岩心图像压缩范文（精选3篇）
岩心图像压缩 第1篇
关键词：三维图像,并查集,路径压缩,图像识别,数字岩心
在一些具有多连通区域图像的识别问题中, 通常按一定规则将相关图像中的像素或体素进行归类;但这需要反复查找同一像素或体素的区域归属;因此看似简单的问题却带来极大的数据量, 特别是随着现代显示设备成像技术的不断提高[1]。生成的图像分辨率也日益提高;因此若用一般的数据结构来描述和计算, 普通计算机无法承受如此庞大的运算数据量;即使可以承受, 时间复杂度也极高;因此需要借助其他方法来提高整个图像识别的效率;而区域查找并查集[2]以其特殊的数据结构, 在各种需要大数据量运算的领域应用广泛。例如图片中像素点的Tarjan算法[3], 计算机网络中节点的查找[4], 社交网络中节点查找[5]和数学集合中元素分类研究[6]等, 信息网络中的Kruskal最小生成树算法[7]等。因此本文以此为基本方法对三维图像进行连通区域查找并基于路径压缩方法提出一种标签吸收的算法对图像连通区域的查找过程进行了优化, 下面首先介绍本文方法所依托的基本理论。
1 基于并查集的图像识别方法
并查集是一种链状或树状的数据结构 (通常采用树状) , 用来给元素进行归类并将具有一定相关属性的元素所属集合进行合并等操作[2]。这种数据结构可以归纳如下:
(1) 首先将每一个元素看为一个集合并初始化, 初始化后的每一个元素的父节点和其祖先节点都为该集合。
(2) 在扫描过程中, 为了查找一个元素所在的集合, 需要知道这个元素所在集合的祖先节点, 这可以引申为两点:
a) 判断两个元素, 判断是否具有关联, 只需查找它们所在的集合的祖先节点, 并作相同性判断即可。若要合并两个元素为同一集合, 则使其中元素所在集合的祖先节点成为另一元素所在集合祖先节点的父节点即可;
b) 强制合并两个不相交集合操作时, 首先分别找到两个集合的所在的祖先节点, 然后将要合并的集合祖先节点, 包含 (指向) 另一个集合的祖先节点即可。
如果给定一副已知空间连通性判定规则的三维图像, 利用上述数据结构, 便能够通过对图像中元素的归类以及合并操作, 识别出图像中的连通区域。其中图像中的像素或体素等价于并查集中的基本元素, 而包含像素或体素的连通区域即元素所属的集合的标号, 用标签来表示。在确定图像中像素或体素的标签时, 取其相应连通性的邻居像素标签号中最小者即可。
2 路径压缩方法
基于1中总结的关于并查集的介绍, 可以知道如果合并两个元素, 那么只需合并这两个元素的祖先节点即可, 这一步的操作的时间复杂度是O (1) ;但是由于算法效率取决于集合查找的速度, 而在并查集数据结构中, 集合查找的速度与生成树的高度相关, 即树越高查找效率越差, 甚至最坏的情况下, 整个树会退化成一条链表, 这样时间复杂度则变为O (N) (N:高度) 。因此如果在扫描过程中能够控制树的高度, 那就可以使算法效率大大提高, 而路径压缩方法在合并两个元素过程中。当扫描到一个具有根节点的元素时, 会回溯到该节点的祖先节点, 并顺便将被合并元素的根基点直接指向其祖先节点[8], 因此采用路径压缩后, 空间复杂度为O (N) , 建立一个集合的时间复杂度为O (1) ;N次合并M次查找后的时间复杂度为O[M Alpha (N) ] (Alpha函数为Achman函数[9]的某个反函数) , 在宇宙这样大的数据量的前提下, 该函数值可以看作小于5的数值;因此路径压缩后的时间复杂度可以看作线性函数, 这样就使得查并效率大大提高。
3 新的基于图像路径压缩的“标签吸收”方法
随着图像分辨率的日益提高, 一副三维图像的数据量常常可以达到几百兆, 这样大数据量的图像存储都需要耗费大量时间, 更不要说对这样的图像进行扫描识别了, 因此必须对传统的扫描方法进行改进, 笔者将上述路径压缩方法应用到对图像连通区域识别的领域中来, 提出一种“标签吸收”方法来提高图像扫描的效率, 以下分别通过对其数据结构进行分析和实例操作来阐述这种新方法的实现过程。
3.1“路径压缩”的数据结构
