CN112381845A - 岩心图像生成方法、模型训练方法及装置 - Google Patents
岩心图像生成方法、模型训练方法及装置 Download PDFInfo
- Publication number
- CN112381845A CN112381845A CN202011405063.7A CN202011405063A CN112381845A CN 112381845 A CN112381845 A CN 112381845A CN 202011405063 A CN202011405063 A CN 202011405063A CN 112381845 A CN112381845 A CN 112381845A
- Authority
- CN
- China
- Prior art keywords
- sample
- core
- network
- pore
- rock
- 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.)
- Granted
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
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种岩心图像生成方法、模型训练方法及装置,属于数字岩心技术领域。所述方法包括:获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像,m≥1;基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,所述目标二值图像集包括n个目标二值图像,n≥1;将每个所述目标二值图像输入岩心图像生成模型,得到所述岩石对应的重构岩心图像,所述岩心图像生成模型用于基于所述目标二值图像,输出所述重构岩心图像。本发明能够提高二维岩心图像的生成速率,从而提高三维数字岩心模型的生成效率,可用于生成岩心图像。
Description
技术领域
本发明涉及数字岩心技术领域,特别涉及一种岩心图像生成方法、模型训练方法及装置。
背景技术
数字岩心技术通过建立准确且分辨率高的三维数字岩心模型,能够再现复杂的孔隙空间,可以用于微观层面对地质孔隙结构的研究,在油气勘探开发领域中发挥着越来越重要的作用。
其中,三维数字岩心模型是基于多个二维岩心图像被约束和重构的,因此在建立三维数字岩心模型时,通常需要大量的具有高分辨率的二维岩心图像。目前通常通过图像扫描技术对岩心进行扫描得到二维岩心图像。
但是扫描过程通常耗时较长,导致二维岩心图像的生成速率较慢,从而导致三维数字岩心模型的生成效率较低。
发明内容
本发明提供了一种岩心图像生成方法、模型训练方法及装置,能够提高二维岩心图像的生成速率,从而提高三维数字岩心模型的生成效率,所述技术方案如下:
第一方面,提供了一种岩心图像生成方法,所述方法包括:
获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像,m≥1;
基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,所述目标二值图像集包括n个目标二值图像,n≥1;
将每个所述目标二值图像输入岩心图像生成模型,得到所述岩石对应的重构岩心图像,所述岩心图像生成模型用于基于所述目标二值图像,输出所述重构岩心图像。
可选地,所述基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,包括:
对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化,所述样本二值图像中的任一灰度值的像素表示所述岩石的孔隙;
基于所述样本二值图像集,建立孔隙结构成分库,所述孔隙结构成分库包括至少一个孔隙样本集,每个所述孔隙样本集包括尺寸相同,形状不同的多个孔隙样本;
确定所述m个样本二值图像的孔隙分布规律,所述孔隙分布规律表示每个所述样本二值图像中,各种尺寸的孔隙对应的比例;
根据所述m个样本二值图像的孔隙分布规律和所述孔隙结构成分库,生成所述n个目标二值图像。
可选地,所述根据所述m个样本二值图像的孔隙分布规律和所述孔隙结构成分库,生成所述n个目标二值图像,包括:
根据所述m个样本二值图像的孔隙分布规律,确定目标孔隙参数,所述目标孔隙参数用于指示各种尺寸的孔隙对应的比例;
基于所述目标孔隙参数和所述孔隙结构成分库,生成所述目标孔隙参数对应的所述目标二值图像。
可选地,所述根据所述m个样本二值图像的孔隙分布规律,确定目标孔隙参数,包括:
确定所述m个样本二值图像中,任一尺寸的孔隙对应的比例的平均值;
将所述任一尺寸的孔隙对应的比例的平均值,作为所述目标孔隙参数中所述任一尺寸的孔隙对应的比例。
可选地,所述基于所述样本二值图像集,建立孔隙结构成分库,包括:
对所述m个样本二值图像进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本。
可选地,所述对所述m个样本二值图像进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本,包括:
对所述多个孔隙中的每个孔隙边缘进行多边形拟合,确定每个所述孔隙边缘的采样点;
根据每个所述孔隙边缘的采样点,确定每个所述孔隙的最小外接圆;
提取每个所述孔隙对应的孔隙样本,每个所述孔隙样本集中的孔隙样本的最小外接圆半径相同。
可选地,所述基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,包括:
对所述m个样本岩心图像进行预处理,得到所述n个目标二值图像,所述预处理包括图像二值化,m=n。
可选地,所述岩心图像生成模型是对包括条件生成对抗网络CGAN的生成模型进行训练得到的。
第二方面,提供了一种模型训练方法,所述方法包括:
获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像;
对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化;
利用所述样本岩心图像集、所述样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型。
可选地,所述生成模型包括条件生成对抗网络CGAN。
可选地,CGAN包括生成网络和判别网络,所述利用所述样本岩心图像集、所述样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型,包括:
将所述样本二值图像集和所述随机样本噪声输入所述生成网络,得到所述生成网络输出的伪岩心图像集,所述生成网络输出的伪岩心图像集包括m个伪岩心图像;
将所述样本岩心图像集、所述样本二值图像集和所述生成网络输出的伪岩心图像集输入所述判别网络,对所述判别网络进行训练;所述判别网络的输出值表示输入到所述判别网络的图像为所述样本岩心图像的概率;
根据所述判别网络的输出值计算损失函数;
将所述损失函数反向传播到所述生成网络,对所述生成网络进行训练,更新所述生成网络的参数。
可选地,在将所述损失函数反向传播到所述生成网络,对所述生成网络进行训练,更新所述生成网络的参数之后,所述方法还包括:
重复执行训练过程,直至交替迭代次数大于迭代阈值,得到生成网络模型和判别网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为重构岩心图像,所述判别网络模型为训练好的判别网络;所述岩心图像生成模型包括:所述生成网络模型和所述判别网络模型。
所述训练过程包括:将所述样本二值图像集和所述随机样本噪声输入所述生成网络,得到所述生成网络输出的伪岩心图像集;将所述样本岩心图像集、所述样本二值图像集和所述生成网络输出的伪岩心图像集输入所述判别网络,对所述判别网络进行训练;根据所述判别网络的输出值计算损失函数;将所述损失函数反向传播到所述生成网络,对生成网络进行训练,更新所述生成网络的参数。
可选地,所述迭代阈值为T,T个交替迭代训练过程中,所述判别网络模型的输出值与0.5的差值的绝对值最小。
第三方面,提供了一种岩心图像生成装置,所述装置包括:
第一获取模块,用于获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像,m≥1;
