CN111784724B - 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 - Google Patents
改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 Download PDFInfo
- Publication number
- CN111784724B CN111784724B CN202010468814.3A CN202010468814A CN111784724B CN 111784724 B CN111784724 B CN 111784724B CN 202010468814 A CN202010468814 A CN 202010468814A CN 111784724 B CN111784724 B CN 111784724B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- pixel
- value
- reconstruction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统,对于岩石切片电镜扫描图像,计算其孔隙度;确定要用到的邻域系统及各邻域系统不同组合对应的条件概率;在偶数行从右向左迭代求值,奇数行从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,得到重构路径;根据岩石切片图像表现出的各向异性的特征,考虑到条件概率也存在各向异性,故沿着重构路径,扫描二值化图像各方向的条件概率;利用蒙特卡洛计算赋值,得到重构图像。本发明使条件概率扫描方向与重构路径相匹配,并选取随机数重构图像,把各方向的影响作用均衡化,表征各向异性的同时提高重构图像与原图的变差函数的拟合度。
Description
技术领域
本发明属于计算机图像处理技术领域,涉及一种改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统。
背景技术
图像重构因高便利和低成本广泛应用于医学、地质等各领域,其目的是对未知区域进行特征预判和结构分析。为了使重构图像的特性更贴合实际,选择合适的成像方法是影响重构效果的直接因素。
现有技术中,Kejian Wu的文章“An Efficient Markov Chain Model for theSimulation of Heterogeneous Soil Structure”对MCMC方法进行了系统的阐述,利用马尔科夫链的思想,选取合适的邻域系统从某一固定方向遍历扫描岩石电镜切片图像,对其分布规律进行统计分析得条件概率,再利用蒙特卡洛算法,求取随机数解决计算问题,通过变差函数的拟合来判断重构结果的优劣。但是,路径会在重构过程中不断变换方向,而且为了让结果更贴合原图,会为条件概率设置权重,直接改变了统计信息,并且变差函数的拟合效果无法定量判断。因此,在岩石图像的各向异性普遍存在的情况下,本发明提到的改进方法更合理。
发明内容
针对现有技术中的缺陷和不足,本发明提供了一种改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统,目的是针对岩石图像的各向异性这一广泛存在的特征,以及目前现有的技术未考虑由这一特性导致的条件概率也存在各向异性的问题。
为达到上述目的,本发明采取如下的技术方案:
一种改进型马尔科夫链蒙特卡洛二维岩石切片重构方法,包括以下步骤:
步骤一,对原图进行二值化,计算孔隙度:
针对大小为m*n的原图,通过最大类间方差求得图像的阈值,根据阈值将原图二值化,统计不同像素值像素点总数,计算孔隙度如下:
二值化图像中像素值为0的代表骨架,像素值为1的代表孔隙;上式中,num1是像素值为1的像素点的总个数,num0是像素值为0的像素点的总个数;
步骤二:确定邻域系统和条件概率计算公式:
在步骤一得到的二值化图像基础上确定要用到的邻域系统,列出邻域系统所有可能出现的组合,并求每个组合条件下当前所求像素点分别为0或1的概率;条件概率计算公式为:
该邻域条件下所求像素点为0的概率:
该邻域条件下所求像素点为1的概率:
上式中,N是领域系统中的某个组合,xr是该组合中的像素点,x(i,j)是当前所求像素点,numr→0是在该组合条件下x(i,j)为0的次数,numr→1是x(i,j)为1的次数;
步骤三:确定重构路径及条件概率扫描方向:
设置一张与原图大小相同的空图像,空图像中,在偶数行从右向左迭代求值,奇数行从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,得到重构路径;根据重构路径,扫描步骤一得到的二值化图像各方向的条件概率;
步骤四:利用蒙特卡洛计算赋值:
把二值化图像中第一个像素点赋值空图像的第一个像素点,之后对第一行从左向右使用横向二邻域进行计算赋值,之后第二行最后一个像素值通过竖向二邻域,将第一行最后一个像素点作为条件,计算像素值,然后从第二行第n-1个像素点开始,用左向四邻域进行匹配计算,第三行从左向右迭代,之后的换行重复之前操作,直到最后一个像素点被确定;
步骤五:孔隙度满足条件停止循环,得到重构图像;
将孔隙度作为循环结束的条件,当重构图像的孔隙度PKXD与原图孔隙度pkxd满足下式,停止循环,得到重构图像;
pkxd-0.05≤PKXD≤pkxd+0.05 (4)
否则,重新设置空图像重复步骤四和步骤五直至满足公式(4),最终得到重构图像。
