结合颜色和纹理特征的岩心荧光图像含油级别判定*

曹　磊　卿粼波　滕奇志　何海波

(1.四川大学电子信息学院　成都　610065)(2.成都西图科技有限公司　成都　610065)



结合颜色和纹理特征的岩心荧光图像含油级别判定*

曹磊1卿粼波1滕奇志1何海波2

(1.四川大学电子信息学院成都610065)(2.成都西图科技有限公司成都610065)

摘要判定岩心荧光图像的含油级别对石油勘探研究具有重要的实际应用价值。不同的含油级别表现为一定的颜色和纹理特征。通过选定含油级别示例图像作为模板，结合颜色和纹理特征计算待判定图像与模板图像间相似度，进而判定荧光图像的含油级别。首先，根据主要颜色非均匀量化HSV颜色直方图提取荧光图像的颜色特征。然后，利用LBP算子生成LBP图像，并对LBP图像求取GLCM特征值，来描述荧光图像的纹理特征。最后，使用巴氏距离分别计算待判定图像的颜色相似度和纹理相似度，并多特征融合得出综合相似度。实验结果表明，结合颜色和纹理特征能够提高岩心荧光图像含油级别判定的准确性。

关键词相似度; 颜色直方图; LBP; GLCM; 巴氏距离; 多特征融合

Determination of the Oil-bearing Grade of Core Fluorescent Image by Combining Color and Texture Features

CAO Lei1QING Linbo1TENG Qizhi1HE Haibo2

(1. College of Electronic and Information, Sichuan University, Chengdu610065)

(2. Chengdu Xitu Technology Co. Ltd, Chengdu610065)

AbstractIt is of practical significance for petroleum exploration to determine the oil-bearing grade of core fluorescence image. Oil-bearing grades of core have different color and texture features. By selecting sample image of oil-bearing grade as a template, image similarity is computed and then oil-bearing grade of the fluorescent image is determined by combining color and texture features. Firstly, according to the major colors, non-uniform quantization of HSV color histogram is done. Secondly, LBP code is used to generate the LBP image and obtain the GLCM characteristic values of the LBP image to describe the texture feature of image. Finally, the color similarity and texture similarity of fluorescent image are calculated respectively using the Bhattacharyya distance, and comprehensive similarity of multi-feature fusion. Experimental results show that combining color and texture feature can improve the accuracy of the oil-bearing grade of core fluorescence image.

Key Wordssimilarity, color histogram, LBP, GLCM, Bhattacharyya distance, multi-feature fusion

Class NumberTP391

1引言

岩心是反映地下油气储层最真实最直观的实物资料。在黑暗条件下，岩心实物在一定波长紫外线照射下，激发出来的可见光被图像采集设备捕捉成像得到岩心荧光图像。在石油地质研究中，岩心的含油级别分为富含油、饱含油、油斑、油迹、油浸和荧光六种[1]。

石油勘探工作中，常以人眼观察和经验直接判定含油级别，这种方法受主观因素影响较大。现在直接从岩心荧光图像中分析提取特征，将专家认定的含油级别示例图像作为模板，将待判定的荧光图像与含油级别模板图像进行相似性度量，得出含油岩心荧光图像的含油级别，可以方便更多的石油地质工作人员更好地判定岩心的含油级别。

传统的相似度计算仅基于颜色特征[2]，这样不能全面描述图像的内容，本文结合颜色和纹理特征计算相似度，利用更多的图像内容衡量图像间的相似性。不同含油级别之间颜色、纹理特征的差异，为利用颜色特征和纹理特征判定含油级别提供了理论依据。

2岩心含油级别判定依据

岩心荧光图像的不同含油级别之间，有颜色和纹理特征的差异，如图1六个含油级别模板图像所示。

通过与油田工作人员协商，确定以上六种荧光含油级别模板图像。不同区域不同地层的岩心采集到的荧光图像可能会产生颜色偏移，所以，针对不同批次岩心荧光图像，六种岩心荧光含油级别模板图像，应该由油田工作人员挑选作为标准，并可更改替换。

图1　含油级别模板图像

从图1可以看出，含油区域呈现棕黄色，不含油区域呈现紫黑色。颜色特征直观有效地描述了不同含油级别荧光图像的视觉差距。

自然图像大多具有纹理，岩心荧光图像也不例外。岩心荧光图像的含油分布纹理类型如表1所示[1]。

表1　宏观上岩心含油分布类型表

可见，不同含油级别的荧光图像呈现出不同的纹理特征，含油级别高的荧光图像纹理类型偏向于块状、层状，含油级别低的图像偏向于斑点状、条纹状。

特征提取是相似匹配的基础。相似性度量可以从岩心荧光图像的颜色特征和纹理特征两方面进行。本文首先提取颜色特征，针对荧光图像主要颜色非均匀量化HSV颜色直方图，计算颜色直方图的巴氏距离作为颜色相似度，然后提取纹理特征，通过LBP算子产生LBP图像、对LBP图像求取灰度共生矩阵的一组特征值，LBP图像之间灰度直方图的巴氏距离和GLCM一组特征值的巴氏距离的平均值作为纹理相似度，最后多特征融合[3]计算图像间的综合相似度。