第二获取模块,用于基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,所述目标二值图像集包括n个目标二值图像,n≥1;
输入模块,用于将每个所述目标二值图像输入岩心图像生成模型,得到所述岩石对应的重构岩心图像,所述岩心图像生成模型用于基于所述目标二值图像,输出所述重构岩心图像。
可选地,所述第二获取模块,包括:
预处理单元,用于对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化,所述样本二值图像中的任一灰度值的像素表示所述岩石的孔隙;
建立单元,用于基于所述样本二值图像集,建立孔隙结构成分库,所述孔隙结构成分库包括至少一个孔隙样本集,每个所述孔隙样本集包括尺寸相同,形状不同的多个孔隙样本;
确定单元,用于确定所述m个样本二值图像的孔隙分布规律,所述孔隙分布规律表示每个所述样本二值图像中,各种尺寸的孔隙对应的比例;
生成单元,用于根据所述m个样本二值图像的孔隙分布规律和所述孔隙结构成分库,生成所述n个目标二值图像。
可选地,所述生成单元,包括:
确定子单元,用于根据所述m个样本二值图像的孔隙分布规律,确定目标孔隙参数,所述目标孔隙参数用于指示各种尺寸的孔隙对应的比例;
生成子单元,用于基于所述目标孔隙参数和所述孔隙结构成分库,生成所述目标孔隙参数对应的所述目标二值图像。
可选地,所述确定子单元,用于:
确定所述m个样本二值图像中,任一尺寸的孔隙对应的比例的平均值;
将所述任一尺寸的孔隙对应的比例的平均值,作为所述目标孔隙参数中所述任一尺寸的孔隙对应的比例。
可选地,所述建立单元,包括:
提取子单元,用于对所述m个样本二值图像进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本。
可选地,所述提取子单元,用于:
对所述多个孔隙中的每个孔隙边缘进行多边形拟合,确定每个所述孔隙边缘的采样点;
根据每个所述孔隙边缘的采样点,确定每个所述孔隙的最小外接圆;
提取每个所述孔隙对应的孔隙样本,每个所述孔隙样本集中的孔隙样本的最小外接圆半径相同。
可选地,所述第二获取模块,用于:
对所述m个样本岩心图像进行预处理,得到所述n个目标二值图像,所述预处理包括图像二值化,m=n。
可选地,所述岩心图像生成模型是对包括条件生成对抗网络CGAN的生成模型进行训练得到的。
第四方面,提供了一种模型训练装置,所述装置包括:
获取模块,用于获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像;
预处理模块,用于对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化;
训练模块,用于利用所述样本岩心图像集、所述样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型。
可选地,所述生成模型包括条件生成对抗网络CGAN。
可选地,CGAN包括生成网络和判别网络,所述训练模块,用于:
将所述样本二值图像集和所述随机样本噪声输入所述生成网络,得到所述生成网络输出的伪岩心图像集,所述生成网络输出的伪岩心图像集包括m个伪岩心图像;
将所述样本岩心图像集、所述样本二值图像集和所述生成网络输出的伪岩心图像集输入所述判别网络,对所述判别网络进行训练;所述判别网络的输出值表示输入到所述判别网络的图像为所述样本岩心图像的概率;
根据所述判别网络的输出值计算损失函数;
将所述损失函数反向传播到所述生成网络,对所述生成网络进行训练,更新所述生成网络的参数。
可选地,所述装置还包括:
重复模块,用于重复执行训练过程,直至交替迭代次数大于迭代阈值,得到生成网络模型和判别网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为重构岩心图像,所述判别网络模型为训练好的判别网络;所述岩心图像生成模型包括:所述生成网络模型和所述判别网络模型。
所述训练过程包括:将所述样本二值图像集和所述随机样本噪声输入所述生成网络,得到所述生成网络输出的伪岩心图像集;将所述样本岩心图像集、所述样本二值图像集和所述生成网络输出的伪岩心图像集输入所述判别网络,对所述判别网络进行训练;根据所述判别网络的输出值计算损失函数;将所述损失函数反向传播到所述生成网络,对生成网络进行训练,更新所述生成网络的参数。
可选地,所述迭代阈值为T,T个交替迭代训练过程中,所述判别网络模型的输出值与0.5的差值的绝对值最小。
第五方面,提供了一种岩心图像生成装置,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器中存储的指令以实现权利要求第一方面任一所述的岩心图像生成方法。
第六方面,提供了一种模型训练装置,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器中存储的指令以实现权利要求第二方面任一所述的模型训练方法。
第七方面,提供了一种计算机存储介质,其特征在于,所述存储介质中存储有指令,当所述指令在处理组件上运行时,使得所述处理组件执行如权利要求第一方面任一所述的岩心图像生成方法。
第八方面,提供了一种计算机存储介质,其特征在于,所述存储介质中存储有指令,当所述指令在处理组件上运行时,使得所述处理组件执行如权利要求第二方面任一所述的模型训练方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的岩心图像生成方法,在获取样本岩心图像集之后,可以基于该样本岩心图像集得到目标二值图像集,之后将该目标二值图像集中的每个目标二值图像输入到岩心图像生成模型,由岩心图像生成模型直接输出重构数字岩心图像,通过少数样本岩心图像以及岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
图1为本发明实施例提供的一种岩心图像生成方法流程图;
图2为本发明实施例提供的另一种岩心图像生成方法流程图;
图3为本发明实施例提供的一种预处理过程示意图;
图4为本发明实施例提供的一种建立孔隙结构成分库的过程示意图;
图5为本发明实施例提供的一种生成目标二值图像的方法流程图;
图6为本发明实施例提供的一种目标孔隙参数示意图;
图7为本发明实施例提供的一种目标二值图像示意图;
图8为本发明实施例提供的生成重构岩心图像过程示意图;
图9为本发明实施例提供的一种模型训练方法流程图;
图10为本发明实施例提供的另一种模型训练方法流程图;
图11为本发明实施例提供的一种岩心图像生成装置的框图;
图12为本发明实施例提供的一种第二获取模块的框图;
图13为本发明实施例提供的一种生成单元的框图;
图14为本发明实施例提供的一种建立单元的框图;
图15为本发明实施例提供的一种模型训练装置的框图;
图16为本发明实施例提供的另一种模型训练装置的框图;
图17为本发明实施例提供的一种岩心图像生成装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
数字岩心技术通过建立准确且分辨率高的三维数字岩心模型,能够再现复杂的孔隙空间。由于目前通常通过对多个二维岩心图像进行约束和重构,得到三维数字岩心模型,因此在建立三维数字岩心模型时,需要大量的高分辨率二维岩心图像。
相关技术中,二维岩心图像是利用图像扫描技术对岩心进行扫描得到的。由于扫描过程通常耗时较长,因此导致二维岩心图像的生成速率较慢,从而导致三维数字岩心模型的生成效率较低。且目前的扫描技术生成的二维岩心图像的显示效果较差。
本发明实施例提供了一种岩心图像生成方法,该方法可以应用于第一网络设备。示例地,请参考图1,图1为本发明实施例提供的一种岩心图像生成方法的流程图,该方法可以包括:
步骤101、获取岩石对应的样本岩心图像集,该样本岩心图像集包括岩石的m个样本岩心图像,m≥1。
步骤102、基于样本岩心图像集,得到该岩石对应的目标二值图像集,该目标二值图像集包括n个目标二值图像,n≥1。
步骤103、将目标二值图像输入岩心图像生成模型,得到岩石对应的重构岩心图像,其中,岩心图像生成模型用于基于目标二值图像,输出重构岩心图像。
综上所述,本发明实施例提供的岩心图像生成方法,第一网络设备在获取样本岩心图像集之后,可以基于该样本岩心图像集得到目标二值图像集,之后将该目标二值图像集中的每个目标二值图像输入到岩心图像生成模型,由岩心图像生成模型直接输出重构数字岩心图像,通过少数样本岩心图像以及岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
