CN113392241A - 测井图像清晰度的识别方法、装置、介质及电子设备 - Google Patents
测井图像清晰度的识别方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113392241A CN113392241A CN202110729473.5A CN202110729473A CN113392241A CN 113392241 A CN113392241 A CN 113392241A CN 202110729473 A CN202110729473 A CN 202110729473A CN 113392241 A CN113392241 A CN 113392241A
- Authority
- CN
- China
- Prior art keywords
- definition
- image
- logging
- target
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 138
- 239000013598 vector Substances 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 38
- 238000012163 sequencing technique Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 241001156002 Anthonomus pomorum Species 0.000 claims description 3
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 claims description 3
- 101150094905 SMD2 gene Proteins 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像清晰度识别领域，揭示了一种测井图像清晰度的识别方法、装置、介质及电子设备。该方法包括：建立包括多个测井图像的测井图像样本库；获取各测井图像对应的实际清晰度信息；获取与每一测井图像对应的多个清晰度；根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。此方法通过综合了多种图像清晰度确定算法的不同优势，形成了能够准确识别测井图像清晰度的方法，可以实现对测井图像清晰度的准确量化。
Description
技术领域
本公开涉及图像清晰度识别技术领域，特别涉及一种测井图像清晰度的识别方法、装置、介质及电子设备。
背景技术
通常，对于一个特定的成像系统，其成像的清晰度体现了系统的聚焦状态。当聚焦效果比较好的时候，图像呈现较为清晰，轮廓细节等信息丰富，在空间域或频域上突出不同的特征信息。比如，在空间域上，图像的灰度值作为主要的特征信息；在频域上，特征信息为高频分量。通常使用图像聚焦评价函数(Focus Value)来衡量图像是否处于聚焦状态。
图像聚焦状态比较好时，图像清晰，在空域上表现为图像相邻的像素点的特征值，如灰度值、对比度等，变化比较剧烈。图像在离焦状态下，许多细节信息丢失，使得物体成像模糊。而不同的清晰度识别方法在处理不同模糊图像时存在差异，对于所要识别的图片有条件限制。例如使用熵函数进行识别时，主要侧重的图片中点的均匀排布，如果一张图片如果拿一张只有黑白条的图片来和一张模糊，但是图上有很多黑色点的图片来对比，那么通过熵函数这一识别方法得到的清晰图片就是模糊图，这显然有悖事实，得不到正确的识别结果。
发明内容
在图像清晰度识别技术领域，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清晰度的识别方法、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清晰度的识别方法，所述方法包括：
建立包括多个测井图像的测井图像样本库；
获取各测井图像对应的实际清晰度信息，所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度；
获取与每一测井图像对应的多个清晰度，所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成；
根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；
利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
可选地，所述根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重，包括：
利用各测井图像对应的所述多个清晰度，建立与各测井图像对应的清晰度向量，所述清晰度向量包括与各目标图像清晰度确定算法对应的归一化后的清晰度；
初始化权重向量，所述权重向量包括与各目标图像清晰度确定算法对应的权重；
利用所述权重向量和与各测井图像对应的所述清晰度向量构建多个训练单元，所述训练单元包括所述权重向量和与两个测井图像分别对应的所述清晰度向量；
执行权重调整步骤，所述权重调整步骤包括：针对每一所述训练单元，对所述训练单元中各测井图像对应的所述清晰度向量中的元素进行比较，并根据比较结果调整所述训练单元中所述权重向量的权重；
确定各所述训练单元中所述权重向量的平均值，得到最终权重向量；