3颜色特征提取

3.1颜色直方图

颜色是图像最直观最有效的视觉特征，本文采用颜色直方图统计图像中不同颜色的分布比例[4]。相似的图像，它们的颜色直方图也相似。

数字图像是基于RGB空间表达的，但是RGB颜色空间是面向硬件的，常用在显示器系统，而HSV颜色空间是面向用户的，符合人眼的视觉感知特性，所以要将荧光图像从RGB空间转换到HSV空间。

将图像颜色空间转变为HSV颜色空间后，色调H取值0~360，饱和度S、亮度V取值0~1，三个分量组合仍会产生大量的颜色，需要对颜色进行量化，将H、S、V三个分量的量化级数分别设为QH、QS、QV，由此H、S、V三个分量组成一个一维特征向量：

HSV=H×QS×QV+S×QV+V

(1)

3.2巴氏距离计算相似度

得到HSV颜色直方图特征向量后，将图像间的相似程度转换为图像颜色直方图特征向量间的相似程度，特征向量间的相似程度使用距离公式进行归一化计算，具有计算量小、适合不同大小图像、易归一化的优点。

图像间的相似度即直方图距离可用巴式距离测定，其在统计学中用于测量两种离散概率分布的可分离性：

dBhattacharyya(H1,H2)=

(2)

其中H1，H2分别代表待判定图像与模板图像的直方图特征向量。dBhattacharyya即为图像相似度，范围为0~1之间。0为最相似，1为最不相似。

3.3针对荧光图像的非均匀量化

针对荧光图像中的含油组分的颜色主要集中在黄色、棕色、褐色等类黄色的特点，对黄棕褐含油区域的颜色和紫黑色背景颜色等颜色区间细量化，对像素数较少的其他颜色进行粗量化，从而提高颜色相似度计算的准确性。

因为棕黄色含油区域的色调在45附近，蓝紫色背景色调在265附近，所以对45和265附近颜色区间进行细致量化，设图像中像素的值为，具体颜色非均匀量化[5]如下：

(3)

如上所示：将H分量非均匀量化为16级，S分量非均匀量化为4级，亮度信息对颜色的区分较小，故不考虑V分量。由此得到64种代表颜色。含油区域和不含油区域呈现不同的颜色，呈现在直方图上就是两个高峰，所以要对类黄色和类紫色进行细量化，量化区间分别为10或20，而其他颜色量化区间为30。对油斑级别测试图绘制非均匀量化颜色直方图如图2所示。

图2　油斑测试图及其非均匀量化直方图

使用图3饱含油测试图，分别与六种含油级别模板图像(如图1)通过巴氏距离进行相似度计算，得出相似度数据见表2(0为最相似，1为最不相似)：

颜色特征巴氏距离均匀量化非均匀量化饱含油0.9000.637富含油0.8800.698油浸0.8930.757油斑0.9080.825油迹0.9360.944荧光0.9540.925

利用巴氏距离使用均匀量化计算出来的相似度，判定为富含油级别，且相似度集中在0.9附近，没有很好地区分含油级别之间的差距。而使用非均匀量化得到的相似度呈一个上升的趋势，这恰恰符合饱含油级别与其他含油级别相似性差异的变化趋势，由此可见HSV非均匀量化能够获得更准确的相似度数据。

4纹理特征提取

4.1LBP算子

纹理是对图像区域的描述，常用的纹理特征提取方法有灰度共生矩阵GLCM[6]、LBP算子[7]。LBP算子计算量小，常用于纹理分类。灰度共生矩阵的能量、熵、对比度、相关性和逆差矩五个特征值可以用来描述荧光图像的纹理特征。所以本文采用先用LBP算子得到LBP图像，然后对LBP图像求取灰度共生矩阵特征值的方法进行纹理特征提取。

局部二值模式LBP是一种描述灰度图像的局部纹理特征的算子[7]。原始的LBP算子定义为在3×3的窗口内，将窗口中心像素点的灰度值作为阈值，邻域的8个像素的灰度值分别与其比较，大于阈值的像素标记为1，反之标记为0。周围8位二进制数转换成的十进制数就是中心像素的LBP值，取值0~255。如图4所示。

