CN109523531A - 基于超分辨率深度学习的断裂检测方法及系统 - Google Patents
基于超分辨率深度学习的断裂检测方法及系统 Download PDFInfo
- Publication number
- CN109523531A CN109523531A CN201811347437.7A CN201811347437A CN109523531A CN 109523531 A CN109523531 A CN 109523531A CN 201811347437 A CN201811347437 A CN 201811347437A CN 109523531 A CN109523531 A CN 109523531A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- fracture
- type
- super
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 206010017076 Fracture Diseases 0.000 claims description 115
- 208000010392 Bone Fractures Diseases 0.000 claims description 108
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 abstract description 10
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于超分辨率深度学习的断裂检测方法及系统，涉及油气地球物理领域。该方法包括：建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，第一类图像的分辨率小于第二类图像的分辨率；获取目标层段的断裂检测几何属性地震数据体，从数据体中选取断裂图像；将断裂图像输入到超分辨率深度学习模型中，得到分辨率大于断裂图像的高分辨率断裂图像；根据高分辨率断裂图像得到目标层段的断裂发育情况。本发明提供的断裂检测方法及系统，能够更好地刻画断裂分布，增强断裂几何分布的收敛性与连续性，提高断裂图像的分辨率与信噪比。
Description
技术领域
本发明涉及油气地球物理领域，尤其涉及基于超分辨率深度学习的断裂检测方法及系统。
背景技术
断层或裂缝(简称断裂)的发育与分布对油气的存储与聚集非常重要，是高产储层的重要影响因素。为了更好地开展储层评价油气检测，断裂的检测识别非常重要。对于叠后地震数据，基于几何属性的断裂检测技术能够较好地识别地震波形变化来识别断裂边界，被广泛使用。
而几何属性在计算过程中易受到算法的局限性以及噪声的干扰，通常断裂检测结果的信噪比或分辨率不够高，导致断裂检测图像不清晰。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种基于超分辨率深度学习的断裂检测方法、一种基于超分辨率深度学习的断裂检测系统及一种存储介质。
本发明解决上述技术问题的技术方案如下：
一种基于超分辨率深度学习的断裂检测方法，包括：
建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，所述第一类图像的分辨率小于所述第二类图像的分辨率；
获取目标层段的断裂检测几何属性地震数据体，从所述地震数据体中选取断裂图像；
将所述断裂图像输入到所述超分辨率深度学习模型中，得到分辨率大于所述断裂图像的高分辨率断裂图像；
根据所述高分辨率断裂图像得到所述目标层段的断裂发育情况。
本发明的有益效果是：本发明提供的断裂检测方法，通过超分辨率深度学习方法对几何属性断裂检测图像进行超分辨率处理，能够更好地刻画断裂分布，增强断裂几何分布的收敛性与连续性，提高断裂图像的分辨率与信噪比。
基于超分辨率的深度学习，实现了端到端的优化学习，无需人为或者分步地开展预处理、优化求解等处理工作，能够直接得到具有理想效果的超分辨率图像处理的深度学习模型，并且深度学习得到的模型具有良好的泛化能力，能够对不同几何属性断裂检测图像开展超分辨率处理，不限制断裂检测所使用的几何属性方法，而是对其的一种增强处理过程，具有很好的适用性和实用性。
本发明解决上述技术问题的另一种技术方案如下：
一种基于超分辨率深度学习的断裂检测系统，包括：
建模单元，用于建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，所述第一类图像的分辨率小于所述第二类图像的分辨率；
获取单元，用于获取目标层段的断裂检测几何属性地震数据体，从所述地震数据体中选取断裂图像；
处理单元，用于将所述断裂图像输入到所述超分辨率深度学习模型中，得到分辨率大于所述断裂图像的高分辨率断裂图像；
显示单元，用于根据所述高分辨率断裂图像得到所述目标层段的断裂发育情况。
本发明解决上述技术问题的另一种技术方案如下：
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述技术方案所述的方法。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明基于超分辨率深度学习的断裂检测方法的实施例提供的流程示意图；
图2为本发明基于超分辨率深度学习的断裂检测方法的实施例提供的断裂识别图像对比图；
图3为本发明基于超分辨率深度学习的断裂检测方法的其他实施例提供的流程示意图；
图4为本发明基于超分辨率深度学习的断裂检测系统的实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
目前，对于叠后地震数据，基于几何属性的断裂检测技术能够较好地识别地震波形变化来识别断裂边界，被广泛使用。
几何属性在计算过程中受到算法的局限性以及噪声的干扰，通常断裂检测结果的信噪比或分辨率不够高，断裂检测图像不清晰。因此，一些图像处理技术被引入到断裂检测中，作为前处理或后处理技术来提高断裂检测结果的效果。
而随着大数据人工智能技术的快速发展，数据驱动的方法能够实现端到端无需人为参与的自动学习，可以达到理想的应用效果。因此，本专利提出一种基于深度学习的断裂增强检测方法。
