CN112381916A - 一种利用二维薄片图像的数字岩心三维结构重建方法 - Google Patents

Abstract

本发明公开了一种利用二维薄片图像的数字岩心三维结构重建方法，本发明通过训练并行单一图像生成对抗网络模型，学习二维图像分布，结合马尔科夫链蒙特卡洛法，在三维空间重建岩心结构。本方法可以体现岩石的各向异性，对于非均质性较强岩石，也能可靠有效的还原真实岩心结构，孔隙连通性好，计算速度更快，应用范围更宽。

Description

一种利用二维薄片图像的数字岩心三维结构重建方法

技术领域

本发明涉及数字岩心领域，具体涉及一种利用二维薄片图像的数字岩心三维结构重建方法。

背景技术

三维数字岩心技术是利用计算机图像处理技术，将岩心微观结构以图像或数据的形式刻画出来，并通过数学建模、定量分析、物理场模拟来研究岩石微观结构及岩石物理属性的一门技术，通过反映岩石的孔隙结构与矿物组成特征，从而实现对岩心微观尺度表征并定量研究各种微观因素对岩石物理属性的影响。当前数字岩心建模方法可分为两大类，物理实验方法和数值重建方法。

物理实验方法是借助实验仪器直接获取储层岩石图像的实验方法，常用的物理方法有序列成像法、X－射线计算机层析成像(X-CT)扫描法和聚焦离子束电子显微镜(FIB-SEM)扫描法。高分辨率的物理方法在页岩储层中有所应用，物理实验法构建三维数字岩心费用昂贵、耗时并且在储层非均质性较强时难以获得代表储层特征的数字岩心，难以有针对性的获得具有不同储层参数的岩心来建立三维数字岩心图像。而铸体薄片以及粒度分析资料等岩心的二维信息则比较容易获得，因此可按照研究需要，在岩心二维信息的基础上利用数学方法重构不同参数三维数字岩心。

目前常用来重构三维数字岩心的数学方法主要包括随机法和过程法2个大类。随机法是在岩石二维图像获得的统计特性的约束下，利用数学算法重新构建三维数字岩心，使其与原始的岩石二维图像的统计特性非常接近。常用的随机法可分为完全随机法、高斯场法、顺序指示模拟法、模拟退火算法、多点统计法和马尔可夫链-蒙特卡洛法(简称MCMC法)等。过程法是利用岩石二维图像的颗粒粒径分布信息，通过对沉积岩的沉积、压实和成岩作用这一系列过程进行模拟，从而建立三维数字岩心。过程法能够较好的控制岩石颗粒粒度、颗粒分选性、胶结方式等微观结构信息且构建的数字岩心连通性上较随机模拟法有很大优势，因此在研究碎屑岩储集层中微观因素对岩石物理属性影响方面广泛应用。混合法是将过程法和模拟退火法相结合，使重构的三维数字岩心的孔隙连通性与真实岩心相符，且适用于成岩过程复杂的岩石，但其计算过程较为复杂，且仅适用于组分简单的岩石。

发明内容

针对现有技术中的上述不足，本发明提供的一种利用二维薄片图像的数字岩心三维结构重建方法解决了现有方法耗时多计算速度慢的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种利用二维薄片图像的数字岩心三维结构重建方法，其包括以下步骤：

S1、获取并对水平方向岩心薄片图像和垂直方向岩心薄片图像打上标签，分别得到打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像；标签包括孔隙和吼道；

S2、将打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像进行二值化，得到二值化后的水平方向图像和二值化后的垂直方向图像；

S3、对二值化后的垂直方向图像进行遍历扫描，按从下往上的顺序获得其两点领域的条件概率；

S4、将二值化后的水平方向图像输入并行单一图像生成对抗网络进行训练，得到训练后的网络；

S5、向训练后的网络中输入一个设定大小的第一随机噪声向量，生成一张第一水平方向重建二值图像；

S6、在当前水平方向重建二值图像的垂直方向上采用步骤S3得到的条件概率，按从下往上的顺序使用马尔科夫链蒙特卡洛法采样生成一张概率采样二值图像；

S7、将概率采样二值图像加上第二随机噪声向量输入训练后的网络，生成一张第二水平方向重建二值图像；

S8、重复步骤S6和步骤S7共P次，得到一张校正后的第二水平方向重建二值图像；

S9、将二值化后的水平方向图像、第一水平方向重建二值图像和校正后的第二水平方向重建二值图像按生成顺序依次映射到三维空间中，得到数字岩心的三维模型，完成数字岩心三维结构重建。

