基于圖像區域分割和卷積神經網絡的電成像縫洞表征

張 浩 王 亮 司馬立強 范 玲 郭宇豪 郭一凡

(①西南石油大學地球科學與技術學院，四川成都 610500； ②油氣藏地質及開發工程國家重點實驗室，四川成都 610500；③成都理工大學能源學院，四川成都 610059； ④中石油西南油氣田公司川中油氣礦，四川遂寧 629000)

0 引言

裂縫、溶蝕孔洞是碳酸鹽巖中油氣的重要儲集空間和滲流通道，識別和定量評價裂縫、溶蝕孔洞對于油氣勘探具有重要意義[1]。然而，裂縫、溶蝕孔洞的常規測井響應特征十分復雜[2]，且垂直分辨率低，難以準確識別細節[3]。相較于常規測井，電成像測井資料具有垂直分辨率高、井眼覆蓋全的優勢，可直觀顯示地層裂縫、溶蝕孔洞分布等細節[4]，為裂縫、溶蝕孔洞的識別、定量評價提供了一種思路，而其中的關鍵在于電成像圖像區域特征的準確、高效、自動識別和提取[5]。

利用電成像資料精確地識別、定量評價裂縫、溶蝕孔洞，首先需要分割圖像閾值，從地層背景中分離裂縫、溶蝕孔洞。不同的閾值分割算法效果差異較大。傳統的平均閾值分割法[6]在像素值分布單一的情況下效果較好；Otsu自動閾值分割法[6]在像素值分布廣泛的情況下效果最佳。因此，需要通過算法之間的優勢互補才能分割出更完整的裂縫、溶蝕孔洞特征。

目前，利用電成像資料計算裂縫、溶蝕孔洞參數大多基于測井解釋軟件平臺，由人工提取特征而得，主觀性強且工作量大，圖像處理效率較低。因此，學者們研究了針對電成像圖像特征的自動識別和提取方法?？率芥偟萚7]利用Hough變換檢測電成像中的正弦曲線特征，計算地層產狀和裂縫角度等參數；閆建平等[8]應用連通域標識法在電成像圖像中定量拾取溶洞信息；李曦寧等[9]應用多尺度形態學方法提取電成像縫洞參數；李振苓等[10]應用形態學濾波方法從電導率圖像中提取縫洞孔隙度譜。上述方法在一定條件下效果較好，但是由于裂縫、溶蝕孔洞地層非均質性強且圖像特征復雜，在實際應用中受到很多限制。例如Hough變換識別層理會出現較大的誤差，空白條帶的存在使連通域標識法失真、電成像不具備形態學濾波的條件。

卷積神經網絡技術被廣泛應用于計算機視覺[11]、醫學圖像處理[12]、交通標志識別[13]等領域，但應用于地球物理測井領域的實例較少且鮮有報道。電成像技術在地球物理測井領域是一種由非常規方法發展為常規方法的地層圖像探測技術。電成像數據通常為二維圖像，處理難點在于數據量大、依賴人工拾取。卷積神經網絡適用于圖像數據處理和圖像特征識別。本文旨在將卷積神經網絡應用于電成像圖像識別領域，提出了一種基于圖像區域分割卷積神經網絡的電成像圖像裂縫、溶蝕孔洞自動識別和特征提取方法。根據識別和提取的信息計算有效面孔率等參數，并與常規測井曲線、Techlog軟件處理結果和巖心資料等對比，驗證了本文方法的適用性和合理性。

1 常見地質構造的電成像圖像特征

電成像圖像包含多類地質構造特征，如裂縫、溶蝕孔洞、基質、層理、泥質條帶等[14-15]。不同地質構造特征的導電性具有明顯差異，電成像圖像中低阻黑色及高阻亮色區域的特征易判別，這為利用電成像圖像進行裂縫、溶蝕孔洞的自動識別和特征提取奠定了基礎。在進行圖像處理之前，需歸納電成像圖像中的地質構造特征并分類，根據分類規律制備訓練樣本。常見地質構造的電成像圖像特征如圖1所示。

圖1 常規地質構造的電成像圖像特征

2 電成像圖像的預處理

由于電成像圖像常指示眾多地質構造特征，在識別裂縫、溶蝕孔洞之前，需要對圖像進行預處理以達到圖像區域特征分割的目的。關鍵技術流程包括：①圖像空白條帶填充；②圖像閾值分割，輸出二值圖像；③應用改進后的像素標記法輸出連通域數組，判斷左右連通性、剔除10像素點以下的連通區域；④圖像的區域分割。

