[发明专利]基于机器学习的页岩大视域图像分类方法

说明书

本发明公开了一种基于机器学习的页岩大视域图像分类方法，通过对大视域图像进行图像剪裁以生成各个子图，降低了计算机的计算压力，处理效率更高；为了实现对各个子图中所有的孔隙的图像特征的准确提取以便后续分类，同时考虑了孔隙的典型特征和纹理特征，即通过机器学习算法确定各个子图的表征其中所有的孔隙的典型特征的第一矩阵；随后确定各个子图的表征其中所有的孔隙的纹理特征的第二矩阵；将各个子图的第一矩阵与第二矩阵耦合得到表征大视域图像中所有的孔隙的图像特征的特征矩阵；根据该特征矩阵通过聚类分析算法，可以准确有效地确定出大视域图像中所有的孔隙及各个孔隙的所属类别，保证了对于不同类型的所有孔隙的准确识别。

技术领域

本发明涉及图像分类领域，特别是涉及一种基于机器学习的页岩大视域图像分类方法、系统及装置。

背景技术

页岩油气藏作为常规油气藏的补充，其储量巨大，是油气藏的重要组成部分。研究表明，页岩油气藏的微观结构呈现出典型的非均质性，表现为其中孔隙尺寸的展布的多尺度性；而且，其中的孔隙的类型很复杂多样，发育着微裂缝、溶蚀孔隙、粒间孔隙、粒内孔隙、有机质及有机质孔隙等类型的孔隙。

为了实现对页岩油气藏中孔隙的结构特征的分析，需要首先有效地分割出页岩油气藏中的不同类型的孔隙。现有技术中针对该问题主要采用的方法为图像二值化分割方法，即利用获取的页岩油气藏的大视域图像中各个像素点的灰度，绘制灰度直方图，并根据该灰度直方图确定用于分割大视域图像中各个孔隙的阈值，将大视域图像中的孔隙与其他部分分割开，进而实现了对不同类型的孔隙的分类。

但是正如上述所述，由于页岩油气藏中包含着众多类型的孔隙，其中某些不同类型的孔隙的灰度值是很接近的，这导致该方法中的阈值很难进行有效确定，进而导致使用该方法很容易造成对不同类型但灰度值接近的孔隙的误识别；另外，该方法对于其中一些占比较小的纳米级别的孔隙也难以识别；且大视域图像的数据体巨大，该方法中是直接对大视域图像的整体进行处理，这使得在整个处理过程中对于计算机的硬盘存储空间、内存空间及CPU的处理效率的要求均很高，一定程度上也限制了该方法的使用。

可见，寻找一种更加有效且准确的方法将页岩油气藏中的孔隙分割出来并进行分类是目前亟待解决的问题。

发明内容

本发明的目的是提供一种基于机器学习的页岩大视域图像分类方法、系统及装置，在降低了计算机的处理压力的基础上，可以准确有效地确定出大视域图像中所有的孔隙及各个孔隙的所属类别，保证了对于不同类型的所有孔隙的准确识别。

为解决上述技术问题，本发明提供了一种基于机器学习的页岩大视域图像分类方法，包括：

获取页岩油气藏的大视域图像；

对所述大视域图像进行图像剪裁以生成各个子图；

通过机器学习算法确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典型特征的第一矩阵；

根据各个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所有的孔隙的纹理特征的第二矩阵；

将各个所述子图的第一矩阵与第二矩阵耦合以得到用于表征所述大视域图像中所有的孔隙的图像特征的特征矩阵；

根据所述特征矩阵通过聚类分析算法确定所述大视域图像中所有的孔隙及各个所述孔隙的所属类别。

优选的，获取页岩油气藏的大视域图像，包括：

获取氩离子抛光-扫描电子显微镜对页岩油气藏进行扫描后得到的各个小视域扫描图像；

对各个所述小视域扫描图像进行图像拼接以得到所述页岩油气藏的大视域图像。

优选的，获取页岩油气藏的大视域图像之后，还包括：

对所述大视域图像进行预处理以去除所述大视域图像中的条状伪影；