在查并过程中, 需要定义一个树状结构来实现, 在这个树中, 通过查找两个节点的所有根节点中是否有相同的祖先节点来判断这两个节点是否连通, 其中路径压缩的主要目地是降低整个查找树的高度, 对于一颗查找树, 如图1所示, 元素2, 3, 4, 5, 6的祖先节点都为1, 当查询元素6和元素3是否关联的过程中, 如果采用如图1 (a) 的数据结构时, 需要分别查找元素3和6的当前根节点5和2的所属, 直到查找到它们的共有祖先节点1, 这样查找树的高度为3, 如图1 (b) 所示为采用了路径压缩后的数据结构, 当查询节点5时, 在确定5的祖父节点的同时, 将5的当前根节点4也同时指向祖父节点1, 这样在查找元素6时, 就可以进行一次查找便可以确定元素3和6是关联的。因此采用这样边扫描边路径压缩的方法, 显然使查找效率大大提高。
3.2“标签吸收”方法的实现过程
基于3.1所述的“路径压缩”的数据结构, 下面以一张二维图像区域识别的实现过程来阐述基于路径压缩的“标签吸收”方法。所谓“标签吸收”是笔者对基于图像进行路径压缩过程的一种形象的描述。
如图2所示, 左图 (a) 是一二维图像, 黑色代表待识别目标点集, 并且规定图像目标元素的连通性为8连通, 并以数字递增代表并查集方法在整个图像中的扫描顺序, 当扫描到像素1时, 如图2 (b) 所示, 基于并查集的基本理论, 没有相邻的元素为其提供标签号, 因此像素1并入标签为1的集合, 扫描到像素2时, 有且仅一个相邻像素1已被标记, 因此像素2并入集合1, 标签为1, 继续扫描, 直到像素4时都了获得相应的标签, 但到了像素5时, 它有两个相邻的像素3和4, 并且它们都在之前已被标记 (标签2与标签3) , 这时基于基本理论, 5的标签号应该取它邻居中最小的那个作为自己的标签号, 因此5被标记为2, 但是这时由于像素4由于与像素5相连, 因此它现在的标签号应该是2, 所以这时进行一次“标签吸收”的操作, 即同一个像素4的标签数值相对较大的标签3被其中最小的标签2吸收, 得到此时像素4的标签为2, 继续扫描, 当扫描到像素7, 12, 18, 22时都需要进行一次“标签吸收”操作, 处理过程同上, 如图2 (b) 所示将以上需要进行路径压缩的像素点用红色字体表示并记录下来, 并将结果存储到表1中, 表1为图2进行“标签吸收”的操作示意图, 其中横行代表标签号, 纵行代表扫描顺序, 黄色填充部分的格子代表需要进行“吸收”操作, 扫描到像素25时, 得到标签号为1, 2, 5, 8, 这样一共4个连通区域。
因此如果采用直接扫描查找的方法来识别一副三维图像至少需要两次扫描, 但采用基于路径压缩方法的“标签吸收”操作, 仅需一次扫描就能识别图像中的连通区域, 并且在搜索过程中, 使查找树的高度降低, 从而提高了查找速度。
4 实例问题验证
将以上识别优化方法应用于笔者从事的油气田开发研究领域里的岩心微观图像分析过程中, 对一个三维数字岩心图像进行孔隙空间连通区域识别。如图3 (a) 所示, 是一块经CT扫描并进行二值化处理后的碳酸盐岩数字岩心, 岩心数据来源于ICCR国际碳酸盐岩协会, 数据规模1003体素3, 图3 (b) 为进行本文提出的方法进行连通区域识别后的结果, 连通区域范围为1~144, 即有144个连通的区域, 由图可知, 该数字岩心所有连通的区域都被区分出来 (不同的色块代表不同的连通区域) , 用时5 min, 相较于传统的识别方法用时15 min来说, 表明该优化方法准确可行, 大大提高了图像识别的效率。
5 结论
1) 基于并查集的特殊的数据结构, 将其应用于二值化图像的连通区域识别的问题中来, 提出了基于图像的并查集图像识别方法。
2) 不进行优化的并查集图像识别方法无法达成一次扫描就得到结果的目标, 且时间复杂度高, 因此本文提出一种基于路径优化的“标签吸收”方法来对识别过程中的查并工作进行优化, 不仅能够单次完成整个图像连通区域的识别, 且大大提高了效率。
3) 最后将这一优化方法应用于油气田开发领域中的岩心微观图像分析过程中取得了良好的效果, 证明该方法简洁高效, 可以解决图像识别中的实际问题。