本发明还包括如下技术特征:
具体的,对步骤五得到的重构图像进行评价,方法如下:分别计算二值化图像和重构图像的变差值;
变差值计算公式如下:
其中,a是步长,即两点间距,在这里选取为1到50,N(a)是距离为a的两点的个数,x是像素值,i表示像素点坐标;
计算二值化图像和重构图像的变差函数曲线之间的距离平均值,计算公式如下:
式中,R(a)是重构图像的变差值,r(a)为二值化图像的变差值;通过数据表征二值化图像和重构图像的变差曲线的拟合度,取重构图像与二值化图像在同一步长下变差值的差值,将不同步长下的差值累加取平均值,越小越拟合。
本发明还提供一种基于马尔科夫链蒙特卡洛的岩石切片重构系统,包括:
孔隙度计算模块,用于通过最大类间方差求得原图的阈值,根据阈值将原图二值化,二值化后的图片中像素值为0的代表骨架,像素值为1的代表孔隙,统计像素值分别为0和1的像素点的总数,计算得到孔隙度;
领域系统及条件概率确定模块,用于在二值化图像基础上确定邻域系统,列出邻域系统所有可能出现的组合,并求每个组合条件下像素值分别为0或1的概率;
重构路径及各方向条件概率确定模块,用于在空图像中,在偶数行是从右向左迭代求值,奇数行是从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,确定重构路径;根据重构路径,扫描步骤一得到的二值化图像各方向的条件概率;
计算赋值模块,用于利用蒙特卡洛依次迭代计算空图像中的每一个像素值;
获取重构图像模块,用于将孔隙度作为循环结束的条件,得到重构图像;
结果拟合度评价模块,用于通过数据表征二值化图像和重构图像的变差曲线的拟合度,取重构图像与二值化图像在同一步长下变差值的差值,将不同步长下的差值累加取平均值,越小越拟合。
本发明与现有技术相比,有益的技术效果是:
本发明提出的MCMC重构方法,依据岩石图像的各向异性,考虑条件概率也存在各向异性的特征,从不同方向扫描得该方向的条件概率,在迭代求值过程中,使条件概率扫描方向与重构路径相匹配,并选取随机数重构图像,把各方向的影响作用均衡化,在表征各向异性的同时,提高重构图像与原图像的变差函数的拟合度。
附图说明
图1是岩石电镜扫描原图像A与二值化示意图B;
图2是横向和竖向二邻域示意图;(灰色为邻域系统像素点)
图3是左向和右向四邻域示意图;(灰色为邻域系统像素点)
图4是蛇形重构路径示意图;
图5是现有技术方法和本发明成像结果示意图;
图6是变差函数拟合曲线示意图;
图7是本发明流程图。
以下对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
具体实施方式
本发明针对岩石切片电镜扫描图像表现的各向异性的特征,利用马尔科夫链思想和蒙特卡洛采样方法,考虑到了因岩石图像的特征信息导致在不同方向条件概率表现出的各向异性,并利用迭代计算的方式进行成像显示。
实施例1:
如图1至图7所示,本实施例提供一种改进型马尔科夫链蒙特卡洛二维岩石切片重构方法,图7为本发明的流程图,本方法对条件概率的扫描方式进行各向异性的考量,使条件概率扫描方向与重构路径相匹配,并选取随机数重构图像,把各方向的影响作用均衡化,表征各向异性的同时提高重构图像与原图的变差函数的拟合度;具体包括以下步骤:
步骤一,对原图进行二值化,计算孔隙度:
图1左A为原图,针对大小为m*n的原图,通过最大类间方差求得图像的阈值,根据阈值将原图二值化,图1右B是二值化岩石图像,统计不同像素值像素点总数,计算孔隙度如下:
二值化图像中像素值为0的代表骨架,像素值为1的代表孔隙;上式中,num1是像素值为1的像素点的总个数,num0是像素值为0的像素点的总个数;具体的,在本实施例中,图1右B二值化岩石图像计算其孔隙率为17.68%;
步骤二:确定邻域系统和条件概率计算公式:
在步骤一得到的二值化图像基础上确定要用到的邻域系统,列出邻域系统所有可能出现的组合,并求每个组合条件下当前所求像素点分别为0或1的概率;条件概率计算公式为:
该邻域条件下所求像素点为0的概率:
该邻域条件下所求像素点为1的概率:
上式中,N是领域系统中的某个组合,xr是该组合中的像素点,x(i,j)是当前所求像素点,numr→0是在该组合条件下x(i,j)为0的次数,numr→1是x(i,j)为1的次数;
本实施例中,图2分别为横向和竖向二邻域,它的条件概率计算公式为:
其中,N2是二邻域的某个组合,xr是该组合中的像素点,x(i,j)是当前所求像素点,numr→0是在该组合条件下x(i,j)为0的次数,numr→1是x(i,j)为1的次数;左边表达式计算该邻域条件下所求像素点为0的概率,右边表达式计算该邻域条件下所求像素点为1的概率;
图3为左向和右向四邻域,它的条件概率计算公式为:
其中,N4是二邻域的某个组合,xr是该组合中的像素点,x(i,j)是当前所求像素点,numr→0是在该组合条件下x(i,j)为0的次数,numr→1是x(i,j)为1的次数;左边表达式计算该邻域条件下所求像素点为0的概率,右边表达式计算该邻域条件下所求像素点为1的概率;相关解释与二邻域类似;
步骤三:确定重构路径及条件概率扫描方向:
图4为蛇形路径的原理图,设置一张与原图大小相同的空图像,空图像中,在偶数行是从右向左迭代求值,奇数行是从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,得到重构路径;根据重构路径,扫描步骤一得到的二值化图像各方向的条件概率;
步骤四:利用蒙特卡洛计算赋值:
把二值化图像中第一个像素点赋值空图像的第一个像素点,之后对第一行从左向右使用横向二邻域进行计算赋值,之后第二行最后一个像素值通过竖向二邻域,将第一行最后一个像素点作为条件,计算像素值,然后从第二行第n-1个像素点开始,用左向四邻域进行匹配计算,第三行从左向右迭代,之后的换行重复之前操作,直到最后一个像素点被确定;
步骤五:孔隙度满足条件停止循环,得到重构图像;
将孔隙度作为循环结束的条件,当重构图像的孔隙度PKXD与原图孔隙度pkxd满足下式,停止循环,否则,重新设置空图像重复步骤四和步骤五;
pkxd-0.05≤PKXD≤pkxd+0.05 (4)
具体的,图5A是现有技术中使用对二值化图像扫描一次得到的条件概率的重构图像;图5B是本实施例中使用与重构方向相同的条件概率的重构图像;这两张图像的孔隙度分别为14.21%和19.36%,都达到了循环结束的条件。
步骤六:分别计算二值化图像和重构图像的变差值;
变差值计算公式如下:
其中,a是步长,即两点间距,在这里选取为1到50,N(a)是距离为a的两点的个数,x是像素值,i表示像素点坐标;
计算二值化图像和重构图像的变差函数曲线之间的距离平均值,计算公式如下:
式中,R(a)是重构图像的变差值,r(a)为二值化图像的变差值;通过数据表征二值化图像和重构图像的变差曲线的拟合度,取重构图像与二值化图像在同一步长下变差值的差值,将不同步长下的差值累加取平均值,越小越拟合。
图6是三张图像的变差函数,标点是原图变差值,红线是现有技术图5A,蓝线是本实施例图5B,可以看到蓝线更加拟合标点,它们与标点之间的平均距离分别为0.0208(图5A)和0.0073(图5B),在重构过程中使用与重构路径同方向的条件概率,即使用本发明方法的成像效果更好。
实施例2:
本实施例提供一种基于马尔科夫链蒙特卡洛的岩石切片重构系统,包括:
孔隙度计算模块,用于通过最大类间方差求得原图的阈值,根据阈值将原图二值化,二值化后的图片中像素值为0的代表骨架,像素值为1的代表孔隙,统计像素值分别为0和1的像素点的总数,计算得到孔隙度;
领域系统及条件概率确定模块,用于在二值化图像基础上确定邻域系统,列出邻域系统所有可能出现的组合,并求每个组合条件下像素值分别为0或1的概率;
重构路径及各方向条件概率确定模块,用于在空图像中,在偶数行是从右向左迭代求值,奇数行是从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,确定重构路径;根据重构路径,扫描步骤一得到的二值化图像各方向的条件概率;
计算赋值模块,用于利用蒙特卡洛依次迭代计算确定空图像的每个点的像素值;
获取重构图像模块,用于将孔隙度作为循环结束的条件,得到重构图像;
结果拟合度评价模块,用于通过数据表征二值化图像和重构图像的变差曲线的拟合度,取重构图像与二值化图像在同一步长下变差值的差值,将不同步长下的差值累加取平均值,越小越拟合。
Claims (3)
1.一种改进型马尔科夫链蒙特卡洛二维岩石切片重构方法,其特征在于,具体包括以下步骤:
步骤一,对原图进行二值化,计算孔隙度:
针对大小为m*n的原图,通过最大类间方差求得图像的阈值,根据阈值将原图二值化,统计不同像素值像素点总数,计算孔隙度如下:
二值化图像中像素值为0的代表骨架,像素值为1的代表孔隙;上式中,num1是像素值为1的像素点的总个数,num0是像素值为0的像素点的总个数;
步骤二:确定邻域系统和条件概率计算公式:
在步骤一得到的二值化图像基础上确定要用到的邻域系统,列出邻域系统所有可能出现的组合,并求每个组合条件下当前所求像素点分别为0或1的概率;条件概率计算公式为:
该邻域条件下所求像素点为0的概率:
该邻域条件下所求像素点为1的概率:
上式中,N是领域系统中的某个组合,xr是该组合中的像素点,x(i,j)是当前所求像素点,numr→0是在该组合条件下x(i,j)为0的次数,numr→1是x(i,j)为1的次数;
步骤三:确定重构路径及条件概率扫描方向:
设置一张与原图大小相同的空图像,空图像中,在偶数行从右向左迭代求值,奇数行从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,得到重构路径;根据重构路径,扫描步骤一得到的二值化图像各方向的条件概率;
步骤四:利用蒙特卡洛计算赋值:
把二值化图像中第一个像素点赋值空图像的第一个像素点,之后对第一行从左向右使用横向二邻域进行计算赋值,之后第二行最后一个像素值通过竖向二邻域,将第一行最后一个像素点作为条件,计算像素值,然后从第二行第n-1个像素点开始,用左向四邻域进行匹配计算,第三行从左向右迭代,之后的换行重复之前操作,直到最后一个像素点被确定;
步骤五:孔隙度满足条件停止循环,得到重构图像;
将孔隙度作为循环结束的条件,当重构图像的孔隙度PKXD与原图孔隙度pkxd满足下式,停止循环,得到重构图像;
pkxd-0.05≤PKXD≤pkxd+0.05 (4)
否则,重新设置空图像重复步骤四和步骤五直至满足公式(4),最终得到重构图像。
3.一种改进型马尔科夫链蒙特卡洛的岩石切片重构系统,其特征在于,包括:
孔隙度计算模块,用于通过最大类间方差求得原图的阈值,根据阈值将原图二值化,二值化后的图片中像素值为0的代表骨架,像素值为1的代表孔隙,统计像素值分别为0和1的像素点的总数,计算得到孔隙度;
领域系统及条件概率确定模块,用于在二值化图像基础上确定邻域系统,列出邻域系统所有可能出现的组合,并求每个组合条件下像素值分别为0或1的概率;