2.1 空白條帶填充

由于測量儀器極板間隙的存在，電成像圖像常包含空白條帶，極大地影響了視覺觀察和人機交互解釋。消除電成像圖像空白條帶方法有很多，如Filtersim算法、區域生長算法、紋理合成算法等[16]。本文采用一種基于卷積神經網絡的電成像圖像空白條帶填充方法，即搭建類似U-net的神經網絡模型，以局部卷積的方式替換卷積層，通過圖像編碼層將圖像整體特征下采樣至大量區域特征圖中，再使用圖像解碼層重構圖像整體特征； 然后，選取連通性良好的全井壁電成像圖像作為訓練樣本，在樣本圖像中加入模擬的空白條帶，以反向傳播的方式進行模型權值的訓練。該方法的填充結果(圖2b)與原始圖像(圖2a)的延展趨勢幾乎重合，即在形態上具有高度的一致性。

圖2 空白條帶填充前(a)、后(b)對比

2.2 閾值分割

閾值分割是為了提取圖像區域特征，使分割后的圖像特征更加簡單，有助于計算機的辨認。

平均閾值分割法[6]將平均值作為閾值，對簡單特征區域分割效果較好，但對復雜區域分割效果一般。當電成像圖像特征交錯時，無法從圖像中分離出裂縫、溶蝕孔洞。Otsu自動閾值分割法[6]基于像素頻率分布確定層間方差最大的分割點，能保留包含裂縫、溶蝕孔洞的圖像特征，且分割速度極快，但針對頻率分布窄的圖像分割效果較差。因此，本文通過計算窗長內像素頻率直方圖的方差和極值差，采用Otsu自動閾值分割與平均閾值分割相結合的方法。當方差較小且極值差較大時，認為像素頻率分布寬，使用Otsu自動閾值分割法；其他情況則認為像素頻率分布窄，使用平均閾值分割法。這樣就實現了算法之間的優勢互補。

以圖2電成像圖像為例，上部圖像特征簡單，像素頻率分布較窄，為防止將局部極值作為閾值，使用平均閾值分割；下部圖像特征復雜，像素頻率分布均勻，應用Otsu自動閾值分割能找到最優的閾值。如圖3所示，采用平均閾值分割結果(圖3a)中圖像下部分離的縫、洞不明顯；采用Otsu自動閾值分割結果(圖3b)中圖像上部的裂縫不連續；本文方法分割結果 (圖3c)中圖像更為鮮明，縫、洞特征清晰。

圖3 不同方法閾值分割結果對比

2.3 連通域標識

圖像的連通域是指在圖像中以指定像素存在的連通集合體。在二值圖像中，連通域是相互連通在一起的純黑色或者純白色區域，常有4鄰域和8鄰域兩種計算方式。相較于4鄰域而言，8鄰域的計算結果更連續。為了更好地保留圖像特征的連續性，本文選用8鄰域的計算方式。裂縫、溶蝕孔洞在電成像圖像上表現為暗黑色特征；成像圖像在二值化后，裂縫、溶蝕孔洞點位的像素值為0(黑色)，因此只需研究黑色區域的連通域。

本文采取像素標記法識別連通域，并針對電成像圖像的特點加以限制，為圖像區域分割做好標識。實際電成像圖像具有像素量大的特點，為了加快處理速度、符合電成像圖像特征，本文對傳統的像素標記法進行了改進，即由傳統的兩次掃描(第一次標記，第二次判定)改進為一次掃描并同時判定。

電成像圖像是由圓柱狀井筒展開后的矩形圖像，圖像左、右邊緣相連，圖像連通域計算時需加入判斷左、右邊連通性的機制。電成像圖像分辨率較高，設定像素總數大于或等于10的連通域才具有實際意義，因此需剔除像素總數小于10的連通域。改進后的像素標記算法流程如圖4所示。

圖4 連通域算法流程

2.4 區域分割

區域分割是將圖像整體特征劃分為多塊區域特征的過程。通過計算圖像連通域的坐標數組，能夠將連通域的坐標信息以數組的形式保存；再以純白色為背景，將坐標依次標記為黑色像素點。這樣能夠將二值圖像按照連通域分割為多個特征圖像，分割出的特征圖像個體為圖像分類的基本單元。圖像區域分割過程如圖5所示。

