基于支持向量機的巖心識別算法研究

王 浩，宋文廣，徐 浩，張冰心

(長江大學(xué) 計算機科學(xué)學(xué)院，湖北 荊州 434023)

在地質(zhì)學(xué)研究的領(lǐng)域，對巖心圖像進行分析是研究巖心微觀特征的重要方法，已經(jīng)在巖石薄片分析等應(yīng)用方面取得了良好的效果[1]。巖心圖像識別對地質(zhì)勘探方面有著重要的作用[2]。對深層次石油勘探開發(fā)過程中，巖心圖像對識別存儲層進行預(yù)測可以作為十分關(guān)鍵的依據(jù)[3]。因此巖心圖像識別技術(shù)可以廣泛應(yīng)用于工程地質(zhì)、石油勘探開發(fā)領(lǐng)域中[4]。

本文主要從巖心圖像入手，對巖心圖像做預(yù)處理操作[5]，獲取預(yù)處理操作后的巖心圖像，提取圖像HSV顏色空間下的顏色矩和LBP的均勻模式下的紋理特征[6]，分別對提取到的巖心圖像進行特征降維[7]。降維后的特征向量進行特征融合，并使用SVM分類訓(xùn)練器分類識別，得到可以自動識別巖心種類的模型[8]。這樣不僅能使巖心分析人員從繁瑣的巖心分析工作中解脫出來，而且降低巖心經(jīng)驗分析的錯誤率，提高巖心分析識別的效率[9]。

1 巖心圖像預(yù)處理及特征提取

1.1 巖心圖像預(yù)處理

巖心圖像的預(yù)處理操作是因為巖心圖像直接處理時噪聲太大，對巖心識別造成影響[10]。預(yù)處理可以保留圖像的細節(jié)信息[11]。為了防止提取巖心圖像的特征時，其表面的白巖心標注等內(nèi)容(見圖1)對特征提取造成干擾。在特征提取時，選取每張圖像中心的200*200的像素區(qū)域，用來減少噪聲對后續(xù)識別造成的干擾。

1.2 巖心圖像顏色特征提取

顏色是日常生活中最為直觀、明顯的視覺感受[12]。巖心的顏色信息是對巖心識別不可或缺的因素[13]。事實上，專業(yè)人員對于大部分巖心圖像的識別也都要依靠巖心的顏色信息[14]。由于巖心圖像不管如何變換方向、圖像大小、視角都不會使它本身的顏色有變化，所以顏色特征的魯棒性較好[15]。

圖1 巖心圖片

在顏色提取過程中，常見的巖心圖像(見圖2)是由巖心圖像高分辨率采集儀拍攝獲得，均為RGB格式。巖心圖像在RGB模式下難以分離色調(diào)、亮度和飽和度，并提取到有用的顏色特征。根據(jù)各個顏色空間的特性，HSV顏色空間下更適合提取巖心圖像的顏色特征。這里首先用公式(1)～(3)將巖心圖像轉(zhuǎn)化為HSV顏色空間，如圖3所示。

(1)

(2)

(3)

圖2 顏色空間下的巖心圖片

圖3 轉(zhuǎn)換為HSV顏色空間下的巖心圖像及各分量

顏色特征的提取是在轉(zhuǎn)換為HSV顏色空間后進行的，有許多提取方法。大部分方法的第一步就是量化處理每一張巖心圖像，然而量化可能產(chǎn)生一些問題(如誤檢)，量化后的特征維數(shù)過高等，對特征提取有較大的影響。因此，選用顏色矩表示顏色特征。如公式(4)～(6)為顏色的一階均值矩、二階方差矩、三階斜度矩的數(shù)學(xué)式，表示巖心圖像顏色分布。

(4)

(5)

(6)

式中：pi，j表示的是概率，即第i個顏色通道的灰度值j出現(xiàn)的概率；N表示的是圖像中共有N個像素。把巖心圖像拆分為H、S、V三個通道，而這三個通道又分為一階、二階、三階，所以顏色特征用顏色矩表示為九個分量。

從而得到巖心圖像的九維顏色特征向量：

Fcolor=[μH，σH，sH，μS，σS，sS，μV，σV，sV]

(7)

1.3 巖心圖像紋理特征提取

顏色特征提取是處理巖心圖像的像素點，但紋理特征提取處理的是像素區(qū)域內(nèi)像素變化，是巖心圖像除了顏色特征以外最直觀的屬性表征，并且紋理特征是針對巖心圖像像素及其鄰域灰度值的計算、統(tǒng)計而提取特征的[16-17]。

