发明内容
为了解决现有技术中对测井解释曲线的信息提取结果不准确、人工工作复杂性及工作量大、信息提取时效性低及提取结果与实际结果误差较大等问题,本发明实施例提供了一种测井解释曲线的信息提取方法及装置。所述技术方案如下:
一方面,提供了一种测井解释曲线的信息提取方法,所述方法包括:
将测井解释曲线处理为测井解释曲线图片,并提取所述测井解释曲线图片中每个像素的红绿蓝RGB值,得到所述测井解释曲线图片对应的RGB值集合;
根据所述RGB值集合中每个元素的R值、G值和B值对所述RGB值集合中的元素进行分类,得到分类集合;
将所述分类集合中属于同一类的像素的坐标信息记录至对应的第一坐标数组中;
判断所述测井解释曲线图片是否包含背景色;
当所述测井解释曲线图片不包含背景色时,确定所述分类集合中每个类的像素对应的图像类型,所述图像类型为人工确定,且所述图像类型包括至少一条测井曲线;
确定每条测井曲线的边界像素;
获取所述每条测井曲线的边界像素对应的横坐标,获取人工确定的所述每条测井曲线的边界像素对应的曲线值、分段数及每个分段的段值域范围;
根据所述每条测井曲线的边界像素对应的曲线值、所述每个分段的段值域范围及所述每条测井曲线的边界像素对应的横坐标,将所述每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标;
根据转换结果及所述分类集合中每个像素的坐标信息计算每条测井曲线的特征量,得到每条测井曲线的信息。
可选地,所述将测井解释曲线处理为测井解释曲线图片,包括:
将测井解释曲线转化为计算机可识别的初始测井解释曲线图片;
去除所述初始测井解释曲线图片中的噪音,得到所述测井解释曲线图片。
可选地,所述根据所述RGB值集合中每个元素的R值、G值和B值对所述RGB值集合中的元素进行分类,包括:
确定所述RGB值集合中任两个元素的R值、G值和B值的波动范围是否小于预设数值;
当任两个元素的R值、G值和B值的波动范围均小于所述预设数值时,确定所述任两个元素对应的像素为同一类。
可选地,所述判断所述测井解释曲线图片是否包含背景色之后,还包括:
当所述测井解释曲线图片包含背景色时,从所述测井解释曲线图片中获取需要提取的各个图像类型的至少两个关键点,所述关键点为人为选取的,且所述关键点之间的连线代表所述图像类型的变化规律;
建立每两个相邻关键点之间的直线关系式,得到直线关系式集合;
将所述各个图像类型对应的像素的横坐标代入对应的直线关系式中,计算所述各个图像类型对应的像素的纵坐标;
当计算得到的任一像素的纵坐标与所述第一坐标数组中记录的对应像素的纵坐标之间的差值小于预设阈值时,将所述任一像素的坐标信息记录至对应的第二坐标数组中;
确定所述第二坐标数组中的像素对应的图像类型,所述图像类型为人工确定。
可选地,所述图像类型还包括测井边框,所述确定每条测井曲线的边界像素,包括:
获取每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值,所述坐标数组为第一坐标数组或第二坐标数组;
判断所述图像类型中是否包括测井边框;
当所述图像类型中不包括测井边框时,将所述每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值对应的像素,确定为所述每条测井曲线的边界像素。
可选地,所述判断所述图像类型中是否包括测井边框之后,还包括:
当所述图像类型中包括测井边框时,根据所述测井边框对应的像素的横坐标和所述测井边框包含的像素个数,计算所述测井边框所有像素横坐标的分布概率集合;
记录所述分布概率集合中分布概率最大值对应像素的横坐标,得到所述测井边框的位置信息数组;
将每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值与所述位置信息数组中的元素进行比对,并根据比对结果确定所述每条测井曲线的边界像素。
可选地,所述根据所述每条测井曲线的边界像素对应的曲线值、所述每个分段的段值域范围及所述每条测井曲线的边界像素对应的横坐标,将所述每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标,包括:
根据所述每条测井曲线的边界像素对应的曲线值、所述每个分段的段值域范围及所述每条测井曲线的边界像素对应的横坐标,通过如下公式将所述每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标:
CurPiXX=CurPiXmin+(CurVal-CurValmin)×(CurPiXmax-CurPiXmin)/(CurValmax-CurValmin)
式中,CurVal为任一条测井曲线上任一分段处像素的曲线值,CurPiXX为所述CurVal对应的像素的横坐标,CurPiXmin和CurPiXmax分别为所述任一条测井曲线边界像素对应的横坐标,CurValmin和CurValmax为所述任一条测井曲线边界像素对应的曲线值。
可选地,所述根据转换结果及所述分类集合中每个像素的坐标信息计算每条测井曲线的特征量,得到每条测井曲线的信息,包括:
根据转换结果及所述分类集合中每个像素的坐标信息计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图,将所述曲线统计分布图和所述曲线累计分布图作为每条测井曲线的信息。
可选地,所述根据转换结果及所述分类集合中每个像素的坐标信息计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图,包括:
对于任一条测井曲线的任一个分段,根据所述任一个分段处像素的横坐标和每个像素的坐标信息统计落在所述任一个分段上的像素个数和所述任一条测井曲线包括的像素总数;
根据所述任一个分段上的像素个数和所述任一条测井曲线包括的像素总数通过如下公式计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图:
式中,T1i和T2i分别为所述任一条测井曲线第i个分段的曲线统计分布图和曲线累计分布图,Numi为所述任一条测井曲线第i个分段的像素个数,NumMax为所述任一条测井曲线对应的像素总数,FDnum为分段数。
另一方面,提供了一种测井解释曲线的信息提取装置,所述装置包括:
处理模块,用于将测井解释曲线处理为测井解释曲线图片;
提取模块,用于提取所述测井解释曲线图片中每个像素的红绿蓝RGB值,得到所述测井解释曲线图片对应的RGB值集合;
分类模块,用于根据所述RGB值集合中每个元素的R值、G值和B值对所述RGB值集合中的元素进行分类,得到分类集合;
第一记录模块,用于将所述分类集合中属于同一类的像素的坐标信息记录至对应的第一坐标数组中;
第一判断模块,用于判断所述测井解释曲线图片是否包含背景色;
第一确定模块,用于当所述测井解释曲线图片不包含背景色时,确定所述分类集合中每个类的像素对应的图像类型,所述图像类型为人工确定,且所述图像类型包括至少一条测井曲线;
第二确定模块,用于确定每条测井曲线的边界像素;
第一获取模块,用于获取所述每条测井曲线的边界像素对应的横坐标,并获取人工确定的所述每条测井曲线的边界像素对应的曲线值、分段数及每个分段的段值域范围;
转换模块,用于根据所述每条测井曲线的边界像素对应的曲线值、所述每个分段的段值域范围及所述每条测井曲线的边界像素对应的横坐标,将所述每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标;
第一计算模块,用于根据转换结果及所述分类集合中每个像素的坐标信息计算每条测井曲线的特征量,得到每条测井曲线的信息。
本发明实施例提供的技术方案带来的有益效果是:
通过提取测井解释曲线图片中像素的RGB值,对RGB值集合中的元素进行分类、记录坐标信息及人工确定分类集合中每个类的像素对应的图像类型,进而计算各条测井曲线的信息,使得该方法在提取测井解释曲线的信息时,充分借助计算机等信息提取装置进行提取的过程中,结合了人工确定图像类型的方式,即信息提取装置与人工配合完成信息提取,使得本发明实施例提供的方法不仅提取结果比较准确、时效性比较高,而且能够减少人工的工作复杂性及工作量,能够快速、准确地完成测井解释曲线的信息提取。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供一种测井解释曲线的信息提取方法,该方法包括如下步骤S1至S12:
S1,将测井解释曲线处理为测井解释曲线图片,并提取测井解释曲线图片中每个像素的RGB值,得到测井解释曲线图片对应的RGB值集合。