图4　LBP算子

中心像素的LBP值定义：

(4)

其中(xc,yc)是中心像素，灰度值是ic，而ip则是相邻像素的灰度值，s(·)是一个阶跃函数，N为邻域像素个数：

(5)

图像中的每一个像素都用LBP值替代，由此得到LBP图像。LBP图像是一种特殊的灰度图像。

不同的编码顺序会产生不同的LBP值，按照从左上角起顺时针顺序编码，图4二进制为10111010，十进制LBP值为186。按一行一行的顺序编码，二进制为10101101，LBP值为173。不同编码顺序如图5所示。

图5　编码顺序

岩心荧光图像的纹理主要呈水平方向，为了突出水平层次的纹理变化，LBP值的计算采用水平方向编码。对图2(1)油斑测试图按不同编码顺序得到的LBP图像如图6所示。

图6　LBP图谱

LBP算子原始编码顺序得到的LBP图像纹理过细，而水平顺序编码得到的LBP图像更能描述图像的纹理变化与分布。

4.2融合LBP和GLCM

通常的做法是计算LBP图像间的直方图距离作为两幅荧光图像在纹理上的相似度，但这样做无法对纹理的位置分布进行描述。本文接着对LBP图像计算其灰度共生矩阵的一组特征值[8]。取LBP图像直方图相似度和LBP图像GLCM特征值相似度的平均值作为纹理相似度的值。

灰度共生矩阵GLCM是满足一定距离和方向的像素对的灰度值联合分布概率。可以使用灰度共生矩阵的能量、熵、对比度、相关性和逆差矩五个特征值描述荧光图像的纹理特征。能量描述图像中纹理的均匀程度，熵描述纹理的复杂程度，对比度描述纹理的沟纹深浅，相关性描述图像的灰度级在行或列方向上的相似程度，逆差矩描述纹理局部的变化。

位置方向为θ，距离为d的一对像素点，灰度为和的概率定义为p(i,j)。将能量、熵、对比度、相关性和逆差矩五个特征值组成五维的特征向量，记为(f1,f2,f3,f4,f5)，计算公式分别如下：

f1=fenergy=∑i,jP(i,j)2

(6)

f2=fenergy=-∑i,jP(i,j)logP(i,j)

(7)

f3=fcontrast=-∑i,j(i-j)2P(i,j)

(8)

(9)

(10)

其中，

μx=∑ii∑jP(i,j)

μy=∑jj∑iP(i,j)

σx=∑i(i-μx)2∑jP

σy=∑j(j-μy)2∑iP

求取距离d=1，方向θ=0°,45°,90°,135°的四组五维特征向量并级联起来，得到LBP图像灰度共生矩阵的20维特征向量，将这个20维的特征向量通过巴氏距离计算相似度。取LBP图像直方图的相似度和此相似度的平均值作为纹理相似度的值。

5多特征判定含油级别

岩心荧光图像的颜色特征和纹理特征分别进行相似度计算，通过特征加权确定不同特征对综合相似度的影响[9]，得到更准确的综合相似度，提高图像匹配的准确率。

5.1多特征融合

待判定的图像分别与六种不同级别模板图像针对颜色和纹理特征进行相似度计算，最匹配的模板图像的含油级别就是待判定图像的含油级别。

岩心荧光图像含油级别判定流程如图7所示。

图7　含油级别判定流程图

待判定图像与模板图像在视觉特征上的多特征融合的综合相似度[10]，可用下式来表示：

(11)

其中wj是特征权重，k是特征的个数，S(fpj,fqj)是图像p和图像q关于特征j的相似度。

5.2实验结果

本文采用实验测量的方法确定颜色和纹理的特征权重。使用15张图像进行相似性匹配，发现只用颜色相似度判定准确的有13张，只使用纹理相似度判定准确的有11张。所以将颜色特征的权重p和纹理特征的权重q分别设为(0.55,0.45)，(0.6,0.4)，(0.65,0.35)。通过反复实验，发现颜色特征对综合相似度的权重设为0.55，纹理特征的权重设为0.45时，综合相似度对图像含油级别的判定最准确。

已知图8(a)是油浸级别，图8(b)是油斑级别。

图8　测试图

下面用测试图(a)、(b)分别与六种含油级别模板图像进行颜色特征和纹理特征的相似度计算。巴氏距离计算的相似度越小，图像间越相似。

表3　相似度测量结果对比

从表中可以看出，图(a)颜色相似度最小是0.316，准确判定级别为油浸，纹理相似度最小是0.090(油斑)，出现相邻含油级别的误差，而图(b)纹理相似度最小为0.138，准确判定为油斑，颜色相似度最小为0.475(油浸)，出现相邻级别误差，多特征融合后的综合相似度取长补短，对两张图的判定都准确，图(a)最小相似度0.216，判定为油浸，图(b)最小相似度0.327，判定为油斑。