请参考图2,图2为本发明实施例提供的另一种岩心图像生成方法的流程图,该方法可以应用于第一网络设备,如图2所示,该方法可以包括:
步骤201、获取岩石对应的样本岩心图像集,该样本岩心图像集包括岩石的m个样本岩心图像,m≥1。
其中,岩石可以为:沉积岩、变质岩或者岩浆岩等类型的岩石。
可以利用图像扫描技术对岩石的岩心进行扫描,得到该m个样本岩心图像。示例地,可以采用电镜扫描或者薄层切片的方式得到m个样本岩心图像。该样本岩心图像为灰度图像,不同的灰度值表示岩石中的不同成分。
可选地,该m个样本岩心图像可以是对该岩石的同一岩心进行扫描得到的,也可以是对该岩石的不同岩心进行扫描得到的,本发明实施例对此不做限定。
步骤202、对m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集。
其中,预处理包括图像二值化。样本岩心图像中不同灰度值代表不同成分,而研究地质孔隙结构时主要考虑岩石基质和岩石孔隙这两种成分。因此可以通过对样本岩心图像进行预处理,得到只有0和255两种灰度值的像素的样本二值图像,该样本二值图像中的任一灰度值的像素可以表示岩石孔隙。可选地,可以采用0灰度值的像素表示岩石基质,采用255灰度值的像素表示岩石孔隙;或者采用0灰度值的像素表示岩石孔隙,采用255灰度值的像素表示岩石基质,本发明实施例以采用255灰度值的像素表示岩石孔隙为例进行说明。
示例地,请参考图3,图3为本发明实施例提供的一种预处理过程示意图。图3以对4个样本岩心图像(m=4)进行预处理为例进行说明,图3中的3a至3d均为灰度图像,表示4个样本岩心图像。3a′至3d′均为二值图像,表示与4个样本岩心图像一一对应的4个样本二值图像。3a′至3d′中,每个图像的0灰度值的像素即黑色部分表示岩石基质,255灰度值的像素即白色部分表示岩石孔隙。
通过预处理得到轮廓分明的样本二值图像,能清晰表示岩石基质和岩石孔隙这两种成分。且二值图像的像素简单,数据量较小,便于计算,从而能够简化后续的处理过程,有利于后续基于该样本二值图像集训练生成模型,以及根据训练得到的模型生成重构岩心图像。
可选地,该预处理还可以包括图像增强。当出现扫描环境中光源分布不均匀等情况时,样本岩心图像中高的空间频率成分会弱于低的空间频率成分,导致得到的样本岩心图像出现局部失真、对比度不明显以及画面模糊等问题,从而影响对岩心的直观认识以及后续的处理过程。通过对样本岩心图像进行图像增强,能够增强样本岩心图像的细节信息,提高样本岩心图像的对比度,使样本岩心图像变清晰。
示例地,图像增强方式可以为同态滤波,同态滤波是在频率域中同时结合傅里叶变换和高通滤波器,让样本岩心图像的高频分量顺利通过,并适当抑制样本岩心图像的低频分量,以使得样本岩心图像变清晰,提高样本岩心图像对比度。
步骤203、基于样本二值图像集,建立孔隙结构成分库。
该孔隙结构成分库包括至少一个孔隙样本集,每个孔隙样本集包括尺寸相同,形状不同的多个孔隙样本。
可以通过对m个样本二值图像集进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本,从而建立孔隙结构成分库。
可选地,可以先对多个孔隙中的每个孔隙边缘进行多边形拟合,确定每个孔隙边缘的采样点;之后根据每个孔隙边缘的采样点,确定每个孔隙的最小外接圆,最后提取每个孔隙对应的孔隙样本,其中,每个孔隙样本集中的孔隙样本的最小外接圆半径相同。
示例地,在确定每个孔隙边缘的采样点后,通过最小二乘法计算每个采样点的最小二乘中心,获得多个采样点对应的多个最小二乘圆;之后根据多个最小二乘圆的位置关系确定每个孔隙的最小外接圆。最后确定每个最小外接圆的最大内接矩形,将每个最大内接矩形分割出来,得到与多个孔隙一一对应的多个孔隙样本。
请参考图4,图4为本发明实施例提供的一种建立孔隙结构成分库的过程示意图,图4以样本岩心图像4a为例对该过程进行说明。在对4a中的每个孔隙边缘进行多边形拟合,确定每个孔隙的最小外接圆后得到4b,最后确定每个最小外接圆的最大内接矩形,将每个最大内接矩形分割出来,保存在4c所示的孔隙结构成分库中。如4c所示,一行孔隙样本为一个孔隙样本集,同一行的孔隙样本的最小外接圆的半径相同。
岩石的孔隙形态特征是表征岩石微观结构的重要参数之一。建立孔隙结构成分库,能够获取岩石孔隙度、孔隙尺寸分布以及孔隙连通函数等参数,从而能够分析岩石渗流特性以及预测岩石储层,利于提高岩石采收率,以及后续生成重构岩石图像。
步骤204、确定m个样本二值图像的孔隙分布规律,孔隙分布规律表示每个样本二值图像中,各种尺寸的孔隙对应的比例。
可选地,在执行前述步骤203中孔隙分割提取时,可以同时确定m个样本二值图像的孔隙分布规律。示例地,在进行孔隙分割提取时,对于每个样本二值图像,可以确定该样本二值图像中每个孔隙的尺寸,进而确定该样本二值图像中各种尺寸的孔隙对应的比例。进一步地,该孔隙分布规律可以以表格、圆形统计图或者直方图等方式呈现。
步骤205、根据m个样本二值图像的孔隙分布规律和孔隙结构成分库,生成n个目标二值图像。
示例地,请参考图5,图5为本发明实施例提供的一种生成目标二值图像的方法流程图,该方法可以包括:
步骤2051、根据m个样本二值图像的孔隙分布规律,确定目标孔隙参数,该目标孔隙参数用于指示各种尺寸的孔隙对应的比例。
可选地,在一种实现方式中,可以根据m个样本二值图像的孔隙分布规律,确定m个样本二值图像中每种尺寸对应的比例的平均值,之后根据该平均值确定目标孔隙参数;在另一种实现方式中,可以确定m个样本二值图像中每种尺寸的孔隙的数量以及孔隙总数量,之后根据各种尺寸的总数量和孔隙总数量确定目标孔隙参数。
示例地,对应前述第一种实现方式,可以先确定m个样本二值图像中,任一尺寸的孔隙对应的比例的平均值,之后将该任一尺寸的孔隙对应的比例的平均值,作为目标孔隙参数中任一尺寸的孔隙对应的比例。
对应前述第二种实现方式,可以先确定m个样本二值图像中,任一尺寸的孔隙的总数量和所有孔隙的总数量,之后将该任一尺寸的孔隙的总数量与所有孔隙的总数量的比值,作为目标孔隙参数中该任一尺寸的孔隙对应的比例。
请参考图6,图6为本发明实施例提供的一种目标孔隙参数示意图,图6中以直方图的形式表征该目标孔隙参数,直方图的横轴表示孔隙的尺寸大小,纵轴表示各种尺寸的孔隙对应的比例。根据该目标孔隙参数,可以得到各种尺寸的孔隙在对应的岩石中的占比信息。进一步地,可以将直方图形式的目标孔隙参数转化为表格形式的目标孔隙参数,这样能够使目标孔隙参数更直观,且便于后续处理。示例地,请参考下述表1,表1示出了由图6转化后的表格形式的目标孔隙参数,如表1所示,目标孔隙参数中,尺寸处于0~50μm范围内的孔隙对应的比例为19.60%,尺寸处于50~100μm范围内的孔隙对应的比例为34.60%等。
表1
需要说明的是,图6和表1中仅示例性的示出了目标孔隙参数,图6和表1中的尺寸大小范围和比例仅做示例,本发明实施例对此不做限定。
步骤2052、基于目标孔隙参数和孔隙结构成分库,生成目标孔隙参数对应的目标二值图像。
第一网络设备可以先获取背景图像,之后按照目标孔隙参数中示出的各个尺寸的孔隙对应的比例,在孔隙结构成分库中提取孔隙样本,并将提取到的孔隙样本添加在背景图像中,从而生成对应的目标二值图像。可选地,第一网络设备在提取某种尺寸的孔隙样本时,可以在孔隙结构成分库中该尺寸对应的孔隙样本集中随机选取孔隙样本。又一可选地,第一网络设备可以将提取到的孔隙样本随机添加在背景图像中。在本发明实施例中,背景图像的像素灰度值均为0。
示例地,请参考图7,图7为本发明实施例提供的一种目标二值图像示意图,图7所示的两个目标二值图像7a和7b是基于表1所示的目标孔隙参数和图4所示的孔隙结构成分库生成的,对比该目标二值图像和前述图3所示的样本二值图像可知,该目标二值图像和样本二值图像具有相同的孔隙结构。需要说明的是,图7仅以两个目标二值图像为例进行说明,实际中,基于目标孔隙参数和孔隙结构成分库,能够生成大量的目标二值图像,本发明实施例对此不做限定。
本发明实施例中,按照孔隙的最小外接圆为标准提取孔隙样本,保证了形成的目标二值图像中孔隙的连通性和随机多样性,使得目标二值图像与样本二值图像的相似度较高。
由于通过图像扫描技术得到的样本岩心图像数量较少,即获取的样本二值图像的数量也较少,而本发明实施例中,在确定目标孔隙参数时,能够生成大量不同的目标二值图像,生成的目标二值图像用于后续输入到岩心图像生成模型中,以使岩心生成模型生成重构岩心图像,增加了后续岩心生成模型所生成的重构岩心图像的数量,利于三维数字岩心模型的生成。
