崔康寧 ，滕奇志 ，吳曉紅 ，何海波

（1.四川大學 電子信息學院圖像信息研究所，四川 成都 610064；2.成都西圖科技有限公司，四川 成都 610064）

巖屑錄井[1]是地質(zhì)錄井工作發(fā)現(xiàn)油氣層、評價油氣層的重要方法之一。巖屑數(shù)字熒光圖像錄井技術(shù)是油氣勘探開發(fā)生產(chǎn)現(xiàn)場直觀發(fā)現(xiàn)、快速分析油氣層的實用性創(chuàng)新技術(shù)，是集計算機圖像處理、分析、識別和應用技術(shù)于一體的地質(zhì)錄井。以往估測含油砂巖的含油組分主要是靠人工經(jīng)驗的方式，因此，巖屑錄井資料的準確性受人為因素的影響較大，現(xiàn)場資料的可比性、實用性存在著很大的局限性，難以達到油氣勘探對錄井工作的要求[2]。為了解決這一難題，在大量室內(nèi)實驗研究工作的基礎上，首先建立了含油砂巖巖屑的識別方法，以此為基礎建立了巖屑樣品中各含油砂巖含油組分分析的檢測方法，成功地開發(fā)出巖屑熒光圖像分析系統(tǒng)，實現(xiàn)了巖屑樣品中各類巖屑百分含量和含油砂巖含油組分分析檢測的自動化和定量化，為及時發(fā)現(xiàn)油氣層和評價油氣層提供可靠信息。

巖屑熒光圖像分析系統(tǒng)是實現(xiàn)熒光圖像后期處理及分析的一套軟件系統(tǒng)，用于巖屑熒光圖像砂巖面積的識別、組分分析與分類識別以及信息管理等方面。該系統(tǒng)主要包含巖屑熒光圖像砂巖面積的識別和巖屑熒光圖像的含油組分分析兩個部分。

1 巖屑熒光圖像砂巖面積的識別

巖屑主要是泥巖和砂巖的混合物，而含油部分主要集中在砂巖中，因此需要把熒光圖像中砂巖部分做識別和提取處理。然而熒光圖像（如圖1所示）下巖屑顆粒間邊界不明顯，難以準確區(qū)分泥巖和砂巖。

巖屑圖像采集系統(tǒng)[3]是巖屑熒光圖像分析系統(tǒng)的前端系統(tǒng)，它主要用于采集巖屑圖片，而且此系統(tǒng)可以通過改變光源，對同一巖屑樣本在嚴格的同一視域下分別采集熒光圖像和白光圖像。由于熒光圖像下對泥巖和砂巖的識別提取存在很大困難，因此在白光圖像下首先將巖屑圖像中的顆粒分割為一個一個的閉合區(qū)域[4]，再根據(jù)砂巖和泥巖的一些紋理和顏色特征對砂巖部分進行提取，這樣就可以完整地識別并提取出砂巖部分。

圖1 巖屑熒光圖像

在分割巖屑各個顆粒的過程中，本系統(tǒng)采用邊緣流分割算法進行顆粒間邊界的提取，具體原理如下。

邊緣流算法[5]首先是對圖像中的每個像素點確定指向該點最近邊緣的流方向；然后檢測相反方向的邊緣流矢量相遇的位置[6]，該位置即圖像中對象的邊緣。

圖像中像素點s在θ方向上的邊緣流矢量為F（s，θ），定義為：

其中，E（s，θ）為圖像像素點 s沿 θ方向的邊緣能量，用于描述顏色、紋理等圖像信息沿θ方向的變化強度；P（s，θ）表示從圖像像素點s往θ方向可能找到邊緣的概率；P（s，θ+π）表示從像素點 s往（θ+π）方向可能找到邊緣的概率。 P（s，θ）和 P（s，θ+π）用來描述邊緣流方向的可能性。邊緣流的定義提供了一個統(tǒng)一的框架，將圖像的色彩和紋理等不同的圖像特征結(jié)合起來。

