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 計算機科學學院，湖北 荊州 434023)

在地質學研究的領域，對巖心圖像進行分析是研究巖心微觀特征的重要方法，已經在巖石薄片分析等應用方面取得了良好的效果[1]。巖心圖像識別對地質勘探方面有著重要的作用[2]。對深層次石油勘探開發過程中，巖心圖像對識別存儲層進行預測可以作為十分關鍵的依據[3]。因此巖心圖像識別技術可以廣泛應用于工程地質、石油勘探開發領域中[4]。

本文主要從巖心圖像入手，對巖心圖像做預處理操作[5]，獲取預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 巖心圖像預處理及特征提取

1.1 巖心圖像預處理

巖心圖像的預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]。預處理可以保留圖像的細節信息[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的像素區域，用來減少噪聲對后續識別造成的干擾。

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、亮度和飽和度，并提取到有用的顏色特征。根據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，然而量化可能產生一些問題(如誤檢)，量化后的特征維數過高等，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、三階斜度矩的數學式，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域內像素變化，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、旋轉不變性以及灰度不變性的優勢[18]，它的實際效果比較明顯。傳統的LBP算子過程如圖4所示，將圖像區域的某個像素值設為閾值，并將以該閾值為中心的3×3的鄰域內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，再將它轉化為十進制，這個十進制數就是這個像素的LBP值，也就表示這個區域的紋理信息。

圖4 傳統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，小區域像素差的關系能用一個數字表示，其取值范圍是0～255。用像素差值記錄巖心圖像的紋理關系，當光照變強或變弱時，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。

傳統的LBP算子(見圖5)受噪聲干擾嚴重，導致特征提取偏差過大。為了擴大傳統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，擴大了傳統的正方形鄰域的適用范圍，其優點是可以任意選擇某一圓形鄰域的采樣點個數。任意選取采樣點可能會導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LBP算子產生的八位二進制數有28-1種模式，改進后的圓形鄰域的p個采樣點會對應2p-1種模式。由此可知，采樣點p的個數越大，產生的二進制種類和數量就越多，特征提取極為不便。因此需要用越少的數據量更加清晰的表達圖像信息。在這里用到均勻模式LBP(uniform LBP)來實現降維操作。均勻模式LBP的原理是把統計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，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，實現了對LBP的基本降維操作。

在實驗過程中發現，用統計直方圖來作為巖心紋理分析的特征算子在后續分類學習中的效果比較明顯。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過高，造成所謂的“維數災難”，導致效率低下以及特征矩陣稀疏等問題[19]。為了避免因維數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。

PCA主成分降維就是將原始的高維特征轉換為低維的新特征。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，能夠使得數據進行有效的分類，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)所示的優化問題。

(14)

再通過拉格朗日和KKT條件等數學運算求解得到式(15)：

d(XT)=∑yiaiXT+b0

(15)

式中：yi是類別標記，XT是待預測實例的轉置。Ai，b0是求解出的固定值。根據d(XT)的正負判斷分類。構造最優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超平面的懲罰越大。

巖心圖像識別是實現對多種類別巖心區分的問題，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據轉換到高維。而這種映射操作就需要用到核函數來實現，有很多種方式可以實現映射的核函數，通過實驗觀察，采用rbf高斯核函數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據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 實驗結果及結論

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練。將樣本和樣本標簽按照8:2的比例隨機拆分為訓練集和測試集。把拆分好的數據放入分類器中進行識別。最后得到的訓練模型的準確率如表1所示，基本達到了系統的需求。

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，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，針對巖石圖像的特點，對采集的巖心圖像就行預處理過程，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少不需要進行特征降維的優點，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學習分類器進行學習，得到一個預測分類器，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，而且降低巖心經驗分析的錯誤率，提高巖心分析識別的效率。