参考文献
[1] Liang X, Jacobs R, Hassan B.A comparative evaluation of cone beam computed tomography (CBCT) and multi-slice CT (MSCT) :Part I.On subjective image quality.European journal of radiology, published by Elsevier.2010, 75 (2) :265—269
[2] Wayne K.Union-find algorithms.Elsevier, 2012
[3] Tarjan R E.Theory vs.practice in the design and analysis of algorithms.Algorithms and Data Structures.Springer, 2011:703—703
[4] Blewitt G.Fixed point theorems of GPS carrier phase ambiguity resolution and their application to massive network processing:ambizap.Journal of Geophysical Research, 2008;113 (B12) :10—12
[5] 何东晓, 周栩, 王佐.复杂网络社区挖掘——基于聚类融合的遗传算法.自动化学报, 2010;36 (8) :1160—1170
[6] Lewenstein M, Munro J I, Raman V.Succinct data structures for representing equivalence classes.ArXiv Preprint ArXiv, 2013;6 (1) :161 —169
[7] Osipov V, Sanders P, Singler J.The filter-kruskal minimum spanning tree algorithm:proceedings of the ALENEX, IFIP TCS, Toulouse, In IEIP, Toulhouse, 2009
[8] Nicolae M, Mangul S, Mandoiu I I, lynnetwwwdagriorglynnet.Estimation of alternative splicing isoform frequencies from RNA-Seq data.Algorithms for Molecular Biology, 2011;6 (1) :9—11
噪声图像的分形压缩编码研究 第2篇
为了便于对比，这里所采用的图像仍然是256×256的Lena灰度图像，分解所用的滤波器是双正交B97滤波器，分解级数为4。实际均在Pentium 4/1.5、RAM128MB的机器上编译完成。图4和图5是消噪图像（原噪声图像方差=100）和消噪图像分形压缩结果。
经小波域去噪的图像分形压缩编码性能明显提高，一是体现在编码时间上，去噪图像的编码时间与有噪图像相比大大缩短，效率大大提高，分形压缩方法本身特点就是压缩时间长，因此这种效率的提高是非常可观的；二是图像质量明显好转，信噪比有较大的提高，保证了分形压缩编码的质量（如图5所示）。以上实验和结论充分说明了图像小波域的去噪方法能够对噪声图像进行良好的消噪处理，保证了分形压缩编码方法的编码效率和图像质量。
岩心图像压缩 第3篇
