CN113327210A - 测井图像填补方法、装置、介质及电子设备 - Google Patents

测井图像填补方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN113327210A
CN113327210A CN202110740436.4A CN202110740436A CN113327210A CN 113327210 A CN113327210 A CN 113327210A CN 202110740436 A CN202110740436 A CN 202110740436A CN 113327210 A CN113327210 A CN 113327210A
Authority
CN
China
Prior art keywords
image
logging
mask
target
logging image
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
Application number
CN202110740436.4A
Other languages
English (en)
Other versions
CN113327210B (zh
Inventor
黄琳
范川
王显南
侯振学
陈鸣
徐大年
周全
李炜
王俊华
张志强
张传举
张伟
李恒
王冬冬
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.)
China Oilfield Services Ltd
Original Assignee
China Oilfield Services Ltd
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 China Oilfield Services Ltd filed Critical China Oilfield Services Ltd
Priority to CN202110740436.4A priority Critical patent/CN113327210B/zh
Publication of CN113327210A publication Critical patent/CN113327210A/zh
Application granted granted Critical
Publication of CN113327210B publication Critical patent/CN113327210B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及图像处理领域，揭示了一种测井图像填补方法、装置、介质及电子设备。该方法包括：获取多个填补后测井图像；随机生成与填补后测井图像对应的掩膜图像；将填补后测井图像和掩膜图像输入至测井图像填补模型，以对测井图像填补模型进行训练，得到训练好的测井图像填补模型；获取待填补的目标测井图像；生成与所述目标测井图像对应的目标掩膜图像；将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。此方法可以实现对测井图像的自动填补，在保证填补质量的同时，提高了填补测井图像的效率，降低了填补成本。

Description

测井图像填补方法、装置、介质及电子设备
技术领域
本公开涉及图像处理技术领域，特别涉及一种测井图像填补方法、装置、介质及电子设备。
背景技术
在测井工程中，测井图像能较为直观和清晰地反映井身的结构、特征。可以更容易地处理常规测井难以解决的地质问题。但由于井身结构和现有的微电阻率成像测井仪器的原因，在测量时仪器将处于张开状态，造成井壁声电图像扫描时，无法完全扫描并采集到井身的全图像，会导致图像上出现间隔性的缺失区域空白条，造成部分信息缺失，不利于后期图像的处理与地质现象的识别。
声电成像测井数字图像的缺失区域空白条填充属于图像修复的范畴，即利用图像中非缺失信息去修复图像中缺失区域。
然而，目前主要采用人工的方式来填补声电成像测井数字图像，效率低，成本高，若修复人员的经验不足，还会导致填补质量差。
发明内容
在图像处理技术领域，为了解决上述技术问题，本公开的目的在于提供一种测井图像填补方法、装置、介质及电子设备。
根据本公开的一方面，提供了一种测井图像填补方法，所述方法包括：
获取多个填补后测井图像；
针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像；
将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型，其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实；
获取待填补的目标测井图像；
生成与所述目标测井图像对应的目标掩膜图像；
将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
根据本公开的另一方面，提供了一种测井图像填补装置，所述装置包括：
第一获取模块，被配置为获取多个填补后测井图像；
第一生成模块，被配置为针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像；
训练模块，被配置为将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型，其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实；