测井解释曲线是石油地质勘探部门获取到的测井曲线。在提取测井解释曲线图片中每个像素的RGB值时,可以通过RGB提取算法来实现。RGB值集合中的每个元素包括测井解释曲线图片中每个像素的R值、G值和B值。如果测井解释曲线图片包括n个像素,则该步骤S1提取到的测井解释曲线图片对应的RGB值集合可以表示为RGB{(R,G,B)1,(R,G,B)2、……(R,G,B)n}。
为便于说明,下述内容结合图2所示的测井解释曲线图片对本发明实施例提供的方法进行举例说明。通过RGB提取算法提取到的图2所示的测井解释曲线图片对应的RGB值集合为:RGB{RGB(255,255,255),RGB(253,255,255),RGB(0,0,0),RGB(192,192,192),RGB(0,0,191),RGB(0,0,192),RGB(191,0,0),RGB(193,0,0),RGB(191,0,191),RGB(191,0,192)}。
其中,步骤S1在将测井解释曲线处理为测井解释曲线图片时,包括但不限于通过如下步骤S11和S12来实现:
S11,将测井解释曲线转化为计算机可识别的初始测井解释曲线图片。
该步骤S11的目的是将测井解释曲线转化为计算机可识别的形式,从而便于通过计算机等处理设备提取测井解释曲线中的信息。
S12,去除初始测井解释曲线图片中的噪音,得到测井解释曲线图片。
其中,在去除初始测井解释曲线图片中的噪音时,可以通过对初始测井解释曲线图片进行图像平移和/或去噪等处理来实现。
S2,根据RGB值集合中每个元素的R值、G值和B值对RGB值集合中的元素进行分类,得到分类集合。
其中,对RGB值集合中的元素进行分类的目的是为了将测井解释曲线图片中属于同一图像类型的像素归结到一起,从而便于后续提取同一图像类型的测井解释曲线的信息。在本发明实施例中,为便于描述,将分类集合记为FL。
可选地,步骤S2在根据RGB值集合中每个元素的R值、G值和B值对RGB值集合中的元素进行分类时,可以通过如下步骤S22和S23来实现:
S22,确定RGB值集合中任两个元素的R值、G值和B值的波动范围是否小于预设数值。
该预设数值m的具体数值可以根据需要设定,本发明实施例对此不作限定。例如,该预设数值m的取值可以为5、7或10等。优选地,该预设数值m的取值为5。
S23,当任两个元素的R值、G值和B值的波动范围均小于预设数值时,确定任两个元素对应的像素为同一类。
其中,RGB值集合中任两个元素的R值、G值和B值的波动范围均小于预设数值m是指:RGB值集合中任两个元素的R值、G值和B值之间的关系满足R-m≤R≤R+m、G-m≤G≤G+m且B-m≤B≤B+m。当RGB集合中任两个元素的R值、G值和B值满足该关系时,将这两个元素归为一类,进而将这两个元素对应的像素归为一类。
结合图2,对图2对应的RGB值集合所包括的像素进行分类,得到的分类集合FL包括如下几类:FL{[RGB(255,255,255),RGB(253,255,255)],[RGB(0,0,0)],[RGB(192,192,192)],[RGB(0,0,191),RGB(0,0,192)],[RGB(191,0,0),RGB(193,0,0)],[RGB(191,0,191),RGB(191,0,192)]},即该分类集合FL共包括六个类型的像素。
S3,将分类集合中属于同一类的像素的坐标信息记录至对应的第一坐标数组中。
其中,分类集合FL中每个类型的像素对应一个第一坐标数组,且每个类型的第一坐标数组中记录了该类型的各个像素的坐标信息,该坐标信息包括横坐标和纵坐标。如,分类集合FL中第i个类型的像素对应的第一坐标数组为Pixelsi,Pixelsi中记录了第i种类型的各个像素的横坐标和纵坐标。通过该步骤可以获得测井解释曲线图片中每个像素的横坐标和纵坐标。
S4,判断测井解释曲线图片是否包含背景色,当测井解释曲线图片不包含背景色时,执行步骤S5;当测井解释曲线图片包含背景色时,执行步骤S6至S8。
其中,不包含背景色的测井解释曲线图片表示根据其对应的分类集合的分类结果可提取到测井解释曲线所需的全部信息;包含背景色的测井解释曲线图片表示根据其对应的分类集合的分类结果可提取到测井解释曲线所需的部分信息,而其余部分信息则提取不到。如当测井解释曲线图片中的不同测井曲线的颜色相同,则在根据上述分类方法得到的分类集合FL中,这两种颜色的测井曲线对应的像素可能会被分类为属于同一类型,因而导致同一类型的像素中包含有两种曲线信息,进而导致这两条测井曲线的部分信息提取不到。