在数字岩心三维重构研究方面,中国石油大学的姚军、赵秀才、陶果等在此领域进行卓有成效的研究工作,其依据岩心切片或粒度组成曲线等岩心资料,系统研究CT扫描法、模拟退火法和过程模拟法建立数字岩芯的理论与方法,建立人造岩心、砂岩和碳酸岩盐等岩样的数字岩心,采用孔隙空间微观结构分析与格子Boltzmann方法对上述数字岩心 的结构特 征和渗流 模拟性质 进行评价[2—4]。中国科技大学的卢德唐、黄丰、张挺等研究岩心孔隙网络的三维重构,其使用扫描电镜获取岩心的二维图像重构,通过研究岩心二维图像的孔隙空间结构特征进行三维重构,此外,讨论几种基于二维图像统计信息的三维模型重构方法, 特别是多点地质统计学方法在数字岩心三维重构中的应用[5—7]。美国斯伦贝谢Doll研究院的张团峰将多点统计学研究成果成功应用于数字岩心的三维重构[8]。帝国理工学院Martin Blunt教授的储层孔隙级建模团队代表国际最新发展水平,其工作涉及描述纳米尺度内的数字岩心成像技术, 以及用于模拟单相流和多相流运移的不同数字技术。Blunt教授总结油田研究工作中不同数量级别上的成像、岩心孔隙空间中模拟流体运移与湿润度测定的局限性与挑战性[9]。
在上述的研究成果中,数字岩心主要是依据CT扫描法所获得的岩心真实三维结构或局部二维图像进行重构。而岩石铸体薄片分析是岩石学基础研究中的重要组成部分,通过光学显微镜下研究铸体薄片,可以了解储层岩石的类型、矿物组成、孔隙度与孔隙拓扑结构等信息。通过计算机技术可以对高分辨率的铸体薄片图像进行分析处理,快速准确地获取岩石样品参数。基于上述二维图像中采集的特征信息,可以将其拓展到三维空间,模拟岩石微观三维结构,这只需少量岩石样品的铸体薄片图像,其获取方便并且经济,因而更具优越性。在此基础上,可以将数字岩心三维重构模型与渗流理论结合进行微观渗流模拟等研究。至此,提出一个基于光学显微镜下铸体薄片图像的数字岩心三维重构方法,首先对采集的铸体薄片图像进行分析处理获得三维重构的训练图像模板,然后应用多点地质统计学进行图像模板特征提取与数字岩心三维重构研究,最后将三维重构结果模型与真实岩石样本的物性参数进行对比,从而讨论基于铸体薄片图像的数字岩心三维重构的研究效果。
1铸体薄片图像
数字岩心三维重构研究多数使用CT扫描法, 即X射线立体成像法。其三维重构需要如下三个步骤: 1对岩石样本进行预处理,然后应用CT实验扫描获取投影数据; 2选取相对的图像重构方法,对第一步骤中所获取的数据进行图像重构研究; 3采用图像的阈值分割方法对获取的灰值图像进行孔隙空间与骨架岩石的分割,从而建立数字岩心。CT扫描成像是基于X射线穿透后强度衰减这一原理,通过对穿透岩石截面的X射线信号强度进行测量,在这个基础上,采用相应的图像重建方法计算与岩石空间断层位置相对应的吸收数据,从而获取岩石样本截面的构造信息[10]。
与CT扫描法进行数字岩心三维重构的昂贵成本不同,本文研究中采用岩石样品的铸体薄片图像, 其获取方便并且经济,因而更具优越性。岩石薄片是从岩石标本的垂直层理方向上切取的一小块岩片,粘在载玻片上磨制成0. 03 mm厚的薄片,通过偏光显微镜进行观察与鉴定岩石薄片,从而确定岩石的类型和结构参数。铸体薄片是岩石薄片的一种,是将染色树脂或液态胶( 红色或蓝色) 在真空下灌注到岩石的孔隙空间中,在一定的温度和压力下使树脂或液态胶固结,然后磨制成岩石薄片,进而在偏光显微镜下观察孔隙、喉道的大小及其相互连通、交合的二维空间结构等。铸体薄片图像通过光学显微镜进行采集用于下述的数字岩心三维重构方法。
文中采集的岩石薄片图像来自鄂尔多斯盆地苏里格气田,均为铸体薄片图像,其中有色胶体为红色,占据孔隙空间( 图1) 。该区的主力含气层段为下二叠统下石盒子组盒8段和山西组山1段河流相—三角洲砂岩储层,盒8段以粗砂岩、砂砾岩及中粗砂岩为主,山1段储层中主要是石英砂岩,其中石英成分的含量较高,其次是岩屑。气藏储层沉积微相主要为河流心滩,颗粒粒径大,大多为含砾粗砂、 中砂岩。气层主要发育粒间溶孔、粒内溶孔,平均孔隙度 > 5% ,渗透率 > 0. 15 × 10- 3μm2。根据岩心样品的孔隙度与渗透率相关性分析,苏里格地区的储层,其渗透率均与孔隙度呈明显的正相关关系,这表示渗透率的变化受孔隙发育程度的影响[11]。因此, 应用铸体薄片图像进行数字岩心三维重构,在此基础上,将数字岩心三维重构模型与渗流理论结合进行后续的微观渗流模拟等研究。
2方法
