CN112862710B - 一种基于Criminisi算法优化的电成像测井图像井壁复原方法 - Google Patents
一种基于Criminisi算法优化的电成像测井图像井壁复原方法 Download PDFInfo
- Publication number
- CN112862710B CN112862710B CN202110116765.1A CN202110116765A CN112862710B CN 112862710 B CN112862710 B CN 112862710B CN 202110116765 A CN202110116765 A CN 202110116765A CN 112862710 B CN112862710 B CN 112862710B
- Authority
- CN
- China
- Prior art keywords
- image
- electrical imaging
- priority
- confidence
- repaired
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000008439 repair process Effects 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013479 data entry Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 14
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241001085205 Prenanthella exigua Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000276450 Hucho Species 0.000 description 1
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了井壁复原优化算法、装置、设备及计算机可读存储介质，优化算法包括以下步骤：步骤1：获取电成像图，对图进行预处理得到待修复破损图像；步骤2：根据待修复破损图像，获取初始化的置信度和数据项；步骤3：根据置信度、数据项和图像特征轮廓的梯度项得到修复次序优先权；步骤4：根据修复次序优先权对破损图像进行修复；修复次序优先权为置信度、数据项和梯度项之和；本发明能够有效解决传统Criminisi算法修复图像造成的部分纹理或砾石边缘不完整和修复后期置信度不可靠而造成的错误修复问题；修复效果好，具有更强的可操作性。
Description
技术领域
本发明涉及图像修复技术领域，具体涉及一种基于Criminisi算法优化的电成像测井图像井壁复原方法。
背景技术
全井眼地层微电阻率扫描成像测井(FMI成像测井)，通过8个极板上的阵列电极测量环井周围192个电阻率值，并刻度成彩色或灰度图像，可以清晰地表征地层裂缝、溶洞、层理、韵律等沉积与储层信息，已成为复杂非均质储层测井评价必不可少的技术手段。而在缝洞型储层、失真的图像会严重影响裂缝识别及孔隙度的准确和定量评价。
现有的修复方法，如“基于小波变换与快速进算法的电成像数据空白带填充和响应畸变修复”(王磊，2020)，公开了融合小波变化与高阶扩展FMM数字图像修复算法；首先将存在空白带的电导率图像数据采用二抽取小波变换进行频谱分解；其次，对分解后缓变的低频分量采用高阶扩展FMM算法进行局部空白带的内插重建；再次，对高频分量通过已重建的低频部分的水平、垂直和两个对角四个方向的值进行预测重构；还有，基于重构后的高频和低频分量运用小波逆变换加权得到插值重构的电导率图像数据；但是此方法通过小波分解高频和低频，能先修复图像中变化大的部分(高频)，但是对于大面积空白带，仍然会造成边缘模糊且空白带两端出现台阶现象。
如“基于深度学习模型的测井电成像空白条带充填方法”(王哲峰，2019)；文中结合深度学习框架，提出一种基于卷积神经网络模型的空白条带充填方法，在没有大量学习样本情况下，通过优化卷积神经网络模型结构，捕获图像上的大量地层先验统计特征。实现整幅图像的结构和纹理特征信息的推理，和主流的Filtersim充填方法相比发现该方法在泥沙岩剖面和砂砾岩体的电成像充填有较好的效果。但是该方法中卷积神经网络在面对单一且规律的电成像，会表现出空白带区域模糊和部分层理对接错位的情况。并且此方法对图像的数据操作性不强，神经网络始终是一个黑匣子，通过改进参数和迭代次数总能得到一个较为不错的结果。却缺少了对电成像的特点分析和地质信息的理解。
发明内容
本发明针对现有技术存在的问题，提供一种能够有效解决传统Criminisi算法修复图像造成的部分纹理或砾石边缘不完整和修复后期置信度不可靠而造成的错误修复问题的电成像测井图像井壁复原方法。
本发明采用的技术方案是：
一种基于Criminisi算法优化的电成像测井图像井壁复原方法，包括以下步骤：
步骤1：获取电成像图，对图进行预处理得到待修复破损图像；
步骤2：根据待修复破损图像，获取初始化的置信度和数据项；