将算法判定出来的结果与人眼视觉认知的结果进行对照，对同一批次更多数量的岩心荧光图像进行测试，判定准确率及变化趋势如下：

表4　判定准确率比较

图9　实验结果比较

从上述数据可以看到，单独使用一种特征判定图像间的相似度，不能全面反映出图像信息，结合颜色和纹理两种特征加权求图像综合相似度，可以利用更丰富的图像信息，从而提高含油级别判定的准确率。

6结语

通过岩心荧光图像与含油级别模板图像进行相似度计算，可以确定该荧光图像的含油级别，单独使用颜色或纹理特征计算相似度都不能全面利用图像信息，而将两种特征融合计算相似度会提高判定的准确性，这对岩心荧光图像的含油级别判定具有重要的工程应用价值。

参 考 文 献

[1] 中国石化西北油田分公司.Q/SHXB0092-2012,岩心岩屑录井规范[S]. 2012:3-5.

China Petrochemical Northwest Oilfield Branch Company. Q/SHXB0092-2012, Logging Specification of Core & Detritus[S]. 2012:3-5.

[2] 李长勇,曹其新,郭峰.基于主色直方图特征匹配的蔬果分类方法[J].上海交通大学学报,2009,(12):1898-1903.

LI Changyong, CAO Qixin, GUO Feng. Vegetable & Fruit Classification Method Based on Dominant Color Histogram[J]. Journal of Shanghai Jiaotong University,2009,(12):1898-1903.

[3] Jasmine K P, Kumar P R. Integration of HSV Color Histogram and LMEBP Joint Histogram for Multimedia Image Retrieval[J]. Advances in Intelligent Systems & Computing,2014:753-762.

[4] Wang X Y, Wu J F, Yang H Y. Robust Image Retrieval Based on Color Histogram of Local Feature Regions[J]. Multimedia Tools & Applications,2010,49(2):323-345(23).

[5] 罗微,李红岩,孙丽萍.基于颜色空间非等间隔量化的木材图像主色调检索[J].东北林业大学学报,2012,40(10):159-162.

LUO Wei, LI Hongyan, SUN Liping. Primary Color Retrieval of Wood Image Based on Unequal Interval Quantization of Color Space[J]. Journal of Northeast Forestry University,2012,40(10):159-162.

[6] 杨波,徐光祐.纹理相似性度量研究及基于纹理特征的图象检索[J].自动化学报,2004,30(6):991-998.

YANG Bo, XU Guangyou. Texture Similarity Measure and Image Retrieval Based on Texture Features[J]. Acta Automatica Sinica,2004,30(6):991-998.

[7] 徐少平,刘小平,李春泉,等.基于区域最大相似度的快速图像分割算法[J].光电子激光,2013,24(5):990-998.

XU Shaoping, LIU Xiaoping, LI Chunquan, et al. Fast Image Segmentation Algorithm Based on Region Maximum Similarity[J]. Journal of Optoelectronics Laser,2013,24(5):990-998.

[8] 王国德,张培林,任国全,等.融合LBP和GLCM的纹理特征提取方法[J].计算机工程,2012,38(11):199-201.

WANG Guode, ZHANG Peilin, REN Guoquan, et al. Texture Feature Extraction Method of Fusion LBP and GLCM[J]. Computer Engineering,2012,38(11):199-201.

[9] Kaya Y, Kayci L. Application of Artificial Neural Network for Automatic Detection of Butterfly Species Using Color and Texture Features[J]. Visual Computer,2014,30(1):71-79.

[10] 王建功,林国余.基于多特征融合的多摄像机人体跟踪方法[J].吉林大学学报:信息科学版,2014,32(6):675-683.

WANG Jiangong, LIN Guoyu. Multi Camera Human Tracking Method Based on Multi Feature Fusion[J]. Journal of Jilin University: Information Science Edition,2014,32(6):675-683.

中图分类号TP391

DOI:10.3969/j.issn.1672-9722.2016.02.030

作者简介:曹磊，男，硕士研究生，研究方向：计算机应用与图像识别。卿粼波，男，博士，副教授，研究方向：信号与信号系统、图像处理、图像通信。滕奇志，女，博士，教授，博士生导师，研究方向：数字图像处理与模式识别、计算机应用与图像识别、生物医学图像等。何海波，男，高级工程师，研究方向：图像处理与计算机应用。

基金项目:国家自然科学基金(编号:61372174)资助。

*收稿日期:2015年8月11日,修回日期:2015年9月27日