基于光学显微镜下铸体薄片图像的数字岩心三维重构方法包括图像处理与多点地质统计学三维重构两个部分。首先对采集的铸体薄片图像进行分析处理,获得三维重构的训练图像模板,然后应用多点地质统计学进行图像模板特征提取与数字岩心三维重构研究。
2.1图像处理
图像处理的目的是将铸体薄片图像的岩石骨架与孔隙分开,其主要内容包括图像的色彩空间转换, 色彩分量表示,图像分割与形态学处理[12]。
2.1.1色彩空间
在铸体薄片图像的研究工作中,所有图像采集均为JPG格式,应用MATLAB读入图像后,其表示在RGB色彩空间中。RGB( 红色、绿色、蓝色) 色彩空间是一种最常见使用的色彩模型,但其并不是唯一的色彩空间。计算机上显示通常使用RGB色彩空间,其中三个色彩分类红色、绿色、蓝色分布被当作X、Y和Z坐标轴。然而RGB色彩空间可以转换到另一个色彩空间,许多不同的色彩空间适合用于分析光学显微镜下的岩石薄片图像,YCb Cr中的Y是表示亮度分量,Cb表示的是蓝色分量,以及Cr表示的是红色分量。其中,人眼对于图像或视频中的亮度分量是最为敏感的,因此选取色彩的分量进行图像处理,可以减少亮度及其图像质量等影响。 对比多个色彩空间及其分量所呈现出铸体薄片图像中岩石骨架与孔隙的分布效果,最终选取YCb Cr色彩空间中的Cr分量作为后续图像分割、形态学研究的对象( 图2) 。
2.1.2图像分割
基于上述图像色彩空间研究中所得到的图像Cr分量,进行岩石骨架与孔隙的分割研究,即铸体薄片图像的二值化处理。图像的二值化处理就是将图像上的点的灰度置为0或255,也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像进行阈值选取后分割处理,这样可以得到二值化图像,这类图像在整体以及局部上均保持原有的几何特征。图像处理的阈值分割技术是通常较为常见的一种图像分割方法,该方法的优点是操作简单,计算量较小并且性能非常稳定,设原始图像为f( x,y) ,按照一定的准则在f ( x,y) 中找到特征值T,将图像分割为两个部分,分割后的图像即为通常所说的图像二值化。对图2的Cr分量采用自动阈值分割后得到铸体薄片图像的二值化结果( 图3) , 其中白色是孔隙、黑色是岩石骨架,下述图像与之相同。
2.1.3形态学处理
由于图像阈值分割会产生相应的噪点,从而影响图像质量。针对上述问题,对铸体薄片图像进行图像增强与形态学处理。在图像增强中,主要应用中值滤波技术对图3进行噪声处理,而中值滤波在过滤掉噪点的同时会将岩石骨架颗粒之间的细微喉道过滤掉,因此同步对图像3进行形态学处理,提取图像的骨骼线,即岩石孔隙空间的喉道。最终将中值滤波后得到的图像与骨骼线图像进行融合,得到数字岩心三维重构需要的训练图像( 图4) 。
从图4中可知,通过中值滤波与形态学变换后所得到的融合图像中,孔隙与岩石骨架得到较好的分割,同时喉道等重要微观结构信息也保存下来,图像二值化处理的良好结果对于数学岩心的三维结构建立具有重要意义。用于数字岩心三维重构的铸体薄片图像均按照上述的色彩空间转换、分量提取、图像分割、图像增强与形态学变换后图像融合这一过程进行处理。
2.2多点地质统计学
多点模拟( MPS) 概念是由Guardiano和Srivastava于1993年提出,在MPS中来自训练图像的空间模式取代传统两点地质统计学中变异函数模型所产生的两点结构。其本质是MPS试着匹配一个完整的数据集,匹配寻找的不是一次一个基准,而是多个数据值在一起的模式匹配,即为“多点”。应用多点地质统计学方法进行多孔介质的三维重构,这种方法将基于像素方法的参数易控制性与基于目标方法的模式复制结合起来,在时间和空间上都取得较好的效果[13,14]。MPS方法的过程是从训练图像中提取多点统计信息,形成一些重构模式,然后将这些模式复制到重构图像中去。对于储层结构重构来说,需要地质图像作为训练图像; 对于岩心孔隙结构三维重构,则可以采用微观尺度下高精度的铸体薄片图像作为训练图像。