具体在判断测井解释曲线图片是否包含背景色时,是通过人工方法实现的,即由人为判断测井解释曲线图片是否包含背景色。结合图2可得,图2所示的测井解释曲线可一次性分离出全部所需信息,其不包含背景色。其中,图2左边的测井曲线为蓝色,右边的测井曲线为***。
S5,确定分类集合中每个类的像素对应的图像类型,该图像类型为人工确定,且图像类型包括至少一条测井曲线。
也就是说,本发明实施例在该步骤S5中,由人工确定分类集合中每个类的像素对应的图像类型,如人工确定分类集合FL中第一类像素FL1对应的图像类型为测井边框,第二个像素FL2对应的图像类型为伽马曲线等。其中,图像类型包括至少一条测井曲线,测井曲线包括伽马曲线、渗透率曲线和孔隙度曲线等。图像类型还可以包括测井边框、图片底色和辅助线等。
结合步骤S2中得到的图2对应的分类集合FL,图2对应的分类集合FL中第一类像素对应的图像类型为图片底色,第二类像素对应的图像类型为曲线边框,第三类像素对应的图像类型为辅助线,第四类像素对应的图像类型为伽马曲线,第五类像素对应的图像类型为渗透率曲线,第六类像素对应的图像类型为孔隙度曲线。
S6,从测井解释曲线图片中获取需要提取的各个图像类型的至少两个关键点,其中,关键点为人为选取的,且关键点之间的连线代表图像类型的变化规律。
当测井解释曲线图片包含背景色时,由于其中的部分信息无法分离出来,为了提取到测井解释曲线图像的完整信息,对于包括背景色的测井解释曲线图片,本发明实施例通过步骤S6至S8进行处理。该步骤S6中的图像类型与步骤S5中的相同,也包括测井曲线、测井边框、图片底色和辅助线等。测井曲线包括伽马曲线、渗透率曲线和孔隙度曲线等。
其中,每个图像类型的关键点为人工提取到的能够表示图像类型的变化规律的点,如人工提取到的能够代表测井曲线或测井边框变化规律的点。关键点的数量也为人工根据图像类型的变化规律确定的。
S7,建立每两个相邻关键点之间的直线关系式,得到直线关系式集合,并将各个图像类型对应的像素的横坐标代入对应的直线关系式中,计算各个图像类型对应的像素的纵坐标。
其中,相邻两个关键点之间的直线关系式即为相邻两个关键点之间的线性关系式。因而在建立相邻两个关键点之间的直线关系式时,依据公式y=ax×b来实现。建立的相邻点之间直线关系式集合为:y=an-1x×bn-1,其中,2≤n≤N,N为关键点的个数。
S8,当计算得到的任一像素的纵坐标与第一坐标数组中记录的对应像素的纵坐标之间的差值小于预设阈值时,将任一像素的坐标信息记录至对应的第二坐标数组中,人工确定第二坐标数组中的像素对应的图像类型。
步骤S6至S8实现了重新对各个图像类型对应的第一坐标数组中的像素进行分类,从而确保后续提取信息时可以提取出根据步骤S5中的分类方法不能直接提取出的信息。其中,预设阈值的具体数值可以根据需要设定,本发明实施例对此不作具体限定。
人工确定第二坐标数组中的像素对应的图像类型的内容与步骤S5中确定分类集合中每个类的像素对应的图像类型的原理相同,具体可参见步骤S5中的内容。
S9,确定每条测井曲线的边界像素。
其中,一条测井曲线的边界像素有两个,其可以为测井曲线覆盖范围内最左边的像素和最右边的像素,即测井曲线覆盖范围内横坐标最小值对应的像素和横坐标最大值对应的像素。
在确定每条测井曲线的边界像素时,包括但不限于通过如下步骤S91至S96来实现:
S91,获取每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值,其中,该坐标数组为第一坐标数组或第二坐标数组。
当测井解释曲线图片不包含背景色时,每条测井曲线对应的坐标数组为每条测井曲线对应的第一坐标数组。当测井解释曲线图片包含背景色时,每条测井曲线对应的坐标数组为每条测井曲线对应的第二坐标数组。
例如,测井解释曲线图片不包含背景色时,伽马曲线的边界像素为伽马曲线对应的第一坐标数组中横坐标最大值对应的像素和横坐标最小值对应的像素;渗透率曲线的边界像素为渗透率曲线对应的第一坐标数组中横坐标最大值对应的像素和横坐标最小值对应的像素。
S92,判断图像类型中是否包括测井边框;当图像类型中不包括测井边框时,执行步骤S93;当图像类型中包括测井边框时,执行步骤S94至S96。
由于步骤S5和S8中已由人工确定了图像类型,因而,根据步骤S5和S8的处理结果即可知图像类型中是否包括测井边框。本发明实施例的目的是要提取每条测井曲线中的信息,而每条测井曲线的信息依赖于其对应的边界像素,然而对于包括测井边框的测井曲线和不包括测井边框的测井曲线,其边界像素的确定方法不一样,因而需要通过不同的方式来确定边界像素,具体详见下述步骤。