在超分辨率图像重建领域，基于卷积神经网络的超分辨率深度学习算法能够实现低分辨率图像向高分辨率图像之间的高度抽象，可以有效提高原始图像的分辨率。考虑到地震资料噪声干扰或断裂检测方法本身的局限性，断裂检测结果存在低信噪比低分辨率等问题，超分辨率图像处理技术可以引入到断裂检测增强，基于数据驱动与机器学习来增强断裂检测结果的分辨能力。
如图1所示，为本发明基于超分辨率深度学习的断裂检测方法的实施例提供的流程示意图，该断裂检测方法包括：
S1，建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，第一类图像的分辨率小于第二类图像的分辨率。
应理解，第一类图像为断裂的低分辨率图像，第二类图像为相同断裂的高分辨率图像，简言之，第一类图像是断裂图像的低分辨率版本，第二类图像是该断裂图像的高分辨率版本，第一类图像提供了学习的特征，第二类图像提供了学习的目标。
图像作为训练集，其数量可以根据实际需求设置，例如，可以选择1000张第二类图像作为训练集，考虑到地质断裂的发育形态及几何分布，可以采用包含断裂露头、裂缝纹理等图像。
第一类图像可以通过对第二类图像进行降低分辨率的处理得到。
S2，获取目标层段的断裂检测几何属性地震数据体，从地震数据体中选取断裂图像。
需要说明的是，可以是对叠后地震数据进行不同的几何属性的断裂检测得到地震数据体，再从地震数据体中选择相对而言低分辨率的断裂图像，例如，可以选择不同时间切片、inline或crossline二维剖面作为输入超分辨率深度学习模型的断裂图像。
S3，将断裂图像输入到超分辨率深度学习模型中，得到分辨率大于断裂图像的高分辨率断裂图像。
S4，根据高分辨率断裂图像得到目标层段的断裂发育情况。
如图2所示，为示例性的对比结果，图2中左边的图为输入超分辨率深度学习模型前的相干体时间切片，以及局部放大图，图2中右边的图，是将图2中左边的图的相干体时间切片输入超分辨率深度学习模型后，得到的高分辨率断裂图像，以及局部放大图。
从图中可以看出，经过本发明的方法处理后，明显地提高了断裂检测结果的分辨率，使得断裂分布更加清晰。
本实施例提供的断裂检测方法，通过超分辨率深度学习方法对几何属性断裂检测图像进行超分辨率处理，能够更好地刻画断裂分布，增强断裂几何分布的收敛性与连续性，提高断裂图像的分辨率与信噪比。
基于超分辨率的深度学习，实现了端到端的优化学习，无需人为或者分步地开展预处理、优化求解等处理工作，能够直接得到具有理想效果的超分辨率图像处理的深度学习模型，并且深度学习得到的模型具有良好的泛化能力，能够对不同几何属性断裂检测图像开展超分辨率处理，不限制断裂检测所使用的几何属性方法，而是对其的一种增强处理过程，具有很好的适用性和实用性。
本领域技术人员能够理解，在本发明提出的断裂检测方法的基础上，还可以对其他地震资料进行提高分辨率的处理。
可选地，在一些实施例中，如图3所示，步骤S1中，建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，具体包括：
S11，获取包含地质断裂的第二类图片；
S12，对第二类图片进行处理，得到分辨率小于第二类图片的第一类图片；
S13，建立第一类图像特征与第二类图像目标之间的深度网络映射函数；
S14，求解深度网络映射函数，得到超分辨率深度学习模型。
应理解，超分辨率深度学习概括来说就是基于数据集建立低分辨率图像特征与高分辨率图像目标之间的非线性深度网络映射函数，下面以一个具体的例子进行说明。
令向量X表示第一类图像，即低分辨率图像，令向量Y表示第二类图像，即高分辨率图像，则数据集可以表示为{Xi,Yi}，i的取值从1到N，N为样本的个数，非线性深度网络映射函数用F表示，那么可以得到如下表达式：
其中，为估算的高分辨率图像。应理解，对于卷积神经网络深度学习算法，F实际上由多层卷积核与ReLU激活函数构成。
而求解深度网络映射函数F，实际上是一个最优化问题，通常需要构建一个目标函数(或损失函数)来进行最优化。基于均方误差MSE最小二乘最优化的损失函数表示为：
最优化求解过程可以采用剩余残差学习与相对较大的初始学习率加速最优化收敛，并结合梯度裁剪来避免梯度爆炸问题。
可选地，在一些实施例中，对第二类图片进行处理，得到分辨率小于第二类图片的第一类图片，具体包括：
对第二类图片进行下采样处理和插值处理，得到分辨率小于第二类图片的第一类图片。
可选地，在一些实施例中，建立第一类图像特征与第二类图像目标之间的深度网络映射函数之前，还包括：
分别对第一类图像和第二类图像进行分块化处理。
假设图像总数为N，那么通过分块化处理，将图像均匀分割成N2张小图片，经分块处理后，每张小图片还能够保留断裂的分布形态，同时能够快速增加样本数量，增大了训练样本数量。
可选地，在一些实施例中，还可以通过峰值信噪比(PSNR，peak signal to noiseratio)对第一类图像和第二类之间的相似性进行评价。
例如，峰值信噪比PSNR可以表示为：
PSNR＝10log10(R2/MSE)；
其中，R表示输入图像数据的最大波动，取决于图像数据类型，对于双精度浮点型数据，R为1；对于8位无符号整形数据，R为255。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部步骤。
如图4所示，为本发明基于超分辨率深度学习的断裂检测系统的实施例提供的结构框架图，该断裂检测系统包括：
建模单元1，用于建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，第一类图像的分辨率小于第二类图像的分辨率；
获取单元2，用于获取目标层段的断裂检测几何属性地震数据体，从地震数据体中选取断裂图像；
处理单元3，用于将断裂图像输入到超分辨率深度学习模型中，得到分辨率大于断裂图像的高分辨率断裂图像；
显示单元4，用于根据高分辨率断裂图像得到目标层段的断裂发育情况。
可选地，在一些实施例中，建模单元1具体用于获取包含地质断裂的第二类图片，并对第二类图片进行处理，得到分辨率小于第二类图片的第一类图片，并建立第一类图像特征与第二类图像目标之间的深度网络映射函数，并求解深度网络映射函数，得到超分辨率深度学习模型。
可选地，在一些实施例中，建模单元1具体用于对第二类图片进行下采样处理和插值处理，得到分辨率小于第二类图片的第一类图片。
可选地，在一些实施例中，建模单元1还用于分别对第一类图像和第二类图像进行分块化处理。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部装置。