由于Guardiano等提出的原始多点统计算法的执行速度很慢,这个算法要求在每一个模拟节点上为每一个多点统计事件重新扫描整个训练图像。 2000年Strebelle提出具有实用性的单正态方程模拟( SNESIM) 多点统计概念。在SNESIM算法中,仅对训练图像扫描一次; 在给定搜索模板大小的情况下,将已扫描训练图像中的所有条件比例都存储在搜索树数据结构中( 图5) ,这样可以有效地对其进行检索。SNESIM算法包含两个主要部分: 搜索树结构中存储所有训练图像的比例; 查询和调用模拟部分的比例来抽取模拟值。搜索模板中的节点总数是评价多点统计模拟的标准,总数越大,则最终的模拟结果越好。然而,随着节点总数增大,内存消耗就会急剧增加。因此,对于多数的三维模拟,需要选择一个适中的节点总数,则产生的效果会比较好。 SNESIM算法的步骤如下。
Step 1定义一个搜索模板;
Step 2针对搜索模板构造搜索树;
Step 3将硬数据重置到最近的模拟网格节点, 并在模拟时将其固定;
Step 4定义一个随机路径访问所有待模拟的存储单元;
Step 5循环访问这个路径的每一个存储单元;
Step 6通过搜索模板来定义条件数据事件;
Step 7从搜索树上重新获得条件概率分布函数;
Step 8从条件概率中得到模拟值,并将其加载到数据设置中;
Step 9结束循环。
基于上述多点地质统计学方法,应用SNESIM算法进行铸体薄片图像的数字岩心三维重构。通过图像处理的结果,利用搜索模板获取岩心孔隙结构的统计特征,以此建立条件概率分布函数搜索树,按照算法步骤对三维模型的所有单元进行模拟赋值, 从而完成数字岩心的三维重构。
3重构实例
为了测试方法的可行性与可靠性,分别选取鄂尔多斯盆地苏里格地区苏279井3 771. 26 m、莲47井3 795. 31 m以及神41井1 939. 65 m处的岩心样品作为目标,在光学显微镜下采集岩心铸体薄片图像,进行数字岩心的三维重构研究。三组岩心样品由于采集于不用地质区域,其岩石学特征均不一致, 非均质性与孔隙结构差异也较大,三组铸体薄片图像如图6所示。
按照上述方法中图像处理的色彩空间转换,分量提取,图像分割,图像增强与形态学变换后图像融合这一顺序,依次对图6中的三组铸体薄片图像进行处理。三组铸体薄片图像经过图像处理得到的二值化图像如图7所示,获得的岩石骨架孔隙二值化图像用于数字岩心的三维重构。
将图7中的三组二值化图像作为训练图像,采用SNESIM算法分别对其进行重构。算法中选择3点邻域搜索模板,用搜索模板对上述训练图像进行遍历,提取图像特征与重构模式。以此建立基于统计学参数的条件概率分布函数搜索树,然后在重构过程中,按照算法流程重构出数字岩心的三维孔隙结构,图8是从三维重构模型中随机选取的若干二维重构结果。
对比图7和图8发现,三组重构图像分别表现出原始训练图像的不同特点。为了定量评价重构效果的优劣,以孔隙度作为重构评价指标,比较结果见表1。根据表1数据可知,三组铸体薄片图像重构结果的相对误差均在8% 以内,其中莲47井重构样本的相对误差最小,为5. 0% ,三组样本的平均相对误差是6. 1% 。三组样本的孔隙度重构结果表明基于铸体薄片图像的数字岩心三维重构精度整体比较准确。同时为了表示重构数字岩心在三维空间的表现效果,选取图7( a) 作为训练图像所建立的数字岩心三维模型,如图9所示。
图9( a) 中灰色代表岩石骨架,红色代表孔隙, 图9( b) 是将岩石骨架部分剥离后的孔隙雕刻体,为了更好地表示数字岩心的孔隙空间分布效果。从图中可以看出重构的数字岩心在三维空间中较好地表现出图7( a) 岩石样本的孔隙结构特征与连续性,在横向与纵向上也分别表现出与训练图像相似的模式特征。建立重构数字岩心与原始铸体薄片图像的孔径尺寸分布图进行对比( 图10) ,从图中可以看出, 重构前后的孔径尺寸分布整体基本趋势相同,仅有极少差异。
综上所述,通过孔隙度以及孔径尺寸分布对比可以看出,重构后的数字岩心与原始薄片图像较为接近,算法的可行性以及可靠性得到验证。因此,基于岩心薄片的多点地质统计学数字岩心重构算法一方面能够将薄片图像中的孔隙结构以条件概率搜索树的方式提取出来,使其重构结果符合原图像的孔隙结构特征。同时也保留了随机性的特性,符合地下岩石孔隙结构空间分布的本质。
4结论