重构路径及各方向条件概率确定模块,用于在空图像中,在偶数行是从右向左迭代求值,奇数行是从左向右迭代求值,每行的第一个和最后一个像素点由它的上一行的同列像素点通过竖向二邻域求得,确定重构路径;根据重构路径,扫描步骤一得到的二值化图像各方向的条件概率;
计算赋值模块,用于利用蒙特卡洛依次迭代计算空图像中的每一个像素值;
获取重构图像模块,用于将孔隙度作为循环结束的条件,得到重构图像;
结果拟合度评价模块,用于通过数据表征二值化图像和重构图像的变差曲线的拟合度,取重构图像与二值化图像在同一步长下变差值的差值,将不同步长下的差值累加取平均值,越小越拟合。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468814.3A CN111784724B (zh) | 2020-05-28 | 2020-05-28 | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 |
GB2204882.1A GB2602916A (en) | 2020-05-28 | 2021-03-15 | Improved Markov chain Monte Carlo two-dimensional rock section reconstruction method and system |
PCT/CN2021/080673 WO2021238340A1 (zh) | 2020-05-28 | 2021-03-15 | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468814.3A CN111784724B (zh) | 2020-05-28 | 2020-05-28 | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784724A CN111784724A (zh) | 2020-10-16 |
CN111784724B true CN111784724B (zh) | 2023-05-09 |
Family
ID=72754328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468814.3A Active CN111784724B (zh) | 2020-05-28 | 2020-05-28 | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111784724B (zh) |
GB (1) | GB2602916A (zh) |
WO (1) | WO2021238340A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784724B (zh) * | 2020-05-28 | 2023-05-09 | 长安大学 | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001077993A1 (en) * | 2000-04-05 | 2001-10-18 | Board Of Trustees Of The Leland Stanford Junior University | Numerical method of estimating physical properties of three-dimensional porous media |
CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
CN108324324A (zh) * | 2018-03-12 | 2018-07-27 | 西安交通大学 | 一种超声低频经颅容积超分辨率三维造影成像方法及系统 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8744185B2 (en) * | 2011-06-20 | 2014-06-03 | Massachusetts Institute Of Technology | Efficient MCMC sampling with implicit shape representations |
CN106355003B (zh) * | 2016-08-26 | 2018-01-30 | 中国地质大学(武汉) | 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统 |
CN110874843B (zh) * | 2019-10-28 | 2023-07-07 | 深圳大学 | 一种器官图像分割方法和装置 |
CN111784724B (zh) * | 2020-05-28 | 2023-05-09 | 长安大学 | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 |
-
2020
- 2020-05-28 CN CN202010468814.3A patent/CN111784724B/zh active Active
-
2021
- 2021-03-15 GB GB2204882.1A patent/GB2602916A/en active Pending
