CN111105377B - 一种对微电阻率成像图像的修复方法 - Google Patents
一种对微电阻率成像图像的修复方法 Download PDFInfo
- Publication number
- CN111105377B CN111105377B CN201911319746.8A CN201911319746A CN111105377B CN 111105377 B CN111105377 B CN 111105377B CN 201911319746 A CN201911319746 A CN 201911319746A CN 111105377 B CN111105377 B CN 111105377B
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- repairing
- output
- green
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003384 imaging method Methods 0.000 title claims abstract description 34
- 230000008439 repair process Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 239000011148 porous material Substances 0.000 abstract description 3
- 235000019994 cava Nutrition 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种对微电阻率成像图像的修复方法，包括从实际测量的微电阻率成像测井资料中获取原始的成像测井图像，并对其需要修补的区域(极板间隙)进行标记(将该区域充填为绿色)，然后对标记好的图像进行修复。本发明针对上述现状及存在的问题，提出并通过Python语言实现了一种基于局部卷积(Partical Conv)的微电阻成像图像修补方法。本发明所采用的模型是以局部卷积为技术基础所训练出来的针对微电阻率成像上具有裂缝、溶洞、孔隙特征的模型。
Description
技术领域
本发明属于图像处理与测井技术领域，尤其涉及一种对微电阻率成像图 像的修复方法。
背景技术
微电阻率成像技术在非常规测井解释评价中有着重要的地位，通过极 板对地层电阻率的测量，然后将测量结果转换以像素的方式显示在图像 上，让测井解释人员能够直观的对地层状态有一定的判断。通过微电阻率 成像图像对地质特征和井眼特征进行综合分析，可以识别地层结构、沉积 特征、岩石结构、描述裂缝缝隙、连通性、方向，特别是确定井壁上裂缝、 溶蚀孔洞发育情况、定量计算裂缝参数，分类统计溶蚀孔洞储集空间参数 等工作。
现有的全井眼微电阻率成像技术在电极极板所对应的地层点是无法 得到微电阻成像图像的，所形成的微电阻率图像中会有该仪器极板间隙所 造成的间隙空白带，对于不同厂家的仪器和实验方法，所得到的成像图像 是不一样的。而通过图像进行分析的过程中，如需确定井壁上裂缝和溶洞 孔隙发育情况等，这些极板间隙会成为一种视觉上的阻碍，所以为了消除 微电阻成像图像中的极板间隙空白带，需要对图像进行极板间隙图像空白 带的修补和填充。
图像修复技术是一种对不完整图像的填补和趋势判断过程，在微电阻 率成像图像修补中具有一定的难度。因为微电阻率成像的图像是RGB彩色 的图像，且在极板上有着双向图像发展趋势，对于图像的左右连接较为不 易。为了实现良好的图像修复效果，使用了基于局部卷积的神经网络算法， 指定需要修复的图像区域，通过对图像各个局部特征的提取进行趋势判断 后，为图像进行填充修复。局部卷积的图像修复方法较早提出在修复图像 局部马赛克的方法中，也取得了不错的成果。
对于图像修复算法而言，有较多的对图像进行局部修复的算法，如 CRIMINI算法，区域生长算法，PATH匹配算法等等。在经历了一系列运用 之后，发现对于微电阻率成像这种多区域需要连接和多区域信息缺失的修 补图像，这些算法的效果都不尽如人意。
在运用与微电阻率成像图像修复时，上述现有算法有下列不足：
一.连接区域趋势不明显；
二.修补图像的像素值较为不对称；
三.修补图像时间过长。
发明内容
本发明针对上述技术现状及存在的问题，提出并通过Python语言实 现了一种基于局部卷积(Partical Conv)的微电阻率成像图像修补方法。 该方法将图像待修复区域像素反转化为掩膜(Mask,是对给定的输入图像 进行一定像素阈值的反转后，得到的图像，能够有效的反应图像的连续性) 作为Inpaint(一种基于机器学习的Opencv2图像修复填充模块)参考来 对图像进行修复。该程序所采用的模型是以局部卷积为奇数基础所训练出 来的针对微电阻率成像上具有裂缝、溶洞、孔隙特征的模型。
本发明采用如下技术方案：
一种对微电阻率成像图像的修复方法，其特征包括以下步骤：
步骤S1：从实际测量的微电阻率成像测井资料中获取原始的成像测井 图像，并对其需要修补的区域(极板间隙)进行标记(将该区域充填为绿 色)。