利用所述最终权重向量与各测井图像对应的清晰度向量计算得到各测井图像对应的最终清晰度；
确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配；
如果是，则将所述最终权重向量中的权重作为各目标图像清晰度确定算法对应的目标权重，否则执行所述权重调整步骤及之后的步骤，直至各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配。
可选地，所述训练单元包括第一清晰度向量和第二清晰度向量，所述针对每一所述训练单元，对所述训练单元中各测井图像对应的所述清晰度向量中的元素进行比较，并根据比较结果调整所述训练单元中所述权重向量的权重，包括：
若所述第一清晰度向量中元素大于所述第二清晰度向量中相应元素的数量超过所述第一清晰度向量或所述第二清晰度向量中元素的总数的一半，则提高所述权重向量中各目标权重或降低所述权重向量中各非目标权重，直至所述权重向量与所述第一清晰度向量中相应元素的乘积之和大于所述权重向量与所述第二清晰度向量中相应元素的乘积之和，其中，大于所述第二清晰度向量中相应元素的所述第一清晰度向量中的元素和与所述目标权重对应的目标图像清晰度确定算法相对应，所述非目标权重为所述权重向量中除目标权重之外的权重。
可选地，所述实际清晰度信息为实际清晰度排序序号，所述确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配，包括：
对各测井图像对应的最终清晰度进行排序，得到各测井图像对应的排序序号；
若对于任一测井图像，与该测井图像对应的所述排序序号与该测井图像对应的所述实际清晰度排序序号一致，则确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配，否则，确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息不匹配。
可选地，在获取与每一测井图像对应的多个清晰度之前，所述方法还包括：
针对所述测井图像样本库中的每一测井图像，利用多个图像清晰度确定算法分别确定该测井图像的清晰度；
根据各测井图像对应的清晰度和实际清晰度排序序号，在所述多个图像清晰度确定算法中筛选出多个目标图像清晰度确定算法。
可选地，所述建立包括多个测井图像的测井图像样本库，包括：
获取未修复测井图像和与各未修复测井图像对应的修复后测井图像；
利用所述未修复测井图像和所述修复后测井图像建立测井图像样本库。
可选地，其特征在于，所述多个目标图像清晰度确定算法包括下列算法中的一种或多种：Brenner算法、Tenengrad算法、Laplacian算法、SMD算法、SMD2算法、variance算法、energy算法、Vollath算法。
根据本公开的另一方面，提供了一种测井图像清晰度的识别装置，所述装置包括：
建立模块，被配置为建立包括多个测井图像的测井图像样本库；
第一获取模块，被配置为获取各测井图像对应的实际清晰度信息，所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度；
第二获取模块，被配置为获取与每一测井图像对应的多个清晰度，所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成；
目标权重确定模块，被配置为根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；
清晰度确定模块，被配置为利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
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清晰度的识别方法、装置、介质及电子设备，该方法包括如下步骤：建立包括多个测井图像的测井图像样本库；获取各测井图像对应的实际清晰度信息，所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度；获取与每一测井图像对应的多个清晰度，所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成；根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
此方法下，通过先根据各测井图像对应的多个清晰度和实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重，然后利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度，通过综合了多种图像清晰度确定算法的不同优势，形成了能够准确识别测井图像清晰度的方法，可以实现对测井图像清晰度的准确量化。
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清晰度的识别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清晰度的识别方法的流程图；
图3是根据图2实施例示出的一实施例的步骤210的细节的流程图；
图4是根据一示例性实施例示出的一种测井图像清晰度的识别装置的框图；
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清晰度的识别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清晰度的识别方法的程序产品。