进一步地，步骤S2中进行二值化的具体方法为：

对于图像中的岩石骨架赋值为0，图像中的中空部分赋值为1；中空部分包括孔隙和吼道。

进一步地，步骤S4中并行单一图像生成对抗网络包括一个生成器和一个鉴别器；生成器和鉴别器通过前向传播和反向传播损失相连；

生成器包括第0阶段到第5阶段共6个训练阶段，第n阶段包括3n+3层卷积层，每层卷积层有64个大小为3×3的卷积核，卷积步长为1，n＝0,1,2,3,4,5；

鉴别器包括5个卷积块，每个卷积块包括一层卷积层、一层批量正则化层和一层LeakyReLU层；卷积块中卷积层的卷积核大小为3×3。

进一步地，步骤S4的具体方法包括以下子步骤：

S4-1、根据公式：

x_n＝X₀×r^{((N-1)\log(N))×log(N-n)+1}

将二值化后的水平方向图像进行5次池化下采样，得到5张池化下采样后的图像；其中x_n为第n阶段对应的池化下采样图像；N为阶段总数；X₀为二值化后的水平方向图像；r为下采样因子；

S4-2、将一组随机噪音z输入生成器，生成器从第0阶段开始生成一张与随机噪音z相对应的图像

将图像

与第0阶段的池化下采样图像x₀输入鉴别器进行鉴别，反向传播两张图像之间的损失；其中并行单一图像生成对抗网络的损失函数为：

G_n为第n阶段的生成器；D_n为鉴别器；

为对抗损失；α为重构因子；

为生成器G_n生成的图像

与第n阶段的池化下采样图像x_n之间的L₂范数，即重构损失；

S4-3、判断当前阶段中的生成器是否收敛，若是则进入步骤S4-4，否则返回步骤S4-2；

S4-4、在当前生成器的基础上添加3层卷积层，并从原始的最近邻插值上采样特征中添加一个残差连接到新添加的卷积层的输出中，采用与步骤S4-2和步骤S4-3相同的方法进行生成器下一阶段的训练，直至第5阶段收敛，得到训练后的网络。

本发明的有益效果为：

1、本发明通过训练并行单一图像生成对抗网络(ConSinGAN)模型，学习二维图像分布，结合马尔科夫链蒙特卡洛法(MCMC)，在三维空间重建岩心结构。本方法可以体现岩石的各向异性，对于非均质性较强岩石，也能可靠有效的还原真实岩心结构，孔隙连通性好，计算速度更快，应用范围更宽。

2、本方法的池化下采样方式使得处于低分辨率图像训练阶段的阶段密度高于处于高分辨率图像训练阶段的阶段数，进而使得模型的感受野相较于输入的下采样图像尺寸较大的阶段密度高于模型的感受野相较于输入的下采样图像尺寸较小的阶段密度，使得模型的全局一致性更好，对结构的把控更全面，孔隙和吼道的连接性更好，对于非均质性较强的岩心也能有很好的重建效果，最终提高了算法对于岩石种类的应用范围。

3、本方法不直接使用MCMC方法生成的图像来进行重建，而是将生成的图像作为一个生成条件输入模型，首先在体素面的层面上减少了孤立骨架生成的概率，然后才去逐层重建的方式，使层与层之间靠条件概率联系，下层是上层的生成条件，比起MCMC方法的15-16点领域考虑的范围更大更宽，从立体的层面上也减少了孤立骨架生成的概率。

附图说明

图1为本方法的流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该利用二维薄片图像的数字岩心三维结构重建方法包括以下步骤：

S1、获取并对水平方向岩心薄片图像和垂直方向岩心薄片图像打上标签，分别得到打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像；标签包括孔隙和吼道；

S2、将打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像进行二值化，得到二值化后的水平方向图像和二值化后的垂直方向图像；