下面介紹邊緣流計算過程中要用到的主要公式。

（1）GD（the first derivative of Gaussian）

x軸方向上高斯函數(shù)的一階導數(shù)為：

將GD與圖像亮度卷積可以得到圖像亮度變換的強弱。

（2）DOOG（the difference of offset Gaussian）

x軸方向高斯函數(shù)的偏移差分為：

其中，d是兩個高斯核中心的距離，與σ成正比。

通過旋轉(zhuǎn)式（2）和式（3），可以得到它們在不同 θ下的表示：

其中，GDσ，θ（x，y）表示高斯函數(shù)沿著 θ方向的一階導數(shù)，DOOGσ，θ（x，y）表示高斯函數(shù)沿著 θ方向平移距離 d 的偏移差分，x′=xcosθ+ysinθ，y′=-xsinθ+ycoxθ。

運用邊緣流矢量定位邊緣的主要操作步驟為：首先將彩色圖像進行顏色空間轉(zhuǎn)化，由RGB空間轉(zhuǎn)化為Lab空間，然后在單一尺度下構(gòu)造邊緣流矢量。計算當前點的邊緣流矢量時，可以統(tǒng)計8或16方向的邊緣流矢量場，計算每個方向上找到邊緣的概率，概率的大小與存在邊緣的可能性成正比，由此確定該點矢量方向[7]。當遍歷完整幅圖像后，繪制邊緣流矢量圖，矢量圖中邊緣流矢量方向相反處就是圖像中目標邊緣所在的位置。

假設ai為第i個邊緣流矢量的加權(quán)系數(shù)，則有Σiai=1。計算好各種邊緣流之后，合成的邊緣流矢量可以表示為：

本文選用Lab色彩模型中的亮度信息L分量構(gòu)造邊緣流矢量，因為亮度信息L與顏色信息a、b相對獨立，在尋找目標邊緣時，亮度信息起著重要的作用，亮度變化較大的地方就是邊緣，適合于圖像分割[8]。

給定尺度參數(shù) σ，則邊緣能量 E（s，θ）定義為尺度圖像Iσ，L（x，y）沿著 θ方向 的梯 度幅值，即：

其中，s=（x，y）是圖像的像素點，IL=（x，y）是圖像 I（x，y）轉(zhuǎn)到 Lab色彩空間 L通道中點（x，y）的強度值，n表示 θ方向的單位法矢量。從式（7）可以看出，邊緣能量 E（s，θ）實際上就是圖像 IL（x，y）與高斯函數(shù) Gσ（x，y）卷積后得到的尺 度 圖 像 Iσ，L（x，y），在 θ方 向 上 也 就 是 尺 度 圖 像 梯 度 的大小，反映了尺度圖像強度的強弱變化[9]。

在得到 E（s，θ）后，尋找 P（s，θ）最大值（也就是 s 點附近最有可能的邊緣方向）對應的θ，該θ對應的方向就是邊緣所在的方向。

邊緣流矢量包括它的方向和幅值[10]。s點邊緣流矢量的方向就是式（8）中的 θ（s）。 而在 θ（s）方向上的邊緣能量 E（s，θ（s））就是邊緣流矢量的幅值。 圖 2從一維角度說明了邊緣流矢量對邊緣的定位效果。在邊緣左邊的點，由于 P（left）P（right），因此這些點上的 θ（s）都指向左邊，即邊緣流的方向是左[11]。兩個方向的邊緣流相遇的地方就是邊緣的位置。

從前面的敘述中已經(jīng)了解到，影響邊緣流矢量結(jié)果的唯一因素就是尺度因子σ。經(jīng)過大量的測試，在泥巖和砂巖的混合物中，σ=3分割效果比較好，如圖3所示。

圖2 原圖及邊緣定位圖

圖3 尺度參數(shù)ρ=3的分割效果

細線就是本文通過邊緣流分割提取出來的邊緣分割線，從圖3可以明顯看出，各個顆粒已被劃分為獨立的閉合區(qū)域。根據(jù)砂巖的紋理和顏色特征[12]填充砂巖的閉合區(qū)域，如圖4所示。