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清晰度的识别方法。测井图像是通过测井技术生成的图像数据，比如可以声电成像技术生成测井图像。测井图像清晰度的识别是指根据测井图像确定出相应的清晰度，不同测井图像一般具有不同的清晰度；当一个测井图像的聚焦情况较差时，该测井图像的清晰度较低。
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1是根据一示例性实施例示出的一种测井图像清晰度的识别方法的系统架构示意图。如图1所示，该系统架构包括个人计算机110、服务器120及数据库130，个人计算机110和服务器120之间、数据库130和服务器120之间均通过通信链路相连，可以用于发送或接收数据。服务器120为本实施例中的实施终端，数据库130中存储有测井图像和对应的实际清晰度信息，个人计算机110上存有待识别的测井图像。
当本公开提供的一种测井图像清晰度的识别方法应用于图1所示的系统架构中时，一个过程可以是这样的：服务器120从数据库130获取测井图像和对应的实际清晰度信息；然后利用图像清晰度确定算法并基于测井图像和对应的实际清晰度信息确定出各目标图像清晰度确定算法及对应的目标权重；最后，服务器120从个人计算机110在获取到待识别的测井图像之后，利用各目标图像清晰度确定算法及对应的目标权重计算出待识别的测井图像的清晰度。
图2是根据一示例性实施例示出的一种测井图像清晰度的识别方法的流程图。本实施例提供的测井图像清晰度的识别方法可以由服务器执行，如图2所示，包括以下步骤：
步骤210，建立包括若干测井图像的测井图像样本库。
在一个实施例中，步骤210的具体步骤如图3所示。图3是根据图2实施例示出的一实施例的步骤210的细节的流程图，如图3所示，包括以下步骤：
步骤211，获取未修复测井图像和与各未修复测井图像对应的修复后测井图像。
很多测井图像具有不完整的缺陷，由人工对未修复测井图像进行修复，可得到修复后测井图像。
步骤212，利用所述未修复测井图像和所述修复后测井图像建立测井图像样本库。
测井图像样本库中同时包括未修复测井图像和修复后测井图像，因而丰富了测井图像样本库中测井图像的数量，从而为准确识别测井图像的清晰度提供了数据支撑。
步骤220，获取各测井图像对应的实际清晰度信息。
所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度。
实际清晰度排序序号是由人工对各测井图像的清晰度进行辨别之后，按照清晰度由大到小或由小到大的顺序对各测井图像进行排序后标记的序号。
实际归一化清晰度是由人工在同一量化区间内对各测井图像进行量化后得到的数值，该量化区间通常为[0,1]。
步骤230，获取与每一测井图像对应的多个清晰度。
所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成。
在一个实施例中，所述多个目标图像清晰度确定算法包括下列算法中的一种或多种：Brenner算法、Tenengrad算法、Laplacian算法、SMD算法、SMD2算法、variance算法、energy算法、Vollath算法。
上述的每一种算法都能用于计算图像的清晰度。
在一个实施例中，在获取与每一测井图像对应的多个清晰度之前，所述方法还包括：
针对所述测井图像样本库中的每一测井图像，利用多个图像清晰度确定算法分别确定该测井图像的清晰度；
根据各测井图像对应的清晰度和实际清晰度排序序号，在所述多个图像清晰度确定算法中筛选出多个目标图像清晰度确定算法。
目标图像清晰度确定算法的数量小于图像清晰度确定算法的数量，比如，目标图像清晰度确定算法的数量可以为5，而图像清晰度确定算法的数量可以为8，比如，多个目标图像清晰度确定算法可以为上述实施例中的8个算法。
在本实施例中，通过将一部分不适用于识别测井图像的清晰度的图像清晰度确定算法剔除，确保了后续的过程可以实现对测井图像清晰度的准确识别。
在一个实施例中，所述根据各测井图像对应的清晰度和实际清晰度排序序号，在所述多个图像清晰度确定算法中筛选出多个目标图像清晰度确定算法，包括：
针对每一图像清晰度确定算法，获取与该图像清晰度确定算法对应的各测井图像的清晰度排序序号；
针对每一图像清晰度确定算法，在与该图像清晰度确定算法对应的各测井图像的清晰度排序序号中确定与所述实际清晰度排序序号一致的清晰度排序序号的数量与该图像清晰度确定算法对应的所有测井图像的清晰度排序序号的数量的比值；
根据各图像清晰度确定算法对应的所述比值，将所述多个图像清晰度确定算法中至少一个图像清晰度确定算法剔除，得到多个目标图像清晰度确定算法，其中，被剔除的图像清晰度确定算法对应的所述比值小于目标图像清晰度确定算法对应的所述比值。
利用同一图像清晰度确定算法可以确定每一测井图像对应的清晰度，因而，一个图像清晰度确定算法具有对应的一个清晰度排序，相应地也就有各测井图像的清晰度排序序号；因而，测井图像具有对应的清晰度排序序号，也有对应的实际清晰度排序序号，一个测井图像对应的清晰度排序序号和与该测井图像对应的实际清晰度排序序号相比，两者可以相同也可以不同。
所述比值反映了一个图像清晰度确定算法对各测井图像计算出的清晰度的排名与各测井图像对应的实际清晰度排名的一致性。
一个图像清晰度确定算法对应的所述比值越低，说明该图像清晰度确定算法越不适用于计算测井图像的清晰度。
步骤240，根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重。
