基于電成像測井的圖像形狀特征提取與應用

張明，肖小玲

(油氣資源與勘探技術教育部重點實驗室(長江大學)，湖北 武漢 430100)

碳酸鹽巖儲層儲集空間類型多樣，非均質性強，很多專家和學者都對礁灘儲層的測井評價進行了深入研究[1]，但大部分都是根據常規測井曲線簡單地進行地層劃分和定性解釋，無法滿足科研和生產的需要。高井眼覆蓋率和高縱向分辨率是電成像測井的2大特點，在地質研究和儲層評價[2]中的應用較為廣泛。利用電成像測井資料能夠準確地描述地層的沉積特征，且電成像測井對泥質、致密層、縫合線、裂縫、層理、方解石及燧石結核等均有十分明顯的特征響應，是識別巖性和劃分沉積相的重要手段之一[3]。此外，電成像測井在儲層評價(對裂縫和溶蝕孔洞的響應特征十分明顯，可以精確計算孔隙度、滲透率參數[4])和地應力研究[5](比較直觀地識別出褶皺、斷層等地質構造)中也發揮著重要作用。

通常情況下，形狀特征可分為輪廓特征和區域特征2類。輪廓特征主要針對圖像物體的邊界信息，區域特征則需要考慮整個圖像形狀區域。形狀特征描述方法主要包括形狀不變矩法、傅里葉形狀描述符法、幾何參數法[6]。該次研究主要是對電成像測井圖像進行濾波、閾值分割等處理，然后提取其幾何參數。電成像測井圖像比較復雜(具有噪聲和背景干擾)，為了提取其形狀特征，并且盡量減少人為因素的干擾，筆者利用OTSU算法(大津算法)，結合分水嶺的圖像分割算法，自動從電成像測井圖像上分離出有效的測井特征，然后計算其形狀特征，最后自動識別巖性及劃分沉積相。

圖1 原始電成像測井圖

1 電成像測井圖像分割算法

在電成像測井圖像上，低電阻率為暗色，高電阻率為亮色。圖1為圖像修復后的電成像測井圖，可見圖像上有許多噪聲干擾，使得電成像圖像特征的提取變得較為困難。為了減少噪聲對圖像分割的影響，先進行2次中值濾波再對圖像進行分割。

1.1 分水嶺算法原理

分水嶺算法基本思路是：將電成像測井圖像比喻為地形圖，圖像的灰度值看作是地形的高度值，極小值則表示地形中的低谷；如果水不斷地從低谷中流出，并且逐漸填滿與低谷相關的集水盆地[7]，最終水會聚集在不同的集水盆地；集水盆地之間的交界線稱為分水嶺，分水嶺將整個地貌表面分割出多個集水盆地。分水嶺將地形圖分割成各個集水盆地的過程相當于圖像的分割。

圖2 圖像分割算法電成像測井圖

分水嶺算法是一個迭代標注的過程。分水嶺比較經典的計算方法是Vincent提出的[8]。該算法主要分為排序和淹沒2個過程：首先對電成像測井圖像中每個像素的灰度級進行排序(按照從低到高的順序)，然后實現淹沒(從低到高)，在淹沒過程中采用FIFO(先進先出)結構對每一個局部極小值的影響域進行判斷，再進行標注。電成像測井圖像經過分水嶺變換后，得到的是輸入圖像的集水盆地圖像，分水嶺(輸入圖像極大值)表示集水盆地之間的交界點。因此，把梯度圖像作為輸入圖像即可得到圖像的邊緣信息。該算法對圖像微弱邊緣的響應比較敏感，可以保證得到的圖像封閉連續邊緣，但是圖像中的噪聲以及細小的灰度值變化都會造成過度分割現象。過度分割會產生大量的細小區域(會對后面特征提取造成影響)，通?？梢圆捎?種處理方法消除過度分割：一是人為地去除一些無關的邊緣信息；二是修改梯度函數，使得集水盆地只對探測的目標做出響應。為了降低分水嶺算法產生的過度分割，并且消除灰度微小變化產生的過度分割，筆者對梯度圖像進行了閾值處理。

1.2 OTSU算法與分水嶺算法結合的圖像分割算法

OTSU算法與分水嶺算法結合的圖像分割算法[8]具體步驟為：①將電成像測井圖像轉換為8位偽彩色圖像，對其進行濾波處理以消除噪聲影響；②將得到的偽彩色圖像從RGB顏色空間轉換到LUV顏色空間，再利用分水嶺算法對LUV顏色空間圖像進行處理，得到24位真彩色分割圖像并將分割后的圖像轉換為8位灰度圖像；③利用圖像分割算法對該灰度圖像進行分割得到形狀特征明顯的二值圖像。圖2為該算法分割后的電成像測井圖像，可以明顯看出泥質條帶塊的特征，即為中間黑色部分。

