题目：应用于测井图像的分类工具的研究与实现

测井技术是对地下岩层勘探，信息采集的主要方法之一。由于地质信息和沉积环境的复杂性，测井图像的样本在采集的过程中不可避免地会被噪声污染，导致传统的方法已经不能满足测井图像分类识别的实际需求。因此，如何提供一种能很好地避免噪声点干扰的测井图像分类工具，提高分类的准确率是本文的研究核心。

支持向量机是在统计学习理论上发展起来的机器学习算法，尽管它在质量预测，图像分类等方面取得了不错的效果。但是，针对测井图像样本含有噪声点的问题，支持向量机对有效样本和噪声点不做区分，同一对待，无法体现多样特征点对于分类贡献的不同权重，因此导致针对测井图像分类准确率不够高（83.947%）。同时，测井图像存在非阈值区分的特征信息，即带有一定区间范围的特征，因而，传统的支持向量机的应用受到很大程度的限制。为此，我们充分考虑特征对于分类模型的贡献不同、贡献区间范围大小不一，有针对性地提出一个由样本中心点到超平面位置关系表达的隶属度函数。实验证明，本文研究的算法能够有效地提高含噪测井图像分类准确率。

在此基础上，论文整体围绕成像测井分类的问题，对成像测井图像分类工具的核心解决方法做了全面的分析和具体的实现，获得的主要研究成果和创新点如下：

第一，通过对成像测井图像分割算法的分析和对比，利用支持向量机算法分割出目标图像，增强了测井图像的目标区域，减少了图像的冗余信息。

第二，结合成像测井图像纹理模式的特点，着重研究并实现了基于纹理信息的测井图像特征提取方法，有效地提取了图像的特征值。

第三，针对含噪测井图像，提出了样本中心点到超平面位置关系的新型模糊支持向量机模型，并形成一套相应的分类工具，提高了测井图像分类的精度。

经若干测井图像的验证结果表明：同样测试输入集下，传统支持向量机的准确率大约在83.947%左右，而我们提出的改进的模糊支持向量机模型的准确率达到91.815%。从而，能够得出本文的研究方法切实有效，具有很好的推广价值。