S93,将每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值对应的像素,确定为每条测井曲线的边界像素。
也就是说,当图像类型中不包括测井边框时,每条测井曲线的边界像素为每条测井曲线对应的第一坐标数组或第二坐标数组中横坐标最大值对应的像素和横坐标最小值对应的像素。
S94,根据测井边框对应的像素的横坐标和测井边框包含的像素个数,计算测井边框所有像素横坐标的分布概率集合。
为便于描述,本发明实施例将该分布概率集合记为T。该步骤S94在根据测井边框对应的像素的横坐标和测井边框包含的像素个数,计算测井边框所有像素横坐标的分布概率集合T时,先计算分布概率集合T中的每个元素的值,将各个元素的值组合在一起形成分布概率集合T。其中,在计算分布概率集合T中的某个元素的值时,可以依据公式TX=NumX/NumMax来实现。其中,NumX为测井边框中像素横坐标为X的像素的个数,NumMax为测井边框包含的像素个数。
S95,记录分布概率集合中分布概率最大值对应像素的横坐标,得到测井边框的位置信息数组。
例如,分布概率集合T如果第7个元素的值最大,该第7个元素即为分布概率集合T中的分布概率最大值,进而将该7个元素对应像素的横坐标记录至位置信息数组XS中。由于分布概率最大值对应的像素的横坐标可能有多个,依次将他们记录至位置信息数组中即形成位置信息数组XS。
S96,将每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值与位置信息数组中的元素进行比对,根据比对结果确定每条测井曲线的边界像素。
例如,如果位置信息数组中包括的元素为{1,2,3},而某一条测井曲线对应的坐标数组中横坐标最小值大于1,横坐标最大值小于2,则在根据比对结果确定该条测井曲线的边界像素时,确定其边界像素为横坐标为1的像素和横坐标为2的像素。
再次结合图2,由于其图像类型中包括测井边框,因而在确定每条测井曲线的边界像素时,通过步骤S94至S96来实现。
S10,获取每条测井曲线的边界像素对应的横坐标,并获取人工确定的每条测井曲线的边界像素对应的曲线值、分段数及每个分段的段值域范围。
在获取每条测井曲线的边界像素对应的横坐标时,可以从第一坐标数组或第二坐标数组中进行查找得到。
本发明实施例在该步骤S10中,由人工确定每条测井曲线的边界像素对应的曲线值、分段数及每个分段的段值域范围。例如,由人工设置伽马曲线、渗透率曲线和孔隙度曲线的边界像素对应的曲线值、分段数及每个分段的段值域范围。如人工设置孔隙度度曲线的边界像素中横坐标最小值对应的曲线值为0%、边界像素中横坐标最大值对应的曲线值为100%。
S11,根据每条测井曲线的边界像素对应的曲线值、每个分段的段值域范围及每条测井曲线的边界像素对应的横坐标,将每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标。
其中,步骤S11可以根据每条测井曲线的边界像素对应的曲线值、每个分段的段值域范围及每条测井曲线的边界像素对应的横坐标,通过如下公式将将每条测井曲线每个分段处的曲线值转换成对应像素的横坐标:
CurPiXX=CurPiXmin+(CurVal-CurValmin)×(CurPiXmax-CurPiXmin)/(CurValmax-CurValmin)
式中,CurVal为任一条测井曲线上任一分段处像素的曲线值,CurPiXX为CurVal对应的像素的横坐标,CurPiXmin和CurPiXmax分别为该条测井曲线边界像素对应的横坐标,CurValmin和CurValmax为该条测井曲线边界像素对应的曲线值。
例如,在求某条测井曲线的某一个分段处像素的横坐标时,由于该分段的段值域范围已在上个步骤中确定,即已经确定分段处像素的曲线值,将该分段处像素的曲线值、该条测井曲线边界像素对应的横坐标和该条测井曲线边界像素对应的曲线值代步骤S11的公式中,即可得到该分段处像素的横坐标。
S12,根据转换结果及分类集合中每个像素的坐标信息计算每条测井曲线的特征量,得到每条测井曲线的信息。