步骤S2:将图像保存为.png格式，并保存于程序input目录(该目录 在打开程序文件后可以直接看到)下。
步骤S3：在Pycharm(Python语言为底层的开源编程软件)中运行程 序对图像进行局部卷积处理后，再通过训练好的模块对输出结果进行预测 分析，计算预测图像修补的像素值大小，或者直接运行打包完成的.exe 文件也可以对图像进行修复。
步骤S4：在output文件夹(该文件夹在打开程序文件后可以直接看 到)中找到输出的图像，能够发现图像的一部分已经被修复，再将output 文件夹中的图像导入input文件夹中，重复S3；
步骤S5：待到output文件夹中的输出图像没有绿色标记区域了，图 像修复工作就完成了。
进一步的技术方案是，图像修复方法的关键在于图像需要修复区域的 截取和标记，本发明提供一种用Python语言编写的区域绿色填充程序， 能够有效的将被修复图像的标记区域全部涂为绿色。截取了实际电阻率成 像图(5090m-5095m)作为测试。
通过图像对比可知，图1的右边部分的绿色特征并未在图像中呈 现，是因为先对图1的绿色部分进行修复后，再对图像绿化所得。因 此，图像绿化的部分仅仅是成像中未出现数据的极板部分和被绿线注 释掉的部分，对于原图像数据的准确性没有影响。
进一步的技术方案是，基于局部卷积的神经网络构架图，在S3中以 JETBRAINSPYCHARM为平台搭建的神经网络，对来自Place2(一个开源的 训练数据获取网站)的各种形状的修补趋势的图像，进行修复训练，将该 部分数据分类为Train部分，在Place2中选择Test样本作为测试样本， 由此搭建网络构架并在神经网络中进行验证。在多次训练后达到97％的准 确率之后导出这个模型命名为model.h5。
进一步的技术方案是，基于局部卷积的神经网络图像修补技术的基础 在于神经网络的构建。CNN神经网络构架，通过JETBRAINS PYCHARM平台， 使用Python语言对该局部卷积的过程进行实现。其基本过程为：图像的 局部进行卷积计算后，加上偏置，得到相应的局部特征，将该结果作为输 出进行ReLu函数激活处理，对所得到的卷积矩阵进行2×2的最大池化处 理(Max-Pooling，该操作是池化层中的一个区域性保留过程，能够保留 最显著的特征，提升模型的稳定性)，最后进行部分输出。若是计算区域 是带有绿色区域的部分，则输出的结果加入原始图像数据，再重复进行该 操作。
通过对训练模块model.h5的调用来预测该如何修复该标记的小块区 域，并不会对未被绿色标记的区域进行像素上的修改，这样既能够实现对 修复趋势的判断，又能够保证修复图像的质量较高。
如下图3所示，为一层CNN网络的结构示意图。
进一步的技术方案是，基于局部卷积的程序设计的难点在于对上一层 卷积所得特征值进行局部填充后更新图像Inpaint修复的Mask用于下一 层的局部卷积，这样的方法能够让图像修复按照局部区域的特征值进行预 测修复。该模块的设计在软件PConv model模块中，该模块网络采用U-Net 结构，分为编码模块(PConv1-PConv8)和解码模块(PCONV9-PCONV16) 两部分，对模型的运用方法和局部卷积的规则有：输入图像的像素不得小 于256*256。若小于这个值，对局部卷积的8次编码和8次解码就无法正 常运行，若输入的图像确实是小于这个像素值，则将图像编码解码方法修 改至能够读取图像后，再运行程序。
进一步的技术方案是，所述模型的训练框架是通过Tensorflow1.0模 块(一款源自Google的开源神经网络搭建平台)的Keras模块所搭建的 神经网络构架，对不同方向的图像进行修复所得到的监督训练结果。采用 的激活函数为Relu函数，又称为修正线性单元，是一种修坡状的非线性 函数。
Relu函数在神经卷积网络中具有很好的稳定性，对于网络特征的把控 较为优秀，因为在卷积结果为负的时候直接置0，在卷积结果较大的时候， 也能保持较大的输出。该函数对于趋势判断类结果的CNN网络有一定的优 化性。解码过程采用LeakyReLu激活函数。
进一步的技术方案是，在将待修复图像标记完成之后，只需要将图像 放入程序的input文件夹中，通过各种方式运行程序即可，不需要有其他 的创造性操作，若所得到的修复图像中还存在绿色标记点，则再将输出图 像放入输入图像所在的文件夹中，运行程序即可。
本发明的有益效果：
(1)本发明提供了一种基于微电阻率成像图像的修补技术，提升了 该图像的观察直观性，将极板所测量不到的区域也能够直观的通过图像呈 现在眼前。
(3)本发明能够对地层分析和裂缝识别作出参考，裂缝的种类的成 因较为复杂，形态变换多样，其中较为明显的都可以在修复后的图像上进 行标记。
(4)本发明的网络是一个可变样本的神经卷积网络，tensorflow中 的keras构架也是一个开源的神经网络构架，通过对这个网络构架的搭建， 实现了一种监督性学习的过程，也可以选择有极板的作为训练样本，选择 连接好的原始数据作为参考样本，这样针对不同特征的地层也能够做到训 练出不同的模型来适应不同的地层特征。
附图说明
图1为图像绿化后的示意图
图2为图像绿化前的示意图；
图3为CNN网络单元的示意图；
图4为ReLu函数示意图；
图5为leakyReLu函数意图；