第二获取模块，被配置为获取待填补的目标测井图像；
第二生成模块，被配置为生成与所述目标测井图像对应的目标掩膜图像；
输入模块，被配置为将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
根据本公开的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。
根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
对于本公开所提供的测井图像填补方法、装置、介质及电子设备，该方法包括如下步骤：获取多个填补后测井图像；针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像；将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型，其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实；获取待填补的目标测井图像；生成与所述目标测井图像对应的目标掩膜图像；将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
此方法下，通过先生成填补后测井图像对应的掩膜图像，然后利用填补后测井图像和掩膜图像训练得到训练好的测井图像填补模型，并且测井图像填补模型包括生成模块和鉴别模块，因而训练好的测井图像填补模型可以对测井图像进行准确填补；在对待填补的目标测井图像进行填补时，还对应生成目标掩膜图像，并连同待填补的目标测井图像一起输入至训练好的测井图像填补模型中进行填补。因而可以实现对测井图像的自动填补，在保证填补质量的同时，提高了填补测井图像的效率，降低了填补成本。
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
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种测井图像填补方法的系统架构示意图；
图2是根据一示例性实施例示出的一种测井图像填补方法的流程图；
图3A是根据另一示例性实施例示出的一种测井图像填补方法的流程图；
图3B是根据图3A实施例对应示出的训练测井图像填补模型的流程图；
图3C是根据图3A实施例对应示出的对待填补测井图像进行填补的流程图；
图4是根据一示例性实施例示出的一种测井图像填补装置的框图；
图5是根据一示例性实施例示出的一种实现上述测井图像填补方法的电子设备示例框图；
图6是根据一示例性实施例示出的一种实现上述测井图像填补方法的程序产品。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本公开首先提供了一种测井图像填补方法。这里的测井图像可以是基于各种技术原理生成的能够反映地球物理参数的图像。比如，测井图像可以为声电成像技术生成的测井数字图像。如前所述，声电成像测井数字图像中常常存在不规则的缺失区域，因此需要对这些缺失区域进行填补(也可以称为修复)，以利于后期图像的处理与对地质现象的识别。目前这些缺失区域常常由人工进行修复或填补，不仅成本高、效率低，而且填补质量也难以保证。而本公开提供的测井图像填补方法则可以自动准确地实现对测井图像的填补。
本公开的实施终端可以是任何具有运算、处理以及通信功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施或者服务器集群。
可选地，本公开的实施终端可以为服务器或者云计算的物理基础设施。
图2是根据一示例性实施例示出的一种测井图像填补方法的流程图。本实施例提供的测井图像填补方法可以由服务器执行，如图2所示，包括以下步骤：
步骤210，获取多个填补后测井图像。
填补后测井图像即为由人工对存在缺失部分的测井图像进行细致修复完成后得到的完整测井图像。填补后测井图像基本与真实的完整测井图像一致。
多个填补后测井图像组成填补后测井图像样本集Xs＝(X1，X2，…，Xn)，Xs为由n张填补后测井图像组成的填补后测井图像样本集。
步骤220，针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像。
针对各填补后测井图像对应生成的掩膜图像的数量可以相同，也可以不同。
针对各填补后测井图像对应生成的掩膜图像的集合为：
xs＝{(x11，x12，…，x1m)，(x21，x22，…，x2m)，…，(xn1，xn2，…，xnm)}，
xs为n张填补后测井图像对应的m个掩膜图像的集合。
掩膜图像由白色区域和黑色区域组成，其大小与对应的填补后测井图像一致。掩膜图像遮盖到对应的填补后测井图像后，黑色区域所遮盖的部分露出，而白色区域所遮盖的部分被白色区域覆盖。
可以利用各种规则或算法随机生成与填补后测井图像对应的掩膜图像，通过为各填补后测井图像对应生成多个掩膜图像，可以模拟更多的存在缺失部分的测井图像，使模型在后续可以进行更充分地学习。
在一个实施例中，所述针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像，包括：
获取用于随机生成掩膜图像的第二组超参数，所述第二组超参数包括掩膜图像数量和掩膜区域大小阈值；
针对每一填补后测井图像，根据所述掩膜图像数量和所述掩膜区域大小阈值随机生成与该填补后测井图像对应的多个掩膜图像。