由岩心图像生成模型直接输出重构数字岩心图像,通过少数样本岩心图像以及岩心图像生成模型,即可实时生成重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
步骤206、将每个目标二值图像输入岩心图像生成模型,得到岩石对应的重构岩心图像,其中,岩心图像生成模型用于基于目标二值图像,输出重构岩心图像。
可选地,该岩心图像生成模型可以是对包括条件生成对抗网络(ConditionalGenerative Adversarial Nets,CGAN)的生成模型进行训练得到的,该生成模型的训练框架可以为CGAN的端到端开源机器学习平台Tensorflow。CGAN为二维网络,是在生成对抗网络(Generative Adversarial Network,GAN)的基础上引入条件约束形成的,该条件约束能够指导CGAN生成数据的过程,相较于原有的GAN更加稳定。
CGAN包括生成网络和判别网络,相应地,对CGAN进行训练得到的岩心图像模型包括生成网络模型和判别网络模型。在本发明实施例提供的岩心图像生成方法中,当训练结束,得到最终的岩心图像生成模型后,可以仅用到生成网络模型,该生成网络模型用于根据输入的目标二值图像生成与样本岩心图像具有相似孔隙度的重构岩心图像。
生成网络模型中预先存储有二值岩心图像和灰度图像的映射关系,在向生成网络输入目标二值图像后,通过生成网络模型的正向传播,生成网络模型根据该映射关系生成目标二值图像所对应的重构岩心图像,从而实现了实时重构多张岩心图像。
示例地,请参考图8,图8为本发明实施例提供的生成重构岩心图像过程示意图,图8中的8a~8d为4个样本岩心图像,8a'~8d'为基于8a~8d生成的4个目标二值图像,8a〞~8d〞为基于8a'~8d'生成的重构岩心图像。由图8可以看出,4个重构岩心图像均显示有较好的孔隙结构,且细节信息丰富,与样本岩心图像的孔隙和孔喉具有较高的一致性。经过对重构岩心图像与样本岩心图像的孔隙度、配位数以及喉道半径长度等参数的比较,以及对统计、形态和传输特性的评估,确定重构岩心图像与样本岩心图像的孔隙分布规律基本一致,重构岩心图像能够反映真实岩心的基本特征。
以上实施例以目标二值岩心图像是第一网络设备根据孔隙结构成分库以及目标孔隙参数生成的为例进行说明,可选地,该n个目标二值图像还可以是第一网络设备对m个样本岩心图像进行预处理得到的,预处理包括图像二值化,此时m=n。
需要说明的是,本发明实施例提供的岩心图像生成方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,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,可轻易想到变化的方法,都应涵盖在本发明的保护范围之内,因此不再赘述。
综上所述,本发明实施例提供的岩心图像生成方法,第一网络设备在获取样本岩心图像集之后,可以基于该样本岩心图像集得到样本二值图像集,之后基于样本二值图像集建立孔隙结构成分库,以及确定孔隙分布规律,并根据孔隙分布规律和孔隙结构成分库,得到n个目标二值图像,之后将该目标二值图像集中的每个目标二值图像输入到岩心图像生成模型,由岩心图像生成模型直接输出重构数字岩心图像,通过少数样本岩心图像能够得到大量目标二值图像,从而通过岩心图像生成模型,即可实时生成大量高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
此外,本发明实施例将CGAN和孔隙分布规律相结合应用于重构岩心图像的生成,CGAN增加了对生成重构岩心图像的条件约束,其网络收敛速度和生成效果较好。通过将可控的目标孔隙参数和CGAN的生成网络结合,实时重建符合研究需求的重构岩心图像,能够有效捕捉岩心统计、形态特征以及有效渗透率,有利于对岩石的进一步研究。且能够生成各种类型的岩石对应的重构岩心图像,通用性较强。
可选地,上述实施例中是以执行岩心图像生成方法的为第一网络设备为例进行说明的。在一种示例中,该岩心图像生成方法中的不同步骤可以由不同的模块来执行。该不同的模块可以位于一个装置中,也可以位于不同的装置中。本发明实施例对执行岩心图像生成方法的装置不做限定。
以上说明了岩心图像生成方法,在执行该方法时,需要预先对生成模型进行训练,以得到该岩心图像生成模型,以下对生成模型的训练过程进行说明。
本发明实施例提供了一种模型训练方法,该方法可以应用于第二网络设备。该第二网络设备可以与前述执行岩心图像生成方法的第一网络设备相同,也可以与前述执行岩心图像生成方法的第一网络设备不同。当第二网络设备与前述执行岩心图像生成方法的第一网络设备不同时,第二网络设备可以将训练得到的岩心图像生成模型发送至前述执行岩心图像生成方法的第一网络设备。示例地,图9为本发明实施例提供的一种模型训练方法流程图,参见图9,该方法可以包括:
步骤301、获取岩石对应的样本岩心图像集,该样本岩心图像集包括岩石的m个样本岩心图像。
步骤302、对m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,预处理包括图像二值化。
步骤303、利用样本岩心图像集、样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型。
综上所述,本发明实施例提供的模型训练方法,第二网络设备在获取样本岩心图像集之后,可以基于该样本岩心图像集得到样本二值图像集,之后利用样本岩心图像集、样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型,该岩心图像生成模型能够基于输入的目标二值图像直接输出重构数字岩心图像,通过少数样本岩心图像以及该岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
请参考图10,图10为本发明实施例提供的另一种模型训练方法流程图,该方法可以应用于第二网络设备,如图10所示,该方法可以包括:
步骤401、获取岩石对应的样本岩心图像集,该样本岩心图像集包括岩石的m个样本岩心图像。
可以利用图像扫描技术对岩心进行扫描,直接得到m个样本岩心图像。该步骤可以参考前述步骤201,本发明实施例在此不做赘述。
步骤402、对m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,预处理包括图像二值化。
该样本二值图像可以参考前述步骤202中的样本二值图像,该预处理过程可以参考前述步骤202中的预处理过程,本发明实施例在此不做赘述。
步骤403、将样本二值图像集和随机样本噪声输入生成模型包括的生成网络,得到生成网络输出的伪岩心图像集,该生成网络输出的伪岩心图像集包括m个伪岩心图像。
可选地,该生成模型可以包括CGAN。CGAN包括生成网络和判别网络。生成网络可以为基于U-Net的卷积结构,判别网络为卷积patchGAN分类器,通过交替迭代训练,生成网络和判别网络能够自动更新内部卷积核的参数。在生成网络的损失函数中,添加了条件约束以提高生成模型的精度和捕捉图像细节的能力。CGAN可以参考步骤206,本发明实施例在此不做赘述。以下实施例以生成模型包括CGAN为例进行说明。
步骤404、将样本岩心图像集、样本二值图像集和生成网络输出的伪岩心图像集输入判别网络,对判别网络进行训练;判别网络的输出值表示输入到判别网络的图像为样本岩心图像的概率。
步骤405、根据判别网络的输出值计算损失函数。
步骤406、将损失函数反向传播到生成网络,对生成网络进行训练,更新生成网络的参数。
步骤407、重复执行训练过程,直至交替迭代次数大于迭代阈值,得到生成网络模型和判别网络模型;生成网络模型为训练好的生成网络,生成网络模型的输出为重构岩心图像,判别网络模型为训练好的判别网络;岩心图像生成模型包括:生成网络模型和判别网络模型。
其中,该训练过程包括:将样本二值图像集和随机样本噪声输入生成网络,得到生成网络输出的伪岩心图像集;之后将样本岩心图像集、样本二值图像集和生成网络输出的伪岩心图像集输入判别网络,对判别网络进行训练;再根据判别网络的输出值计算损失函数;最后将损失函数反向传播到生成网络,对生成网络进行训练,更新生成网络的参数。各个训练过程中,生成网络的参数互不相同,则生成网络输出的伪岩心图像集也互不相同。该训练过程可以参考前述步骤403至步骤406,本发明实施例在此不做赘述。
