结合模糊C均值聚类与BP神经网络的岩石孔隙识别方法

来源:用户上传      作者: 程国建　杨静　刘烨

　　摘要：为实现岩石图像中孔隙的自动识别，该文提出使用模糊C均值聚类与BP神经网络相结合的方法识别岩石图像中的孔隙，并将其应用于铸体薄片图像中。首先在图像中应用模糊C均值聚类分割算法将图像分割出两类，再运用BP神经网络进行训练和分类识别。实验表明，经过训练的BP神经网络可以准确的识别出铸体图像中的有效孔隙，为实际应用奠定良好基础。
　　关键词：模糊C均值聚类；BP神经网络算法；铸体薄片图像；孔隙识别
　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）30-6872-02
　　在油气预测、油气储量计算过程中，储层孔隙度是非常重要的参数，因此求取储层孔隙度及其他参数是地质建模中的关键一步。在科技迅猛发展过程中，运用铸体薄片图像分析技术手段作为主体技术，对孔隙识别和求取物性参数有直观的技术优势，并且为准确识别油气层奠定了坚实的基础[1]。彩色图像比灰度图像包含更多有价值的空间信息，选取合适的彩色空间是有效分割彩色图像的基础，常见的颜色空间有RGB空间、HSV空间、CIE Lab空间、CMYK空间等，其中CIE Lab是建模于人类视觉感知的，具有感知上的均匀性，而且该空间具有欧式距离不变性[2]。该文使用的图像主要内容为岩石颗粒和孔隙，其中孔隙呈红色分布，该文的主要目的就是将红色的孔隙区域与背景分割开并运用BP神经网络算法将其识别。
　　1 FCM聚类算法
　　4 总结
　　本文利用模糊c均值聚类和BP神经网络相结合的方法处理彩色图像分割问题，针对现有的铸体薄片图像，该方法达到了良好的分割效果，下一步的工作是将该方法应用于实时采集的图像中，并对分割出来的目标区域进行一系列参数计算，为后期三维重构提供支持。
　　参考文献：
　　[1] 刘庆利，吴国平，胡剑策.铸体薄片图像分析法求取储层孔隙度[J].测绘科学技术学报，2009，26（1）：69-71.
　　[2] 陈丽雪，陈昭炯.基于Lab 空间的图像检索算法[J].计算机工程，2008，34（13）：224-226.
　　[3] 刘一超，全吉成，王宏伟，等.基于模糊c均值聚类的遥感图像分割方法[J].Image Processing and Multimedia Technology，2011，30（1）：34-37.
　　[4] 谢文兰，石跃祥，肖平.应用BP神经网络对自然图像分类[J].计算机工程与应用，2010，46（2）：163-166.
　　[5] XIE Wen lan， SHI Yue xiang， XIAO Ping. Classification of natural image based on BP neural network. Computer Engineering and Application，2010，46（2）：163-166.
　　[6] 史峰，王小川，郁磊，等.MATALAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010：1-10.
转载注明来源:https://www.xzbu.com/8/view-4439343.htm