也就是说，在本实施例中，为填补后测井图像生成的掩膜图像的数量等于第二组超参数中的掩膜图像数量，并且各掩膜图像中掩膜区域的大小在掩膜区域大小阈值范围内。
在本实施例中，通过根据第二组超参数中的掩膜图像数量和掩膜区域大小阈值进行掩膜图像的生成，使得生成的掩膜图像更合理。
步骤230，将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型。
其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实。
在一个实施例中，所述测井图像填补模型包括多个依次首尾连接的生成模块。
通过设置多个生成模块，各生成模块可分别用于生成不同清晰度的测井图像，可以提高模型的可靠性。
在一个实施例中，所述生成模块包括编码器和解码器，所述编码器和所述解码器均包括多层门控卷积层。
门控卷积层可以通过如下的公式表示：
Gatingy，x＝∑∑Wg·I，
Featurey，x＝∑∑Wf·I，
Figure BDA0003141216290000061
其中，σ为sigmoid函数，
Figure BDA0003141216290000062
可以为ReLU、ELU和LeakyReLU等任意的激活函数，I为输入，Oy，x为输出，Wg和Wf为两个不同的卷积滤波器，x和y为输出图在x轴和y轴的空间位置。
因此，门控卷积层可以捕捉到深层的特征图信息，学习到一个用于特征图中每个通道和每个位置的动态特征选择机制，通过该机制可以更好地对测井图像进行填补。
图1是根据一示例性实施例示出的一种测井图像填补方法的系统架构示意图。请参见图1，测井图像填补模型包括生成模块120和鉴别模块130，生成模块120包括编码器121和解码器122，编码器121包括多层正向的门控卷积层，解码器122包括多层反向的门控卷积层，各门控卷积层可以直接相互堆叠，也可以与带泄露的线性整流激活函数层和/或批规范化层相互堆叠；鉴别模块130包括多层相互堆叠的卷积层和位于最后的分类层。
在对测井图像填补模型进行训练的过程中，填补后测井图像102和对应的掩膜图像101输入至编码器121后，由编码器121进行图像压缩，得到压缩后的特征图，并由解码器122基于输入的压缩后的特征图而输出完整的测井图像105；填补后测井图像102和完整的测井图像105还会被输入至鉴别模块130中，鉴别模块130用于输出判断结果106，该判断结果106表征被输入至鉴别模块130的填补后测井图像102或完整的测井图像105是否真实。
因此，对生成模块120的训练目标为使生成模块120输出的完整的测井图像105被输入至鉴别模块130后，鉴别模块130判定该完整的测井图像105为真实；对鉴别模块130的训练目标为使鉴别模块130能够正确判断填补后测井图像102和完整的测井图像105是否为真实。
为此，采用如下损失函数对测井图像填补模型进行训练。
在一个实施例中，对所述测井图像填补模型进行训练所使用的损失函数包括填补损失，所述填补损失为用于衡量所述填补后测井图像与所述生成模块对应生成的完整的测井图像之间差异的指标。
在一个实施例中，对所述测井图像填补模型进行训练所使用的损失函数包括对抗损失，所述对抗损失为用于衡量所述鉴别模块根据所述填补后测井图像的输入而由所述鉴别模块的中间层输出的第一特征图与根据所述完整的测井图像的输入而由所述鉴别模块的中间层输出的第二特征图之间差异的指标。
其中，鉴别模块的中间层可以为鉴别模块中除第一层和分类层之外的任意一层，通过比较鉴别模块的中间层输出的特征图之间的差异，由于特征图中含有更多的信息，因而可以准确地学习到测井图像中的信息，并保证训练的稳定性。
具体来说，填补损失和对抗损失可以利用如下的表达式计算：
Loss1＝||Itrain-Itrue||，
Loss2＝||f(Itrain)-f(Itrue)||，
其中，Loss1为填补损失，Loss2为对抗损失，Itrue为填补后测井图像的图像矩阵，Itrain为由生成模块根据填补后测井图像对应生成的完整的测井图像的图像矩阵，f(x)为鉴别模块的中间层及之前的部分。
Loss1和Loss2均为用于衡量数据之间差异的指标，实际使用时，可以利用包括但不限于欧式距离、均方误差、汉明距离、余弦相似度等方式进行度量。
通过利用填补损失训练模型，可以使所述生成模块生成的完整的测井图像与原始的填补后测井图像足够相似；通过利用对抗损失训练模型，则可以使生成模块和鉴别模块相互博弈，生成模块的生成能力和鉴别模块的鉴别能力逐渐提升，使生成模块生成的完整的测井图像足够真实。
实际训练时，可以通过使填补损失最小化，即通过最小化Loss1的方式训练生成模块的参数；还可以通过使对抗损失最小化，即通过最小化Loss2的方式训练鉴别模块的参数。
测井图像填补模型的整体损失为L＝αLoss1+βLoss2，其中，α和β为权重系数。当测井图像填补模型的整体损失小于预定训练损失阈值时，结束训练，得到训练好的测井图像填补模型；否则，利用上述损失函数继续对测井图像填补模型进行训练。
在一个实施例中，所述测井图像填补模型中的鉴别模块利用谱归一化进行训练。
具体来说，可以对鉴别模块中卷积核的参数进行谱归一化。谱归一化使得鉴别模块满足了利普希茨连续性，限制了函数变化的剧烈程度，从而使模型更稳定。
步骤240，获取待填补的目标测井图像。
待填补的目标测井图像中存在缺失部分，需要对该缺失部分进行填补和修复。
步骤250，生成与所述目标测井图像对应的目标掩膜图像。