步骤3：根据置信度、数据项和图像特征轮廓的梯度项得到修复次序优先权；
步骤4：根据修复次序优先权对破损图像进行修复；
修复次序优先权为置信度、数据项和梯度项之和。
进一步的，所述电成像图分为层理类电成像图和砾石类电成像图，分别按照步骤1～4进行处理。
进一步的，所述层理类电成像图对应优先权如下：
P1(p)＝C(p)+D(p)+a|Iy(p)|
其中，P1(p)为层理类优先权，p为当前优先值最高的点，C(p)为置信度，D(p)为数据项，a为归一化常数，Iy(p)为p点的纵向梯度向量。
进一步的，所述砾石类电成像图对应优先权如下：
P2(p)＝C(p)+D(p)+λ|Ix(p)+Iy(p)|
其中，P2(p)为砾石类优先权，p为边界点，C(p)为置信度，D(p)为数据项，λ为已知参数，Ix(p)为p点的横向梯度向量，Iy(p)为p点的纵向梯度向量。
进一步的，所述砾石类电成像图采用优化后的置信度C1(p)代替传统Criminisi算法中的置信度：
C1(p)＝sqrt(1-(C(p)-1)2)
其中，C(p)为传统Criminisi算法置信度；
砾石类电成像图对应优先权如下：
P2(p)＝C1(p)+D(p)+λ|Ix(p)+Iy(p)|。
进一步的，所述层理类电成像图和砾石类电成像图预处理过程如下：
S11：对图像进行自定义二值化阈值分割，得到包含完整空白带的二值图像；
S12：将二值图像进行形态学处理，去除非空白带区域，得到只有空白带区域的二值图像；
S13：将步骤S12得到的二值图像作为掩膜，使原始电成像空白带区域设置为单色，得到待修复破损图像。
一种Criminisi算法优化的电成像测井图像井壁复原方法的井壁复原装置，包括：
图像处理模块：用于将电成像图进行预处理得到待修复破损图像；
优先权运算模块：用于根据置信度、数据项，破损图像边缘的梯度项计算得到修复次序优先权；
图像修复模块：用于根据优先权对待修复破损图像进行修复。
一种井壁复原修复设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现井壁复原方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现井壁复原方法的步骤。
本发明的有益效果是：
(1)本发明与传统Criminisi算法相比解决了层理、砾石边缘的错误修复，保证了其电成像中地质特征的完整性；
(2)本发明对置信度进行改进，解决了传统Criminsi算法后期置信度不可靠造成部分区域错误修复的问题；
(3)本发明对层理类电成像图和砾石类电成像图分别处理，复原的图像更加符合实际地层地质情况，为FMI图像(全井眼地层微电阻率扫描成像测井)信息精确定量提取及应用于地质精细解释提供了保障；
(4)本发明与插值法相比使得电成像中非均质性保留，不会造成边缘模糊的情况；与卷积神经网络和Filtersim模拟算法相比不需要大量数据训练，同时在针对地质特征规律单一的电成像图像中，达到的效果更好；与神经网络算法相比有着更强的可操作性。
附图说明
图1为本发明中Criminisi算法优先权原理图。
图2为本发明中砾石类电成像图。
图3为本发明中砾石类图像边缘切线梯度图。
图4为本发明中优化的置信度函数曲线图。
图5为采用现有小波分解的插值效果图。
图6为采用现有卷积神经网络充填效果图。
图7为本发明实施例1中层理型电成像原图。
图8为本发明实施例1中层理型电成像图进行自定义二值化阈值分隔后得到的二值图。
图9为本发明实施例1中自定义阈值二值图进行形态学处理后的二值图。
图10为本发明实施例1中层理型电成像图经过预处理得到的待修复破损图像。
图11为本发明实施例2中砾石型电成像原图。
图12为本发明实施例2中砾石型电成像图进行自定义二值化阈值分隔后得到的二值图。
图13为本发明实施例2中自定义阈值二值图进行形态学处理后的二值图。
图14为本发明实施例2中砾石型电成像图经过预处理得到的待修复破损图像。
图15为采用传统Criminisi算法复原得到的层理型电成像效果图。
图16为采用传统Criminisi算法复原得到的砾石型电成像效果图。
图17为本发明实施例1得到的复原后的层理型电成像效果图。
图18为本发明实施例2中得到的复原后的砾石型电成像效果图。
图19为本发明实施例3中得到的复原后的砾石型电成像效果图。
图20为本发明实施例1得到的复原后的层理型电成像效果图(b)和传统Criminisi算法处理得到的电成像效果对比图(a)。
图21为本发明实施例3得到的复原后的砾石型电成像效果图(c)和传统Criminisi算法处理得到的电成像效果对比图(a、b)。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
Criminisi算法是基于纹理合成的图像修复技术中常用的一种算法，该算法是以纹理块为单位的修复过程，通过置信度和数据项两个来确定破损区域边缘上像素点的修复次序，使得结构先于纹理修复，在图像的完好区域寻找最佳匹配块进行填充。该算法在修复大面积破损区域中获得了较好的效果，但优先权的计算存在一定的不足，容易受到破损区域结构纹理特征的影响，导致修复图像出现结构断裂缺陷。
传统Criminisi算法主要包括以下步骤：
