004.

Texture Analysis and Recognition of Cuttings Based on Sum and Difference Histograms

YAN G Xiao-Ming1,LI Wen-Dong1,CI Xing-Hua2,ZHANG Wei2,WANG Dong-Qiang1,ZHENG Rong-er1
(1.Optics﹠Optoelectronics Laboratory,Ocean University of China,Shandong 266100,China;2.Geologging Company,Shengli Petroleum Management Bureau,Dongying 257064,China)

Because of the application of Polycrystalline Diamond Compact Bit,the traditional cutting logging methods are facing many difficulties,and they are no longer applicable to describe so small cuttings.So researches are based on the numerical image processing technology.First,analyses and extracts the texture features of cuttings with sum and difference histograms.Then,recognizes it by Bayes classifier.The result suggests it is useful to acquire the main features for most cuttings and has a good result of recognition.The improvement of this technology will raise rapidly the work efficiency and the accuracy of recognition for site geologists.

cuttings;lithology;sum and difference histograms;recognition

TP391;P585

A

1672-5174(2011)03-099-06

国家高技术研究发展计划项目(2002AA615170);中国石化胜利油田有限公司技术开发项目资助

2009-07-11;

2010-03-10

杨晓明(1979-),女,硕士。E-mail:yang__0108@163.com

**通讯作者:E-mail:rzheng@ouc.edu.cn

责任编辑 陈呈超