[發(fā)明專利]基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法

有效

• 申請?zhí)枺?/td>: 202011223216.6
• 申請日: 2020-11-05
• 公開（公告）號: CN112348831B
• 公開（公告）日: 2022-11-11
• 發(fā)明（設(shè)計(jì)）人: 劉學(xué)鋒;萬金彬;程道解;尼浩;夏富軍;張令坦
• 申請（專利權(quán)）人: 中國石油大學(xué)（華東）;中國石油集團(tuán)測井有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 濟(jì)南魯科專利代理有限公司 37214
• 代理人: 商福全

1.基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，包括如下步驟：

S1、獲取頁巖的SEM二次電子灰度圖像；

S2、根據(jù)頁巖的成分特征，建立需要分割的成分類別，所述成分類別包括孔隙、有機(jī)質(zhì)、無機(jī)質(zhì)骨架和黃鐵礦中的一種或多種；

S3、在獲取的灰度圖像中，人工選取具有各個(gè)成分類別的灰度特征的圖像區(qū)域作為訓(xùn)練像素，并標(biāo)注類別標(biāo)簽，所述人工選取具有各個(gè)成分類別的灰度特征的訓(xùn)練像素包含孔隙邊緣灰度異常的部分，將孔隙邊緣灰度異常的部分劃分到與該區(qū)域相鄰的非孔隙的成分類別；

S4、對訓(xùn)練像素分別通過高斯濾波函數(shù)、膜投影濾波函數(shù)、雙邊濾波函數(shù)、Kuwahara濾波函數(shù)和均值濾波函數(shù)進(jìn)行濾波處理，獲取若干個(gè)基于像素點(diǎn)灰度的特征值構(gòu)建訓(xùn)練數(shù)據(jù)集，通過每個(gè)濾波函數(shù)至少獲取1個(gè)特征；

S5、利用訓(xùn)練數(shù)據(jù)集訓(xùn)練隨機(jī)森林分類器；

S6、采用訓(xùn)練好的隨機(jī)森林分類器對需要分割的頁巖SEM圖像進(jìn)行分割。

2.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，通過高斯濾波函數(shù)處理原始圖像時(shí)，使用高斯函數(shù)計(jì)算出呈正態(tài)分布的3×3卷積核，將卷積核與原始圖象中各像素的灰度值做卷積運(yùn)算，得到高斯濾波后各像素的特征值；高斯函數(shù)中σ值分別取1、2、4、8、16共5個(gè)值，分別對各個(gè)σ值對應(yīng)的卷積核與原圖像做卷積運(yùn)算，獲取5個(gè)特征值。

3.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，通過膜投影濾波函數(shù)處理原始圖像時(shí)，使用19×19的矩陣為初始矩陣，初始矩陣中間列全部設(shè)置為1，其余設(shè)置為零，每次將初始矩陣旋轉(zhuǎn)6°直到180°來創(chuàng)建30個(gè)卷積核；分別使用30個(gè)卷積核與原始圖像做卷積運(yùn)算，得到30個(gè)圖像，分別通過以下6種方式將30個(gè)圖像投影到單個(gè)圖像中，獲取6個(gè)特征值；

(1)每個(gè)圖像中同一位置像素點(diǎn)的灰度的總和；

(2)每個(gè)圖像中同一位置像素點(diǎn)灰度的平均值；

(3)每個(gè)圖像中同一位置像素點(diǎn)灰度的標(biāo)準(zhǔn)偏差；

(4)每個(gè)圖像中同一位置像素點(diǎn)灰度的中位數(shù)；

(5)每個(gè)圖像中同一位置像素點(diǎn)的最大灰度；

(6)每個(gè)圖像中同一位置像素點(diǎn)的最小灰度。

4.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，通過雙邊濾波函數(shù)處理時(shí)，鄰域像素點(diǎn)分別選擇與當(dāng)前像素點(diǎn)的空間半徑為5和10內(nèi)的像素點(diǎn)，鄰域像素點(diǎn)灰度值與當(dāng)前像素點(diǎn)灰度值的接近度分別設(shè)置為50和100，即分別設(shè)定空間半徑和接近度值為550、5100、1050、10100四種情況，計(jì)算平均值，獲取4個(gè)特征值。

5.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，通過Kuwahara濾波函數(shù)處理原始圖像時(shí)，使用19×19的矩陣為初始矩陣，初始矩陣中間列全部設(shè)置為1，其余設(shè)置為零；每次將初始矩陣旋轉(zhuǎn)6°直到180°來創(chuàng)建30個(gè)模板，分別使用30個(gè)模板對原始圖像中的像素點(diǎn)進(jìn)行掩膜處理，得到30個(gè)區(qū)域，對所得30個(gè)區(qū)域計(jì)算方差和均值，分別選擇“方差”、“方差/均值”和“(方差/均值)²”最小的區(qū)域作為目標(biāo)區(qū)域，模板中心像素點(diǎn)的灰度值等于目標(biāo)區(qū)域中像素點(diǎn)的平均值，獲取3個(gè)特征值。

6.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，通過均值濾波函數(shù)處理原始圖像時(shí)，將目標(biāo)像素點(diǎn)的灰度值分別設(shè)置為距離目標(biāo)像素分別為1、2、4、8、16個(gè)像素點(diǎn)半徑內(nèi)的像素點(diǎn)灰度的平均值，獲取5個(gè)特征值。

7.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的頁巖SEM圖像分割方法，其特征在于，步驟S5中，隨機(jī)森林分類器的參數(shù)設(shè)置為：每批處理像素點(diǎn)數(shù)量的大小為100-500；分類樹的個(gè)數(shù)為100-500；隨機(jī)使用的特征變量的數(shù)量為5-20。