在一个实施例中，所述根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重，包括：
利用各测井图像对应的所述多个清晰度，建立与各测井图像对应的清晰度向量，所述清晰度向量包括与各目标图像清晰度确定算法对应的归一化后的清晰度；
初始化权重向量，所述权重向量包括与各目标图像清晰度确定算法对应的权重；
利用所述权重向量和与各测井图像对应的所述清晰度向量构建多个训练单元，所述训练单元包括所述权重向量和与两个测井图像分别对应的所述清晰度向量；
执行权重调整步骤，所述权重调整步骤包括：针对每一所述训练单元，对所述训练单元中各测井图像对应的所述清晰度向量中的元素进行比较，并根据比较结果调整所述训练单元中所述权重向量的权重；
确定各所述训练单元中所述权重向量的平均值，得到最终权重向量；
利用所述最终权重向量与各测井图像对应的清晰度向量计算得到各测井图像对应的最终清晰度；
确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配；
如果是，则将所述最终权重向量中的权重作为各目标图像清晰度确定算法对应的目标权重，否则执行所述权重调整步骤及之后的步骤，直至各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配。
通过如下的方式一个目标图像清晰度确定算法对应的清晰度进行归一化：
确定目标图像清晰度确定算法与各测井图像对应的清晰度中的最大值和最小值；针对同时与该目标图像清晰度确定算法与一个测井图像对应的清晰度，计算该清晰度与最小值之差跟该最大值与最小值之差的比值，作为归一化后的该清晰度。
在一个实施例中，所述训练单元包括第一清晰度向量和第二清晰度向量，所述针对每一所述训练单元，对所述训练单元中各测井图像对应的所述清晰度向量中的元素进行比较，并根据比较结果调整所述训练单元中所述权重向量的权重，包括：
若所述第一清晰度向量中元素大于所述第二清晰度向量中相应元素的数量超过所述第一清晰度向量或所述第二清晰度向量中元素的总数的一半，则提高所述权重向量中各目标权重或降低所述权重向量中各非目标权重，直至所述权重向量与所述第一清晰度向量中相应元素的乘积之和大于所述权重向量与所述第二清晰度向量中相应元素的乘积之和，其中，大于所述第二清晰度向量中相应元素的所述第一清晰度向量中的元素和与所述目标权重对应的目标图像清晰度确定算法相对应，所述非目标权重为所述权重向量中除目标权重之外的权重。
在一个实施例中，所述实际清晰度信息为实际清晰度排序序号，所述确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配，包括：
对各测井图像对应的最终清晰度进行排序，得到各测井图像对应的排序序号；
若对于任一测井图像，与该测井图像对应的所述排序序号与该测井图像对应的所述实际清晰度排序序号一致，则确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配，否则，确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息不匹配。
在一个实施例中，所述实际清晰度信息为实际归一化清晰度，所述确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配，包括：
针对每一测井图像，确定该测井图像对应的最终清晰度与该测井图像对应的所述实际归一化清晰度之差；
确定各测井图像对应的所述差的方差；
若所述方差小于预定方差阈值，则确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配，否则，确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息不匹配。
下面通过一个具体的例子进一步说明上述实施例中的步骤。
首先，建立测井图像样本库；
接着，利用8种算法分别计算测井图像的清晰度，并判断各算法对各测井图像计算出的清晰度的排名与各测井图像对应的实际清晰度排名的一致性，并将该一致性较低的算法剔除，得到5种算法；
然后，利用各测井图像对应的多个清晰度，建立清晰度矩阵X＝{Xj},j∈[1,5]，其中，Xj为由第j种算法对各测井图像的归一化后的清晰度组成的向量，为清晰度矩阵X的列向量；清晰度矩阵X还包括行向量，一个行向量包括各算法对同一测井图像的归一化后的清晰度，比如行向量可以为：
Xi＝{xi1,xi2,xi3,xi4,xi5},i∈[1,N]，
其中，Xi为各算法对第i张测井图像的归一化后的清晰度，N为测井图像的数量。
接着，初始化权重向量：A＝{a1,a2,a3,a4,a5}，其中，A为权重向量，A中的元素为各算法对应的权重，初始化的值为0.2；
接下来，利用N张测井图像对应的清晰度向量构建包括多个训练单元的集合U，每两个测井图像分别对应的所述清晰度向量生成一个训练单元，因而可生成
个训练单元，每个训练单元为Ui＝{Xa,Xb,Ai}，其中a≠b,a∈[1,N]，b∈[1,N]，i∈[1,N(N-1)/2]，Xa和Xb分别为Ui中A，B两张图像的清晰度行向量，Ai为当前训练单元的权重系数向量，且
即各算法对应的权重之和为1；
然后，以Ui作为基本单元，通过比较Xa和Xb，确定本次训练得到的Ai，具体为：比较Xa和Xb，如果多数算法认为A图像的清晰度更高，则提高相应几种算法的权重或降低其他几种算法的权重，权重调整后进行归一化，直至xam>xbm，其中，xam为Xa与Ai中相应元素的乘积之和，xbm为Xa与Ai中相应元素的乘积之和；