图6为5090-5095(m)修复后的示意图；
图7为5090-5095(m)修复后的示意图；
图8为高石118井5285-5290(m)修复后的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术 方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施 例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保 护的范围。
如图1所示，本发明的一种对微电阻率成像图像的修复方法，其特征 包括以下步骤：
步骤S1：从实际测量的微电阻率成像测井资料中获取原始的成像测井 图像，并对其需要修补的区域(极板间隙)进行标记(将该区域充填为绿 色)。
通常直接获得的电成像图像是在各种测井软件中所导出的，这种方法 所导出的图像通常是带有深度带和各种其他不需要的图像部分的，因此只 需要如图1的部分，所以需要对原始的成像测井图像就行截取，然后对其 进行标记。
步骤S2:将图像保存为.png格式，并保存于程序input目录(该目录 在打开程序文件后可以直接看到)下。
步骤S3：在Pycharm(Python语言为底层的开源编程软件)中运行程 序对图像进行局部卷积处理后，再通过训练好的模块对输出结果进行预测 分析，计算预测图像修补的像素值大小，或者直接运行打包完成的.exe 文件也可以对图像进行修复。
步骤S4：在output文件夹(该文件夹在打开程序文件后可以直接看 到)中找到输出的图像，能够发现图像的一部分已经被修复，再将output 文件夹中的图像导入input文件夹中，重复S3；
步骤S5：待到output文件夹中的输出图像没有绿色标记区域了，图 像修复工作就完成了。
进一步的技术方案是，图像修复方法的关键在于图像需要修复区域的 截取和标记，本发明提供一种用Python语言编写的区域绿色填充程序， 以python的PIL模块为基础，对需要修复的区域进行填充为指定颜色的程序 (程序开始之前，将图像名字输入到程序中，执行程序)，能够有效的将 被修复图像的标记区域全部涂为绿色。截取了实际电阻率成像图 (5090m-5095m)作为测试，绿化后对比图如图1-图2所示。
通过图像对比可知，图2的右边部分的绿色特征并未在图像中呈现， 是因为先对图2的绿色部分进行修复后，再对图像绿化所得。因此，图像 绿化的部分仅仅是成像中未出现数据的极板部分和被绿线注释掉的部分， 对于原图像数据的准确性没有影响。
进一步的技术方案是，基于局部卷积的神经网络构架图，在S3中以 JETBRAINSPYCHARM为平台搭建的神经网络，对来自Place2(一个开源的 训练数据获取网站)的各种形状的修补趋势的图像，进行修复训练，将该 部分数据分类为Train部分，在Place2中选择Test样本作为测试样本， 由此搭建网络构架并在神经网络中进行验证。在多次训练后达到97％的准 确率之后导出这个模型命名为model.h5。
进一步的技术方案是，基于局部卷积的神经网络图像修补技术的基础 在于神经网络的构建。CNN神经网络构架如下图3所示(所搭建的CNN的 一层)，通过JETBRAINSPYCHARM平台，使用Python语言对该局部卷积 的过程进行实现。其基本过程为：图像的局部进行卷积计算后，加上偏置， 得到相应的局部特征，将该结果作为输出进行ReLu函数激活处理，对所 得到的卷积矩阵进行2×2的最大池化处理(Max-Pooling，该操作是池化 层中的一个区域性保留过程，能够保留最显著的特征，提升模型的稳定 性)，最后进行部分输出。若是计算区域是带有绿色区域的部分，则输出 的结果加入原始图像数据，再重复进行该操作。
通过对训练模块model.h5的调用来预测该如何修复该标记的小块区 域，并不会对未被绿色标记的区域进行像素上的修改，这样既能够实现对 修复趋势的判断，又能够保证修复图像的质量较高。
如下图3所示，为一层CNN网络的结构示意图。
进一步的技术方案是，基于局部卷积的程序设计的难点在于对上一层 卷积所得特征值进行局部填充后更新图像Inpaint修复的Mask用于下一 层的局部卷积，这样的方法能够让图像修复按照局部区域的特征值进行预 测修复。该模块的设计在软件PConv model模块中，该模块网络采用U-Net 结构，分为编码模块(PConv1-PConv8)和解码模块(PCONV9-PCONV16) 两部分，对模型的运用方法和局部卷积的规则有：输入图像的像素不得小 于256*256。若小于这个值，对局部卷积的8次编码和8次解码就无法正 常运行，若输入的图像确实是小于这个像素值，则将图像编码解码方法修 改至能够读取图像后，再运行程序。
进一步的技术方案是，所述模型的训练框架是通过Tensorflow1.0模 块(一款源自Google的开源神经网络搭建平台)的Keras模块所搭建的 神经网络构架，对不同方向的图像进行修复所得到的监督训练结果。采用 的激活函数为Relu函数，又称为修正线性单元，是一种修坡状的非线性 函数，其函数图像如下图4、图5所示。
