(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210169876.3 (22)申请日 2022.02.23 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市经济开发区长 江西路66号 (72)发明人 姚军　刘磊　孙海　张磊　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 韩丽波 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的页岩大视域图像分类方法 (57)摘要 本发明公开了一种基于机器学习的页岩大 视域图像分类方法， 通过对大视域图像进行图像 剪裁以生成各个子图， 降低了计算机的计算压 力， 处理效率更高； 为了实现对各个子图中所有 的孔隙的图像特征的准确提取以便后续分类， 同 时考虑了孔隙的典型特征和纹理特征， 即通过机 器学习算法确定各个子图的表征其中所有的孔 隙的典型特征的第一矩阵； 随后确定各个子图的 表征其中所有的孔隙的纹理特征的第二矩阵； 将 各个子图的第一矩 阵与第二矩 阵耦合得到表征 大视域图像中所有的孔隙的图像特征的特征矩 阵； 根据该特征矩阵通过聚类分析算法， 可以准 确有效地确定出大视域图像中所有的孔隙及各 个孔隙的所属类别， 保证了对于不同类型的所有 孔隙的准确识别。 权利要求书2页 说明书11页 附图4页 CN 114529771 A 2022.05.24 CN 114529771 A 1.一种基于 机器学习的页岩大视域图像分类方法， 其特 征在于， 包括： 获取页岩油气藏的大视域图像； 对所述大视域图像进行图像剪 裁以生成各个子图； 通过机器学习算法确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典 型特征的第一矩阵； 根据各个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图 中包括的所有的孔隙的纹 理特征的第二矩阵； 将各个所述子图的第一矩阵与第二矩阵耦合以得到用于表征所述大视域图像中所有 的孔隙的图像特 征的特征矩阵； 根据所述特征矩阵通过聚类分析算法确定所述大视域图像中所有的孔隙及各个所述 孔隙的所属类别。 2.如权利要求1所述的基于机器学习的页岩大视域图像分类方法， 其特征在于， 获取页 岩油气藏的大视域图像， 包括： 获取氩离子抛光 ‑扫描电子显微镜对页岩油气藏进行扫描后得到的各个小视域扫描图 像； 对各个所述小视域扫描图像进行图像拼接以得到所述页岩油气藏的大视域图像。 3.如权利要求1所述的基于机器学习的页岩大视域图像分类方法， 其特征在于， 获取页 岩油气藏的大视域图像之后， 还 包括： 对所述大视域图像进行 预处理以去除所述大视域图像中的条状伪影； 对去除条状伪影后的大视域图像进行 滤波处理以滤除散点噪声和白点噪声。 4.如权利要求1所述的基于机器学习的页岩大视域图像分类方法， 其特征在于， 对所述 大视域图像进行图像剪 裁以生成各个子图， 包括： 确定表征对所述大视域图像进行图像剪裁时的剪裁步长的窗口像素长度及滑动像素 长度； 根据所述窗口像素长度及所述滑动像素长度对所述大视域图像进行图像剪裁以生成 各个子图。 5.如权利要求1所述的基于机器学习的页岩大视域图像分类方法， 其特征在于， 所述 聚 类分析算法为K ‑means算法。 6.如权利要求1至5任一项所述的基于机器学习的页岩大视域图像分类方法， 其特征在 于， 所述机器学习算法为卷积神经网络； 通过机器学习算法确定各个所述子图的用于表征所述子图中包括的所有的孔隙的典 型特征的第一矩阵， 包括： 将各个所述子图作为第一输入项输入所述卷积神经网络以确定各个所述子图的用于 表征所述子图中包括的所有的孔隙的典型 特征的第一矩阵。 7.如权利要求6所述的基于机器学习的页岩大视域图像分类方法， 其特征在于， 根据 各 个所述子图中的各个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所 有的孔隙的纹 理特征的第二矩阵， 包括： 将各个所述子图作为第二输入项输入灰度共生矩阵算法 以根据各个所述子图中的各 个像素点的灰度值确定各个所述子图的用于表征所述子图中包括的所有的孔隙的纹理特权　利　要　求　书 1/2 页 2 CN 114529771 A 2征的第二矩阵。 8.如权利要求7所述的基于机器学习的页岩大视域图像分类方法， 其特征在于， 当各个 所述子图的尺寸大小相同时； 各个所述子图的第 一矩阵包括M个表征所述子图中包括的所有的孔隙的典型特征的第 一数据， 其中， 所述第一矩阵的维度为1 ×M且M≥1； 各个所述子图的第 二矩阵包括N个表征所述子图中包括的所有的孔隙的纹理特征的第 二数据， 其中， 所述第二矩阵的维度为1 ×N且N≥1； 将各个所述子图的第一矩阵与第二矩阵耦合以得到用于表征所述大视域图像中所有 的孔隙的图像特 征的特征矩阵， 包括： 对于每个所述子图， 将所述子图的M个所述第 一数据及N个所述第二数据依次排列以得 到用于表征所述子图中包括的所有的孔隙的图像特征的第三矩阵， 所述第三矩阵的维度为 1×(M+N)； 在得到每个所述子图的第 三矩阵后， 将各个所述第 三矩阵按行依次排列以得到用于表 征所述大视域图像中所有的孔隙的图像特征的特征矩阵， 其中， 所述特征矩阵的维度为S × (M+N)且S为所述子图的总个数。 9.一种基于 机器学习的页岩大视域图像分类系统， 其特 征在于， 包括： 获取单元， 用于获取页岩油气藏的大视域图像； 图像剪裁单元， 用于对所述大视域图像进行图像剪 裁以生成各个子图； 第一确定单元， 用于通过机器学习算法确定各个所述子图的用于表征所述子图中包括 的所有的孔隙的典型 特征的第一矩阵； 第二确定单元， 用于根据各个所述子图中的各个像素点的灰度值确定各个所述子图的 用于表征 所述子图中包括的所有的孔隙的纹 理特征的第二矩阵； 第三确定单元， 用于将各个所述子图的第 一矩阵与第 二矩阵耦合以得到用于表征所述 大视域图像中所有的孔隙的图像特 征的特征矩阵； 图像分类单元， 用于根据所述特征矩阵通过聚类分析算法确定所述大视域图像中所有 的孔隙及各个所述 孔隙的所属类别。 10.一种基于 机器学习的页岩大视域图像分类装置， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行如权利要求1至8任一项所述的基于机器学习的页岩大视域图像分类 方法的步骤。权　利　要　求　书 2/2 页 3 CN 114529771 A 3