完成全部训练单元的训练后共计产生N(N-1)/2个权重向量，然后对全部权重向量求平均得到最终权重向量Amean；
将最终权重向量代入下面的公式，也可以得到由所有测井图像的最终清晰度组成的如下矩阵：
Xm＝XA；
各测井图像的清晰度排序情况反映了清晰度变化趋势，若利用最终权重向量计算得到的各测井图像的最终清晰度变化趋势与实际清晰度变化趋势相符，则说明最终权重向量可用于最终计算测井图像清晰度，否则继续执行对权重的调整步骤，最终能够得到能够用于准确计算测井图像清晰度的与各算法对应的权重。
步骤250，利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
目标测井图像即为待进行清晰度识别的测井图像，先利用各目标图像清晰度确定算法分别识别目标测井图像的清晰度，并将各目标图像清晰度确定算法对应的清晰度归一化，接着将各归一化后的清晰度分别与相应的目标图像清晰度确定算法的目标权重相乘，然后将各乘积相加，最终得到目标测井图像的清晰度。
综上所述，根据图2实施例提供的测井图像清晰度的识别方法，通过先根据各测井图像对应的多个清晰度和实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重，然后利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度，通过综合了多种图像清晰度确定算法的不同优势，形成了能够准确识别测井图像清晰度的方法，可以实现对测井图像清晰度的准确量化。
本公开还提供了一种测井图像清晰度的识别装置，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清晰度的识别装置的框图。如图4所示，装置400包括：
建立模块410，被配置为建立包括若干测井图像的测井图像样本库；
第一获取模块420，被配置为获取各测井图像对应的实际清晰度信息，所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度；
第二获取模块430，被配置为获取与每一测井图像对应的多个清晰度，所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成；
目标权重确定模块440，被配置为根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；
清晰度确定模块450，被配置为利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
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—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)
1.一种测井图像清晰度的识别方法，其特征在于，所述方法包括：
建立包括多个测井图像的测井图像样本库；
获取各测井图像对应的实际清晰度信息，所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度；
获取与每一测井图像对应的多个清晰度，所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成；
根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；
利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
2.根据权利要求1所述的方法，其特征在于，所述根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重，包括：
利用各测井图像对应的所述多个清晰度，建立与各测井图像对应的清晰度向量，所述清晰度向量包括与各目标图像清晰度确定算法对应的归一化后的清晰度；
初始化权重向量，所述权重向量包括与各目标图像清晰度确定算法对应的权重；
利用所述权重向量和与各测井图像对应的所述清晰度向量构建多个训练单元，所述训练单元包括所述权重向量和与两个测井图像分别对应的所述清晰度向量；
执行权重调整步骤，所述权重调整步骤包括：针对每一所述训练单元，对所述训练单元中各测井图像对应的所述清晰度向量中的元素进行比较，并根据比较结果调整所述训练单元中所述权重向量的权重；
确定各所述训练单元中所述权重向量的平均值，得到最终权重向量；
利用所述最终权重向量与各测井图像对应的清晰度向量计算得到各测井图像对应的最终清晰度；
确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配；
如果是，则将所述最终权重向量中的权重作为各目标图像清晰度确定算法对应的目标权重，否则执行所述权重调整步骤及之后的步骤，直至各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配。
3.根据权利要求2所述的方法，其特征在于，所述训练单元包括第一清晰度向量和第二清晰度向量，所述针对每一所述训练单元，对所述训练单元中各测井图像对应的所述清晰度向量中的元素进行比较，并根据比较结果调整所述训练单元中所述权重向量的权重，包括：