Relu函数在神经卷积网络中具有很好的稳定性，对于网络特征的把控 较为优秀，因为在卷积结果为负的时候直接置0，在卷积结果较大的时候， 也能保持较大的输出。该函数对于趋势判断类结果的CNN网络有一定的优 化性。解码过程采用LeakyReLu激活函数。
进一步的技术方案是，在将待修复图像标记完成之后，只需要将图像 放入程序的input文件夹中，通过各种方式运行程序即可，不需要有其他 的创造性操作，若所得到的修复图像中还存在绿色标记点，则再将输出图 像放入输入图像所在的文件夹中，运行程序即可。在对MX8和GS118两口 井的实际成像测井图像的修复后，得到的对比图如下图6、图7所示。
实际上修复程序所得到的修复图像长度约为200m，所展示出来的是地 层特征较为明显，且结构较为相似的部分，通过对两张图像进行分析可得：
1.磨溪井的图像修复结果效果较好，分析原因为磨溪井所得到的图像 像素差异较小，能够更好的获得电阻率高的区域的特征并加以延伸。
2.所得到的图像在极板处的修复痕迹还是较为明显的，分析原因为卷 积区域在修复部分获得的第一个特征输出可能还是差异较大，需要根据地 层所得到的图像像素差异来调整卷积所加入的偏置大小来减少修复图像 的差异性。
3.修复结果对于趋势过于明显的部分有较好的修复结果，但是对于趋 势不是很明显的部分修复效果较为一般，如极板左侧与右侧差异较大的地 方，也可能出现局部晕染的状况。
4.由修复后的图像分析可得，在较为平滑的深色度区域，很好的保留 了图像的水平特性，在横向局部趋势的延展上也有不俗的表现。对于斜率 较大的深色度区域，类似凸型的高电阻区域也有着较好的延展性。对于低 色度的区域延展性也是较好，从肉眼上观察不到较为明显的断点或者断 层。
(2)本发明具有对类似结构或颜色的普适型，如下图8所示对GS118 井的5285-5290(m)的修复图像。
(2)中的图8就是一个不同特征地层的例子。
除上述算法以外，还有许多基于不同算法(如：K-means聚类算法、区 域生长算法、PatchMatch算法等等)的图像修复技术。每一种算法针对一些 特定结构需要被修复的图像的效果可能更好。
本发明将局部卷积运用在神经网络的构建上，图像的修复不是一次就修 复完成的，而是通过一次次局部卷积后所得到的掩膜(MASK)来对待修复图 像进行一层层的填充修复。具有对不同样本训练产生不同模型的普适性。其 关键技术点在于局部卷积的实现和8次卷积编码和8次卷积解码在程序过程 中的使用，而对神经网络特征层的使用上，该技术只使用了3个特征层，速 度较其他图像修复模块更快。
实施例1：
MX8井的具体实施过程：
1、在原始测井图像中截取需要的图像，结果图为图2，并对需要修补的区 域进行标记。
2、在1得到图2后，将图2输入进绿色填充程序之中，将Pycharm程序 输入改为图2名字的即可，绿色填充程序输出为图1。
在2得到图1后，将图1放入图像修复程序的input文件夹中，直接运 行图像修复程序即可。在程序运行结束后，去除output文件夹中的程序。若 输出图像无绿色，即可。图1放入input后，修复完成的图像为图6。
实施例2
高石118井的操作步骤和MX8的操作步骤完全一样，给出高石118的修 复图像的意图是为了显示该图像修复程序对不同的井段和不同特征的图像具 有一定的普适性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技 术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种对微电阻率成像图像的修复方法，其特征是包括以下步骤：
步骤S1：从实际测量的微电阻率成像测井资料中获取原始的成像测井图像，并对其需要修补的极板间隙进行标记，将该极板间隙充填为绿色；
步骤S2:将图像保存为.png格式，并保存于程序input目录下；
步骤S3：在Pycharm中运行程序对图像进行局部卷积处理后，再通过训练好的模块对输出结果进行预测分析，计算预测图像修补的像素值大小；
步骤S4：在output文件夹中找到输出的图像，能够发现图像的一部分已经被修复，再将output文件夹中的图像导入input文件夹中，重复S3；
步骤S5：待到output文件夹中的输出图像没有绿色标记区域，图像修复工作即完成；
局部卷积神经网络是CNN神经网络构架，通过JETBRAINS PYCHARM平台，使用Python语言对该局部卷积的过程进行实现；
其基本过程为：图像的局部进行卷积计算后，加上偏置，得到相应的局部特征，将该结果作为输出进行ReLu函数激活处理，对所得到的卷积矩阵进行2×2的最大池化处理，最后进行部分输出；
若是计算区域是带有绿色区域的部分，则输出的结果加入原始图像数据，再重复进行该操作；
通过对训练模块model.h5的调用来预测如何修复该标记的小块区域，并不会对未被绿色标记的区域进行像素上的修改，既能够实现对修复趋势的判断，又能够保证修复图像的质量较高。
2.根据权利要求1所述的一种对微电阻率成像图像的修复方法，其特征在于，步骤S3或者为直接运行打包完成的.exe文件对图像进行修复。
3.根据权利要求1所述的一种对微电阻率成像图像的修复方法，其特征在于，步骤S1中对需要修补的极板间隙进行截取和标记，通过python实现的一个图像的绿色填充程序，将被修复图像的标记区域全部涂为绿色，截取实际电阻率成像图作为测试。
