例子中，将直径为6mm的贝雷砂岩小岩心柱利用HeliScan螺旋式扫描CT进行分辨率为2.5μm的扫描。图1即为岩心扫描图像利用PerGeos完成的三维重构图。通常情况下利用X射线Micro-CT扫描设备得到的图像都为灰度图，不同的灰度代表岩石样品中不同密度的成分，灰度值越低越偏黑色则密度越低，通常黑色的为孔隙，相反灰度值越高越偏白色则密度越高，通常可能为一些高密度的矿物。图1中，我们将孔隙部分标记透明，仅仅展示了基质颗粒的分布和特征。
图1 贝雷砂岩小岩心柱扫描灰度图（分辨率2.5μm）
图1中我们所看到的图像的像素尺寸约为2400×2400×2800个像素，扫描图像加在一起超过30GB。在通常工作站上处理这么大的数据量已经是一个非常大的挑战了，更别提很多时候计算机的内存不到数据量的五倍的时候，更是巨大的挑战。为了应对这个问题，PerGeos特有的Recipe操作菜谱功能中含有针对这种巨型数据体处理的方法，并且含有针对此类数据的脚本语言处理流程。
（Recipe操作菜谱） Recipe操作菜谱是先基于小的次级岩心柱进行完整的处理分析流程后，再通过一系列的指令，生成最后整体岩石的分析结果。脚本语言处理，首先将岩心按照需求切分成数块，然后分别在每一块上运行Recipe，再将每一块运算结果结合到一起，得到整体岩石分分析结果。下面我们看一下如何基于HeliScan螺旋式Micro-CT扫描设备进行岩石分割和分析。
从图2中我们可以看到，扫描的岩心在横截面上并不是一个完整的圆形。为了能够最大化的利用数据，我们要依照原始图像创建一个涵盖了整体岩石的不规则的mask，如图2所示。创建的Mask会用于之后的分割和分析。
图2 扫描图像横截面原始灰度图（左），涵盖了整个样品的二值图像的mask（右）。
对于用户主观因素影响分割结果的问题，PerGeos中利用半自动化基于标记的分水岭算法技术应对。在分水岭分割方法中，对于灰度图的海拔图中不同灰度值都会有一个“种子”，“种子”通过扩展来识别不同灰度值之间的边界。如何“播种”呢？我们在每一个能灰度值区分成分的部分中都可以进行“播种”，比如黑色的孔隙部分和灰色的基质部分。根据分水岭变换算法进行各相之间的边界识别，这样也就完成了分割。利用这种方法就能够有效的避免了用户主观因素的影响和一些不确定的灰度值部分的区分。如何获得灰度值的海拔图呢？灰度值的海拔图是对灰度图进行三维梯度变换得到的。得到的海拔图中，不同相的边界被高亮标记，如图3。图3就向我们展示了“种子”图和海拔图。图中区分了三相，即孔隙空间（蓝色），微孔隙空间（绿色），以及基质颗粒（黄色）。
图3 岩心横截面“种子”图（左），颗粒边界图（右）
微孔隙相包括了一些含有微孔的基质颗粒。这些基质颗粒的孔隙小于图像分辨率，即2.5μm，在灰度图中显示出中的灰度。在通过变换得到孔隙和基质边界的时候，这些边界也许会有和微孔隙相相似的灰度值。为了得到更准确的结果，在进行“播种”的时候，就一定要分清楚边界和微孔隙相。梯度图，即用于分水岭分割的海拔图，就是用于识别边界，并将它们从“种子”图中移除。图4中就描述了上述问题。
图4 中间灰度值强度图，微孔隙相和边界用红色标出（左）。高对比度梯度图，边界部分用红色标出（右）。
分水岭分割方法是利用“种子”图像，在去除了边界的梯度图像中进行。图5中展示了分割后的图像和原始灰度图像。各个相的体积百分比如表1所示。总的孔隙度约为20.5%，其中认为微孔隙相中有50%为孔隙。图6，7，8分别为孔隙相，微孔隙相和基质的三维重构图。分割后的图像可以用于针对不同相的分析，同时也可以用于建模，再进行进一步的模拟分析。
图5 贝雷砂岩样品分割图（左），Micro-CT扫描灰度图（右）
表1 不同相体积百分比
图6 孔隙相（贝雷砂岩样品，扫描分辨率为2.5μm）
图8 基质（贝雷砂岩样品，扫描分辨率为2.5μm）
X射线Micro-CT扫描逐渐变成工程师进行岩心描述和分析必不可少的一环。超大的数据量，用户的主观影响和结果准确度都成为Micro-CT数据分析的挑战。PerGeos行业标准数字岩石处理、分析及三维可视化专业系统直面挑战，利用特有Recipe功能处理巨型数据体，利用半自动化的分水岭算法规避了用户分割时的主观影响，利用更优秀的算法保证了结果准确性。
可关注科吉思石油公众号，查看原文。
发表于 2020-4-24 10:53:24
收藏