若所述第一清晰度向量中元素大于所述第二清晰度向量中相应元素的数量超过所述第一清晰度向量或所述第二清晰度向量中元素的总数的一半，则提高所述权重向量中各目标权重或降低所述权重向量中各非目标权重，直至所述权重向量与所述第一清晰度向量中相应元素的乘积之和大于所述权重向量与所述第二清晰度向量中相应元素的乘积之和，其中，大于所述第二清晰度向量中相应元素的所述第一清晰度向量中的元素和与所述目标权重对应的目标图像清晰度确定算法相对应，所述非目标权重为所述权重向量中除目标权重之外的权重。
4.根据权利要求2所述的方法，其特征在于，所述实际清晰度信息为实际清晰度排序序号，所述确定各测井图像对应的最终清晰度是否与各测井图像对应的所述实际清晰度信息匹配，包括：
对各测井图像对应的最终清晰度进行排序，得到各测井图像对应的排序序号；
若对于任一测井图像，与该测井图像对应的所述排序序号与该测井图像对应的所述实际清晰度排序序号一致，则确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息匹配，否则，确定各测井图像对应的最终清晰度与各测井图像对应的所述实际清晰度信息不匹配。
5.根据权利要求4所述的方法，其特征在于，在获取与每一测井图像对应的多个清晰度之前，所述方法还包括：
针对所述测井图像样本库中的每一测井图像，利用多个图像清晰度确定算法分别确定该测井图像的清晰度；
根据各测井图像对应的清晰度和实际清晰度排序序号，在所述多个图像清晰度确定算法中筛选出多个目标图像清晰度确定算法。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述建立包括多个测井图像的测井图像样本库，包括：
获取未修复测井图像和与各未修复测井图像对应的修复后测井图像；
利用所述未修复测井图像和所述修复后测井图像建立测井图像样本库。
7.根据权利要求1-5任意一项所述的方法，其特征在于，所述多个目标图像清晰度确定算法包括下列算法中的一种或多种：Brenner算法、Tenengrad算法、Laplacian算法、SMD算法、SMD2算法、variance算法、energy算法、Vollath算法。
8.一种测井图像清晰度的识别装置，其特征在于，所述装置包括：
建立模块，被配置为建立包括多个测井图像的测井图像样本库；
第一获取模块，被配置为获取各测井图像对应的实际清晰度信息，所述实际清晰度信息为实际清晰度排序序号或实际归一化清晰度；
第二获取模块，被配置为获取与每一测井图像对应的多个清晰度，所述多个清晰度由多个目标图像清晰度确定算法分别对所述测井图像进行清晰度计算而生成；
目标权重确定模块，被配置为根据各测井图像对应的所述多个清晰度和所述实际清晰度信息，确定各目标图像清晰度确定算法对应的目标权重；
清晰度确定模块，被配置为利用各目标图像清晰度确定算法对应的目标权重和各目标图像清晰度确定算法确定目标测井图像的清晰度。
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。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110729473.5A CN113392241B (zh) | 2021-06-29 | 2021-06-29 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
| PCT/CN2021/124746 WO2023273017A1 (zh) | 2021-06-29 | 2021-10-19 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
| EP21947944.1A EP4365755A1 (en) | 2021-06-29 | 2021-10-19 | Method for identifying clarity of well logging image, apparatus, medium, and electronic device |
| US18/574,234 US20240143651A1 (en) | 2021-06-29 | 2021-10-19 | Logging Image Definition Recognition Method and Device, Medium, and Electronic Equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110729473.5A CN113392241B (zh) | 2021-06-29 | 2021-06-29 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392241A true CN113392241A (zh) | 2021-09-14 |
| CN113392241B CN113392241B (zh) | 2023-02-03 |
Family
ID=77624456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110729473.5A Active CN113392241B (zh) | 2021-06-29 | 2021-06-29 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240143651A1 (zh) |
| EP (1) | EP4365755A1 (zh) |
| CN (1) | CN113392241B (zh) |