(1)计算优先级
如图1所示，I为需要修复的图像，φ为图像中未受损区域，Ω为图像中的受损区域，δΩ为已知区域与受损区域的边界；p为当前优先值最高的像素点，
为以p点为中心的区域，目前该区域大多选取9×9；
为p点的等照度线方向，np为与边界正交的单位向量。
p点的优先权P(p)计算公式如下：
P(p)＝C(p)*D(p)
其中，C(p)和D(p)的计算如下：
其中，α为归一化参数，取255；
初始时对于
C(p)＝0，
C(p)＝1。
为样本块的像素个数。
(2)寻找最优修复块并填充
设优先级最高的样本块为
为图像完好区域中的样本块，最优匹配块应满足下式：
其中，
为两样本块内对应点像素颜色差值的平方和(Sum of SquaredDifferences，SSD)，在搜索到最佳匹配块
后，将
中的像素信息填充至
缺失区域的相应位置。
(3)更新
模块中的像素的置信度
每修复一个模块，那么该模块原来未知的就变成已知，于是改模块内的像素置信度发生了变化，置信度的更新方式如下：
C(p)＝C(q)
式中：
重复以上步骤，直到受损区域修复完毕。
由于层理图像中，砂泥层(明暗条带)交接处纵向上像素变化大，即纵向梯度大，砂泥层交接处区域即为纵向梯度大的区域；传统的Criminisi算法无法保证层理类电成像复原结构完整。本发明中为了保证层理类电成像复原结构完整，需要保证砂泥层交接处优先修复，对传统Criminisi算法中的优先权进行改进，得到层理型优先权和砾石型优先权。
而且由于传统的Criminisi算法修复后期置信度骤降至趋近于0使得修复后期中优先权几乎只受数据项影响。所以后期置信度不可靠。针对上述问题，对置信度进行改进，结合改进后的优先权，得到最终改进后的砾石型优先权。
本发明中提到的纵向梯度是指图像纵向上像素点的变化率，是一个矢量。边缘切线梯度指纵向梯度与横向梯度的矢量和，如图2和图3所示，图像中像素变化明显，梯度值大。
实施例1
一种基于Criminisi算法优化的电成像测井图像井壁复原方法，包括以下步骤：
步骤1：获取层理型电成像图，对图进行预处理得到待修复破损图像；
预处理过程如下：
S11：对图像如图7所示进行自定义二值化阈值分割，得到包含完整空白带的二值图像，如图8所示；由于空白带为亮白色，则对彩色图像三通道设置预制为R＞160，G＞220，B＞180。
S12：将二值图像进行形态学处理，去除非空白带区域，得到只有空白带区域的二值图像；由于非空白带区域的部分亮色区域为白色，因此采用形态学的开闭运算得到图9。此时，空白带为白色(像素值为1)，非空白带区域为黑色(像素值为0)。
S13：将步骤S12得到的二值图像作为掩膜，使原始电成像空白带区域设置为单色，得到待修复破损图像。将图9作为掩膜，使得与图7得到待修复层理图如图10所示。
步骤2：根据待修复破损图像，获取初始化的置信度和数据项；
步骤3：根据置信度、数据项和图像特征轮廓的梯度项得到修复次序优先权；
优先权如下：
P1(p)＝C(p)+D(p)+a|Iy(p)|
其中，P1(p)为层理类优先权，p为当前优先值最高的点，C(p)为置信度，D(p)为数据项，a为归一化常数，Iy(p)为p点的纵向梯度向量。
步骤4：根据修复次序优先权对破损图像进行修复，得到修复后的图像如图17。
采用传统Criminisi算法复原图10得到图15。具体的对比如图20所示。从图中可以看出传统Criminisi算法修复得到的图像造成的边缘处的对接错位；而本发明处理后的图如20(b)所示，错误修复的情况得到了解决。
实施例2
一种基于Criminisi算法优化的电成像测井图像井壁复原方法，包括以下步骤：
步骤1：获取砾石型电成像图，对图进行预处理得到待修复破损图像；
预处理过程如下：
S11：对图像如图11所示进行自定义二值化阈值分割，得到包含完整空白带的二值图像，如图12所示；由于空白带为亮白色，则对彩色图像三通道设置预制为R＞160，G＞220，B＞180。
S12：将二值图像进行形态学处理，去除非空白带区域，得到只有空白带区域的二值图像；由于非空白带区域的部分亮色区域为白色，因此采用形态学的开闭运算得到图13。此时，空白带为白色(像素值为1)，非空白带区域为黑色(像素值为0)。
S13：将步骤S12得到的二值图像作为掩膜，使原始电成像空白带区域设置为单色，得到待修复破损图像。将图13作为掩膜，使得与图11得到待修复层理图如图14所示。
步骤2：根据待修复破损图像，获取初始化的置信度和数据项；
步骤3：根据置信度、数据项和图像特征轮廓的梯度项得到修复次序优先权；
优先权如下：
P2(p)＝C(p)+D(p)+λ|Ix(p)+Iy(p)|
其中，P2(p)为砾石类优先权，p为当前优先值最高的点，C(p)为置信度，D(p)为数据项，λ为已知参数，通常取值在0.2～0.3；Ix(p)为p点的横向梯度向量，Iy(p)为p点的纵向梯度向量。
步骤4：根据修复次序优先权对破损图像进行修复，得到修复后的图像如图18。
采用传统Criminisi算法复原图14得到图16。
实施例3
一种基于Criminisi算法优化的电成像测井图像井壁复原方法，包括以下步骤：
步骤1：获取砾石型电成像图，对图进行预处理得到待修复破损图像；