其中,每条测井曲线的信息包括每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图。在此基础上,在计算每条测井曲线的特征量时,包括:计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图,将曲线统计分布图和曲线累计分布图作为每条测井曲线的信息。
具体地,本发明实施例步骤S12在根据转换结果及分类集合中每个像素的坐标信息计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图时,对于任一条测井曲线的任一个分段,先根据任一个分段处像素的横坐标和每个像素的坐标信息统计落在任一个分段上的像素个数和任一条测井曲线包括的像素总数;然后根据所述任一个分段上的像素个数和所述任一条测井曲线包括的像素总数通过如下公式计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图:
式中,T1i和T2i分别为某一条测井曲线第i个分段的曲线统计分布图和曲线累计分布图,Numi为该条测井曲线第i个分段的像素个数,NumMax为该条测井曲线对应的像素总数,FDnum为分段数。
例如,在计算渗透率曲线的信息时,对于其第i个分段,先根据渗透率曲线分段处像素的横坐标和每个像素的坐标信息统计落在第i个分段上的像素个数和渗透率曲线包括的像素总数;然后根据第i个分段上的像素个数和渗透率曲线包括的像素总数通过上面的公式计算渗透率曲线每个分段的曲线统计分布图和渗透率曲线的曲线累计分布图。
本发明实施例提供的方法,通过提取测井解释曲线图片中像素的RGB值,对RGB值集合中的元素进行分类、记录坐标信息及人工确定分类集合中每个类的像素对应的图像类型,进而计算各条测井曲线的信息,使得该方法在提取测井解释曲线的信息时,充分借助计算机等信息提取装置进行提取的过程中,结合了人工确定图像类型的方式,即信息提取装置与人工配合完成信息提取,使得本发明实施例提供的方法不仅提取结果比较准确、时效性比较高,而且能够减少人工的工作复杂性及工作量,能够快速、准确地完成测井解释曲线的信息提取。
本发明实施例还提供一种测井解释曲线的信息提取装置,该装置可以用于执行上述实施例提供的测井解释曲线的信息提取方法。如图3所示,该测井解释曲线的信息提取装置包括:
处理模块301,用于将测井解释曲线处理为测井解释曲线图片;
提取模块302,用于提取测井解释曲线图片中每个像素的红绿蓝RGB值,得到测井解释曲线图片对应的RGB值集合;
分类模块303,用于根据RGB值集合中每个元素的R值、G值和B值对RGB值集合中的元素进行分类,得到分类集合;
第一记录模块304,用于将分类集合中属于同一类的像素的坐标信息记录至对应的第一坐标数组中;
第一判断模块305,用于判断测井解释曲线图片是否包含背景色;
第一确定模块306,用于当测井解释曲线图片不包含背景色时,确定分类集合中每个类的像素对应的图像类型,图像类型为人工确定,且图像类型包括至少一条测井曲线;
第二确定模块307,用于确定每条测井曲线的边界像素;
第一获取模块308,用于获取每条测井曲线的边界像素对应的横坐标,并获取人工确定的每条测井曲线的边界像素对应的曲线值、分段数及每个分段的段值域范围;
转换模块309,用于根据每条测井曲线的边界像素对应的曲线值、每个分段的段值域范围及所述每条测井曲线的边界像素对应的横坐标,将每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标;
第一计算模块310,用于根据转换结果及分类集合中每个像素的坐标信息计算每条测井曲线的特征量,得到每条测井曲线的信息。
可选地,处理模块301包括:
转化单元,用于将测井解释曲线转化为计算机可识别的初始测井解释曲线图片;
去噪单元,用于去除初始测井解释曲线图片中的噪音,得到测井解释曲线图片。
可选地,分类模块303包括:
第一确定单元,用于确定RGB值集合中任两个元素的R值、G值和B值的波动范围是否小于预设数值;
第二确定单元,用于当任两个元素的R值、G值和B值的波动范围均小于预设数值时,确定任两个元素对应的像素为同一类。
可选地,测井解释曲线的信息提取装置还包括:
第二获取模块,用于当测井解释曲线图片包含背景色时,从测井解释曲线图片中获取需要提取的各个图像类型的至少两个关键点,关键点为人为选取的,且关键点之间的连线代表图像类型的变化规律;
建立模块,用于建立每两个相邻关键点之间的直线关系式,得到直线关系式集合;