LBP在眾多巖心圖像紋理特征提取的方法中，具有抗噪性、旋轉(zhuǎn)不變性以及灰度不變性的優(yōu)勢[18]，它的實際效果比較明顯。傳統(tǒng)的LBP算子過程如圖4所示，將圖像區(qū)域的某個像素值設(shè)為閾值，并將以該閾值為中心的3×3的鄰域內(nèi)的各像素值與之比較，大于中心像素的置為1，小于中心像素的置為0，將其按順時針排列，可得到一個八位二進制數(shù)，再將它轉(zhuǎn)化為十進制，這個十進制數(shù)就是這個像素的LBP值，也就表示這個區(qū)域的紋理信息。

圖4 傳統(tǒng)LBP算子示意圖

LBP紋理特征的公式(8)如下：

(8)

式中：p表示3*3的窗口中除中心點像素外的第p個像素點；I(c)表示中心像素點的灰度值，I(p)表示鄰域內(nèi)第p個像素點的灰度值；S(x)用如下公式(9)計算。

(9)

由公式(8)和(9)可知，小區(qū)域像素差的關(guān)系能用一個數(shù)字表示，其取值范圍是0～255。用像素差值記錄巖心圖像的紋理關(guān)系，當光照變強或變?nèi)鯐r，巖心圖像每個像素值的變化也是相同的，這樣整體LBP基本沒有變化，表明LBP受光照影響不大。

傳統(tǒng)的LBP算子(見圖5)受噪聲干擾嚴重，導(dǎo)致特征提取偏差過大。為了擴大傳統(tǒng)LBP算子的局限性和適用范圍，使用圖6所示的圓形鄰域，使LBP算子適用于任意鄰域，擴大了傳統(tǒng)的正方形鄰域的適用范圍，其優(yōu)點是可以任意選擇某一圓形鄰域的采樣點個數(shù)。任意選取采樣點可能會導(dǎo)致圓形邊界上的點的位置在幾個像素格子之間，不便于計算該鄰域的LBP值。為了解決這個問題，使用opencv的雙線性插值法來解決，計算公式(10)如下：

(10)

圖5 傳統(tǒng)LBP算子

圖6 改進后的圓形鄰域示意圖

改進后的LBP如圖7所示，大幅抑制了噪聲的干擾。與傳統(tǒng)的LBP相比，增加了采樣點P和半徑R這兩個變量。改進后的公式(11)如下：

(11)

式中：p表示圓形區(qū)域中第p個采樣點；I(c)表示中心像素的灰度值，I(p)表示圓形邊界像素點中第p個點的灰度值。共P個點在邊界上，可以通過式(12)計算這些邊界上的點：

(12)

S(x)公式與原始LBP中的一樣，見公式(13)：

(13)

圖7 圓形模式LBP算子

傳統(tǒng)LBP算子產(chǎn)生的八位二進制數(shù)有28-1種模式，改進后的圓形鄰域的p個采樣點會對應(yīng)2p-1種模式。由此可知，采樣點p的個數(shù)越大，產(chǎn)生的二進制種類和數(shù)量就越多，特征提取極為不便。因此需要用越少的數(shù)據(jù)量更加清晰的表達圖像信息。在這里用到均勻模式LBP(uniform LBP)來實現(xiàn)降維操作。均勻模式LBP的原理是把統(tǒng)計LBP算子得到的二進制序列，如果是從0到1或者是從1到0跳變兩次以內(nèi)，這個二級制序列就是均勻模式，反之亦然。這樣符合要求的有58種，把其余的不符合的全部歸為第59類，原來的256維降成59維，實現(xiàn)了對LBP的基本降維操作。

在實驗過程中發(fā)現(xiàn)，用統(tǒng)計直方圖來作為巖心紋理分析的特征算子在后續(xù)分類學(xué)習(xí)中的效果比較明顯。具體計算步驟描述如下：

第1步：將每張巖心圖像分割為同樣大小的子塊，計算每一子塊中的LBP值；

第2步：對每一個子塊進行直方圖統(tǒng)計，獲得一個直方圖；

第3步：這些直方圖融合后就會形成巖心圖像的紋理特征。

2 特征降維與特征融合

2.1 特征降維

由于采樣點過多或其他提取過程致使巖心圖像的特征維數(shù)過高，造成所謂的“維數(shù)災(zāi)難”，導(dǎo)致效率低下以及特征矩陣稀疏等問題[19]。為了避免因維數(shù)太高造成分類不準確，分類效率低下等問題，選取PCA主成分降維的方法來降低巖心圖像的特征維數(shù)。

PCA主成分降維就是將原始的高維特征轉(zhuǎn)換為低維的新特征。它的主要思想是將原始的N維特征通過正交變換的方式，重新映射到新的互不相關(guān)的k維上，并且k小于N，這樣就達到了特征降維的效果。

