[发明专利]一种基于unet分割的岩石图像孔隙类型识别方法

说明书

本发明公开了一种基于unet分割的岩石图像孔隙类型识别方法，其包括以下步骤：S1、搭建初始深度学习网络模型；S2、获取岩石原始图像并进行图像切割和图像增强，得到预处理后的图像数据；S3、获取岩石原始图像并进行孔隙位置和形状的人工标注，得到标注后的标签图像数据；S4、对标注后的标签图像数据进行One‑Hot编码，得到编码后的标签数据；S5、将预处理后的图像数据和编码后的标签数据作为训练样本对初始深度学习网络模型进行训练，得到训练后的模型；S6、采用训练后的模型对待识别图像进行识别。本发明抗噪音能力强，具有泛化能力，可提高孔隙识别精度，并且实现了孔隙类别的识别。

技术领域

本发明涉及一种岩石孔隙识别领域，具体涉及一种基于unet分割的岩石图像孔隙类型识别方法。

背景技术

岩石孔隙度是衡量其保持流体能力的一个指标，不同种类的岩石孔隙具有不同的特征，如页岩有粒间孔、粒内孔、有机质孔、缝隙等。孔隙特征的不同最终可以导致受渗透率大小控制的开发效果存在巨大差异，因此孔隙类型较大程度上决定原油采收效率。近几年，随着数字图像处理技术的发展，一种识别孔隙类型常用的方法是利用钻井岩心样本，磨制铸体薄片，在扫描电镜下拍摄薄片图像并对图像进行处理，提取岩石孔隙图像的特征，从而对其进行分类识别。

传统图像分割方法首先对图像通过颜色、形状及纹理等特征进行图像分割，之后再进行后续的工作。这类方法有较大的局限性，这类算法一般具有一些人为制定的标准，并没有学习能力，只能针对特定的场景获得比较好的结果。更重要的是此类分割方法只能得到孔隙的形状特征而无法得到孔隙的类别，只能通过人工或分类算法对孔隙进行进一步的分类，而孔隙类别与孔隙所处的岩石基质具有较大关联，因此单纯对孔隙样本进行分类效果较差。基于传统图像分割的方法有：

(1)基于阈值的分割方法：基于阈值的分割方法是基于图像的灰度特征计算或设定一个或多个灰度阈值，然后通过将图像中各个像素的灰度值与阈值进行比较，从而达到一个基于划分的分类结果，进而完成图像的分割。此方法的缺点在于如果图像中前景区域与背景区域的像素灰度相近或者颜色差别较小时，该方法会出现过度分割或者欠分割。

(2)基于边缘的分割方法：基于边缘的分割方法通过检测，确定出区域的边缘，然后根据边缘划分出不同的分类，该方法的前置条件是待分类区域有较为明显的边缘特征，但是对于边缘区分不明显或者边缘不连续的情况会取得比较差的结果。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于unet分割的岩石图像孔隙类型识别方法解决了现有岩石孔隙识别难的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于unet分割的岩石图像孔隙类型识别方法，其包括以下步骤：

S1、将语义分割模型unet作为网络模型、将卷积神经网络作为基础构架搭建初始深度学习网络模型；

S2、获取岩石原始图像并进行图像切割和图像增强，得到预处理后的图像数据；

S3、获取岩石原始图像并进行孔隙位置和形状的人工标注，得到标注后的标签图像数据；

S4、对标注后的标签图像数据进行One-Hot编码，得到编码后的标签数据；

S5、将步骤S2得到的预处理后的图像数据和步骤S4得到的编码后的标签数据作为训练样本对步骤S1所搭建的初始深度学习网络模型进行训练，得到训练后的模型；

S6、采用训练后的模型对待识别图像进行识别。

进一步地，步骤S1的具体方法为：