需要说明的是，本实施例是与上述各方法实施例对应的产品实施例，对于本实施例中各结构装置及可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
在本发明的其他实施例中，还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述各实施例中任一项所述的方法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于超分辨率深度学习的断裂检测方法，其特征在于，包括：
建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，所述第一类图像的分辨率小于所述第二类图像的分辨率；
获取目标层段的断裂检测几何属性地震数据体，从所述地震数据体中选取断裂图像；
将所述断裂图像输入到所述超分辨率深度学习模型中，得到分辨率大于所述断裂图像的高分辨率断裂图像；
根据所述高分辨率断裂图像得到所述目标层段的断裂发育情况。
2.根据权利要求1所述的断裂检测方法，其特征在于，所述建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，具体包括：
获取包含地质断裂的第二类图片；
对所述第二类图片进行处理，得到分辨率小于所述第二类图片且像素尺寸相同的第一类图片；
建立所述第一类图像特征与所述第二类图像目标之间的深度网络映射函数；
求解所述深度网络映射函数，得到所述超分辨率深度学习模型。
3.根据权利要求2所述的断裂检测方法，其特征在于，根据以下公式建立所述深度网络映射函数：
根据以下公式求解所述深度网络映射函数F：
其中，F为深度网络映射函数，为估算的第二类图像，X为第一类图像，Y为第二类图像，i的取值从1到N，N为样本的个数，MSE为损失函数。
4.根据权利要求2所述的断裂检测方法，其特征在于，所述对所述第二类图片进行处理，得到分辨率小于所述第二类图片的第一类图片，具体包括：
对所述第二类图片进行下采样处理和插值处理，得到分辨率小于所述第二类图片的第一类图片。
5.根据权利要求2所述的断裂检测方法，其特征在于，所述建立所述第一类图像特征与所述第二类图像目标之间的深度网络映射函数之前，还包括：
分别对所述第一类图像和所述第二类图像进行分块化处理，以增加样本个数。
6.一种基于超分辨率深度学习的断裂检测系统，其特征在于，包括：
建模单元，用于建立包含有第一类图像特征与第二类图像目标的映射关系的超分辨率深度学习模型，所述第一类图像的分辨率小于所述第二类图像的分辨率；
获取单元，用于获取目标层段的断裂检测几何属性地震数据体，从所述地震数据体中选取断裂图像；
处理单元，用于将所述断裂图像输入到所述超分辨率深度学习模型中，得到分辨率大于所述断裂图像的高分辨率断裂图像；
显示单元，用于根据所述高分辨率断裂图像得到所述目标层段的断裂发育情况。
7.根据权利要求6所述的断裂检测系统，其特征在于，所述建模单元具体用于获取包含地质断裂的第二类图片，并对所述第二类图片进行处理，得到分辨率小于所述第二类图片的第一类图片，并建立所述第一类图像特征与所述第二类图像目标之间的深度网络映射函数，并求解所述深度网络映射函数，得到所述超分辨率深度学习模型。
8.根据权利要求7所述的断裂检测系统，其特征在于，所述建模单元具体用于对所述第二类图片进行下采样处理和插值处理，得到分辨率小于所述第二类图片的第一类图片。
9.根据权利要求7所述的断裂检测系统，其特征在于，所述建模单元还用于分别对所述第一类图像和所述第二类图像进行分块化处理。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811347437.7A CN109523531A (zh) | 2018-11-13 | 2018-11-13 | 基于超分辨率深度学习的断裂检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811347437.7A CN109523531A (zh) | 2018-11-13 | 2018-11-13 | 基于超分辨率深度学习的断裂检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523531A true CN109523531A (zh) | 2019-03-26 |
Family
ID=65776586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811347437.7A Withdrawn CN109523531A (zh) | 2018-11-13 | 2018-11-13 | 基于超分辨率深度学习的断裂检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523531A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929723A (zh) * | 2020-07-15 | 2020-11-13 | 清华大学 | 基于多任务学习的地震数据约束下的速度模型超辨率方法 |
| CN112034512A (zh) * | 2020-09-02 | 2020-12-04 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
| CN113592000A (zh) * | 2021-08-03 | 2021-11-02 | 成都理工大学 | 基于卷积对抗神经网络的裂缝识别技术 |
-
2018
- 2018-11-13 CN CN201811347437.7A patent/CN109523531A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929723A (zh) * | 2020-07-15 | 2020-11-13 | 清华大学 | 基于多任务学习的地震数据约束下的速度模型超辨率方法 |
| CN111929723B (zh) * | 2020-07-15 | 2023-03-14 | 清华大学 | 基于多任务学习的地震数据约束下速度模型超分辨率方法 |