S3、对二值化后的垂直方向图像进行遍历扫描，按从下往上的顺序获得其两点领域的条件概率；

S4、将二值化后的水平方向图像输入并行单一图像生成对抗网络进行训练，得到训练后的网络；

S5、向训练后的网络中输入一个设定大小的第一随机噪声向量，生成一张第一水平方向重建二值图像；

S6、在当前水平方向重建二值图像的垂直方向上采用步骤S3得到的条件概率，按从下往上的顺序使用马尔科夫链蒙特卡洛法采样生成一张概率采样二值图像；

S7、将概率采样二值图像加上第二随机噪声向量输入训练后的网络，生成一张第二水平方向重建二值图像；

S8、将步骤S7中最新得到的第二水平方向重建二值图像作为当前水平方向重建二值图像，重复步骤S6和步骤S7共P次，得到一张校正后的第二水平方向重建二值图像；

S9、将二值化后的水平方向图像、第一水平方向重建二值图像和校正后的第二水平方向重建二值图像按生成顺序依次映射到三维空间中，得到数字岩心的三维模型，完成数字岩心三维结构重建。

步骤S2中进行二值化的具体方法为：对于图像中的岩石骨架赋值为0，图像中的中空部分赋值为1；中空部分包括孔隙和吼道。

步骤S4中并行单一图像生成对抗网络包括一个生成器和一个鉴别器；生成器和鉴别器通过前向传播和反向传播损失相连；

生成器包括第0阶段到第5阶段共6个训练阶段，第n阶段包括3n+3层卷积层，每层卷积层有64个大小为3×3的卷积核，卷积步长为1，n＝0,1,2,3,4,5；

鉴别器包括5个卷积块，每个卷积块包括一层卷积层、一层批量正则化层和一层LeakyReLU层；卷积块中卷积层的卷积核大小为3×3。

步骤S4的具体方法包括以下子步骤：

S4-1、根据公式：

x_n＝X₀×r^{((N-1)\log(N))×log(N-n)+1}

将二值化后的水平方向图像进行5次池化下采样，得到5张池化下采样后的图像；其中x_n为第n阶段对应的池化下采样图像；N为阶段总数；X₀为二值化后的水平方向图像；r为下采样因子；在池化下采样过程中，第5阶段输入鉴别器的图像是原始输入图像，第4阶段输入鉴别器的图像是第五阶段的下采样，第3阶段输入鉴别器的图像是第4阶段的下采样，第2阶段输入鉴别器的图像是第3阶段的下采样，第1阶段输入鉴别器的图像是第2阶段的下采样，第0阶段输入鉴别器的图像是第1阶段的下采样；

S4-2、将一组随机噪音z输入生成器，生成器从第0阶段开始生成一张与随机噪音z相对应的图像

将图像

与第0阶段的池化下采样图像x₀输入鉴别器进行鉴别，反向传播两张图像之间的损失；其中并行单一图像生成对抗网络的损失函数为：

G_n为第n阶段的生成器；D_n为鉴别器；

为对抗损失；α为重构因子；

为生成器G_n生成的图像

与第n阶段的池化下采样图像x_n之间的L₂范数，即重构损失；

S4-3、判断当前阶段中的生成器是否收敛，若是则进入步骤S4-4，否则返回步骤S4-2；

S4-4、在当前生成器的基础上添加3层卷积层，并从原始的最近邻插值上采样特征中添加一个残差连接到新添加的卷积层的输出中，采用与步骤S4-2和步骤S4-3相同的方法进行生成器下一阶段的训练，直至第5阶段收敛，得到训练后的网络。

在本发明的一个实施例中，可以将打好标签的图像统一剪裁到188×250像素大小，便于后续处理。生成器的最后三个阶段在训练时可以同时进行，有利于网络的快速训练，且可以通过设置学习率的缩放因子，使前面阶段使用小的学习率，可以减少过拟合情况。

在具体实施过程中，两点领域为假设两个相邻的点进行影响，后一个点的状态只与前一个点相关，与其他点无关，由此可以计算出两点领域的条件概率。

基于MCMC方法的重建是基于条件概率的分布采样，生成的体素点在已有体素点的条件上，根据条件概率进行的随机抽样生成。影响体素点条件为该体素点周围的15-16点领域内体素，对于更远距离体素点之间的联系学习能力弱，造成对于非均质性较强的岩心孔隙和吼道全局结构的重建效果较差，生成的随机性更强，容易生成孤立的，不合理的骨架。本发明使用ConSinGAN学习岩心薄片图像的孔隙和吼道的分布，在低阶段的学习中，模型的感受野相较于输入的下采样图像尺寸较大，能学习到吼道和孔隙分布的全局结构，在高阶段的学习中，模型的感受野相较于输入的下采样图像尺寸较小，能更好得学习到图像的纹理细节。使得本发明使用的方法能够同时兼顾生成效果的全局性和细节性，在全局上，对于结构的把控能力更强，孔隙和吼道的连接性更好，对于非均质性较强的岩心也能有很好的重建效果；在细节上，基于在模型在高阶段的学习，生成的随机性得到一定的控制，生成孤立的，不合理的骨架的数量得以减少。

