基于 QEMSCAN 地图的薄片图像深度矿物学分割
计算机视觉与模式识别
2025-05-23 v1 图像与视频处理
摘要
解释岩石薄片的矿物学特征是油气储层评价的一项重要任务。然而，人工分析往往具有主观性且费力。像 QEMSCAN(R) 这样的技术旨在自动化矿物学绘图过程，但也存在诸如高货币成本和分析耗时等局限性。这项工作提出了一种卷积神经网络模型，用于碳酸盐岩薄片图像的自动矿物学分割。该模型能够以低成本、通用且高效的方式模拟 QEMSCAN 绘图本身。为此，使用平面和交叉偏振薄片图像训练 U-Net 语义分割架构，并以相应的 QEMSCAN 地图作为目标，这是一种尚未广泛探索的方法。模型被指示区分方解石、白云石、镁粘土矿物、石英、孔隙以及其余矿物相（作为唯一类别“其他”），并在训练期间见过的和未见过的岩石相上进行了验证，以评估其泛化能力。由于图像和地图以不同分辨率提供，因此应用图像配准进行空间对齐。研究表明，分割质量在很大程度上取决于这些分辨率差异和可学习岩石纹理的多样性。然而，它显示出有希望的结果，特别是在固体纹理上正确描绘矿物边界和精确估计矿物分布方面，描述了预期分布与预测分布之间近乎线性的关系，对于见过的相，决定系数（R^2）优于 0.97，对于未见过的相则优于 0.88。
引用
@article{arxiv.2505.17008,
title = {Deep mineralogical segmentation of thin section images based on QEMSCAN maps},
author = {Jean Pablo Vieira de Mello and Matheus Augusto Alves Cuglieri and Leandro P. de Figueiredo and Fernando Bordignon and Marcelo Ramalho Albuquerque and Rodrigo Surmas and Bruno Cavalcanti de Paula},
journal= {arXiv preprint arXiv:2505.17008},
year = {2025}
}