预处理过程如下：
S11：对图像进行自定义二值化阈值分割，得到包含完整空白带的二值图像。
S12：将二值图像进行形态学处理，去除非空白带区域，得到只有空白带区域的二值图像；。
S13：将步骤S12得到的二值图像作为掩膜，使原始电成像空白带区域设置为单色，得到待修复破损图像。
步骤2：根据待修复破损图像，获取初始化的置信度和数据项；
步骤3：根据置信度、数据项和图像特征轮廓的梯度项得到修复次序优先权；
优先权如下：
P2(p)＝C1(p)+D(p)+λ|Ix(p)+Iy(p)|
其中，P2(p)为砾石类优先权，p为当前优先值最高的点，C1(p)为改进后的置信度，D(p)为数据项，λ为已知参数，通常取值在0.2～0.3；Ix(p)为p点的横向梯度向量，Iy(p)为p点的纵向梯度向量。
改进后的置信度如下：
C1(p)＝sqrt(1-(C(p)-1)2)
其中，C(p)为传统Criminisi算法置信度。由置信度的定义可知，在修复过程中，已知像素区域逐渐减少，使得后期置信度趋近于0，在大面积待修复区域中(宽空白带)会出现后期置信度不可靠造成错误修复的问题，为解决此现象引入如图4所示圆弧函数。使得置信度后期下降速率变缓，让修复后期的置信度在优先权中仍有较大的权重占比。同时由于圆弧函数的单调递增性不会影响原本置信度之间的相对大小关系，从而达到置信度的优化。
步骤4：根据修复次序优先权对破损图像进行修复，得到修复后的图像如图18。
将实施例2中预处理得到的图14按照实施例3中的步骤2～4所示步骤进行处理得到修复后的图19。将采用传统Criminisi算法复原图和实施例3得到的修复图进行对比如图21所示。从图中可以看出本发明修复方法能保证砾石类电成像中砾石的完整性，同时让修复后期置信度不可靠造成的纹理延伸现象得到解决。可以看出采用本发明方法使得电成像特征结构更加完整，更加符合实际地层地质情况。
本发明中的基于Criminisi算法优化的电成像测井图像井壁复原方法相较于插值法有着使得电成像中非均质性保留的优势，不会造成边缘模糊的情况；对比卷积神经网络和Filtersim模拟算法，本发明方法不需要大量数据训练，同时在针对地质特征规律单一的电成像图像中，本发明方法达到的效果更好；与神经网络算法相比有着更强的可操作性。相比较传统Criminisi算法，本发明方法解决了层理、砾石边缘的错误修复，保证了其电成像中地质特征的完整性，同时对置信度进行改进解决了传统Criminisi算法后期置信度不可靠造成部分区域错误修复的问题。本发明复原的图像更加符合实际地层地质情况，为FMI图像信息精确定量提取及应用于地质精细解释提供了保障。
Claims (7)
1.一种基于Criminisi算法优化的电成像测井图像井壁复原方法，其特征在于，包括以下步骤：所述电成像图分为层理类电成像图和砾石类电成像图，分别按照步骤1～4进行处理；
步骤1：获取电成像图，对图进行预处理得到待修复破损图像；
步骤2：根据待修复破损图像，获取初始化的置信度和数据项；
步骤3：根据置信度、数据项和图像特征轮廓的梯度项得到修复次序优先权；
步骤4：根据修复次序优先权对破损图像进行修复；
修复次序优先权为置信度、数据项和梯度项之和；
所述砾石类电成像图对应优先权如下：
P2(p)＝C(p)+D(p)+λ|Ix(p)+Iy(p)|
其中，P2(p)为砾石类优先权，p为边界点，C(p)为置信度，D(p)为数据项，λ为已知参数，Ix(p)为p点的横向梯度向量，Iy(p)为p点的纵向梯度向量。
2.根据权利要求1所述的一种基于Criminisi算法优化的电成像测井图像井壁复原方法，其特征在于，所述层理类电成像图对应优先权如下：
P1(p)＝C(p)+D(p)+a|Iy(p)|
其中，P1(p)为层理类优先权，p为当前优先值最高的点，C(p)为置信度，D(p)为数据项，a为归一化常数，Iy(p)为p点的纵向梯度向量。
3.根据权利要求1所述的一种基于Criminisi算法优化的电成像测井图像井壁复原方法，其特征在于，所述砾石类电成像图采用优化后的置信度C1(p)代替传统Criminisi算法中的置信度：
C1(p)＝sqrt(1-(C(p)-1)2)
其中，C(p)为传统Criminisi算法置信度；
对应优先权如下：
P2(p)＝C1(p)+D(p)+λ|Ix(p)+Iy(p)|。
4.根据权利要求1所述的一种基于Criminisi算法优化的电成像测井图像井壁复原方法，其特征在于，所述层理类电成像图和砾石类电成像图预处理过程如下：
S11：对图像进行自定义二值化阈值分割，得到包含完整空白带的二值图像；
S12：将二值图像进行形态学处理，去除非空白带区域，得到只有空白带区域的二值图像；
S13：将步骤S12得到的二值图像作为掩膜，使原始电成像空白带区域设置为单色，得到待修复破损图像。
5.一种采用权利要求1～4所述任一项基于Criminisi算法优化的电成像测井图像井壁复原方法的井壁复原装置，其特征在于，包括：
图像处理模块：用于将电成像图进行预处理得到待修复破损图像；
优先权运算模块：用于根据置信度、数据项，图像特征轮廓的梯度项计算得到修复次序优先权；
图像修复模块：用于根据优先权对待修复破损图像进行修复。