| WO (1) | WO2023273017A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820614A (zh) * | 2022-06-29 | 2022-07-29 | 上海闪马智能科技有限公司 | 一种图像类型的确定方法、装置、存储介质及电子装置 |
| WO2023273017A1 (zh) * | 2021-06-29 | 2023-01-05 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615620A (zh) * | 2018-11-30 | 2019-04-12 | 腾讯科技（深圳）有限公司 | 图像压缩度识别方法、装置、设备及计算机可读存储介质 |
| CN109635800A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像对焦方法及其相关设备 |
| CN110080754A (zh) * | 2019-04-25 | 2019-08-02 | 杭州迅美科技有限公司 | 一种电成像测井图像类周期性干扰处理方法 |
| CN110378312A (zh) * | 2019-07-26 | 2019-10-25 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
| CN111080595A (zh) * | 2019-12-09 | 2020-04-28 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
| CN111311543A (zh) * | 2020-01-17 | 2020-06-19 | 苏州科达科技股份有限公司 | 图像清晰度检测方法、系统、设备及存储介质 |
| CN111314733A (zh) * | 2020-01-20 | 2020-06-19 | 北京百度网讯科技有限公司 | 用于评估视频清晰度的方法和装置 |
| CN111754491A (zh) * | 2020-06-28 | 2020-10-09 | 国网电子商务有限公司 | 一种图片清晰度判定方法及装置 |
| CN111797733A (zh) * | 2020-06-22 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种基于图像的行为识别方法、装置、设备和存储介质 |
| CN112135140A (zh) * | 2020-09-17 | 2020-12-25 | 上海连尚网络科技有限公司 | 视频清晰度识别方法、电子设备及存储介质 |
| CN112950626A (zh) * | 2021-03-31 | 2021-06-11 | 网易传媒科技（北京）有限公司 | 清晰度的确定方法、介质、装置和计算设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100100729A1 (en) * | 2008-10-21 | 2010-04-22 | Christopher Jensen Read | Distribution medium for professional photography |
| CN110175980A (zh) * | 2019-04-11 | 2019-08-27 | 平安科技（深圳）有限公司 | 图像清晰度识别方法、图像清晰度识别装置及终端设备 |
| CN113392241B (zh) * | 2021-06-29 | 2023-02-03 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
-
2021
- 2021-06-29 CN CN202110729473.5A patent/CN113392241B/zh active Active
- 2021-10-19 US US18/574,234 patent/US20240143651A1/en active Pending
- 2021-10-19 EP EP21947944.1A patent/EP4365755A1/en active Pending
- 2021-10-19 WO PCT/CN2021/124746 patent/WO2023273017A1/zh active Application Filing
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615620A (zh) * | 2018-11-30 | 2019-04-12 | 腾讯科技（深圳）有限公司 | 图像压缩度识别方法、装置、设备及计算机可读存储介质 |
| CN109635800A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像对焦方法及其相关设备 |
| CN110080754A (zh) * | 2019-04-25 | 2019-08-02 | 杭州迅美科技有限公司 | 一种电成像测井图像类周期性干扰处理方法 |
| CN110378312A (zh) * | 2019-07-26 | 2019-10-25 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
| CN111080595A (zh) * | 2019-12-09 | 2020-04-28 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
