1.一种基于K‑means聚类算法的非均质岩石数字岩芯建模方法，其特征在于步骤为：步骤一：对非均质岩石进行XRD矿物组成测试和高压压汞孔隙度测试，获得非均质岩石的主要成分比例以及非均质岩石的孔隙度；

步骤二：对非均质岩石开展CT扫描和SEM扫描，获得非均质岩石的BSE图像和CT图像；

步骤三：根据EDS矿物分布图判断对应的非均质岩石BSE灰度图像中的矿物，分析识别BSE灰度图像中每种矿物的灰度均值，确定初始聚类中心的个数k与初始聚类中心ck，k＝1、

2……k；

步骤四：对非均质岩石CT扫描图像进行对比度调节和非局部均值滤波处理，即对CT图像的灰度值矩阵进行运算，得到新的CT图像的灰度值分布矩阵，使得CT图像优化为更适于识别和分析的模式；

步骤五：依据K‑means聚类算法，计算优化后的CT图像灰度值与初始聚类中心ck的欧式距离d；

步骤六：判断CT图像灰度值属于由BSE灰度图像和EDS矿物信息确定的K‑means聚类算法的各矿物成分类别的隶属程度，对比每个灰度图像点与所有初始聚类中心ck两者的欧式距离，并将CT图像中每个灰度图像点分别划到最近的初始聚类中心范围，对优化后的CT图像的各灰度图像点进行分类；

步骤七：重新计算出新的聚类中心ck，并不断迭代更新ck，直到评价准则函数SAD达到最小值，计算停止；

步骤八：将多次迭代后的聚类中心ck映射到步骤四中优化后的CT图像中，即通过数字图像处理分析软件将聚类均值作为分隔阈值对步骤四中优化后的CT图像进行分割，构建非均质岩石数字岩芯模型，将得到孔隙和每类矿物的占比与XRD矿物组分和高压压汞孔隙度测试结果进行比较；当相对误差小于10％时，构建的数字岩芯能够较好地反映非均质岩石孔隙和矿物分布状态；

依据K‑means聚类算法，通过计算CT灰度图像中各灰度图像点的灰度值与各类聚类中心的距离，将对象划分到距离其最近的一类，从而实现各灰度图像点灰度值属于各聚类类别的隶属的判断，并将每个灰度图像点划到最近的初始聚类中心所在簇，对各点进行分类:(i)

式中c 为样本点i与k个类中距离最近的那个类，xi为第i个样本点的灰度值；

通过求出所有灰度图像点与初始聚类中心ck的距离均值计算出新的聚类中心cj，计算公式如下：式中，n表示CT图像中灰度图像划分点的个数；j为新的聚类中心的编号；

通过不断重复计算式(2)和式(3)更新聚类中心，然后利用式(4)降低聚类中心的绝对差值和评价准则函数SAD：直到评价准则函数SAD达到最小值，或达到设定的迭代次数，停止计算。

2.根据权利要求1所述的一种基于K‑means聚类算法的非均质岩石数字岩芯建模方法，其特征在于：对非均质岩石进行XRD矿物组成测试和高压压汞实验，分析其矿物组分和孔隙度大小，为后续CT图像分割结果提供评价依据，开展CT扫描以及搭载能谱仪的X射线光谱仪的场发射环境SEM扫描实验。

3.根据权利要求1所述的一种基于K‑means聚类算法的非均质岩石数字岩芯建模方法，其特征在于：识别BSE灰度图像中各矿物，并与EDS和XRD测试得到的矿物组成相互验证，利用Image J数字图像处理分析软件识别BSE图像中各矿物的灰度值范围与灰度均值，统计每种矿物成分灰度的均值，以其值作为K‑means聚类算法的初始聚类中心ck，依据矿物种类，确定初始聚类中心的个数k值。

4.根据权利要求1所述的一种基于K‑means聚类算法的非均质岩石数字岩芯建模方法，其特征在于：利用可视化软件AVIZO对非均质岩石CT扫描图像进行对比度调节和非局部均值滤波降噪处理，使得优化后的CT图像更适于识别和分析。

5.根据权利要求1所述的一种基于K‑means聚类算法的非均质岩石数字岩芯建模方法，其特征在于：依据K‑means聚类算法，利用公式：计算CT灰度图像中各点灰度值xi与由BSE矿物灰度值统计分析得到的初始聚类中心ck的欧式距离d，其中，i为CT灰度图像中划分各灰度图像点的编号，n表示CT图像划分点的总数。

6.根据权利要求1所述的一种基于K‑means聚类算法的非均质岩石数字岩芯建模方法，其特征在于，将多次迭代后的聚类均值映射到优化后的非均质岩石CT灰度图像中，完成CT图像分割，构建非均质岩石数字岩芯。