示例地,该生成模型的迭代阈值可以为T,随着交替迭代训练次数的增加,损失函数不断减小,判别网络的输出值与0.5的差值的绝对值也在不断减小。理想状态下,生成网络输出的伪岩心图像集也会不断接近样本岩心图像集。最终,生成网络和判别网络达到平衡,交替迭代训练过程结束。
其中,当判别网络的输出值为0.5时,表明判别网络此时无法区分输入到该判别网络的图像和样本岩心图像。则随着交替迭代训练次数的增加,生成网络和判别网络的权重曲线逐渐从欠拟合变成过拟合。本发明实施例中将迭代阈值设置为200,此时的权重曲线达到相对较好的拟合状态,得到生成网络模型和判别网络模型。可选地,前100个训练过程中可以采用0.0002的固定学习率,后100个训练过程中学习率线性降为零。
以下对该步骤403至步骤407进行详细说明。在训练生成网络时,应该使得判别网络最小程度地区分生成网络生成的伪岩心图像与样本岩心图像的区别。在训练判别网络时,应该使判别网络最大程度地区分生成网络生成的伪岩心图像与样本岩心图像的区别。则该CGAN的目标函数可以为:
其中,LcGAN(G,D)=Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z))]表示对抗损失,在训练过程中,生成网络使LcGAN(G,D)最小化,判别网络使LcGAN(G,D)最大化。LL1(G)=Ex,y,z[||y-G(x,z)||1]表示L1范数损失。通过将对抗损失和L1范数损失相结合,能够在L1意义上减小生成网络输出的岩心图像与样本岩心图像的区别。
在训练过程中,采用反向传播和梯度下降相结合的方法优化生成网络和判别网络,优化的目标函数可以为:
其中,xB表示样本二值图像,为CGAN的条件约束,yG表示生成网络生成的灰度图像,z代表随机样本噪声,G*为最终优化目标。
首先训练判别网络,使判别网络能够最大程度地区分样本岩心图像和生成网络生成的伪岩心图像。示例地,保持生成网络参数固定,调整判别网络的参数使下式最大化,以得到判别网络模型。
之后,保持判别网络参数固定,训练生成网络,使判别网络最小程度地区分生成网络生成的伪岩心图像与样本岩心图像。示例地,将样本二值图像和随机样本噪声重建合成伪岩心图像G(xB,z),根据判别网络针对G(xB,z)的输出值计算损失函数,反向传播到生成网络;调整生成网络的参数使下式最小化,以使得生成网络生成的伪岩心图像尽可能接近样本岩心图像,以得到生成网络模型。
训练过程中,生成模型能够通过样本岩心图像的孔隙分布规律等微观特征,获取二值图像和灰度图像之间的相关性,从而使得对生成模型进行训练后得到的岩心图像生成模型能够基于输入的二值图像生成对应的灰度图像,从而实现高分辨率岩心图像的重建。
综上所述,本发明实施例提供的模型训练方法,第二网络设备在获取样本岩心图像集之后,可以基于该样本岩心图像集得到样本二值图像集,之后将样本二值图像集和随机样本噪声输入生成模型的生成网络,得到生成网络输出的伪岩心图像集,再将样本岩心图像集、样本二值图像集和生成网络输出的伪岩心图像集输入判别网络,对判别网络进行训练,之后根据判别网络的输出值计算损失函数,并将损失函数反向传播到生成网络,对生成网络进行训练,更新生成网络的参数。之后重复执行训练判别网络、计算损失函数、将损失函数反向传播到生成网络,训练生成网络,更新生成网络的参数的训练过程,直至交替迭代次数大于迭代阈值,得到判别网络模型和生成网络模型,从而得到岩心图像生成模型,该岩心图像生成模型能够基于输入的目标二值图像直接输出重构数字岩心图像,通过少数样本岩心图像以及该岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
可选地,上述实施例中是以执行模型训练方法的为第二网络设备为例进行说明的。在一种示例中,该模型训练方法中的不同步骤可以由不同的模块来执行。该不同的模块可以位于一个装置中,也可以位于不同的装置中。本发明实施例对执行模型训练方法的装置不做限定。
在本发明实施例中,第一网络设备或第二网络设备可以为计算机设备或者服务器等,本发明实施例对此不做限定。
需要说明的是,本发明实施例提供的模型训练方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,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,可轻易想到变化的方法,都应涵盖在本发明的保护范围之内。
上文中结合图1至图10,详细描述了本发明实施例所提供的岩心图像生成方法以及模型训练方法,下面将结合图11至图16,描述本发明实施例所提供的岩心图像生成装置以及模型训练装置。
请参考图11,图11为本发明实施例提供的一种岩心图像生成装置的框图,该装置50包括:
第一获取模块501,用于获取岩石对应的样本岩心图像集,样本岩心图像集包括岩石的m个样本岩心图像,m≥1;
第二获取模块502,用于基于样本岩心图像集,得到岩石对应的目标二值图像集,目标二值图像集包括n个目标二值图像,n≥1;
输入模块503,用于将每个目标二值图像输入岩心图像生成模型,得到岩石对应的重构岩心图像,岩心图像生成模型用于基于目标二值图像,输出重构岩心图像。
综上所述,本发明实施例提供的岩心图像生成装置,在通过第一获取模块获取样本岩心图像集之后,可以通过第二获取模块基于该样本岩心图像集得到目标二值图像集,之后通过输入模块将该目标二值图像集中的每个目标二值图像输入到岩心图像生成模型,由岩心图像生成模型直接输出重构数字岩心图像,通过少数样本岩心图像以及岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
可选地,请参考图12,图12为本发明实施例提供的一种第二获取模块的框图,该第二获取模块502,包括:
预处理单元5021,用于对m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,其中,预处理包括图像二值化,样本二值图像中的任一灰度值的像素表示岩石的孔隙;
建立单元5022,用于基于样本二值图像集,建立孔隙结构成分库,孔隙结构成分库包括至少一个孔隙样本集,每个孔隙样本集包括尺寸相同,形状不同的多个孔隙样本;
确定单元5023,用于确定m个样本二值图像的孔隙分布规律,孔隙分布规律表示每个样本二值图像中,各种尺寸的孔隙对应的比例;
生成单元5024,用于根据m个样本二值图像的孔隙分布规律和孔隙结构成分库,生成n个目标二值图像。
可选地,请参考图13,图13为本发明实施例提供的一种生成单元的框图,该生成单元5024,包括:
确定子单元5024a,用于根据m个样本二值图像的孔隙分布规律,确定目标孔隙参数,该目标孔隙参数用于指示各种尺寸的孔隙对应的比例;
生成子单元5024b,用于基于目标孔隙参数和孔隙结构成分库,生成目标孔隙参数对应的目标二值图像。
可选地,该确定子单元5024a,用于:
确定m个样本二值图像中,任一尺寸的孔隙对应的比例的平均值;
将任一尺寸的孔隙对应的比例的平均值,作为目标孔隙参数中任一尺寸的孔隙对应的比例。
可选地,请参考图14,图14为本发明实施例提供的一种建立单元的框图,该建立单元5022,包括:
提取子单元5022a,用于对m个样本二值图像进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本。
可选地,该提取子单元5022a,用于:
对多个孔隙中的每个孔隙边缘进行多边形拟合,确定每个孔隙边缘的采样点;
根据每个孔隙边缘的采样点,确定每个孔隙的最小外接圆;
提取每个孔隙对应的孔隙样本,每个孔隙样本集中的孔隙样本的最小外接圆半径相同。
可选地,上述第二获取模块502,用于:
对m个样本岩心图像进行预处理,得到n个目标二值图像,预处理包括图像二值化,m=n。
可选地,该岩心图像生成模型是对包括CGAN的生成模型进行训练得到的。
综上所述,本发明实施例提供的岩心图像生成装置,在通过第一获取模块获取样本岩心图像集之后,可以通过第二获取模块基于该样本岩心图像集得到样本二值图像集,之后基于样本二值图像集建立孔隙结构成分库,以及确定孔隙分布规律,并根据孔隙分布规律和孔隙结构成分库,得到n个目标二值图像,之后通过输入模块将该目标二值图像集中的每个目标二值图像输入到岩心图像生成模型,由岩心图像生成模型直接输出重构数字岩心图像,通过少数样本岩心图像能够得到大量目标二值图像,从而通过岩心图像生成模型,即可实时生成大量高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的岩心图像生成装置的具体工作过程,可以参考前述方法实施例中的对应过程,本发明实施例在此不再赘述。
