摘  要： 巖屑的砂巖部分是整個巖屑含油的集中區域，但是在巖屑的熒光圖像中，由于巖屑顆粒的邊界不明顯，很難準確地得到砂巖目標，因此影響后續含油組分分析的準確性。巖屑熒光系統通過對巖屑樣本同一個視域下的白光圖像進行邊緣流處理，得到砂巖目標，再與系統生成的訓練文件作對比分析，從而得到巖屑樣本的含油組分分析。
關鍵詞： 巖屑熒光圖像；邊緣流分割；邊緣流矢量；砂巖識別

　巖屑錄井[1]是地質錄井工作發現油氣層、評價油氣層的重要方法之一。巖屑數字熒光圖像錄井技術是油氣勘探開發生產現場直觀發現、快速分析油氣層的實用性創新技術，是集計算機圖像處理、分析、識別和應用技術于一體的地質錄井。以往估測含油砂巖的含油組分主要是靠人工經驗的方式，因此，巖屑錄井資料的準確性受人為因素的影響較大，現場資料的可比性、實用性存在著很大的局限性，難以達到油氣勘探對錄井工作的要求[2]。為了解決這一難題，在大量室內實驗研究工作的基礎上，首先建立了含油砂巖巖屑的識別方法，以此為基礎建立了巖屑樣品中各含油砂巖含油組分分析的檢測方法，成功地開發出巖屑熒光圖像分析系統，實現了巖屑樣品中各類巖屑百分含量和含油砂巖含油組分分析檢測的自動化和定量化，為及時發現油氣層和評價油氣層提供可靠信息。
　巖屑熒光圖像分析系統是實現熒光圖像后期處理及分析的一套軟件系統，用于巖屑熒光圖像砂巖面積的識別、組分分析與分類識別以及信息管理等方面。該系統主要包含巖屑熒光圖像砂巖面積的識別和巖屑熒光圖像的含油組分分析兩個部分。
1 巖屑熒光圖像砂巖面積的識別
　巖屑主要是泥巖和砂巖的混合物，而含油部分主要集中在砂巖中，因此需要把熒光圖像中砂巖部分做識別和提取處理。然而熒光圖像（如圖1所示）下巖屑顆粒間邊界不明顯，難以準確區分泥巖和砂巖。
巖屑圖像采集系統[3]是巖屑熒光圖像分析系統的前端系統，它主要用于采集巖屑圖片，而且此系統可以通過改變光源，對同一巖屑樣本在嚴格的同一視域下分別采集熒光圖像和白光圖像。由于熒光圖像下對泥巖和砂巖的識別提取存在很大困難，因此在白光圖像下首先將巖屑圖像中的顆粒分割為一個一個的閉合區域[4]，再根據砂巖和泥巖的一些紋理和顏色特征對砂巖部分進行提取，這樣就可以完整地識別并提取出砂巖部分。
在分割巖屑各個顆粒的過程中，本系統采用邊緣流分割算法進行顆粒間邊界的提取，具體原理如下。
邊緣流算法[5]首先是對圖像中的每個像素點確定指向該點最近邊緣的流方向；然后檢測相反方向的邊緣流矢量相遇的位置[6]，該位置即圖像中對象的邊緣。

    對比圖3和圖4可以發現，基本上所有的砂巖部分都提取出來了。通過這種方法，本文另外測試了多個巖屑樣本，基本上都識別出巖屑樣本中的砂巖部分。
2 巖屑熒光圖像含油組分分析與分類識別
　把在白光圖像下提取的砂巖圖像疊加到熒光圖像上，再分析砂巖區域的顏色、亮度等特征，從而得到巖屑的含油組分。
　巖屑熒光分析系統采用聚類算法對彩色色譜圖進行分層訓練，生成訓練文件。在此基礎上，對熒光圖像的發光強度、波長、顏色、亮度和飽和度進行彩色分類，將不同區域點標記為輕質油、中質油和重質油，同時記錄下類別的顏色等待征。通過以上過程，可以得到目標區域的分類情況，最后用不同顏色顯示不同組分類別，其實現原理見參考文獻[13]。砂巖分類結果如圖5所示。

　圖5中，輕質油、中質油及重質油分別以不同顏色代表，這幅圖像所代表的巖屑樣本中輕質油和中質油比較多，而重質油的含量較少。圖6是另外兩個樣本的砂巖分類圖，其中左圖代表的巖屑樣本含有中質油和重質油的比例較高，右圖則含有輕質油和重質油的比例較高。
　通過以上的一系列處理，就可以得到熒光圖像的石油含量組分分析，而且效果很直觀，據此可以得到巖屑樣本的含油情況。
　本文在巖屑熒光系統下，通過對白光圖像進行巖屑間顆粒的邊界提取，然后再根據砂巖和泥巖的紋理特征識別出巖屑中的砂巖目標，解決了在熒光圖像下無法準確識別砂巖的弊端，實驗結果證明此方法可以較為完整地獲得巖屑中的砂巖目標。最后參照系統生成的訓練文件對砂巖目標進行分類，得到巖屑熒光圖像的含油組分分析。此外，本系統在分析識別砂巖含油組分的過程中具有一定的智能化和自動化，為地質部門對巖屑含油量進行定量分析提供了便利。
參考文獻
[1] 王春艷，王新順，王延華，等.基于不同光譜技術的原油樣品的熒光分析[J].光譜學與光譜分析，2006，26（4）：728.
[2] 鮑云杰，高玉凱，石景艷，等.巖屑定量描述評價儀的研制[J].測井技術，1999，23（1）：68-71.
[3] 鄧明霞.巖屑圖像采集影響因素及圖像采集標準[J].錄井工程，2007，18（2）：17-20.
[4] 慈興華，向巧玲，陳方鴻，等.定量熒光分析技術在原油性質判別方面的應用探討[J].石油實驗地質，2004，26（1）：100-102.
[5] MA W Y， MANJUNATH B S. Edge flow： a technique for boundary detection and image segmentation [J].  IEEE Transactions on Image Processing， 2000，9（8）：1375-1388.
[6] 宋頂利，楊炳儒，于復興.Edge flow數字圖像邊緣檢測[J].微電子學與計算機，2011，12（4）：81-87.
[7] 劉楠，舒寧.基于局部光譜空間分析的多尺度邊緣檢測[J].國土資源遙感，2005，65（3）：34-38.
[8] 張鋒.砂巖薄片圖像分割關鍵技術研究[D].成都：四川大學，2006.
[9] CHANG C C， LIN C J. LIBsVM： a library for support vector machines[EB/OL].2011-10-15 .httpl//www.Csi.ntu.edu.tw/~cjlln/libsvm， 2011-03-09.
[10] 曹華美，吳曉紅，羅代升.融合邊緣流和模糊區域聚類的巖心圖像分割[J].計算機工程與應用，2013（6）：187-189.
[11] 韋宏強，李彤華，鄭屹，等.基于多結構元素形態學的圖像邊緣檢測算法[J].計算機工程與設計，2007，22（28）：5452-5447.
[12] 王東強，李文東，劉宗林，等.基于傅里葉變換的巖屑紋理特征提取及巖性識別方法研究[J].石油實驗地質，2008，30（4）：420-423.
[13] 何霽，滕奇志，羅代升，等.一種改進的ISODATA算法及在彩色熒光圖像中的應用[J].四川大學學報，2007，44（3）：563.