圖5 圖像區域分割模型

3 基于卷積神經網絡的縫洞識別

3.1 卷積神經網絡的基本結構

卷積神經網絡(圖6)是神經網絡技術的一個重要組成部分，主要由輸入層、卷積層、池化層、全連接層和輸出層組成[17-18]。卷積神經網絡與傳統神經網絡結構的最大不同在于卷積層和池化層。卷積層和池化層聯接在一起時通常統稱為卷積池化層。卷積池化層的目的是提取區域特征，能夠有效降低多層神經網絡計算的復雜性，這為實現復雜圖像識別奠定了基礎。本文借鑒圖像分類的思路[19-21]，將卷積神經網絡應用于電成像分類。

圖6 卷積神經網絡的基本結構

3.2 改進的LeNet-5神經網絡結構

LeNet-5是最為經典的卷積神經網絡結構，在手寫數字識別分類、交通標志識別分類等領域應用較為廣泛。本文應用圖像分類的思路，將電成像特征圖像劃分為多個類型，通過卷積神經網絡模型進行分類和識別。經典的LeNet-5神經網絡[22]的輸入為32×32的圖像，而電成像圖像的分辨率遠大于此，因此需要改進LeNet-5以適應電成像圖像特征。本文構建的網絡模型設置有輸入層、3層卷積層、池化層、全連接層和輸出層，具體結構參數如表1所示。

表1 改進LeNet-5神經網絡結構參數

改進的LeNet-5神經網絡的卷積池化層采用最大池化模式，以ReLU函數作為激活函數(圖7),該激活函數具有保留權重線性特征和加快收斂速度的作用，表達式為

圖7 ReLU激活函數示意圖

(1)

式中x、y分別為激活函數的輸入、輸出。

輸出層以Softmax函數作為激活函數，表達式為

(2)

式中：yi為第i類的預測概率；zi為第i類的預測輸出值；zt為第t個輸出節點的數值；N為輸出層維度。該激活函數常用于多分類問題的輸出層，在保證所有輸出神經元之和為1的前提下進行分類，每個輸出對應的數值是該類預測的概率，取最大輸出的數組索引為最終預測的類型。

3.3 樣本制備和訓練

在樣本制備過程中，需要將待訓練的圖像進行人工分類。本文根據實驗樣本中所采集的數據，對分類結果進行了標注，樣本圖像的實例包括溶孔、溶洞、中低角度裂縫、高角度裂縫、網狀縫、層理或泥質條帶、眼球眼皮構造等共7類。具體樣本編號和分類標準如表2所示。

表2 樣本分類標準表

選取四川盆地某地區的電成像圖像制備訓練樣本，共計1117張圖片。由于神經網絡結構的限制，需要將圖像樣本的分辨率壓縮至192×96，該過程能有效降低計算復雜度且大幅減少訓練時間。

以制備樣本的80%作為訓練集，20%作為測試集。訓練模型的參數是：訓練循環次數為2000，學習速率為0.0001，輸入維度為192×96，輸出維度為8。訓練過程中的參數變化趨勢如圖8所示。

由圖8可見，訓練準確率在早期上升至0.9以上，最終為0.9783，說明樣本的分類合理、整體質量較高；訓練損失函數逐漸趨于穩定，最終為0.0693；測試準確率的趨勢與訓練準確率相似，最終穩定在0.9793；測試損失函數波動幅度逐漸減小，最終穩定在0.0856。

圖8 卷積神經網絡訓練參數變化趨勢

未參與訓練過程的測試集223個樣本分類統計預測結果(表3)表明，測試集的各類圖像分類準確率均較高，模型針對測試集的總符合率達97.8%。這說明特征圖像的差異明顯、神經網絡的結構設置合理。

表3 測試集準確率統計表

3.4 模型測試

裂縫、溶蝕孔洞測試模型[23]由1條水平縫、多個溶蝕孔洞、1條泥質條帶和1組層理界面構成 (圖9a)。經過圖像閾值分割、圖像區域分割和神經網絡類型判別，可以準確地識別出1條水平縫(綠色)、多個溶蝕孔洞(紅色)、1條泥質條帶(藍色)和1組層理界面(藍色)，如圖9b所示。