请继续参见图1，该系统架构除了包括测井图像填补模型之外，还包括掩膜图像生成模块110，待填补的目标测井图像103输入至掩膜图像生成模块110之后，待填补的目标测井图像103通过执行步骤250，生成目标掩膜图像104。
在一个实施例中，所述生成与所述目标测井图像对应的目标掩膜图像包括：
获取用于生成目标掩膜图像的第一组超参数，所述第一组超参数包括预定像素阈值和预定尺寸阈值；
执行区域提取步骤，所述区域提取步骤包括：从所述目标测井图像中提取由像素值高于预定像素阈值的像素点构成的区域，并将所述区域中的像素点置为白色；
将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，得到掩膜区域；
根据所述掩膜区域对应的图像矩阵与所述目标测井图像中与所述掩膜区域的位置相对应的区域的图像矩阵，确定掩膜损失值；
若所述掩膜损失值小于或等于预定掩膜损失阈值，则生成与所述掩膜区域对应的掩膜图像，否则，调整所述第一组超参数，并基于调整后的所述第一组超参数继续执行所述区域提取步骤及之后的步骤。
通过上述实施例实现了对目标掩膜图像的有效提取。
易于理解，此处对目标测井图像的处理可以理解为对所述目标测井图像的副本进行处理，并不会对原有的所述目标测井图像造成改变。
所述区域提取步骤即在目标测井图像中提取颜色较浅的区域。在实际操作时，还可以将目标测井图像转换为灰度图像，并根据灰度值进行区域提取。
连续完整子区域中任意两个像素点直接连通，或通过该连续完整子区域内的其他像素点相连通，并且一个连续完整子区域中的像素点与其他连续完整子区域中的像素点不连通，将区域中尺寸小于预定尺寸阈值的连续完整子区域消除的过程即为去噪的过程，此过程通过图像腐蚀对提取到的颜色较浅的区域中的较小区域进行了消除。
掩膜损失值用于衡量所述掩膜区域对应的图像矩阵跟所述目标测井图像中与所述掩膜区域的位置相对应的区域的图像矩阵之间的差异，掩膜损失值可利用如下表达式进行计算：
Lossmask＝||Imask-Itruemask||，
其中，Lossmask为掩膜损失值，Imask为掩膜区域对应的图像矩阵，Itruemask为目标测井图像中与所述掩膜区域的位置相对应的区域的图像矩阵。
与前面所说的Loss1和Loss2类似，Lossmask也可以利用欧式距离等方式进行度量。
在一个实施例中，所述第一组超参数还包括扩张系数阈值，所述将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，得到掩膜区域，包括：
将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，并根据所述扩张系数阈值对消除了所述连续完整子区域的所述区域进行扩展操作，得到掩膜区域。
进行扩展操作即相当于进行了图像膨胀和恢复操作并扩大了该区域。由于工程上的因素，如果未进行扩展操作，得到的掩膜区域可能无法充分覆盖测井图像中的缺失部分，因而通过进行扩展操作可提高生成的掩膜区域的完整性。
步骤260，将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
请继续参见图1，将掩膜图像生成模块110输出的目标掩膜图像104和待填补的目标测井图像103一起输入至测井图像填补模型的生成模块120中。
训练好的测井图像填补模型根据与目标测井图像对应的目标掩膜图像可准确确定需要修复的位置，进而对目标测井图像进行有效修复。
图3A是根据另一示例性实施例示出的一种测井图像填补方法的流程图；
图3B是根据图3A实施例对应示出的训练测井图像填补模型的流程图；图3C是根据图3A实施例对应示出的对待填补测井图像进行填补的流程图。下面通过图3A-图3C对本公开实施例提供的测井图像填补方法进行进一步说明。
首先，对待填补声电成像测井数字图像进行填补，得到人工填补后的完整图像Xs，并根据人工填补后的完整图像Xs对应生成随机掩膜xs；接下来，利用人工填补后的完整图像Xs和随机掩膜xs训练测井图像填补模型，得到训练好的测井图像填补模型；然后，根据待填补声电成像测井数字图像生成缺失区域的掩膜；最后，将待填补声电成像测井数字图像和缺失区域的掩膜输入至训练好的测井图像填补模型中，得到声电成像测井数字图像填补结果。
测井图像填补模型的具体训练过程为：将人工填补后的完整图像Xs和对应生成的随机掩膜xs输入至测井图像填补模型，对测井图像填补模型中的生成模块和鉴别模块进行训练，并判断模型的损失值是否满足预设训练损失阈值，如果是，则获得训练好的测井图像填补模型，否则，继续利用人工填补后的完整图像Xs对测井图像填补模型进行训练。
对待填补声电成像测井数字图像进行填补的具体过程为：获得待填补声电成像测井数字图像后，首先，通过图像阈值分割、腐蚀、膨胀来识别出缺失区域作为掩膜；接着，通过掩膜及其对应的缺失图像区域计算掩膜损失值，如果掩膜损失值＞预定掩膜损失阈值，则重新为待填补声电成像测井数字图像生成掩膜，否则将掩膜和待填补声电成像测井数字图像输入至训练好的测井图像填补模型，最终得到由模型输出的填补后的完整声电成像测井数字图像。
综上所述，根据图2实施例提供的测井图像填补方法，通过先生成填补后测井图像对应的掩膜图像，然后利用填补后测井图像和掩膜图像训练得到训练好的测井图像填补模型，并且测井图像填补模型包括生成模块和鉴别模块，因而训练好的测井图像填补模型可以对测井图像进行准确填补；在对待填补的目标测井图像进行填补时，还对应生成目标掩膜图像，并连同待填补的目标测井图像一起输入至训练好的测井图像填补模型中进行填补。因而可以实现对测井图像的自动填补，在保证填补质量的同时，提高了填补测井图像的效率，降低了填补成本。