2.2 特征融合

用單一特征進行巖心圖像識別分類時，總會丟失部分特征信息，使準確率也偏低，單用顏色特征分類的準確率為60%左右，紋理特征進行分類的準確率為63%左右，總體準確率都比較低下，所以需要進行特征融合，使用多特征進行分類，將顏色特征和紋理特征融合，互相補充，使得丟失的信息盡可能的少，這樣分類的效率和準確率會有較大的提升。

巖心圖像通過提取顏色矩特征得到9維特征向量，LBP紋理特征通過降維得到20維特征向量，最后融合形成一個29維特征向量。

3 巖心圖像識別分類器

在巖心圖像的智能識別中，SVM算法運用于對圖像的識別分類，其基本原理是找到一個超平面，能夠使得數(shù)據(jù)進行有效的分類，并且要保證超平面兩邊的樣本盡可能距離這個超平面遠[20]。SVM本身是一個線性分類器，實現(xiàn)的是非錯即對的二分類問題。它要解決的就是式(14)所示的優(yōu)化問題。

(14)

再通過拉格朗日和KKT條件等數(shù)學(xué)運算求解得到式(15)：

d(XT)=∑yiaiXT+b0

(15)

式中：yi是類別標記，XT是待預(yù)測實例的轉(zhuǎn)置。Ai，b0是求解出的固定值。根據(jù)d(XT)的正負判斷分類。構(gòu)造最優(yōu)超平面時所有樣本滿足式(16)：

(16)

式中：C為懲罰因子；w、b分別為超平面的法向量和截距。懲罰因子C越大，落在正確類別的樣本對最優(yōu)超平面的懲罰越大。

巖心圖像識別是實現(xiàn)對多種類別巖心區(qū)分的問題，所以需要使用核技巧來將原本多種類巖心圖像區(qū)分開來。把這種線性不可分的巖心圖像分開，就需要用映射的方式，把低維的巖心圖像數(shù)據(jù)轉(zhuǎn)換到高維。而這種映射操作就需要用到核函數(shù)來實現(xiàn)，有很多種方式可以實現(xiàn)映射的核函數(shù)，通過實驗觀察，采用rbf高斯核函數(shù)對巖心圖像分類效果比較明顯。核方法處理線性不可分的數(shù)據(jù)就是將原始的巖心特征映射到更高維度的空間，這樣就變成了線性可分的問題，再使用線性超平面進行分割，最后再把超平面映射回原始特征空間。

4 實驗結(jié)果及結(jié)論

通過收集沉積巖的種類，將樣本集分為：碎屑巖、粘土巖、碳酸鹽巖、其他內(nèi)源巖等這幾種類別的沉積巖，每種巖心有將近400幅巖心圖像來進行分類訓(xùn)練。對所有樣本分別提取巖心圖像的顏色和紋理特征后，將融合后的巖心圖像進行分類訓(xùn)練。將樣本和樣本標簽按照8:2的比例隨機拆分為訓(xùn)練集和測試集。把拆分好的數(shù)據(jù)放入分類器中進行識別。最后得到的訓(xùn)練模型的準確率如表1所示，基本達到了系統(tǒng)的需求。

表1 三種巖心圖像特征識別巖性準確率

本文提供了一種能夠自動識別出巖石的種類，并能夠自動分類的系統(tǒng)，可以大大減少巖心檢測的人力和成本的支出。圖像識別技術(shù)，針對巖石圖像的特點，對采集的巖心圖像就行預(yù)處理過程，對巖心圖像提取HSV顏色空間下的顏色特征，并運用顏色矩特征維數(shù)少不需要進行特征降維的優(yōu)點，得到巖心圖像的顏色特征；對巖心圖像使用提取改進后的均勻模式的LBP紋理特征，做紋理直方圖，提取巖心圖像的紋理特征，對提取到的高維紋理特征做特征降維的操作。最后通過上述過程得到的顏色和紋理特征，融合后放入SVM學(xué)習(xí)分類器進行學(xué)習(xí)，得到一個預(yù)測分類器，可以對巖心圖像進行識別。通過此方法，可以通過巖心圖像的顏色和紋理來判別巖心種類，有效提高巖心識別準確率，改善了目前識別巖心圖像準確率低下的問題。最后將此巖心自動識別模型應(yīng)用于石油測井圖中，形成如圖8所示的多井對比巖心圖層自動識別圖，將各層的巖性識別并標注，可以對各井之間地層的連通性有一個比較明確的認識，更有利于地質(zhì)工作人員對地層和油藏的存儲有更加明確的認知。

圖8 多井對比巖心圖層自動識別圖

綜上所述，從沉積巖入手，對沉積巖進行識別和分類，使工作人員可以對儲油層有更加準確的把握。不僅能使巖心分析人員從繁瑣的巖心分析工作中解脫出來，而且降低巖心經(jīng)驗分析的錯誤率，提高巖心分析識別的效率。