圖4 邊緣流分割提取的目標

對比圖3和圖4可以發(fā)現(xiàn)，基本上所有的砂巖部分都提取出來了。通過這種方法，本文另外測試了多個巖屑樣本，基本上都識別出巖屑樣本中的砂巖部分。

2 巖屑熒光圖像含油組分分析與分類識別

把在白光圖像下提取的砂巖圖像疊加到熒光圖像上，再分析砂巖區(qū)域的顏色、亮度等特征，從而得到巖屑的含油組分。

巖屑熒光分析系統(tǒng)采用聚類算法對彩色色譜圖進行分層訓練，生成訓練文件。在此基礎上，對熒光圖像的發(fā)光強度、波長、顏色、亮度和飽和度進行彩色分類，將不同區(qū)域點標記為輕質(zhì)油、中質(zhì)油和重質(zhì)油，同時記錄下類別的顏色等待征。通過以上過程，可以得到目標區(qū)域的分類情況，最后用不同顏色顯示不同組分類別，其實現(xiàn)原理見參考文獻[13]。砂巖分類結(jié)果如圖5所示。

圖5中，輕質(zhì)油、中質(zhì)油及重質(zhì)油分別以不同顏色代表，這幅圖像所代表的巖屑樣本中輕質(zhì)油和中質(zhì)油比較多，而重質(zhì)油的含量較少。圖6是另外兩個樣本的砂巖分類圖，其中左圖代表的巖屑樣本含有中質(zhì)油和重質(zhì)油的比例較高，右圖則含有輕質(zhì)油和重質(zhì)油的比例較高。

圖5 砂巖分類效果圖

圖6 其他樣本的砂巖分類效果圖

通過以上的一系列處理，就可以得到熒光圖像的石油含量組分分析，而且效果很直觀，據(jù)此可以得到巖屑樣本的含油情況。

本文在巖屑熒光系統(tǒng)下，通過對白光圖像進行巖屑間顆粒的邊界提取，然后再根據(jù)砂巖和泥巖的紋理特征識別出巖屑中的砂巖目標，解決了在熒光圖像下無法準確識別砂巖的弊端，實驗結(jié)果證明此方法可以較為完整地獲得巖屑中的砂巖目標。最后參照系統(tǒng)生成的訓練文件對砂巖目標進行分類，得到巖屑熒光圖像的含油組分分析。此外，本系統(tǒng)在分析識別砂巖含油組分的過程中具有一定的智能化和自動化，為地質(zhì)部門對巖屑含油量進行定量分析提供了便利。

[1]王春艷，王新順，王延華，等.基于不同光譜技術(shù)的原油樣品的熒光分析[J].光譜學與光譜分析，2006，26（4）：728.

[2]鮑云杰，高玉凱，石景艷，等.巖屑定量描述評價儀的研制[J].測井技術(shù)，1999，23（1）：68-71.

[3]鄧明霞.巖屑圖像采集影響因素及圖像采集標準[J].錄井工程，2007，18（2）：17-20.

[4]慈興華，向巧玲，陳方鴻，等.定量熒光分析技術(shù)在原油性質(zhì)判別方面的應用探討[J].石油實驗地質(zhì)，2004，26（1）：100-102.

[5]MA W Y， MANJUNATH B S.Edge flow： a technique for boundarydetectionandimagesegmentation[J].IEEETransactions on Image Processing， 2000，9（8）：1375-1388.

[6]宋頂利，楊炳儒，于復興.Edge flow數(shù)字圖像邊緣檢測[J].微電子學與計算機，2011，12（4）：81-87.

[7]劉楠，舒寧.基于局部光譜空間分析的多尺度邊緣檢測[J].國土資源遙感，2005，65（3）：34-38.

[8]張鋒.砂巖薄片圖像分割關(guān)鍵技術(shù)研究[D].成都：四川大學，2006.

[9]CHANG C C，LIN C J.LIBsVM： a library for support vector machines[EB/OL].2011-10-15.httpl//www.Csi.ntu.edu.tw/～cjlln/libsvm， 2011-03-09.

[10]曹華美，吳曉紅，羅代升.融合邊緣流和模糊區(qū)域聚類的巖心圖像分割 [J].計算機工程與應用，2013（6）：187-189.

[11]韋宏強，李彤華，鄭屹，等.基于多結(jié)構(gòu)元素形態(tài)學的圖像邊緣檢測算法 [J].計算機工程與設計，2007，22（28）：5452-5447.

[12]王東強，李文東，劉宗林，等.基于傅里葉變換的巖屑紋理特征提取及巖性識別方法研究 [J].石油實驗地質(zhì)，2008，30（4）：420-423.

[13]何霽，滕奇志，羅代升，等.一種改進的 ISODATA算法及在彩色熒光圖像中的應用[J].四川大學學報，2007，44（3）：563.