| CN112034512A (zh) * | 2020-09-02 | 2020-12-04 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
| CN112034512B (zh) * | 2020-09-02 | 2023-03-14 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
| CN113592000A (zh) * | 2021-08-03 | 2021-11-02 | 成都理工大学 | 基于卷积对抗神经网络的裂缝识别技术 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898560B (zh) | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 | |
| Eo et al. | KIKI‐net: cross‐domain convolutional neural networks for reconstructing undersampled magnetic resonance images | |
| Saladi et al. | Analysis of denoising filters on MRI brain images | |
| Chai et al. | Any-resolution training for high-resolution image synthesis | |
| Manjón et al. | MRI noise estimation and denoising using non-local PCA | |
| US20190046068A1 (en) | Protocol independent image processing with adversarial networks | |
| US10325346B2 (en) | Image processing system for downscaling images using perceptual downscaling method | |
| Cheon et al. | Generative adversarial network-based image super-resolution using perceptual content losses | |
| Hu et al. | Improved DCT‐based nonlocal means filter for MR images denoising | |
| Xu et al. | Image fusion based on nonsubsampled contourlet transform and saliency‐motivated pulse coupled neural networks | |
| CN109523531A (zh) | 基于超分辨率深度学习的断裂检测方法及系统 | |
| CN108921788A (zh) | 基于深层残差cnn的图像超分辨率方法、装置及存储介质 | |
| Wang et al. | A new image denoising method based on adaptive multiscale morphological edge detection | |
| CN101739670B (zh) | 非局部均值空域时变图像滤波方法 | |
| Hanika et al. | Edge‐Optimized À‐Trous Wavelets for Local Contrast Enhancement with Robust Denoising | |
| Wang et al. | SAR images super-resolution via cartoon-texture image decomposition and jointly optimized regressors | |
| Lu et al. | GradDT: Gradient-guided despeckling transformer for industrial imaging sensors | |
| Gopi et al. | MR image reconstruction based on iterative split Bregman algorithm and nonlocal total variation | |
| Fang et al. | Coherence regularization for SENSE reconstruction with a nonlocal operator (CORNOL) | |
| Siddiqi et al. | [Retracted] Signal‐to‐Noise Ratio Comparison of Several Filters against Phantom Image | |
| Fang et al. | Learning explicit smoothing kernels for joint image filtering | |
| Peng et al. | MND-GAN: A research on image deblurring algorithm based on generative adversarial network | |
| Wu et al. | A framework of generative adversarial networks with novel loss for JPEG restoration and anti-forensics | |
| Li et al. | A cascaded algorithm for image quality assessment and image denoising based on CNN for image security and authorization | |
| Xu et al. | Image sequence fusion and denoising based on 3D shearlet transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190326 |