本公开还提供了一种测井图像填补装置，以下是本公开的装置实施例。
图4是根据一示例性实施例示出的一种测井图像填补装置的框图。如图4所示，装置400包括：
第一获取模块410，被配置为获取多个填补后测井图像；
第一生成模块420，被配置为针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像；
训练模块430，被配置为将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型，其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实；
第二获取模块440，被配置为获取待填补的目标测井图像；
第二生成模块450，被配置为生成与所述目标测井图像对应的目标掩膜图像；
输入模块460，被配置为将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
可选地，第二生成模块进一步被配置为：获取用于生成目标掩膜图像的第一组超参数，所述第一组超参数包括预定像素阈值和预定尺寸阈值；
执行区域提取步骤，所述区域提取步骤包括：从所述目标测井图像中提取由像素值高于预定像素阈值的像素点构成的区域，并将所述区域中的像素点置为白色；
将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，得到掩膜区域；
根据所述掩膜区域对应的图像矩阵与所述目标测井图像中与所述掩膜区域的位置相对应的区域的图像矩阵，确定掩膜损失值；
若所述掩膜损失值小于或等于预定掩膜损失阈值，则生成与所述掩膜区域对应的掩膜图像，否则，调整所述第一组超参数，并基于调整后的所述第一组超参数继续执行所述区域提取步骤及之后的步骤。
可选地，所述第一组超参数还包括扩张系数阈值；
第二生成模块进一步被配置为：将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，并根据所述扩张系数阈值对消除了所述连续完整子区域的所述区域进行扩展操作，得到掩膜区域。
可选地，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实
可选地，所述测井图像填补模型中的生成模块包括编码器和解码器，所述编码器和所述解码器均包括多层门控卷积层；
所述测井图像填补模型中的鉴别模块利用谱归一化进行训练。
可选地，对所述测井图像填补模型进行训练所使用的损失函数包括填补损失，所述填补损失为用于衡量所述填补后测井图像与所述生成模块对应生成的完整的测井图像之间差异的指标。
可选地，第一生成模块进一步被配置为：获取用于随机生成掩膜图像的第二组超参数，所述第二组超参数包括掩膜图像数量和掩膜区域大小阈值；
针对每一填补后测井图像，根据所述掩膜图像数量和所述掩膜区域大小阈值随机生成与该填补后测井图像对应的多个掩膜图像。
综上所述，根据图4实施例提供的测井图像填补装置，通过先生成填补后测井图像对应的掩膜图像，然后利用填补后测井图像和掩膜图像训练得到训练好的测井图像填补模型，并且测井图像填补模型包括生成模块和鉴别模块，因而训练好的测井图像填补模型可以对测井图像进行准确填补；在对待填补的目标测井图像进行填补时，还对应生成目标掩膜图像，并连同待填补的目标测井图像一起输入至训练好的测井图像填补模型中进行填补。因而可以实现对测井图像的自动填补，在保证填补质量的同时，提高了填补测井图像的效率，降低了填补成本。
根据本公开的第三方面，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)521和/或高速缓存存储单元522，还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524，这样的程序模块525包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行，比如与显示单元540通信。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的第四方面，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言一诸如Java、C++等，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
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执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种测井图像填补方法，其特征在于，所述方法包括：
获取多个填补后测井图像；
针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像；
将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型，其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实；
获取待填补的目标测井图像；
生成与所述目标测井图像对应的目标掩膜图像；
将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