6.一种井壁复原修复设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1～4任一项所述井壁复原方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～4任一项所述井壁复原方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110116765.1A CN112862710B (zh) | 2021-01-28 | 2021-01-28 | 一种基于Criminisi算法优化的电成像测井图像井壁复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110116765.1A CN112862710B (zh) | 2021-01-28 | 2021-01-28 | 一种基于Criminisi算法优化的电成像测井图像井壁复原方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862710A CN112862710A (zh) | 2021-05-28 |
| CN112862710B true CN112862710B (zh) | 2022-03-25 |
Family
ID=75987466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110116765.1A Active CN112862710B (zh) | 2021-01-28 | 2021-01-28 | 一种基于Criminisi算法优化的电成像测井图像井壁复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862710B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296150B (zh) * | 2021-07-02 | 2022-06-10 | 清华大学 | 一种测井约束下的高维闭环网络地震反演方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102760285A (zh) * | 2012-05-31 | 2012-10-31 | 河海大学 | 一种图像修复方法 |
| US8897600B1 (en) * | 2013-12-20 | 2014-11-25 | I.R.I.S. | Method and system for determining vanishing point candidates for projective correction |
| CN105678712A (zh) * | 2016-01-29 | 2016-06-15 | 陕西师范大学 | 结合自适应梯度分块和等距变换的改进Criminisi图像修复方法 |
| CN108346135A (zh) * | 2018-03-12 | 2018-07-31 | 湖南理工学院 | 一种改进的Criminisi图像修复方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8515137B2 (en) * | 2010-05-03 | 2013-08-20 | Microsoft Corporation | Generating a combined image from multiple images |
| CN102117481B (zh) * | 2011-03-17 | 2012-11-28 | 西安交通大学 | 一种破损图像自动数字化修复的方法 |
| EP2547111B1 (en) * | 2011-07-12 | 2017-07-19 | Samsung Electronics Co., Ltd. | Method and apparatus for processing multi-view image using hole rendering |
| GB201215944D0 (en) * | 2012-09-06 | 2012-10-24 | Univ Manchester | Image processing apparatus and method for fittng a deformable shape model to an image using random forests |
| CN103700093A (zh) * | 2013-12-03 | 2014-04-02 | 杭州电子科技大学 | 一种基于纹理和边缘特征的Criminisi图像修复方法 |
| CN109785250B (zh) * | 2018-12-24 | 2023-05-12 | 西安工程大学 | 一种基于Criminisi算法的图像修复方法 |
| CN110335283A (zh) * | 2019-07-10 | 2019-10-15 | 广东工业大学 | 图像修复方法、装置、设备以及计算机可读存储介质 |
-
2021