圖9 模型測試效果

4 實際資料應用

應用本文方法進行裂縫、溶蝕孔洞的自動識別流程如圖10所示。

首先，填充電成像圖像空白條帶，使用平均閾值分割與Otsu閾值分割相結合的方法去除地層背景干擾；其次，以圖像連通域為標識進行圖像的區域分割；最后，經過卷積神經網絡的判定，結合常規測井曲線[24]，將圖像區域特征劃分為紅色(溶蝕孔洞)、綠色(裂縫)、藍色(其他特征)、白色(地層基質)等四色區域。在流程圖中，常規測井曲線用于結合神經網絡識別結果修正輸出。以GR(自然伽馬)、雙側向電阻率曲線為例，若識別結果為裂縫且所處深度的GR曲線值小于GR閾值、雙側向電阻率曲線小于電阻率閾值則判定為裂縫，否則判定為其他構造。

以YH1井(圖11)為例，常規測井曲線特征顯示：地層基質(白色)的電阻率高、AC(聲波時差)平穩、GR較低；裂縫(綠色)、溶蝕孔洞(紅色)區域雙側向電阻率曲線呈刺刀狀、箱型或“W”形態，具有正差異值，AC高、GR低；泥質條帶、層理等構造(藍色)電阻率低、AC高、GR較高。對比縫洞識別結果和常規測井曲線特征可進一步發現：縫洞發育區域雙側向電阻率一般較低，通常呈刺刀狀或箱型，GR曲線處于閾值以下；泥質條帶區域的GR曲線處于閾值之上，AC有明顯升高，雙側向電阻率極低且具有較大的正差異值。綜上所述，裂縫、溶蝕孔洞的識別結果與常規測井曲線基本相符。

圖11 YH1井裂縫、溶蝕孔洞的識別結果

在定量參數計算方面，與傳統面孔率定義不同，有效面孔率是指縫洞發育區域的面積與井壁面積的比值。有效面孔率和孔隙度分別表征地層的縫洞和孔隙發育情況，通過有效面孔率與孔隙度的交會分析可為縫洞型、孔隙型等儲層類型判別提供定量評價依據[25-26]。

對比YH1井4336.0～4341.0m段電成像處理結果與巖心可見：第一塊巖心(圖12a)見斜裂縫，縫寬為0.2～1.0cm，方解石半充填，電成像識別為低角度窄裂縫，厚度約為0.5cm；第二塊巖心(圖12b)底部見橫向裂縫，縫寬為1.0～2.0cm，無充填，電成像識別結果為橫向裂縫，縫寬約為1.8cm；第三塊巖心(圖12c)見月牙狀裂縫，縫寬約為0.1cm，縫長約為15.0cm，方解石充填，電成像識別結果為月牙狀裂縫，縫寬約為0.2cm；第四塊巖心(圖12d)見斜裂縫，縫寬約0.1cm，有機質充填，電成像識別結果為低角度裂縫，縫寬約為1.0cm。

圖12 YH1井巖心照片

上述四塊巖心中，第一、二、三塊巖心描述情況與識別結果吻合，第四塊巖心描述的裂縫發育形態與識別結果吻合，但是由于裂縫被有機質充填，導致巖心描述縫寬與電成像顯示存在一定的差異。

5 結論

針對碳酸鹽巖地層的電成像圖像特征，本文提出了一種基于圖像分割和卷積神經網絡的裂縫、溶蝕孔洞自動識別和特征提取方法。首先，對不同地質構造特征的電成像圖像進行分類，使用閾值分割法和連通域算法有效地將地質構造特征與地層背景分離；其次，訓練改進的LeNet-5神經網絡模型，模型針對測試集電成像特征分類準確率可達97.8%，再結合常規測井曲線進行特征類型判別；最終，基于縫洞識別結果可計算有效面孔率等定量評價參數。

本文方法能夠通過全井壁電成像特征的像素分布形態判別裂縫、溶蝕孔洞類型，再結合常規測井資料有效識別裂縫、溶蝕孔洞發育區域，為通過電成像資料精細評價強非均質性地層提供了參考。與人工電成像處理方法相比，本文方法避免了解釋結果的人為誤差，是進一步利用電成像資料的有效嘗試。