2.根据权利要求1所述的方法，其特征在于，所述生成与所述目标测井图像对应的目标掩膜图像包括：
获取用于生成目标掩膜图像的第一组超参数，所述第一组超参数包括预定像素阈值和预定尺寸阈值；
执行区域提取步骤，所述区域提取步骤包括：从所述目标测井图像中提取由像素值高于预定像素阈值的像素点构成的区域，并将所述区域中的像素点置为白色；
将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，得到掩膜区域；
根据所述掩膜区域对应的图像矩阵与所述目标测井图像中与所述掩膜区域的位置相对应的区域的图像矩阵，确定掩膜损失值；
若所述掩膜损失值小于或等于预定掩膜损失阈值，则生成与所述掩膜区域对应的掩膜图像，否则，调整所述第一组超参数，并基于调整后的所述第一组超参数继续执行所述区域提取步骤及之后的步骤。
3.根据权利要求2所述的方法，其特征在于，所述第一组超参数还包括扩张系数阈值，所述将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，得到掩膜区域，包括：
将所述区域中尺寸小于预定尺寸阈值的连续完整子区域消除，并根据所述扩张系数阈值对消除了所述连续完整子区域的所述区域进行扩展操作，得到掩膜区域。
4.根据权利要求1所述的方法，其特征在于，所述生成模块包括编码器和解码器，所述编码器和所述解码器均包括多层门控卷积层。
5.根据权利要求4所述的方法，其特征在于，所述测井图像填补模型中的鉴别模块利用谱归一化进行训练。
6.根据权利要求1所述的方法，其特征在于，对所述测井图像填补模型进行训练所使用的损失函数包括填补损失，所述填补损失为用于衡量所述填补后测井图像与所述生成模块对应生成的完整的测井图像之间差异的指标。
7.根据权利要求1-6任意一项所述的方法，其特征在于，所述针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像，包括：
获取用于随机生成掩膜图像的第二组超参数，所述第二组超参数包括掩膜图像数量和掩膜区域大小阈值；
针对每一填补后测井图像，根据所述掩膜图像数量和所述掩膜区域大小阈值随机生成与该填补后测井图像对应的多个掩膜图像。
8.一种测井图像填补装置，其特征在于，所述装置包括：
第一获取模块，被配置为获取多个填补后测井图像；
第一生成模块，被配置为针对每一填补后测井图像，随机生成与该填补后测井图像对应的多个掩膜图像；
训练模块，被配置为将所述填补后测井图像和对应的掩膜图像输入至测井图像填补模型，以对所述测井图像填补模型进行训练，得到训练好的测井图像填补模型，其中，所述测井图像填补模型包括生成模块和鉴别模块，所述生成模块用于根据遮盖了对应的掩膜图像的所述填补后测井图像生成完整的测井图像，所述鉴别模块用于判别输入的测井图像是否真实；
第二获取模块，被配置为获取待填补的目标测井图像；
第二生成模块，被配置为生成与所述目标测井图像对应的目标掩膜图像；
输入模块，被配置为将所述目标测井图像和所述目标掩膜图像输入至所述训练好的测井图像填补模型，得到由所述训练好的测井图像填补模型输出的与所述目标测井图像对应的目标填补后测井图像。
9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。
CN202110740436.4A 2021-06-30 2021-06-30 测井图像填补方法、装置、介质及电子设备 Active CN113327210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740436.4A CN113327210B (zh) 2021-06-30 2021-06-30 测井图像填补方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740436.4A CN113327210B (zh) 2021-06-30 2021-06-30 测井图像填补方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN113327210A true CN113327210A (zh) 2021-08-31
CN113327210B CN113327210B (zh) 2023-04-07

Family

ID=77425253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740436.4A Active CN113327210B (zh) 2021-06-30 2021-06-30 测井图像填补方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN113327210B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885787A (zh) * 2018-07-06 2018-11-23 深圳前海达闼云端智能科技有限公司 训练图像修复模型的方法、图像修复方法、装置、介质及设备
CN109389128A (zh) * 2018-08-24 2019-02-26 中国石油天然气股份有限公司 电成像测井图像特征自动提取方法及装置
CN109816011A (zh) * 2019-01-21 2019-05-28 厦门美图之家科技有限公司 生成人像分割模型的方法和视频关键帧提取方法