| CN111311543A (zh) * | 2020-01-17 | 2020-06-19 | 苏州科达科技股份有限公司 | 图像清晰度检测方法、系统、设备及存储介质 |
| CN111314733A (zh) * | 2020-01-20 | 2020-06-19 | 北京百度网讯科技有限公司 | 用于评估视频清晰度的方法和装置 |
| CN111797733A (zh) * | 2020-06-22 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种基于图像的行为识别方法、装置、设备和存储介质 |
| CN111754491A (zh) * | 2020-06-28 | 2020-10-09 | 国网电子商务有限公司 | 一种图片清晰度判定方法及装置 |
| CN112135140A (zh) * | 2020-09-17 | 2020-12-25 | 上海连尚网络科技有限公司 | 视频清晰度识别方法、电子设备及存储介质 |
| CN112950626A (zh) * | 2021-03-31 | 2021-06-11 | 网易传媒科技（北京）有限公司 | 清晰度的确定方法、介质、装置和计算设备 |
Non-Patent Citations (2)
| Title |
|---|
| 张健: "成像测井中超声图像退化原因分析与复原方法研究", 《计算技术与自动化》 * |
| 张腾腾,雷静思: "抗噪高清图像清晰度评价算法的研究", 《数字技术与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273017A1 (zh) * | 2021-06-29 | 2023-01-05 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
| CN114820614A (zh) * | 2022-06-29 | 2022-07-29 | 上海闪马智能科技有限公司 | 一种图像类型的确定方法、装置、存储介质及电子装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392241B (zh) | 2023-02-03 |
| EP4365755A1 (en) | 2024-05-08 |
| WO2023273017A1 (zh) | 2023-01-05 |
| US20240143651A1 (en) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| CN110210560B (zh) | 分类网络的增量训练方法、分类方法及装置、设备及介质 | |
| EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
| CN110377740B (zh) | 情感极性分析方法、装置、电子设备及存储介质 | |
| CN113392241B (zh) | 测井图像清晰度的识别方法、装置、介质及电子设备 | |
| US20190087683A1 (en) | Method and apparatus for outputting information | |
| CN108776834B (zh) | 系统增强学习方法和装置、电子设备、计算机存储介质 | |
| CN109377508B (zh) | 图像处理方法和装置 | |
| CN112464803A (zh) | 图像比较方法和装置 | |
| CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN107291774B (zh) | 错误样本识别方法和装置 | |
| CN114943673A (zh) | 瑕疵图像生成方法、装置、电子设备及存储介质 | |
| CN108241855B (zh) | 图像生成方法和装置 | |
| CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| US20210374480A1 (en) | Arithmetic device, arithmetic method, program, and discrimination system | |
| Yan et al. | No-reference remote sensing image quality assessment based on gradient-weighted natural scene statistics in spatial domain | |
| CN114494686A (zh) | 文本图像矫正方法、装置、电子设备以及存储介质 | |
| CN114332993A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111798376A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN112052727A (zh) | 一种基于大数据的人像识别分析系统及方法 | |
| CN112581001A (zh) | 设备的评估方法及装置、电子设备、可读存储介质 |
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 |