4.根据权利要求1所述的一种对微电阻率成像图像的修复方法，其特征在于，步骤S3中局部卷积是指局部卷积的神经网络，是以JETBRAINS PYCHARM为平台搭建的神经网络，对来自Place2的各种形状的修补趋势的图像，进行修复训练，将该部分数据分类为Train部分，在Place2中选择Test样本作为测试样本，由此搭建网络构架并在神经网络中进行验证，在多次训练后达到97％的准确率之后导出这个模型命名为model.h5。
5.根据权利要求1所述的一种对微电阻率成像图像的修复方法，其特征在于，基于局部卷积的神经网络是在软件PConv model模块中完成，该模块网络采用U-Net结构，分为编码模块和解码模块两部分，对模型的运用方法和局部卷积的规则有：输入图像的像素不得小于256*256；
若小于这个值，对局部卷积的8次编码和8次解码就无法正常运行，若输入的图像确实小于这个像素值，则将图像编码解码方法修改至能够读取图像。
6.根据权利要求1或4所述的一种对微电阻率成像图像的修复方法，其特征在于，训练使用的训练框架是通过Tensorflow1.0模块的Keras模块所搭建的神经网络构架，对不同方向的图像进行修复所得到的监督训练结果；
采用的激活函数为Relu函数，又称为修正线性单元，是一种修坡状的非线性函数；解码过程采用LeakyReLu激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911319746.8A CN111105377B (zh) | 2019-12-19 | 2019-12-19 | 一种对微电阻率成像图像的修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911319746.8A CN111105377B (zh) | 2019-12-19 | 2019-12-19 | 一种对微电阻率成像图像的修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105377A CN111105377A (zh) | 2020-05-05 |
| CN111105377B true CN111105377B (zh) | 2022-05-06 |
Family
ID=70423186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911319746.8A Active CN111105377B (zh) | 2019-12-19 | 2019-12-19 | 一种对微电阻率成像图像的修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105377B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327210B (zh) * | 2021-06-30 | 2023-04-07 | 中海油田服务股份有限公司 | 测井图像填补方法、装置、介质及电子设备 |
| CN115035371B (zh) * | 2022-05-13 | 2023-09-12 | 西南石油大学 | 基于多尺度特征融合神经网络的井壁裂缝识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269245A (zh) * | 2018-01-26 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于新型生成对抗网络的眼部图像修复方法 |
| CN109472260A (zh) * | 2018-10-31 | 2019-03-15 | 成都索贝数码科技股份有限公司 | 一种基于深度神经网络的移除图像内台标和字幕的方法 |
| CN109685724A (zh) * | 2018-11-13 | 2019-04-26 | 天津大学 | 一种基于深度学习的对称感知人脸图像补全方法 |
| US10489683B1 (en) * | 2018-12-17 | 2019-11-26 | Bodygram, Inc. | Methods and systems for automatic generation of massive training data sets from 3D models for training deep learning networks |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3012049A1 (en) * | 2016-01-20 | 2017-07-27 | Ez3D, Llc | System and method for structural inspection and construction estimation using an unmanned aerial vehicle |
-
2019