请参考图15,图15为本发明实施例提供的一种模型训练装置的框图,该装置60包括:
获取模块601,用于获取岩石对应的样本岩心图像集,该样本岩心图像集包括岩石的m个样本岩心图像;
预处理模块602,用于对m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,该预处理包括图像二值化;
训练模块603,用于利用样本岩心图像集、样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型。
综上所述,本发明实施例提供的模型训练装置,在通过获取模块获取样本岩心图像集之后,可以通过预处理模块基于该样本岩心图像集得到样本二值图像集,之后通过训练模块利用样本岩心图像集、样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型,该岩心图像生成模型能够基于输入的目标二值图像直接输出重构数字岩心图像,通过少数样本岩心图像以及该岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
可选地,生成模型包括CGAN。
可选地,CGAN包括生成网络和判别网络,该训练模块603,用于:
将样本二值图像集和随机样本噪声输入生成网络,得到生成网络输出的伪岩心图像集,该生成网络输出的伪岩心图像集包括m个伪岩心图像;
将样本岩心图像集、样本二值图像集和生成网络输出的伪岩心图像集输入判别网络,对判别网络进行训练;判别网络的输出值表示输入到判别网络的图像为样本岩心图像的概率;
根据判别网络的输出值计算损失函数;
将损失函数反向传播到生成网络,对生成网络进行训练,更新生成网络的参数。
可选地,请参考图16,图16为本发明实施例提供的另一种模型训练装置的框图,在图15的基础上,该装置60还包括:
重复模块604,用于重复执行训练过程,直至交替迭代次数大于迭代阈值,得到生成网络模型和判别网络模型;该生成网络模型为训练好的生成网络,生成网络模型的输出为重构岩心图像,该判别网络模型为训练好的判别网络;岩心图像生成模型包括:生成网络模型和判别网络模型。
该训练过程包括:将样本二值图像集和随机样本噪声输入生成网络,得到生成网络输出的伪岩心图像集;将样本岩心图像集、样本二值图像集和生成网络输出的伪岩心图像集输入判别网络,对判别网络进行训练;根据判别网络的输出值计算损失函数;将损失函数反向传播到生成网络,对生成网络进行训练,更新生成网络的参数。
可选地,迭代阈值为T,T个交替迭代训练过程中,判别网络模型的输出值与0.5的差值的绝对值最小。
综上所述,本发明实施例提供的模型训练装置,在通过获取模块获取样本岩心图像集之后,可以通过预处理模块基于该样本岩心图像集得到样本二值图像集,之后通过训练模块将样本二值图像集和随机样本噪声输入生成模型的生成网络,得到生成网络输出的伪岩心图像集,再将样本岩心图像集、样本二值图像集和生成网络输出的伪岩心图像集输入判别网络,对判别网络进行训练,之后根据判别网络的输出值计算损失函数,并将损失函数反向传播到生成网络,对生成网络进行训练,更新生成网络的参数。之后通过重复模块重复执行训练判别网络、计算损失函数、将损失函数反向传播到生成网络,训练生成网络,更新生成网络的参数的训练过程,直至交替迭代次数大于迭代阈值,得到判别网络模型和生成网络模型,从而得到岩心图像生成模型,该岩心图像生成模型能够基于输入的目标二值图像直接输出重构数字岩心图像,通过少数样本岩心图像以及该岩心图像生成模型,即可实时生成高分辨率的重构岩心图像,提高了二维岩心图像的生成速率,从而提高了三维数字岩心模型的生成效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的模型训练装置的具体工作过程,可以参考前述方法实施例中的对应过程,本发明实施例在此不再赘述。
本发明实施例提供了一种岩心图像生成装置,包括:处理器;用于存储处理器的可执行指令的存储器;其中,处理器被配置为执行存储器中存储的指令以实现本发明实施例任一所述的岩心图像生成方法。
示例地,请参考图17,图17为本发明实施例提供的一种岩心图像生成装置的结构示意图,如图17所示,该岩心图像生成装置70包括:存储器701和处理器702。其中,存储器701用于存储程序,处理器702用于执行存储器701中存储的程序,以实现本申请实施例提供任一所述的岩心图像生成方法。
可选地,如图17所示,该岩心图像生成装置70还可以包括至少一个通信接口703和至少一个通信总线704。存储器701、处理器702以及通信接口703通过通信总线704通信连接。
本发明实施例提供了一种模型训练装置,包括:处理器;用于存储处理器的可执行指令的存储器;其中,处理器被配置为执行存储器中存储的指令以实现本发明实施例任一所述的模型训练方法。该模型训练装置的结构可以参考图17,本发明实施例在此不做赘述。
本发明实施例提供了一种计算机存储介质,该存储介质中存储有指令,当指令在处理组件上运行时,使得处理组件执行本发明实施例任一所述的岩心图像生成方法。
本发明实施例提供了一种计算机存储介质,其特征在于,存储介质中存储有指令,当指令在处理组件上运行时,使得处理组件执行本发明实施例任一所述的模型训练方法。
上述实施例可以通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以以计算机程序产品的形式实现,所述计算机程序产品包括若干计算机指令,以使计算机执行本发明实施例任一所述的方法。
其中,该计算机可以包括通用计算机或计算机网络。计算机通过其存储介质存储计算机指令,或者从其他存储介质获取计算机指令。该存储介质可以是计算机能够存取的任何可用介质或者包含一个或多个可用介质集成的服务器以及数据中心等数据存储装置。该可用介质可以为磁性介质(例如,软盘、硬盘、磁带)、光介质或者半导体介质(例如固态硬盘)等。
本发明实施例中,“第一”和“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。“至少一个”表示一个或多个,“多个”表示两个或两个以上,除非另有明确的限定。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (15)
1.一种岩心图像生成方法,其特征在于,所述方法包括:
获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像,m≥1;
基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,所述目标二值图像集包括n个目标二值图像,n≥1;
将每个所述目标二值图像输入岩心图像生成模型,得到所述岩石对应的重构岩心图像,所述岩心图像生成模型用于基于所述目标二值图像,输出所述重构岩心图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,包括:
对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化,所述样本二值图像中的任一灰度值的像素表示所述岩石的孔隙;
基于所述样本二值图像集,建立孔隙结构成分库,所述孔隙结构成分库包括至少一个孔隙样本集,每个所述孔隙样本集包括尺寸相同,形状不同的多个孔隙样本;
确定所述m个样本二值图像的孔隙分布规律,所述孔隙分布规律表示每个所述样本二值图像中,各种尺寸的孔隙对应的比例;
根据所述m个样本二值图像的孔隙分布规律和所述孔隙结构成分库,生成所述n个目标二值图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述m个样本二值图像的孔隙分布规律和所述孔隙结构成分库,生成所述n个目标二值图像,包括:
根据所述m个样本二值图像的孔隙分布规律,确定目标孔隙参数,所述目标孔隙参数用于指示各种尺寸的孔隙对应的比例;
基于所述目标孔隙参数和所述孔隙结构成分库,生成所述目标孔隙参数对应的所述目标二值图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述m个样本二值图像的孔隙分布规律,确定目标孔隙参数,包括:
确定所述m个样本二值图像中,任一尺寸的孔隙对应的比例的平均值;