第二计算模块,用于将各个图像类型对应的像素的横坐标代入对应的直线关系式中,计算各个图像类型对应的像素的纵坐标;
第二记录模块,用于当计算得到的任一像素的纵坐标与第一坐标数组中记录的对应像素的纵坐标之间的差值小于预设阈值时,将任一像素的坐标信息记录至对应的第二坐标数组中;
第三确定模块,用于确定第二坐标数组中的像素对应的图像类型,图像类型为人工确定。
可选地,图像类型还包括测井边框,第二确定模块307包括:
获取单元,用于获取每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值,坐标数组为第一坐标数组或第二坐标数组;
判断单元,用于判断图像类型中是否包括测井边框;
第三确定单元,用于当图像类型中不包括测井边框时,将每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值对应的像素,确定为每条测井曲线的边界像素。
可选地,第二确定模块307还包括:
计算单元,用于当图像类型中包括测井边框时,根据测井边框对应的像素的横坐标和测井边框包含的像素个数,计算测井边框所有像素横坐标的分布概率集合;
记录单元,用于记录分布概率集合中分布概率最大值对应像素的横坐标,得到测井边框的位置信息数组;
比对单元,用于将每条测井曲线对应的坐标数组中的横坐标最大值和横坐标最小值与位置信息数组中的元素进行比对,根据比对结果确定每条测井曲线的边界像素。
可选地,转换模块309用于:根据每条测井曲线的边界像素对应的曲线值、每个分段的段值域范围及每条测井曲线的边界像素对应的横坐标,通过如下公式将每条测井曲线每个分段处像素的曲线值转换成对应像素的横坐标:
CurPiXX=CurPiXmin+(CurVal-CurValmin)×(CurPiXmax-CurPiXmin)/(CurValmax-CurValmin)
式中,CurVal为任一条测井曲线上任一分段处像素的曲线值,CurPiXX为CurVal对应的像素的横坐标,CurPiXmin和CurPiXmax分别为该条测井曲线边界像素对应的横坐标,CurValmin和CurValmax为该条测井曲线边界像素对应的曲线值。
可选地,第一计算模块310用于:根据转换结果及分类集合中每个像素的坐标信息计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图,将曲线统计分布图和曲线累计分布图作为每条测井曲线的信息。
可选地,第一计算模块310用于:对于任一条测井曲线的任一个分段,根据任一个分段处像素的横坐标和每个像素的坐标信息统计落在任一个分段上的像素个数和任一条测井曲线包括的像素总数;根据所述任一个分段上的像素个数和所述任一条测井曲线包括的像素总数通过如下公式计算每条测井曲线每个分段的曲线统计分布图和每条测井曲线的曲线累计分布图:
式中,T1i和T2i分别为某一测井曲线第i个分段的曲线统计分布图和曲线累计分布图,Numi为某一测井曲线第i个分段的像素个数,NumMax为某一测井曲线对应的像素总数,FDnum为分段数。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
关于该测井解释曲线的信息提取装置各个模块功能的具体实现方法已在上述方法实施例中进行了详细地解释说明,具体可参见上述方法实施例中的内容,此处不再赘述。
本发明实施例提供的装置,通过提取测井解释曲线图片中像素的RGB值,对RGB值集合中的元素进行分类、记录坐标信息及人工确定分类集合中每个类的像素对应的图像类型,进而计算各条测井曲线的信息,使得该方法在提取测井解释曲线的信息时,充分借助计算机等信息提取装置进行提取的过程中,结合了人工确定图像类型的方式,即信息提取装置与人工配合完成信息提取,使得本发明实施例提供的方法不仅提取结果比较准确、时效性比较高,而且能够减少人工的工作复杂性及工作量,能够快速、准确地完成测井解释曲线的信息提取。
需要说明的是:上述实施例提供的测井解释曲线的信息提取装置在提取测井解释曲线的信息时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的测井解释曲线的信息提取装置与测井解释曲线的信息提取方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。