基于多种特征量提取的岩屑岩性最优识别方案研究

论文摘要

由于PDC (Polycrystalline Diamond Compact)钻头的推广使用导致岩屑非常细小,岩性用肉眼识别十分困难,传统的岩屑录井方法已不再适用。然而岩性的识别是地质描述必不可少的关键性参数,因此迫切需要寻求一种新手段、新方法来判断岩屑的岩性。数字图像处理技术是一个跨学科的前沿技术,具有再现性好、处理精度高、适用面广、灵活性高等优点,近几年在各行业得到了广泛的应用,但是应用于石油行业特别是岩屑录井方面却极少。基于目前PDC钻头条件下岩屑描述的重要性和困难性,以及数字图像处理技术的种种优势,本论文应用几种主要的数字图像特征提取技术,对岩屑岩性描述的方法进行了研究,为本实验室正在研究开发的岩屑描述仪提供了技术支持。本文按照模式识别的思路,沿着采集图像、特征提取、再到分类识别的过程进行了岩屑岩性的分类识别研究。在研究过程中,通过设计并搭建了岩屑图像实验拍摄系统,对岩屑的图像进行采集,并通过调整分辨率及光照,确定出了拍摄系统的各项参数。应用课题组共同编制的两套软件系统(即实验软件系统和用于现场测试的岩屑录井仪软件系统)对所采集的图像进行处理分析,分别通过两系统中的核心模块编程,对这些图像进行了分类识别研究。在实验软件系统中,本文运用了傅立叶变换,小波变换和Gabor变换三种特征提取方法,并结合贝叶斯概率统计分类器进行了识别探索。通过实验分析,得到了他们各自对应的分类识别率;又通过引入统计箱形图来挑选合适的特征量,并将傅立叶变换和小波变换的所选特征量相结合,使泥岩与砂岩的分类准确率提高到了80%以上。其中,在傅立叶变换的基础上,设计了一种用于岩屑特征提取的周向谱能量分级比率计算方法。在用于现场的岩屑录井仪软件系统中,鉴于前期经验,本文采用了和差直方图,傅立叶变换,和Gabor变换三种特征提取方法,并运用了人工神经网络分类器。为了获得最佳的识别效果,通过对三种方法的各种组合,并同时调节分类器的各项参数进行了大量实验,结果表明:在人工神经网络分类器(隐层神经元个数设定为其特征量个数加1)下,将直方图和Gabor变换方法的特征量进行组合的综合方法对岩屑岩性的识别效果最好。在此方案下,得到泥岩、砂岩分类准确率分别为100%和89.2%。基本能满足现场测试的需要。论文建立的这种在人工神经网络分类器下,将直方图和Gabor变换方法的特征量进行组合的识别方法有望成为岩屑岩性描述方案的最佳选择。针对实用化的需要,论文还从图像采集系统和实验方法等方面提出了进一步努力的方向。

论文目录

• 摘要
• Abstract
• 引言
• 0.1 研究背景和意义
• 0.2 本论文的主要工作及安排
• 第一章 数字图像处理技术综述
• 1.1 图像处理技术综述
• 1.1.1 图像科学概述
• 1.1.2 图像处理技术的应用领域
• 1.1.3 图像处理与识别的技术内容
• 1.2 图像的纹理特征与颜色概述
• 1.2.1 纹理特征提取
• 1.2.2 RGB 坐标系统和HSI 坐标系统
• 第二章 数字图像处理中的特征提取技术
• 2.1 和差直方图概述
• 2.2 傅立叶变换概述
• 2.3 小波变换概述
• 2.3.1 连续小波变换
• 2.3.2 离散小波变换
• 2.3.3 多分辨率分析与Mallat 算法
• 2.4 Gabor 变换概述
• 第三章 贝叶斯概率统计分类器与人工神经网络分类器
• 3.1 贝叶斯概率统计分类器
• 3.1.1 模式识别概述
• 3.1.2 朴素贝叶斯分类器原理
• 3.2 人工神经网络分类器
• 3.2.1 样本的采集与标记
• 3.2.2 分类器与分类特征
• 3.2.3 人工神经网络基础
• 3.2.4 BP 神经网络基础
• 第四章 岩屑图像采集与处理系统及样品
• 4.1 图像采集系统示意图
• 4.2 硬件参数确定方案流程图
• 4.3 系统关键部件介绍
• 4.4 岩屑样品的选取及其预处理
• 第五章 初期实验系统下提取综合特征量的岩性识别方法
• 5.1 训练与测试分类的分组安排
• 5.2 三种图像处理技术的分别处理结果分析
• 5.2.1 傅立叶变换方法处理结果分析
• 5.2.2 小波变换方法处理结果分析
• 5.2.3 Gabor 变换方法处理结果分析
• 5.2.4 初步结论
• 5.3 特征量的统计箱型图和选取原则
• 5.3.1 特征量的统计箱型图及其说明
• 5.3.2 特征量的选取原则
• 5.4 合适的特征量的确定和应用结果
• 5.5 结论
• 第六章 现场实验系统下的岩性综合识别方法
• 6.1 隐层神经元的选取和各种处理技术中的实验结果
• 6.2 选取两种方法组合后的实验结果
• 6.3 所有方法组合后的实验结果
• 6.4 结论
• 第七章 总结与展望
• 7.1 论文工作总结
• 7.2 工作展望
• 参考文献
• 附录
• 致谢
• 攻读硕士学位期间参加的工作
• 学术论文情况