- 2021-01-28 CN CN202110116765.1A patent/CN112862710B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102760285A (zh) * | 2012-05-31 | 2012-10-31 | 河海大学 | 一种图像修复方法 |
| US8897600B1 (en) * | 2013-12-20 | 2014-11-25 | I.R.I.S. | Method and system for determining vanishing point candidates for projective correction |
| CN105678712A (zh) * | 2016-01-29 | 2016-06-15 | 陕西师范大学 | 结合自适应梯度分块和等距变换的改进Criminisi图像修复方法 |
| CN108346135A (zh) * | 2018-03-12 | 2018-07-31 | 湖南理工学院 | 一种改进的Criminisi图像修复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862710A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
| CN101661613B (zh) | 一种基于图像分割的图像修复方法及系统 | |
| Akarsu et al. | A fast and adaptive road defect detection approach using computer vision with real time implementation | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN107507146B (zh) | 一种自然图像软阴影消除方法 | |
| CN109829867B (zh) | 一种针对稳定填充的球形收敛样本块修复方法 | |
| CN115147401B (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
| CN112862710B (zh) | 一种基于Criminisi算法优化的电成像测井图像井壁复原方法 | |
| CN113436124B (zh) | 一种应用于海洋雾天环境下的单图像去雾方法 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN110544204A (zh) | 一种基于块匹配的图像拼接方法 | |
| CN114418886A (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
| CN115205151A (zh) | 基于大气散射模型的采煤工作面尘雾图像清晰化方法 | |
| CN107507139B (zh) | 基于Facet方向导数特征的样例双重稀疏图像修复方法 | |
| CN113947538A (zh) | 一种多尺度高效卷积自注意力单幅图像除雨方法 | |
| CN107993193B (zh) | 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法 | |
| CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| CN116758080A (zh) | 一种太阳能电池片丝网印刷缺陷检测方法及系统 | |
| CN111105377A (zh) | 一种对微电阻率成像图像的修复方法 | |
| CN109948291A (zh) | 一种砂体不连续界线方向自适应识别方法 | |
| CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
| CN115526795A (zh) | 一种基于区域匹配和颜色迁移的无人机图像阴影补偿方法 | |
| Shi et al. | Low dimensional manifold model with semi-local patches | |
| CN109359654B (zh) | 基于频率调谐全局显著度和深度学习的图像分割方法及系统 | |
| CN111311527A (zh) | 基于内容感知生成模型的图像修复方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230719 Address after: 100020 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Address before: 610500, Xindu Avenue, Xindu District, Sichuan, Chengdu, 8 Patentee before: SOUTHWEST PETROLEUM University |
|
| TR01 | Transfer of patent right |