将所述任一尺寸的孔隙对应的比例的平均值,作为所述目标孔隙参数中所述任一尺寸的孔隙对应的比例。
5.根据权利要求2所述的方法,其特征在于,所述基于所述样本二值图像集,建立孔隙结构成分库,包括:
对所述m个样本二值图像进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本。
6.根据权利要求5所述的方法,其特征在于,所述对所述m个样本二值图像进行孔隙分割提取,得到与多个孔隙一一对应的多个孔隙样本,包括:
对所述多个孔隙中的每个孔隙边缘进行多边形拟合,确定每个所述孔隙边缘的采样点;
根据每个所述孔隙边缘的采样点,确定每个所述孔隙的最小外接圆;
提取每个所述孔隙对应的孔隙样本,每个所述孔隙样本集中的孔隙样本的最小外接圆半径相同。
7.根据权利要求1所述的方法,其特征在于,所述基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,包括:
对所述m个样本岩心图像进行预处理,得到所述n个目标二值图像,所述预处理包括图像二值化,m=n。
8.一种模型训练方法,其特征在于,所述方法包括:
获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像;
对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化;
利用所述样本岩心图像集、所述样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型。
9.根据权利要求8所述的方法,其特征在于,所述生成模型包括条件生成对抗网络CGAN,CGAN包括生成网络和判别网络,所述利用所述样本岩心图像集、所述样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型,包括:
将所述样本二值图像集和所述随机样本噪声输入所述生成网络,得到所述生成网络输出的伪岩心图像集,所述生成网络输出的伪岩心图像集包括m个伪岩心图像;
将所述样本岩心图像集、所述样本二值图像集和所述生成网络输出的伪岩心图像集输入所述判别网络,对所述判别网络进行训练;所述判别网络的输出值表示输入到所述判别网络的图像为所述样本岩心图像的概率;
根据所述判别网络的输出值计算损失函数;
将所述损失函数反向传播到所述生成网络,对所述生成网络进行训练,更新所述生成网络的参数。
10.根据权利要求9所述的方法,其特征在于,在将所述损失函数反向传播到所述生成网络,对所述生成网络进行训练,更新所述生成网络的参数之后,所述方法还包括:
重复执行训练过程,直至交替迭代次数大于迭代阈值,得到生成网络模型和判别网络模型;所述生成网络模型为训练好的生成网络,所述生成网络模型的输出为重构岩心图像,所述判别网络模型为训练好的判别网络;所述岩心图像生成模型包括:所述生成网络模型和所述判别网络模型;
所述训练过程包括:将所述样本二值图像集和所述随机样本噪声输入所述生成网络,得到所述生成网络输出的伪岩心图像集;将所述样本岩心图像集、所述样本二值图像集和所述生成网络输出的伪岩心图像集输入所述判别网络,对所述判别网络进行训练;根据所述判别网络的输出值计算损失函数;将所述损失函数反向传播到所述生成网络,对生成网络进行训练,更新所述生成网络的参数。
11.一种岩心图像生成装置,其特征在于,所述装置包括:
第一获取模块,用于获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像,m≥1;
第二获取模块,用于基于所述样本岩心图像集,得到所述岩石对应的目标二值图像集,所述目标二值图像集包括n个目标二值图像,n≥1;
输入模块,用于将每个所述目标二值图像输入岩心图像生成模型,得到所述岩石对应的重构岩心图像,所述岩心图像生成模型用于基于所述目标二值图像,输出所述重构岩心图像。
12.一种模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取岩石对应的样本岩心图像集,所述样本岩心图像集包括所述岩石的m个样本岩心图像;
预处理模块,用于对所述m个样本岩心图像进行预处理,得到包括m个样本二值图像的样本二值图像集,所述预处理包括图像二值化;
训练模块,用于利用所述样本岩心图像集、所述样本二值图像集和随机样本噪声交替迭代训练生成模型,得到岩心图像生成模型。
13.一种岩心图像生成装置,其特征在于,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器中存储的指令以实现权利要求1至7任一所述的岩心图像生成方法。
14.一种模型训练装置,其特征在于,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器中存储的指令以实现权利要求8至10任一所述的模型训练方法。
15.一种计算机存储介质,其特征在于,所述存储介质中存储有指令,当所述指令在处理组件上运行时,使得所述处理组件执行如权利要求1至10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405063.7A CN112381845B (zh) | 2020-12-02 | 2020-12-02 | 岩心图像生成方法、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405063.7A CN112381845B (zh) | 2020-12-02 | 2020-12-02 | 岩心图像生成方法、模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381845A true CN112381845A (zh) | 2021-02-19 |
CN112381845B CN112381845B (zh) | 2023-04-18 |
Family
ID=74591009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011405063.7A Active CN112381845B (zh) | 2020-12-02 | 2020-12-02 | 岩心图像生成方法、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381845B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708463A (zh) * | 2022-05-10 | 2022-07-05 | 重庆科技学院 | 一种岩石标本图像智能识别方法 |
CN117058446A (zh) * | 2023-08-03 | 2023-11-14 | 北京建工环境修复股份有限公司 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
CN117830510A (zh) * | 2023-12-05 | 2024-04-05 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
CN117830510B (zh) * | 2023-12-05 | 2024-10-15 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253851A1 (en) * | 2017-03-06 | 2018-09-06 | Vektore Exploration Consulting Corporation | Device, system and method for digitally modeling rock specimens |
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 |
US20190196054A1 (en) * | 2017-12-22 | 2019-06-27 | Saudi Arabian Oil Company | Measuring source rock potential using terahertz analysis |
CN110689500A (zh) * | 2019-09-29 | 2020-01-14 | 北京达佳互联信息技术有限公司 | 一种人脸图像的处理方法、装置、电子设备及存储介质 |