- 2021-03-15 WO PCT/CN2021/080673 patent/WO2021238340A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001077993A1 (en) * | 2000-04-05 | 2001-10-18 | Board Of Trustees Of The Leland Stanford Junior University | Numerical method of estimating physical properties of three-dimensional porous media |
CN106127816A (zh) * | 2016-03-08 | 2016-11-16 | 中国石油大学(华东) | 一种页岩基质储层孔隙空间表征方法 |
CN108324324A (zh) * | 2018-03-12 | 2018-07-27 | 西安交通大学 | 一种超声低频经颅容积超分辨率三维造影成像方法及系统 |
CN108876901A (zh) * | 2018-05-14 | 2018-11-23 | 中国石油大学(华东) | 一种基于二维图像和多点统计学的数字岩心重建方法 |
Non-Patent Citations (6)
Title |
---|
基于MCMC的数字岩心重建方法;张思勤;汪志明;王小秋;李江涛;洪凯;;西安石油大学学报(自然科学版)(第05期);全文 * |
多孔介质模型的三维重构方法;王波;宁正福;姬江;;西安石油大学学报(自然科学版)(第04期);全文 * |
数字岩心及孔隙网络模型的构建方法研究;徐模;中国优秀硕士学位论文全文数据库;全文 * |
泥页岩微观孔隙结构特征及数字岩心模型研究;陈昱林;中国优秀硕士学位论文全文数据库;全文 * |
页岩气储层岩石三维数字岩心建模――以导电性模型为例;聂昕;邹长春;孟小红;贾爽;万宇;;天然气地球科学(第04期);全文 * |
马尔可夫链-蒙特卡洛法重构三维数字岩心及岩石核磁共振响应数值模拟;郭江峰;谢然红;丁业娇;;中国科技论文(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021238340A1 (zh) | 2021-12-02 |
GB202204882D0 (en) | 2022-05-18 |
CN111784724A (zh) | 2020-10-16 |
GB2602916A (en) | 2022-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261013B (zh) | 一种扫描图像质量综合评价方法及评价系统 | |
Tiwari et al. | High‐speed quantile‐based histogram equalisation for brightness preservation and contrast enhancement | |
CN102609904A (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN110992366B (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN115759148B (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN113808121A (zh) | 一种纱线亚像素级直径测量方法及系统 | |
CN111784724B (zh) | 改进型马尔科夫链蒙特卡洛二维岩石切片重构方法及系统 | |
CN107464272A (zh) | 基于关键点的中心扩散式气象传真图等值线的插值方法 | |
CN116740579A (zh) | 一种国土空间规划数据智能采集方法 | |
CN111080649A (zh) | 一种基于黎曼流形空间的图像分割处理方法及系统 | |
CN108764294A (zh) | 基于玉米果穗对称性的行数自动检测方法 | |
CN109389571B (zh) | 一种遥感影像变化检测方法、装置及终端 | |
CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 | |
CN104732190A (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
CN105389775B (zh) | 融合图像灰度特征与结构化表示的图像群组配准方法 | |
CN114565511A (zh) | 基于全局单应性估计的轻量级图像配准方法、系统及装置 | |
CN111401377B (zh) | 一种仪表数据读取方法、装置、电子设备及存储介质 | |
CN115205227A (zh) | 一种基于变化检测的sar图像阴影区域检测方法 | |
CN104794716B (zh) | 基于图像分形特征的图像质量客观评价方法 | |
CN114266899A (zh) | 一种基于多核dsp的图像目标并行检测方法 | |
CN111797679A (zh) | 一种遥感纹理信息处理方法、装置、终端及存储介质 | |
CN106504178B (zh) | 一种图像处理方法及装置 | |
CN111145118A (zh) | 一种遥感图像条纹去除方法及装置 |
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 |