岩石铸体薄片图像的喉道分割算法

为了克服传统岩石铸体图像喉道分割不准确、耗时等问题,提出一种基于拐点检测的喉道分割方法。喉道的定义是连接相邻岩石孔腔的最窄部分,而孔隙区域最窄处两端边界往往向内形成凹陷,所以采用基于拐点检测的喉道分割。首先,对于孔隙边界外轮廓进行凹点的检测,对于内轮廓进行凸点的检测,然后根据孔隙喉道定义通过筛选与匹配算法对拐点进行处理,并利用对角边缘最短距离的方法处理拐点数为奇数的情况,从而形成分割线用以喉道分割。对多组不同情况的铸体图片进行分割实验,实验结果表明,该方法具有良好的喉道分割效果。

基于改进UNet++的铸体薄片图像喉道分割算法

分析岩石中的喉道特征对岩石储层质量的衡量有着重要意义。传统的岩石铸体薄片图像喉道分割方法在提取喉道时主要依赖于孔隙的二值化图像,当分析复杂的孔隙结构时,这些方法容易使提取的喉道出现过分割和分割精度不高的问题,从而导致算法泛化性能差。针对上述问题,本文提出了一种基于深度学习的喉道分割算法。该算法采用UNet++作为特征提取的主干网络,在下采样过程中结合CBAM(Convolutional Block Attention Module)注意力模块以增强模型捕获不同维度特征之间相关性的能力,减小跳跃连接中的语义差异,从而提高喉道特征提取的准确性。本文算法与其他现有喉道分割算法分别就正确分割率CR(Correctness Rate)、欠分割率UR(Under-segmentation Rate)、过分割OR(Over-segmentation Rate)和MIoU(Mean Intersection over Union)四项指标进行了实验对比分析,结果表明本文方法能够有效抑制喉道过分割,在分割喉道时具有更高的准确度。

岩心3维图像孔喉分割优化算法

在石油地质研究中,识别孔腔和喉道对储集层的研究有重要的意义。Silin提出了最大球算法用于分析3维孔隙信息,最大球算法最大的特点是不需要骨架信息,但是基于最大球概念的喉道分割算法存在的喉道过多,信息提取不准确等问题,对其进行相应改进,首先根据喉道所在位置将孔隙分割为若干个孔腔,然后计算出孔隙和喉道的信息,最后使用统计以及形态学方法去除多分的喉道。通过对球堆积模型和真实岩心样本3维图像进行喉道分割并计算孔喉比,表明改进后算法结果的直观效果较好且数据更合理。