2 形狀特征提取及判別分類

經過上述方法對圖像分割處理后，電成像測井圖像轉化為具有測井圖像特征的二值圖像。為了便于計算測井圖像的形狀特征，需要對圖像特征進行標記；再對每一個電成像測井圖像特征進行計算，得到其形狀特征的相關參數；最后利用最小歐式距離法[9]進行判別分類，判別函數根據特征向量進行自動分類。該方法具有較好的分類效果，且計算簡便。

2.1 基于等價對的特征標記算法

為了提高計算速度與精度，在傳統八連通域標記算法的基礎上，將臨時標記與最終標記的等價關系[10](等價對)儲存在鏈表結構中，即為基于等價對的特征標記算法。該算法能提高標記速度，并且不受圖像大小的限制。然后進行輪廓追蹤[11～13]，提取圖像特征的輪廓信息。具體步驟為：

1)初步標記。將電成像圖像中每個像素點都賦予臨時標記并用等價表記錄其等價關系，然后遍歷圖像中的每個像素點；若為目標像素，則按照上、右上、右、右下的順時針規則搜尋其八鄰域；若鄰域被標記，則將其賦為鄰域標記，并且記錄兩者的等價關系；若鄰域均未被標記，則將其賦予新的標記。

圖3 電成像孔洞特征相關參數提取示意圖

2)最終標記。確定所有等價關系中初步標記的最小值，將其全部等價為最小值，并對電成像圖像特征重新標記，確定初步標記與最終標記之間的關系。

3)圖像代換。再次遍歷電成像圖像中的每個像素點，將初步標記用最終標記替換，經過上述步驟后，電成像圖像特征按照從左到右、從上到下的順序被標以連續的自然數。

2.2 形狀特征相關參數的計算

經過基于等價對的特征標記處理，得到電成像測井圖像特征的輪廓，但不能直接用于分類判別，需要對每一個電成像測井圖像特征進行相關計算，最終得到其形狀特征的相關參數。

1)周長。計算形狀特征的周長，也就是計算形狀特征輪廓的長度。提取出圖像形狀特征的輪廓后，統計其像素點數量，即為周長。

2)面積。面積是形狀特征區域的一個基本特征，它可以表示區域的大小。統計特征區域內的像素點數目，即為面積。

3)面孔率。面孔率可用電成像圖像形狀特征的面積與電成像測井圖像面積的比來計算。

圖3為在Visual Studio 2010上實現上述算法后，提取的電成像孔洞特征相關參數。

3 實例應用

在Visual Studio 2010上實現上述算法，并掛接到極睿測井解釋平臺上。根據多組計算數據得出圖像形狀特征(周長、面積經過歸一化處理)，其與電成像解釋模式及沉積相的對應關系如表1所示。

表1碳酸鹽巖形狀特征與電成像解釋模式及沉積相的對應關系

圖4 某地區A井處理效果圖

應用該算法對某地區A井進行了處理，結果見圖4。處理深度為5427～5436m。5428.2～5431m井段為孔洞型Ⅰ類，匹配圖為斑狀模式。該模式為亮色背景上隨機分布暗色斑點，斑點沒有成層性。亮色背景說明地層電阻率較高，暗色斑點一般是粒間孔、溶孔或導電礦物等組分。該模式所指示的沉積環境為水動力條件較強的高能環境，沉積相為粒屑灘亞相高能灘微相。5431～5434m井段為縫洞型Ⅰ類，匹配圖為條帶模式。該模式為亮色背景上規則分布暗色水平條帶，條帶厚度較大，一般為水動力條件較弱的低能環境，沉積相為粒屑灘亞相低能灘微相。該方法處理結果與常規測井解釋結果基本一致，并能自動、高效地判別出沉積模式和沉積環境。

4 結論

1)OTSU算法與分水嶺算法結合的圖像分割算法，能夠有效壓制圖像中噪聲的干擾，準確地從復雜背景中分離出電成像測井特征目標，清晰完整地提取出圖像形狀特征輪廓。

2)利用等價對特征標記算法，能準確提取電成像測井圖像的形狀特征；利用最小歐式距離判別法對提取形狀特征進行處理，能夠準確劃分碳酸鹽巖解釋模式，并判別其沉積相及沉積環境。