- 2019-12-19 CN CN201911319746.8A patent/CN111105377B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269245A (zh) * | 2018-01-26 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于新型生成对抗网络的眼部图像修复方法 |
| CN109472260A (zh) * | 2018-10-31 | 2019-03-15 | 成都索贝数码科技股份有限公司 | 一种基于深度神经网络的移除图像内台标和字幕的方法 |
| CN109685724A (zh) * | 2018-11-13 | 2019-04-26 | 天津大学 | 一种基于深度学习的对称感知人脸图像补全方法 |
| US10489683B1 (en) * | 2018-12-17 | 2019-11-26 | Bodygram, Inc. | Methods and systems for automatic generation of massive training data sets from 3D models for training deep learning networks |
Non-Patent Citations (3)
| Title |
|---|
| Image Inpainting for Irregular Holes Using Partial Convolutions;Guilin Liu 等;《CVF》;20181231;1-16 * |
| 基于条件生成对抗网络的图像修复方法研究;郝鸣阳;《万方》;20190827;1-74 * |
| 自适应样本块局部搜索算法对古代寺观壁画的修复;曹建芳 等;《计算机辅助设计与图形学学报》;20191130;第31卷(第11期);2030-2037 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105377A (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN109389128B (zh) | 电成像测井图像特征自动提取方法及装置 | |
| CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
| CN111583187B (zh) | 一种基于cnn可视化的pcb电路板缺陷检测方法 | |
| CN111127449B (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
| CN111105377B (zh) | 一种对微电阻率成像图像的修复方法 | |
| CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
| CN110751644B (zh) | 道路表面裂纹检测方法 | |
| CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
| CN108133474A (zh) | 基于岩心样品二维孔隙图像的渗透率预测方法 | |
| CN112697814A (zh) | 一种基于机器视觉的线缆表面缺陷检测系统及方法 | |
| CN110175974A (zh) | 图像显著性检测方法、装置、计算机设备和存储介质 | |
| CN114241344B (zh) | 一种基于深度学习的植物叶片病虫害严重程度评估方法 | |
| CN114444988A (zh) | 一种交通基础设施健康监测系统服役性能评价方法及装置 | |
| CN117349462B (zh) | 一种遥感智能解译样本数据集生成方法 | |
| CN116956754B (zh) | 一种结合深度学习的裂缝型漏失压力计算方法 | |
| Ashraf et al. | Machine learning-based pavement crack detection, classification, and characterization: a review | |
| CN117292348A (zh) | 道路要素检测方法、装置、计算机设备及存储介质 | |
| CN111160073B (zh) | 车牌类型识别方法、装置及计算机可读存储介质 | |
| Xu et al. | Application of Deep Convolution Neural Network in Crack Identification | |
| CN105354833A (zh) | 一种阴影检测的方法和装置 | |
| CN111738324B (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 | |
| CN115063684A (zh) | 一种基于遥感影像场景划分的农机轨迹识别方法及其应用方法 | |
| CN105241886B (zh) | 一种基于hvs与引导滤波器的土遗址裂缝检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |