CN111724298B - 一种数字岩心超维重建的字典优化与映射方法 - Google Patents

一种数字岩心超维重建的字典优化与映射方法 Download PDF

Info

Publication number
CN111724298B
CN111724298B CN201910218495.8A CN201910218495A CN111724298B CN 111724298 B CN111724298 B CN 111724298B CN 201910218495 A CN201910218495 A CN 201910218495A CN 111724298 B CN111724298 B CN 111724298B
Authority
CN
China
Prior art keywords
dimensional
dictionary
blocks
block
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.)
Active
Application number
CN201910218495.8A
Other languages
English (en)
Other versions
CN111724298A (zh
Inventor
滕奇志
李洋
何小海
卿粼波
吴小强
王正勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201910218495.8A priority Critical patent/CN111724298B/zh
Publication of CN111724298A publication Critical patent/CN111724298A/zh
Application granted granted Critical
Publication of CN111724298B publication Critical patent/CN111724298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种数字岩心超维重建的字典优化与映射方法。即对于超维重建中的字典大小和字典中存在的一对多映射问题，提出通过在超维重建中引入旋转扩展字典，并对字典中二维块边界特征的聚类来进行字典优化，提高字典的表达能力与完备性；通过提出基于限制性邻域嵌入的字典映射来建立适用于超维重建领域的更为合理的字典映射关系，解决字典中存在的一对多映射问题。通过以上算法，超维字典的完备性得以提高。重建时所确定的映射关系使得待重建块能够在字典中找到更准确的结果，重建精度提高。

Description

一种数字岩心超维重建的字典优化与映射方法
技术领域
本发明涉及一种字典优化与映射方法，尤其涉及一种数字岩心超维重建的字典优化与映射方法，属于三维图像重建技术领域。
背景技术
多孔介质三维重建领域的模式集(字典)问题相关问题是现在很少谈及的问题。包括多点地质统计在内的经典重建算法都涉及到模式集(字典)问题。
所述多点地质统计算法(Multiple-Point Geostatistics,MPS)，因其最早被应用在地质模拟过程中而得名，现在更多地将其称为多点统计算法。其核心思想是通过查询与多个已知的点最相匹配的模式，从而确定待模拟的未知点的值。该算法属于典型的模式匹配算法，在模拟过程中首先通过对二维训练图像进行逐点扫描建立模式库，然后根据重建结构中已知的点从模式库中查询最为匹配的模式，来确定待模拟点的值。
模式集(字典)的主要问题包括以下两点。1.所建立模式集(字典)大小的问题。其中的模式库的大小直接影响到字典的完备性，进而影响到重建时匹配结果的精确性。2.字典中存在的一对多问题。即单个的待匹配块在模式库中存在多个最为匹配的模式，如何对这些模式进行选择，建立最佳映射关系的问题。这些问题关系到重建阶段字典匹配结果是否合理，重建结果是否精确性等，是极其重要的问题。
在我们已申请的专利“基于学习的多孔介质超维重建方法”(申请号/专利号：2016102603657)中，我们提出了超维重建的整体框架。超维重建理论将超分辨率的分辨率提升原理引申到二维与三维这种维度提升的关系中，将基于学习的超分辨率重建中有关映射关系、先验模型、训练字典等概念引入数字岩心三维重建领域。而三维先验信息的来源可利用现有的三维成像设备，通过三维成像设备获取到的岩心三维图像，进行大量样本训练，找到二维图像patch(诸如3×3)与三维图像block(诸如3×3×3)的映射关系。重建时利用学习机制，使输入的一幅二维图像通过这种映射关系建立其三维结构。相对于高低分辨率的提升，二维到三维的提升更为复杂，在映射关系提取、字典建立、块匹配等方面都面临更多的难题。我们可以看出，超维重建理论中同样存在多点地质统计算法类似的字典问题。
在超维重建领域，映射关系提取、字典建立等问题仍为一些亟待解决的问题。这些问题不仅存在于超维重建，他们同时也是多点地质统计算法中一些亟待解决的问题。因而对于这些有关字典的共性问题，我们希望以超维字典为切入点进行讨论。
超分辨率通过大量样本训练，建立高低分辨率映射字典，而相对于二维高低分辨率图像之间的对应关系，超维字典中二维patch到三维block的映射关系更为复杂。因此，探索如何建立一个可靠的字典，既能满足样本的完备性，同时又避免过多的冗余，是一项非常重要的工作。在此基础上，考虑到算法的实际可行性，还需要考虑如何组织训练样本的结构，以便可以更快速地搜索。
因此，如何解决这一问题，是所属技术领域科技工作者急待解决的问题。基于此，我们潜心研究，提出一种数字岩心超维重建的字典优化与映射方法。
发明内容
本发明的目的在于为了解决上述现有技术中所存在的技术问题，而提供一种数字岩心超维重建的字典优化与映射方法。该方法是基于岩心二维图像的三维建模问题，通过在超维重建中引入旋转扩展字典，并对字典中二维块边界特征的聚类来进行字典优化，提高字典的表达能力与完备性；通过提出基于限制性邻域嵌入的字典映射来建立适用于超维重建领域的更为合理的字典映射关系，解决字典中存在的一对多映射问题。
本发明是通过以下技术方案来实现上述发明目的的。
本发明提供的一种数字岩心超维重建的字典优化与映射方法，包括以下步骤：
(1)对于原始CT图像序列组成的训练集中，采用固定大小的模板以光栅路径的方式扫描，建立二维块到它多对应三维块的匹配对，作为字典中的元素；
(2)针对步骤(1)字典中每个元素，将元素所对应的二维块和三维块，同时旋转一个对应的方向，进行自扩展以提高字典的完备性；
(3)在步骤(2)的字典已扩展基础上，对于字典中每个元素，通过聚类算法将字典中的图像块划分为水平、垂直边缘块，以及非边缘块，进一步提高超维字典的表达能力；
(4)在步骤(3)的基础上，对于每个待重建二维块，通过(3)聚类算法将该二维块聚类到字典中的某一类元素中；
(5)针对步骤(4)在字典中找到的这类元素，通过联合二维块和三维块信息的限制性邻域嵌入方法确定待重建二维块的最佳映射，找到其对应三维块。
上述方案中，步骤(1)中所述建立二维块到它多对应三维块的匹配对，是通过采用固定的N×N大小的二维模板以N层为单位以光栅路径的方式遍历训练集。每次遍历得到一个N×N×N的三维块。其第一层作为二维块，二维块到这个三维块的匹配对作为字典中的一个元素。
上述方案中，步骤(2)中所述将元素所对应的二维块和三维块，同时旋转一个对应的方向，是将字典中的每个元素中的二维块和三维块分别同时顺时针旋转90°，180°，270°，每次旋转过后将二维块及其所对应的三维块匹配对作为字典中一个新的元素。
上述方案中，步骤(3)中所述对于字典中每个元素，通过聚类算法将字典中的图像块划分为水平、垂直边缘块，以及非边缘块，是首先通过计算梯度对于字典元素的二维块进行边界的检测，来初略地确定字典中的该元素的二维块是否为有潜在可能的包含孔隙边界的块。然后对有潜在可能的包含孔隙边界的块进一步聚类而划分的。
上述方案中，步骤(5)中所述联合二维块和三维块信息的限制性邻域嵌入方法，是首先通过联合二维和三维信息的相似度度量函数决定字典中K个二维三维匹配对；然后将输入的待重建二维图像与字典中二维样本之间的距离作为其中一项约束，输入块邻域已重建三维块边界与字典中三维样本边界之间的距离作为另一项约束，联合两项约束来优化重构权值，最终通过计算的权值进行邻域嵌入。
本发明提出的数字岩心超维重建的字典优化与映射方法的基本原理如下：
针对模式库(字典)的完备性问题，为了扩展字典的完备性，提出了旋转扩展字典的概念，通过将字典中元素对应二维块和三维块同时旋转顺时针旋转90°，180°，270°，使得字典中包含更多客观存在的对应关系。为了进一步扩展字典的表达能力，提出通过边界特征对字典中元素对应二维块进行聚类。首先基于梯度的边界检测算法检测出二维图像块的边界，然后通过定义二维图像块的边界的占边比，将边界分为不同的类型，通过聚类分析，将相似度较高的模式聚成一类，将无序的模式集按类别组织，有助于重建时快速定位待重建的二维模式属于哪一类，然后在该类中去搜索相似的模式。使得字典的表达能力进一步提升。
针对字典中存在的一对多问题。即最佳映射关系的问题。将超分辨率重建中的邻域嵌入思想引入超维重建领域。对于待重建二维块，在字典中不能找到三维块，使得其完全与已重建块边界所匹配时，通过邻域嵌入方式求解字典最佳映射关系。超维重建中二维块和三维块不存在如超分辨率中的几何相似性，，因此有必要提出适用于超维重建的邻域嵌入。为了解决上述问题，针对超维自身特点本文提出基于联合局部约束的邻域嵌入超维重建算法。针对找二维三维匹配对的相似度度量函数，我们提出联合三维邻域信息和markov的链信息的相似度度量函数来确定最终的二维三维匹配对。针对最优权重，提出基于联合三维边界约束的权值确定方法。
本发明与现有技术相比具有以下的优点及有益的技术效果：
利用数学建模方法可以从单幅二维图像中重建出数字岩心的三维图像。在数学建模的经典算法诸如多点地质统计算法中，模式集(字典)的优化及完备性问题是很少讨论又及其重要的问题。模式集(字典)相关问题可以归纳为：1模式集(字典)的大小。其直接影响到字典的完备性，进而影响到重建结果的精确性。2模式集(字典)中存在的一对多映射问题。即单个的待匹配块在模式库中存在多个最为匹配的模式，如何对这些模式进行选择，建立最佳映射关系的问题。这些问题是否合理解决直接关系到重建结果的精确性。超维重建是我们将超分辨率重建中有关映射关系、先验模型、训练字典等概念引入数字岩心三维重建领域提出的一种全新的三维重建方法。映射关系提取、字典建立也同样是超维重建中的关键问题。本发明通过旋转扩展字典及字典中元素对应二维块的边界聚类可以进行字典优化及字典表达能力的扩展，提高字典的完备性；提出基于限制性邻域嵌入可以建立适用于超维重建领域的更为合理的字典映射关系，解决字典中存在的一对多映射问题。通过实施例，超维字典的完备性得以提高。重建时所确定的映射关系使得待重建块能够在字典中找到更准确的结果，重建精度提高。
附图说明
图1是本发明实施例中给定的建立字典过程的示意图；
图2是本发明实施例中建立旋转扩展字典过程的示意图；
图3是本发明实施例中二维块边界检测的示意图；
图4是本发明实施例中作为要重建三维结构的CT原始参考图像；
图5是本发明实施例中重建后的三维立体结构示意图；
图6是本发明实施例中原始超维重建结果和现在超维重建结果的欧拉数比较示意图；
图7-1是本发明实施例中给定的目标系统、原始超维重建结果和本文超维重建结果在x方向上两点簇函数对比结果；
图7-2是本发明实施例中给定的目标系统、原始超维重建结果和本文超维重建结果在y方向上两点簇函数对比结果；
图7-3是本发明实施例中给定的目标系统、原始超维重建结果和本文超维重建结果在z方向上两点簇函数对比结果。
具体实施方式
下面用具体实施例并结合附图对本发明作进一步详细说明，但所述实施例只是对本发明的实现方法作一个具体的详细说明，而不应理解为是对本发明保护内容的任何限制。
实施例：
为了使本发明所述数字岩心超维重建的字典优化与映射方法更加便于理解和接近于真实应用，下面对建立二维块到它所对应三维块的匹配对作为字典中的元素，在字典中引入旋转扩展字典，对字典中元素匹配对依照其中的二维块进行边界聚类，对待重建二维块聚类到字典中某一类元素，以及通过限制性邻域嵌入的方法所给出的映射关系最终确定重建三维块的一系列过程的操作流程作整体说明。
其具体操作步骤如下：
(1)建立字典中的元素。超维重建算法建立字典时，我们选取CT序列作为训练集。采用固定的5×5大小的二维模板以5层为单位以光栅路径的方式遍历。每次遍历得到一个5×5×5的三维块，其第一层的二维块到这个三维块的匹配对作为字典中的一个元素。建立字典过程的示意图如图1所示。
(2)对步骤(1)字典中的元素中的二维块和三维块同时顺时针旋转90°，180°和270°。每次旋转后的二维块和其对应三维块组成的匹配对重新作为字典中的一个新的元素。建立旋转扩展字典过程的示意图如图2所示。
(3)在步骤(2)字典扩展的基础上，通过对字典中元素的二维块进行边界特征的聚类，将该元素分到不同的类别中。第一步首先对于字典元素的二维块进行边界的检测。用一阶有限差分近似求取像素值的梯度值(变化率)。即：使差商(Δf/Δx)近似取代微商
Figure GDA0004190218820000051
求像素的变化率，分别取x和y方向上相邻像素作差，代替求取x和y(Δf/Δx)近似取代x和y方向一阶偏导微商/>
Figure GDA0004190218820000052
对于二值图像，具体地，对每一个5×5二维块的每一个像素进行遍历，当像素值周围既有孔隙相又有岩石相，且该像素为孔隙相时，则定义为潜在边界点，该二维块定义为潜在边界块。其二维块边界检测的示意图如图3所示。第二步进一步对潜在边界块进行细分。定义字典中元素的二维块横坐标和纵坐标的维度为阈值Θ＝5。定义字典中元素的二维块的潜在边界点的横坐标投影点总长度为δrow,纵坐标投影点总长度为δcol。对于字典中的某一个元素，当δrow＝Θ,且δcol≠Θ时，该元素定义为具有水平边界二维块的元素。当δrow≠Θ,且δcol＝Θ时，该元素定义为具有垂直二维边界块的元素。当δrow＝Θ,且δcol＝Θ时，该元素定义为具有倾斜边界块的元素。当δrow<Θ,且纵坐标投影点总长度δcol<Θ时，该元素也定义为上一部分的非边界块。
(4)在步骤(3)字典扩展的基础上，对每一个5×5的待重建二维块，通过之前所述聚类算法进行边界的分类，将该二维patch聚类到字典中的某一类元素中。
(5)在步骤(4)对待重建二维块进行边界聚类的基础上，通过限制性邻域嵌入确定其映射关系及对应三维块。第一步需要确定字典中j＝10个二维三维匹配对。对每一个待重建的二维patch，在通过第二章提出的基于边界的聚类分析定位到字典中的某一类元素后，联合二维和三维信息的相似度度量函数决定字典中K个二维三维匹配对；我们定义找字典中k个二维三维匹配对的相似度度量函数如下。定义k为待重建二维块与匹配对二维patch的欧式距离；定义l为匹配对中三维block在字典中的Markov链概率；定义m为匹配对中三维block边界与其邻域已重建块边界的欧氏距离。相似度度量函数S＝k×l×m。重建时，对于字典中与待重建二维块具有同类型二维patch边界特征的任一二维三维匹配对，我们计算相似度度量函数S。最终寻找的j＝10个二维三维匹配对为S取到最大的k个匹配对。其表达式如下：
S＝k×l×m (1)
(6)在步骤(5)确定了字典中j＝10个二维三维匹配对的基础上，进行第二步确定重构权值。通过输入的待重建二维图像块与字典中二维样本之间的距离作为其中一项约束，输入块邻域已重建三维块边界与字典中三维样本边界之间的距离作为另一项约束，联合两项约束来优化重构权值，更好的保持图像的几何结构。新的用于超维邻域嵌入的重构权值公式如下。
Figure GDA0004190218820000061
式中，ωk为重建权值系数，d2D,k代表与输入的二维待重建图像块，I2D相近的第k个近邻块，C(I2D)代表k个二维三维匹配对中二维块的集合。I3D boundary代表输入块邻域已重建三维块图像边界，d3D boundary,k代表d2D,k对应字典中三维样本边界，C(I3D boundary)为k个二维三维匹配对中二维块对应的三维块边界的集合。I3D boundary与d3D boundary,k之间的距离作为另一项约束。λ为局部约束正则化参数，用于平衡重构误差和局部先验之间的最小化。采用拉格朗日乘子法对上式进行求解，即可求出局部最优化重建权值。
(7)在步骤(6)确定了重构权值的基础上，通过下式将这些权值作用于步骤(5)计算得到的二维三维匹配对中的三维块上，最终得到重建三维块。本发明实施例中作为要重建三维结构的CT原始参考图像如图4所示。本发明实施例重建后的三维立体结构示意图如图5所示。
Figure GDA0004190218820000062
式中，I3D为待重建三维块，ωk为步骤(6)所得重建权值系数，d3D,j为步骤(5)计算得到的二维三维匹配对中的三维块。
(8)在步骤(7)重建好的数字岩心三维立体结构的基础上，采用了欧拉数和两点簇函数对重建结果进行分析。
欧拉数能够有效描述三维结构空间连通性能。Np表示三维结构中孔隙的数目，Nc表示孔隙内部的冗余连接数目(连通的通道数)，Nh表示完全闭合的空腔数目(孔隙包含颗粒的情况)。则欧拉数可以表示为：
χ＝Np-Nc+Nh (4)
如果Np>Nc，即欧拉数为正值则表明三维结构的连通性较差；如果Np<Nc,即欧拉数为负值则表明三维结构的连通性较好。由于重力存在的缘故，在实际岩心三维结构中，不存在颗粒完全被孔隙包围的情况，因此Nh通常为0。
本发明实施例中给定的目标系统，原始超维重建结果和现在超维重建结果的欧拉数比较如图6所示。从图可以看出，在迭代次数为1时，超维重建结果的欧拉数与目标系统相差较大。这说明原始超维算法重建结构孔隙内部的冗余连接数目过多。说明由于字典的不完备性和字典中一对多的不单一映射使得重建出现了误差。而经过字典优化现在超维重建结果的欧拉数值更为接近。这说明两个三维结构中的孔隙连通特性非常相似。
对于二值图像中的孔隙来说，一个个独立的孔隙就称为孔隙簇。两点簇函数
Figure GDA0004190218820000071
的定义为：随机地往二维图像或三维图像中任意投递一个长度为/>
Figure GDA0004190218820000072
的矢量，这个矢量的起点为k，末点为l，两点簇函数/>
Figure GDA0004190218820000073
就表示这个矢量的起点和末点落在同一个簇的概率。
两点簇函数的功能是通过统计连通簇中相距为r的两点的频率，用其概率来刻画空间中两点间连通信息。两点间距离r越大，且与其对应的概率越大，则表明孔隙的连通性越好；反之，孔隙的连通性越差。
本发明实施例中给定的目标系统、原始超维重建结果和本文超维重建结果在x，y，z方向上两点簇函数对比结果如图7-1，7-2，7-3所示。从三个方向上两点簇函数曲线反映情况来看，本文重建结构与目标系统具有更好的一致性。这说明本发明所述算法能够更好地控制三维结构中孔隙的连通性，并使得这种连续性符合训练图像的特征。
上述实施例只是本发明的优选实施例，并不是对本发明所述技术方案的限定，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明内容的保护范围内。

Claims (5)

1.一种数字岩心超维重建的字典优化与映射方法，其特征在于包括以下步骤：
(1)对于原始CT图像序列组成的训练集中，采用固定大小的模板以光栅路径的方式扫描，建立二维块到它所对应三维块的匹配对，作为字典中的元素；
(2)针对步骤(1)字典中每个元素，将元素所对应的二维块和三维块，同时旋转一个对应的方向，进行自扩展以提高字典的完备性；
(3)在步骤(2)的字典已扩展基础上，对于字典中每个元素，通过聚类算法将字典中的图像块划分为水平、垂直边缘块，以及非边缘块，进一步提高超维字典的表达能力；
(4)在步骤(3)的基础上，对于每个待重建二维块，通过(3)聚类算法将该二维块聚类到字典中的某一类元素中；
(5)针对步骤(4)在字典中找到的这类元素，通过联合二维块和三维块信息的限制性邻域嵌入方法确定待重建二维块的最佳映射，找到其对应三维块。
2.根据权利要求1所述的方法，其特征在于步骤(1)中所述建立二维块到它多对应三维块的匹配对，是通过采用固定的N×N大小的二维模板以N层为单位以光栅路径的方式遍历训练集；每次遍历得到一个N×N×N的三维块；其第一层作为二维块，二维块到这个三维块的匹配对作为字典中的一个元素。
3.根据权利要求1所述的方法，其特征在于步骤(2)中所述将元素所对应的二维块和三维块，同时旋转一个对应的方向，是将字典中的每个元素中的二维块和三维块分别同时顺时针旋转90°，180°，270°，每次旋转过后将二维块及其所对应的三维块匹配对作为字典中一个新的元素。
4.根据权利要求1所述的方法，其特征在于步骤(3)中所述对于字典中每个元素，通过聚类算法将字典中的图像块划分为水平、垂直边缘块，以及非边缘块，是首先通过计算梯度对于字典元素的二维块进行边界的检测，来初略地确定字典中的该元素的二维块是否为有潜在可能的包含孔隙边界的块；然后对有潜在可能的包含孔隙边界的块进一步聚类而划分的。
5.根据权利要求1所述的方法，其特征在于步骤(5)中所述联合二维块和三维块信息的限制性邻域嵌入方法，是首先通过联合二维和三维信息的相似度度量函数决定字典中K个二维三维匹配对；然后将输入的待重建二维图像与字典中二维样本之间的距离作为其中一项约束，输入块邻域已重建三维块边界与字典中三维样本边界之间的距离作为另一项约束，联合两项约束来优化重构权值，最终通过计算的权值进行邻域嵌入。
CN201910218495.8A 2019-03-21 2019-03-21 一种数字岩心超维重建的字典优化与映射方法 Active CN111724298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910218495.8A CN111724298B (zh) 2019-03-21 2019-03-21 一种数字岩心超维重建的字典优化与映射方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910218495.8A CN111724298B (zh) 2019-03-21 2019-03-21 一种数字岩心超维重建的字典优化与映射方法

Publications (2)

Publication Number Publication Date
CN111724298A CN111724298A (zh) 2020-09-29
CN111724298B true CN111724298B (zh) 2023-06-16

Family

ID=72562153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910218495.8A Active CN111724298B (zh) 2019-03-21 2019-03-21 一种数字岩心超维重建的字典优化与映射方法

Country Status (1)

Country Link
CN (1) CN111724298B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764843B (zh) * 2021-01-12 2023-04-18 四川大学 基于邻域块匹配的多孔介质图像超维重建方法
CN113505801B (zh) * 2021-09-13 2021-11-30 拓小拓科技(天津)有限公司 一种用于超维计算的图像编码方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105006018A (zh) * 2015-06-30 2015-10-28 四川大学 三维ct岩心图像超分辨率重建方法
CN105957003A (zh) * 2016-04-25 2016-09-21 四川大学 基于学习的多孔介质超维重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070103595A1 (en) * 2005-10-27 2007-05-10 Yihong Gong Video super-resolution using personalized dictionary

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105006018A (zh) * 2015-06-30 2015-10-28 四川大学 三维ct岩心图像超分辨率重建方法
CN105957003A (zh) * 2016-04-25 2016-09-21 四川大学 基于学习的多孔介质超维重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Neighbor embedding based super-resolution algorithm through edge detection and feature selection》;Tak-Ming Chan等;《Elsevier》;20081206;第30卷(第5期);第494-502页 *
《岩心三维ＣＴ图像超分辨率重建》;张廷蓉等;《浙江大学学报（工学版）》;20180612;第52卷(第7期);第1294-1301页 *

Also Published As

Publication number Publication date
CN111724298A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Salinas et al. Structure‐aware mesh decimation
Vanegas et al. Automatic extraction of Manhattan-world building masses from 3D laser range scans
CN102368237B (zh) 图像检索方法、装置及系统
Deng et al. Noisy depth maps fusion for multiview stereo via matrix completion
CN108648256B (zh) 一种基于超维的灰度岩心三维重建方法
CN111724298B (zh) 一种数字岩心超维重建的字典优化与映射方法
CN108549692B (zh) Spark框架下的稀疏多元逻辑回归模型对文本情感分类的方法
CN108335290B (zh) 一种基于liop特征与块匹配的图像区域复制篡改检测方法
Baheti et al. Federated Learning on Distributed Medical Records for Detection of Lung Nodules.
Thomas et al. Detecting symmetry in scalar fields using augmented extremum graphs
Liu et al. Change detection of mobile LIDAR data using cloud computing
Liu et al. PatchMatch-based automatic lattice detection for near-regular textures
CN110111375A (zh) 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置
CN115423847A (zh) 基于Transformer的孪生多模态目标跟踪方法
CN115601574A (zh) 一种改进akaze特征的无人机影像匹配方法
CN113971718B (zh) 一种对三维点云模型进行布尔运算的方法
CN114386466A (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
Li et al. Curvature graph generative adversarial networks
CN115578574A (zh) 一种基于深度学习和拓扑感知的三维点云补全方法
Li et al. R3MR: Region growing based 3D mesh reconstruction for big data platform
Guo et al. Line-based 3d building abstraction and polygonal surface reconstruction from images
Liu et al. Higher-order CRF structural segmentation of 3D reconstructed surfaces
Zhang et al. Ps-net: Point shift network for 3-d point cloud completion
Zhou et al. CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization
CN112509025B (zh) 一种基于三维欧氏距离的岩石空间结构距离图的计算方法

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