CN110660066A (zh) * 2019-09-29 2020-01-07 Oppo广东移动通信有限公司 网络的训练方法、图像处理方法、网络、终端设备及介质
CN111080540A (zh) * 2019-12-05 2020-04-28 深圳大学 一种图像修复模型的训练方法和计算机设备
CN111105377A (zh) * 2019-12-19 2020-05-05 西南石油大学 一种对微电阻率成像图像的修复方法
CN112508821A (zh) * 2020-12-21 2021-03-16 南阳师范学院 一种基于定向回归损失函数的立体视觉虚拟图像空洞填补方法
CN112614066A (zh) * 2020-12-23 2021-04-06 文思海辉智科科技有限公司 图像修复方法、装置及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885787A (zh) * 2018-07-06 2018-11-23 深圳前海达闼云端智能科技有限公司 训练图像修复模型的方法、图像修复方法、装置、介质及设备
CN109389128A (zh) * 2018-08-24 2019-02-26 中国石油天然气股份有限公司 电成像测井图像特征自动提取方法及装置
CN109816011A (zh) * 2019-01-21 2019-05-28 厦门美图之家科技有限公司 生成人像分割模型的方法和视频关键帧提取方法
CN110660066A (zh) * 2019-09-29 2020-01-07 Oppo广东移动通信有限公司 网络的训练方法、图像处理方法、网络、终端设备及介质
CN111080540A (zh) * 2019-12-05 2020-04-28 深圳大学 一种图像修复模型的训练方法和计算机设备
CN111105377A (zh) * 2019-12-19 2020-05-05 西南石油大学 一种对微电阻率成像图像的修复方法
CN112508821A (zh) * 2020-12-21 2021-03-16 南阳师范学院 一种基于定向回归损失函数的立体视觉虚拟图像空洞填补方法
CN112614066A (zh) * 2020-12-23 2021-04-06 文思海辉智科科技有限公司 图像修复方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈建华等: "深度神经网络模型在测井电成像图像处理中的应用", 《信息技术及图像处理》 *

Also Published As

Publication number Publication date
CN113327210B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110866471A (zh) 人脸图像质量评价方法及装置、计算机可读介质、通信终端
Kadam et al. Detection and localization of multiple image splicing using MobileNet V1
CN112329696A (zh) 人脸活体检测方法、系统、设备及存储介质
CN110781413B (zh) 兴趣点确定方法及装置、存储介质、电子设备
CN110991284B (zh) 一种基于场景预分类的光学遥感图像语句描述生成方法
CN111428557A (zh) 基于神经网络模型的手写签名的自动校验的方法和装置
CN110458011A (zh) 端到端的文字识别方法及装置、计算机设备及可读介质
CN112560710B (zh) 一种用于构建指静脉识别系统的方法及指静脉识别系统
CN115311618A (zh) 一种基于深度学习和对象匹配的装配质量检查方法
CN115546171A (zh) 一种基于关注阴影边界和特征校正的阴影检测方法及设备
CN116630183A (zh) 一种基于生成式对抗网络的文字图像修复方法
CN111444802A (zh) 一种人脸识别方法、装置及智能终端
CN111161238A (zh) 图像质量评价方法及装置、电子设备、存储介质
CN110909889A (zh) 一种基于特征分布的训练集生成、模型训练方法及装置
CN113327210B (zh) 测井图像填补方法、装置、介质及电子设备
CN115601759A (zh) 端到端文本识别方法、装置、设备及存储介质
CN115131291A (zh) 对象计数模型的训练方法、装置、设备以及存储介质
CN112346126B (zh) 低级序断层的识别方法、装置、设备及可读存储介质
CN115049546A (zh) 样本数据处理方法、装置、电子设备及存储介质
CN114782983A (zh) 基于改进特征金字塔和边界损失的道路场景行人检测方法
CN114155524A (zh) 单阶段3d点云目标检测方法及装置、计算机设备、介质
CN111798376A (zh) 图像识别方法、装置、电子设备及存储介质
CN117974693B (zh) 图像分割方法、装置、计算机设备和存储介质
CN115830461B (zh) 基于深度序列卷积网络的高光谱图像识别方法
Zhao Art visual image transmission method based on cartesian genetic programming

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