CN111402266A (zh) * | 2020-03-13 | 2020-07-10 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
CN111583148A (zh) * | 2020-05-07 | 2020-08-25 | 苏州闪掣智能科技有限公司 | 基于生成对抗网络的岩心图像重构方法 |
CN111724331A (zh) * | 2019-03-22 | 2020-09-29 | 四川大学 | 一种基于生成网络的多孔介质图像重建方法 |
-
2020
- 2020-12-02 CN CN202011405063.7A patent/CN112381845B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253851A1 (en) * | 2017-03-06 | 2018-09-06 | Vektore Exploration Consulting Corporation | Device, system and method for digitally modeling rock specimens |
US20190196054A1 (en) * | 2017-12-22 | 2019-06-27 | Saudi Arabian Oil Company | Measuring source rock potential using terahertz analysis |
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 |
CN111724331A (zh) * | 2019-03-22 | 2020-09-29 | 四川大学 | 一种基于生成网络的多孔介质图像重建方法 |
CN110689500A (zh) * | 2019-09-29 | 2020-01-14 | 北京达佳互联信息技术有限公司 | 一种人脸图像的处理方法、装置、电子设备及存储介质 |
CN111402266A (zh) * | 2020-03-13 | 2020-07-10 | 中国石油大学(华东) | 一种构建数字岩心的方法及系统 |
CN111583148A (zh) * | 2020-05-07 | 2020-08-25 | 苏州闪掣智能科技有限公司 | 基于生成对抗网络的岩心图像重构方法 |
Non-Patent Citations (4)
Title |
---|
LIN, W.ET AL: ""A NEW IMPROVED THRESHOLD SEGMENTATION METHOD FOR SCANNING IMAGES OF RESERVOIR ROCKS CONSIDERING PORE FRACTAL CHARACTERISTICS"", 《FRACTALS-COMPLEX GEOMETRY PATTERNS AND SCALING IN NATURE AND SOCIETY》 * |
WU, Y.ET AL: ""Reconstruction of 3D porous media using multiple-point statistics", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》 * |
张晗: ""深度学习在岩石图像超分辨率重建中的应用研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨坤等: ""基于数字岩心分形特征的渗透率预测方法"", 《吉林大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708463A (zh) * | 2022-05-10 | 2022-07-05 | 重庆科技学院 | 一种岩石标本图像智能识别方法 |
CN117058446A (zh) * | 2023-08-03 | 2023-11-14 | 北京建工环境修复股份有限公司 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
CN117058446B (zh) * | 2023-08-03 | 2024-04-23 | 北京建工环境修复股份有限公司 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
CN117830510A (zh) * | 2023-12-05 | 2024-04-05 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
CN117830510B (zh) * | 2023-12-05 | 2024-10-15 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112381845B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
CN108198154B (zh) | 图像去噪方法、装置、设备及存储介质 | |
CN113688941B (zh) | 基于生成对抗网络的小样本声呐图像分类识别优化方法 | |
CN112200750A (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
CN111724478A (zh) | 一种基于深度学习的点云上采样方法 | |
CN111488865A (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
CN112381845B (zh) | 岩心图像生成方法、模型训练方法及装置 | |
CN113256508A (zh) | 一种改进的小波变换与卷积神经网络图像去噪声的方法 | |
CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
CN116523742A (zh) | 基于双路对抗生成网络的卫星遥感图像超分辨重建技术 | |
Wang et al. | An adaptive learning image denoising algorithm based on eigenvalue extraction and the GAN model | |
CN113096015B (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN114283058A (zh) | 基于对抗网络和最大互信息优化的图像超分辨率重建方法 | |
CN112862946A (zh) | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 | |
Ouyang et al. | Research on DENOISINg of cryo-em images based on deep learning | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN114998137A (zh) | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 | |
CN115049781A (zh) | 一种基于深度学习的页岩数字岩心三维重建方法 | |
CN114049939A (zh) | 一种基于UNet-GAN网络的肺炎CT图像生成方法 | |
Altakrouri et al. | Image to image translation networks using perceptual adversarial loss function | |
CN114509814A (zh) | 一种叠前地震资料随机噪音压制方法及系统 | |
Song et al. | Conditional Generative Adversarial Networks for 2D core grayscale image reconstruction from pore parameters | |
CN114037843B (zh) | 一种基于改进生成对抗网络的提高水下图像分辨率方法 |
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 |