基于图像区域分割和卷积神经网络的电成像缝洞表征

张 浩 王 亮 司马立强 范 玲 郭宇豪 郭一凡

(①西南石油大学地球科学与技术学院，四川成都 610500； ②油气藏地质及开发工程国家重点实验室，四川成都 610500；③成都理工大学能源学院，四川成都 610059； ④中石油西南油气田公司川中油气矿，四川遂宁 629000)

0 引言

裂缝、溶蚀孔洞是碳酸盐岩中油气的重要储集空间和渗流通道，识别和定量评价裂缝、溶蚀孔洞对于油气勘探具有重要意义[1]。然而，裂缝、溶蚀孔洞的常规测井响应特征十分复杂[2]，且垂直分辨率低，难以准确识别细节[3]。相较于常规测井，电成像测井资料具有垂直分辨率高、井眼覆盖全的优势，可直观显示地层裂缝、溶蚀孔洞分布等细节[4]，为裂缝、溶蚀孔洞的识别、定量评价提供了一种思路，而其中的关键在于电成像图像区域特征的准确、高效、自动识别和提取[5]。

利用电成像资料精确地识别、定量评价裂缝、溶蚀孔洞，首先需要分割图像阈值，从地层背景中分离裂缝、溶蚀孔洞。不同的阈值分割算法效果差异较大。传统的平均阈值分割法[6]在像素值分布单一的情况下效果较好；Otsu自动阈值分割法[6]在像素值分布广泛的情况下效果最佳。因此，需要通过算法之间的优势互补才能分割出更完整的裂缝、溶蚀孔洞特征。

目前，利用电成像资料计算裂缝、溶蚀孔洞参数大多基于测井解释软件平台，由人工提取特征而得，主观性强且工作量大，图像处理效率较低。因此，学者们研究了针对电成像图像特征的自动识别和提取方法。柯式镇等[7]利用Hough变换检测电成像中的正弦曲线特征，计算地层产状和裂缝角度等参数；闫建平等[8]应用连通域标识法在电成像图像中定量拾取溶洞信息；李曦宁等[9]应用多尺度形态学方法提取电成像缝洞参数；李振苓等[10]应用形态学滤波方法从电导率图像中提取缝洞孔隙度谱。上述方法在一定条件下效果较好，但是由于裂缝、溶蚀孔洞地层非均质性强且图像特征复杂，在实际应用中受到很多限制。例如Hough变换识别层理会出现较大的误差，空白条带的存在使连通域标识法失真、电成像不具备形态学滤波的条件。

卷积神经网络技术被广泛应用于计算机视觉[11]、医学图像处理[12]、交通标志识别[13]等领域，但应用于地球物理测井领域的实例较少且鲜有报道。电成像技术在地球物理测井领域是一种由非常规方法发展为常规方法的地层图像探测技术。电成像数据通常为二维图像，处理难点在于数据量大、依赖人工拾取。卷积神经网络适用于图像数据处理和图像特征识别。本文旨在将卷积神经网络应用于电成像图像识别领域，提出了一种基于图像区域分割卷积神经网络的电成像图像裂缝、溶蚀孔洞自动识别和特征提取方法。根据识别和提取的信息计算有效面孔率等参数，并与常规测井曲线、Techlog软件处理结果和岩心资料等对比，验证了本文方法的适用性和合理性。

1 常见地质构造的电成像图像特征

电成像图像包含多类地质构造特征，如裂缝、溶蚀孔洞、基质、层理、泥质条带等[14-15]。不同地质构造特征的导电性具有明显差异，电成像图像中低阻黑色及高阻亮色区域的特征易判别，这为利用电成像图像进行裂缝、溶蚀孔洞的自动识别和特征提取奠定了基础。在进行图像处理之前，需归纳电成像图像中的地质构造特征并分类，根据分类规律制备训练样本。常见地质构造的电成像图像特征如图1所示。

图1 常规地质构造的电成像图像特征

2 电成像图像的预处理

由于电成像图像常指示众多地质构造特征，在识别裂缝、溶蚀孔洞之前，需要对图像进行预处理以达到图像区域特征分割的目的。关键技术流程包括：①图像空白条带填充；②图像阈值分割，输出二值图像；③应用改进后的像素标记法输出连通域数组，判断左右连通性、剔除10像素点以下的连通区域；④图像的区域分割。

2.1 空白条带填充

由于测量仪器极板间隙的存在，电成像图像常包含空白条带，极大地影响了视觉观察和人机交互解释。消除电成像图像空白条带方法有很多，如Filtersim算法、区域生长算法、纹理合成算法等[16]。本文采用一种基于卷积神经网络的电成像图像空白条带填充方法，即搭建类似U-net的神经网络模型，以局部卷积的方式替换卷积层，通过图像编码层将图像整体特征下采样至大量区域特征图中，再使用图像解码层重构图像整体特征； 然后，选取连通性良好的全井壁电成像图像作为训练样本，在样本图像中加入模拟的空白条带，以反向传播的方式进行模型权值的训练。该方法的填充结果(图2b)与原始图像(图2a)的延展趋势几乎重合，即在形态上具有高度的一致性。

图2 空白条带填充前(a)、后(b)对比

2.2 阈值分割

阈值分割是为了提取图像区域特征，使分割后的图像特征更加简单，有助于计算机的辨认。

平均阈值分割法[6]将平均值作为阈值，对简单特征区域分割效果较好，但对复杂区域分割效果一般。当电成像图像特征交错时，无法从图像中分离出裂缝、溶蚀孔洞。Otsu自动阈值分割法[6]基于像素频率分布确定层间方差最大的分割点，能保留包含裂缝、溶蚀孔洞的图像特征，且分割速度极快，但针对频率分布窄的图像分割效果较差。因此，本文通过计算窗长内像素频率直方图的方差和极值差，采用Otsu自动阈值分割与平均阈值分割相结合的方法。当方差较小且极值差较大时，认为像素频率分布宽，使用Otsu自动阈值分割法；其他情况则认为像素频率分布窄，使用平均阈值分割法。这样就实现了算法之间的优势互补。

以图2电成像图像为例，上部图像特征简单，像素频率分布较窄，为防止将局部极值作为阈值，使用平均阈值分割；下部图像特征复杂，像素频率分布均匀，应用Otsu自动阈值分割能找到最优的阈值。如图3所示，采用平均阈值分割结果(图3a)中图像下部分离的缝、洞不明显；采用Otsu自动阈值分割结果(图3b)中图像上部的裂缝不连续；本文方法分割结果 (图3c)中图像更为鲜明，缝、洞特征清晰。

图3 不同方法阈值分割结果对比

2.3 连通域标识

图像的连通域是指在图像中以指定像素存在的连通集合体。在二值图像中，连通域是相互连通在一起的纯黑色或者纯白色区域，常有4邻域和8邻域两种计算方式。相较于4邻域而言，8邻域的计算结果更连续。为了更好地保留图像特征的连续性，本文选用8邻域的计算方式。裂缝、溶蚀孔洞在电成像图像上表现为暗黑色特征；成像图像在二值化后，裂缝、溶蚀孔洞点位的像素值为0(黑色)，因此只需研究黑色区域的连通域。

本文采取像素标记法识别连通域，并针对电成像图像的特点加以限制，为图像区域分割做好标识。实际电成像图像具有像素量大的特点，为了加快处理速度、符合电成像图像特征，本文对传统的像素标记法进行了改进，即由传统的两次扫描(第一次标记，第二次判定)改进为一次扫描并同时判定。

电成像图像是由圆柱状井筒展开后的矩形图像，图像左、右边缘相连，图像连通域计算时需加入判断左、右边连通性的机制。电成像图像分辨率较高，设定像素总数大于或等于10的连通域才具有实际意义，因此需剔除像素总数小于10的连通域。改进后的像素标记算法流程如图4所示。

图4 连通域算法流程

2.4 区域分割

区域分割是将图像整体特征划分为多块区域特征的过程。通过计算图像连通域的坐标数组，能够将连通域的坐标信息以数组的形式保存；再以纯白色为背景，将坐标依次标记为黑色像素点。这样能够将二值图像按照连通域分割为多个特征图像，分割出的特征图像个体为图像分类的基本单元。图像区域分割过程如图5所示。

图5 图像区域分割模型

3 基于卷积神经网络的缝洞识别

3.1 卷积神经网络的基本结构

卷积神经网络(图6)是神经网络技术的一个重要组成部分，主要由输入层、卷积层、池化层、全连接层和输出层组成[17-18]。卷积神经网络与传统神经网络结构的最大不同在于卷积层和池化层。卷积层和池化层联接在一起时通常统称为卷积池化层。卷积池化层的目的是提取区域特征，能够有效降低多层神经网络计算的复杂性，这为实现复杂图像识别奠定了基础。本文借鉴图像分类的思路[19-21]，将卷积神经网络应用于电成像分类。

图6 卷积神经网络的基本结构

3.2 改进的LeNet-5神经网络结构

LeNet-5是最为经典的卷积神经网络结构，在手写数字识别分类、交通标志识别分类等领域应用较为广泛。本文应用图像分类的思路，将电成像特征图像划分为多个类型，通过卷积神经网络模型进行分类和识别。经典的LeNet-5神经网络[22]的输入为32×32的图像，而电成像图像的分辨率远大于此，因此需要改进LeNet-5以适应电成像图像特征。本文构建的网络模型设置有输入层、3层卷积层、池化层、全连接层和输出层，具体结构参数如表1所示。

表1 改进LeNet-5神经网络结构参数

改进的LeNet-5神经网络的卷积池化层采用最大池化模式，以ReLU函数作为激活函数(图7),该激活函数具有保留权重线性特征和加快收敛速度的作用，表达式为

图7 ReLU激活函数示意图

(1)

式中x、y分别为激活函数的输入、输出。

输出层以Softmax函数作为激活函数，表达式为

(2)

式中：yi为第i类的预测概率；zi为第i类的预测输出值；zt为第t个输出节点的数值；N为输出层维度。该激活函数常用于多分类问题的输出层，在保证所有输出神经元之和为1的前提下进行分类，每个输出对应的数值是该类预测的概率，取最大输出的数组索引为最终预测的类型。

3.3 样本制备和训练

在样本制备过程中，需要将待训练的图像进行人工分类。本文根据实验样本中所采集的数据，对分类结果进行了标注，样本图像的实例包括溶孔、溶洞、中低角度裂缝、高角度裂缝、网状缝、层理或泥质条带、眼球眼皮构造等共7类。具体样本编号和分类标准如表2所示。

表2 样本分类标准表

选取四川盆地某地区的电成像图像制备训练样本，共计1117张图片。由于神经网络结构的限制，需要将图像样本的分辨率压缩至192×96，该过程能有效降低计算复杂度且大幅减少训练时间。

以制备样本的80%作为训练集，20%作为测试集。训练模型的参数是：训练循环次数为2000，学习速率为0.0001，输入维度为192×96，输出维度为8。训练过程中的参数变化趋势如图8所示。

由图8可见，训练准确率在早期上升至0.9以上，最终为0.9783，说明样本的分类合理、整体质量较高；训练损失函数逐渐趋于稳定，最终为0.0693；测试准确率的趋势与训练准确率相似，最终稳定在0.9793；测试损失函数波动幅度逐渐减小，最终稳定在0.0856。

图8 卷积神经网络训练参数变化趋势

未参与训练过程的测试集223个样本分类统计预测结果(表3)表明，测试集的各类图像分类准确率均较高，模型针对测试集的总符合率达97.8%。这说明特征图像的差异明显、神经网络的结构设置合理。

表3 测试集准确率统计表

3.4 模型测试

裂缝、溶蚀孔洞测试模型[23]由1条水平缝、多个溶蚀孔洞、1条泥质条带和1组层理界面构成 (图9a)。经过图像阈值分割、图像区域分割和神经网络类型判别，可以准确地识别出1条水平缝(绿色)、多个溶蚀孔洞(红色)、1条泥质条带(蓝色)和1组层理界面(蓝色)，如图9b所示。

图9 模型测试效果

4 实际资料应用

应用本文方法进行裂缝、溶蚀孔洞的自动识别流程如图10所示。

首先，填充电成像图像空白条带，使用平均阈值分割与Otsu阈值分割相结合的方法去除地层背景干扰；其次，以图像连通域为标识进行图像的区域分割；最后，经过卷积神经网络的判定，结合常规测井曲线[24]，将图像区域特征划分为红色(溶蚀孔洞)、绿色(裂缝)、蓝色(其他特征)、白色(地层基质)等四色区域。在流程图中，常规测井曲线用于结合神经网络识别结果修正输出。以GR(自然伽马)、双侧向电阻率曲线为例，若识别结果为裂缝且所处深度的GR曲线值小于GR阈值、双侧向电阻率曲线小于电阻率阈值则判定为裂缝，否则判定为其他构造。

以YH1井(图11)为例，常规测井曲线特征显示：地层基质(白色)的电阻率高、AC(声波时差)平稳、GR较低；裂缝(绿色)、溶蚀孔洞(红色)区域双侧向电阻率曲线呈刺刀状、箱型或“W”形态，具有正差异值，AC高、GR低；泥质条带、层理等构造(蓝色)电阻率低、AC高、GR较高。对比缝洞识别结果和常规测井曲线特征可进一步发现：缝洞发育区域双侧向电阻率一般较低，通常呈刺刀状或箱型，GR曲线处于阈值以下；泥质条带区域的GR曲线处于阈值之上，AC有明显升高，双侧向电阻率极低且具有较大的正差异值。综上所述，裂缝、溶蚀孔洞的识别结果与常规测井曲线基本相符。

图11 YH1井裂缝、溶蚀孔洞的识别结果

在定量参数计算方面，与传统面孔率定义不同，有效面孔率是指缝洞发育区域的面积与井壁面积的比值。有效面孔率和孔隙度分别表征地层的缝洞和孔隙发育情况，通过有效面孔率与孔隙度的交会分析可为缝洞型、孔隙型等储层类型判别提供定量评价依据[25-26]。

对比YH1井4336.0～4341.0m段电成像处理结果与岩心可见：第一块岩心(图12a)见斜裂缝，缝宽为0.2～1.0cm，方解石半充填，电成像识别为低角度窄裂缝，厚度约为0.5cm；第二块岩心(图12b)底部见横向裂缝，缝宽为1.0～2.0cm，无充填，电成像识别结果为横向裂缝，缝宽约为1.8cm；第三块岩心(图12c)见月牙状裂缝，缝宽约为0.1cm，缝长约为15.0cm，方解石充填，电成像识别结果为月牙状裂缝，缝宽约为0.2cm；第四块岩心(图12d)见斜裂缝，缝宽约0.1cm，有机质充填，电成像识别结果为低角度裂缝，缝宽约为1.0cm。

图12 YH1井岩心照片

上述四块岩心中，第一、二、三块岩心描述情况与识别结果吻合，第四块岩心描述的裂缝发育形态与识别结果吻合，但是由于裂缝被有机质充填，导致岩心描述缝宽与电成像显示存在一定的差异。

5 结论

针对碳酸盐岩地层的电成像图像特征，本文提出了一种基于图像分割和卷积神经网络的裂缝、溶蚀孔洞自动识别和特征提取方法。首先，对不同地质构造特征的电成像图像进行分类，使用阈值分割法和连通域算法有效地将地质构造特征与地层背景分离；其次，训练改进的LeNet-5神经网络模型，模型针对测试集电成像特征分类准确率可达97.8%，再结合常规测井曲线进行特征类型判别；最终，基于缝洞识别结果可计算有效面孔率等定量评价参数。

本文方法能够通过全井壁电成像特征的像素分布形态判别裂缝、溶蚀孔洞类型，再结合常规测井资料有效识别裂缝、溶蚀孔洞发育区域，为通过电成像资料精细评价强非均质性地层提供了参考。与人工电成像处理方法相比，本文方法避免了解释结果的人为误差，是进一步利用电成像资料的有效尝试。