综上所述，本发明通过训练并行单一图像生成对抗网络模型，学习二维图像分布，结合马尔科夫链蒙特卡洛法，在三维空间重建岩心结构。本方法可以体现岩石的各向异性，对于非均质性较强岩石，也能可靠有效的还原真实岩心结构，孔隙连通性好，计算速度更快，应用范围更宽。

Claims (4)

1.一种利用二维薄片图像的数字岩心三维结构重建方法，其特征在于，包括以下步骤：

S1、获取并对水平方向岩心薄片图像和垂直方向岩心薄片图像打上标签，分别得到打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像；标签包括孔隙和吼道；

S2、将打上标签的水平方向岩心薄片图像和打上标签的垂直方向岩心薄片图像进行二值化，得到二值化后的水平方向图像和二值化后的垂直方向图像；

S3、对二值化后的垂直方向图像进行遍历扫描，按从下往上的顺序获得其两点领域的条件概率；

S4、将二值化后的水平方向图像输入并行单一图像生成对抗网络进行训练，得到训练后的网络；

S5、向训练后的网络中输入一个设定大小的第一随机噪声向量，生成一张第一水平方向重建二值图像；

S6、在当前水平方向重建二值图像的垂直方向上采用步骤S3得到的条件概率，按从下往上的顺序使用马尔科夫链蒙特卡洛法采样生成一张概率采样二值图像；

S7、将概率采样二值图像加上第二随机噪声向量输入训练后的网络，生成一张第二水平方向重建二值图像；

S8、重复步骤S6和步骤S7共P次，得到一张校正后的第二水平方向重建二值图像；

S9、将二值化后的水平方向图像、第一水平方向重建二值图像和校正后的第二水平方向重建二值图像按生成顺序依次映射到三维空间中，得到数字岩心的三维模型，完成数字岩心三维结构重建。

2.根据权利要求1所述的利用二维薄片图像的数字岩心三维结构重建方法，其特征在于，所述步骤S2中进行二值化的具体方法为：

对于图像中的岩石骨架赋值为0，图像中的中空部分赋值为1；中空部分包括孔隙和吼道。

3.根据权利要求1所述的利用二维薄片图像的数字岩心三维结构重建方法，其特征在于，所述步骤S4中并行单一图像生成对抗网络包括一个生成器和一个鉴别器；生成器和鉴别器通过前向传播和反向传播损失相连；

生成器包括第0阶段到第5阶段共6个训练阶段，第n阶段包括3n+3层卷积层，每层卷积层有64个大小为3×3的卷积核，卷积步长为1，n＝0,1,2,3,4,5；

鉴别器包括5个卷积块，每个卷积块包括一层卷积层、一层批量正则化层和一层LeakyReLU层；卷积块中卷积层的卷积核大小为3×3。

4.根据权利要求3所述的利用二维薄片图像的数字岩心三维结构重建方法，其特征在于，所述步骤S4的具体方法包括以下子步骤：

S4-1、根据公式：

x_n＝X₀×r^{((N-1)\log(N))×log(N-n)+1}

将二值化后的水平方向图像进行5次池化下采样，得到5张池化下采样后的图像；其中x_n为第n阶段对应的池化下采样图像；N为阶段总数；X₀为二值化后的水平方向图像；r为下采样因子；

S4-2、将一组随机噪音z输入生成器，生成器从第0阶段开始生成一张与随机噪音z相对应的图像

将图像

与第0阶段的池化下采样图像x₀输入鉴别器进行鉴别，反向传播两张图像之间的损失；其中并行单一图像生成对抗网络的损失函数为：

G_n为第n阶段的生成器；D_n为鉴别器；

为对抗损失；α为重构因子；

为生成器G_n生成的图像

与第n阶段的池化下采样图像x_n之间的L₂范数，即重构损失；

S4-3、判断当前阶段中的生成器是否收敛，若是则进入步骤S4-4，否则返回步骤S4-2；

S4-4、在当前生成器的基础上添加3层卷积层，并从原始的最近邻插值上采样特征中添加一个残差连接到新添加的卷积层的输出中，采用与步骤S4-2和步骤S4-3相同的方法进行生成器下一阶段的训练，直至第5阶段收敛，得到训练后的网络。

Images