CN113570505A - 一种页岩三维超分辨率数字岩心分级重构方法及系统 - Google Patents
一种页岩三维超分辨率数字岩心分级重构方法及系统 Download PDFInfo
- Publication number
- CN113570505A CN113570505A CN202111117789.5A CN202111117789A CN113570505A CN 113570505 A CN113570505 A CN 113570505A CN 202111117789 A CN202111117789 A CN 202111117789A CN 113570505 A CN113570505 A CN 113570505A
- Authority
- CN
- China
- Prior art keywords
- images
- historical
- horizontal direction
- dimensional
- vertical direction
- 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 38
- 238000012549 training Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 239000011148 porous material Substances 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 239000003623 enhancer Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 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
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种页岩三维超分辨率数字岩心分级重构方法及系统，涉及油气田开发技术领域，其中，方法包括：获取待测区域的多张水平方向待重构图像；将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；图像增强模型包括第一图像增强子模型和第二图像增强子模型；根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。本发明通过分别训练待测区域页岩数字岩心的垂直方向特征和水平方向特征，对待重构图像的垂直方向和水平方向进行不同倍率的放大，提高了页岩数字岩心重构的准确性。
Description
技术领域
本发明涉及油气田开发技术领域，特别是涉及一种页岩三维超分辨率数字岩心分级重构方法及系统。
背景技术
页岩储层中含有大量的微纳米级孔隙，其结构信息对于明确地下原油储量和原油流动能力具有重要意义。目前，聚焦离子束－扫描电镜（FIB-SEM）是表征页岩三维孔隙结构最有力的工具之一。利用FIB（聚焦离子束技术，Focused Ion beam）对页岩样品表面进行连续切割，同时用扫描电镜（SEM）成像；然后对多张SEM图像进行叠加，能够得到岩心的三维孔隙结构（数字岩心）。因此，三维数字岩心水平方向（x方向和y方向）的分辨率由SEM图像决定，而垂直方向（z方向）分辨率则与FIB切割的厚度有关。由于多数情况下，垂直方向分辨率（10-20nm）比水平方向分辨率（约6nm）低得多，因此，垂直方向分辨率决定了所重构页岩数字岩心的分辨率，这也就造成重构的页岩数字岩心难以准确表征6nm以下的页岩孔隙。然而，氮气吸附实验等已经证实页岩基质中大量发育孔径在2-6nm之间的孔隙。因此，传统的基于FIB-SEM重构得到的页岩数字岩心无法表征页岩三维孔隙结构，严重影响了页岩油的可动性评价。
造成该现象的主要原因在于图像扫描设备的精度较低。然而提高扫描设备的精度非常困难，因此对图像进行超分辨率重建被认为是一个较好的解决办法。超分辨率的原理是通过学习原有的低分辨率图像和高分辨率图像之间的映射关系，从而利用新的低分辨率图像得到新的高分辨率图像。基于超分辨率算法构建页岩的高精度数字岩心，既能观察到岩心中的微小孔隙，又能反映页岩的整体特征。专利CN105006018A涉及三维CT岩心图像超分辨率重建方法，采用稀疏编码方法对三维岩心进行超分辨率重构，该方法计算量较大，耗费时间长，目前已经被深度学习算法取代。专利CN108898560A涉及一种基于三维卷积神经网络的岩心CT图像超分辨率重建方法，该方法能够提升岩心三维图像的分辨率，然而其神经网络中的卷积核尺寸是相等的，最终岩心xyz三个方向的放大倍数是一致的，无法实现水平方向和垂直方向不同放大倍数的提升，会导致数字岩心精度不够或图像冗余。专利CN112308781A涉及一种基于深度学习的单幅图像三维超分辨率重构方法，此方法采用单张图片即可实现三维数字岩心重构，然而由于训练数据不足，经常会导致模型过拟合，因此无法保证生成的数字岩心孔隙结构的准确性。
发明内容
本发明的目的是提供一种页岩三维超分辨率数字岩心分级重构方法及系统，能够提高页岩数字岩心重构的准确性。
为实现上述目的，本发明提供了如下方案：
一种页岩三维超分辨率数字岩心分级重构方法，包括：
获取待测区域的多张水平方向待重构图像；
将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；所述图像增强模型包括第一图像增强子模型和第二图像增强子模型；
根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。
可选的，在所述获取待测区域的多张水平方向待重构图像之前，还包括：
获取待测区域的三维FIB-SEM历史图像；
根据所述三维FIB-SEM历史图像，确定待测区域的多张第一水平方向历史图像，作为水平方向增强训练集；
对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集；
以水平方向待增强训练集为输入，以水平方向增强训练集为输出，训练深度残差卷积神经网络，得到第一图像增强子模型。
可选的，所述对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集，具体包括：
对多张第一水平方向历史图像分别进行下采样处理，得到多张下采样后的第一水平方向历史图像；
在每张下采样后的第一水平方向历史图像中均添加模糊和噪声，得到多张第一水平方向待增强历史图像作为水平方向待增强训练集。
可选的，在所述获取待测区域的多张水平方向待重构图像之前，还包括：
获取待测区域的多个三维FIB-SEM历史图像；
根据三维FIB-SEM历史图像，构建多个垂直方向历史图像组；同一垂直方向历史图像组中的多张垂直方向历史图像对应的三维FIB-SEM历史图像相同；
分别对每个所述垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像；
根据所述下采样处理后的三维FIB-SEM历史图像，构建多个垂直方向待增强历史图像组；同一垂直方向待增强历史图像组中的多张垂直方向待增强历史图像对应的下采样处理后的三维FIB-SEM历史图像相同；
以垂直方向待增强历史图像组为输入，以垂直方向历史图像组为输出，训练深度残差卷积神经网络，得到第二图像增强子模型。
可选的，所述分别对每个所述垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像，具体包括：
确定任一垂直方向历史图像组为当前垂直方向历史图像组；
将当前垂直方向历史图像组划分为多个垂直方向历史图像子组；多个垂直方向历史图像子组内的垂直方向历史图像的数量相等；
在每个垂直方向历史图像子组中任取一张垂直方向历史图像，构建下采样处理后的当前垂直方向历史图像组；
根据下采样处理后的当前垂直方向历史图像组，确定下采样处理后的三维FIB-SEM历史图像。
可选的，所述将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像，具体包括：
将多张水平方向待重构图像输入第一图像增强子模型中，得到待测区域的多张水平方向增强图像；
将多张水平方向增强图像输入第二图像增强子模型中，得到待测区域的多张垂直方向增强图像。
一种页岩三维超分辨率数字岩心分级重构系统，包括：
水平方向待重构图像获取模块，用于获取待测区域的多张水平方向待重构图像；
图像增强模块，用于将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；所述图像增强模型包括第一图像增强子模型和第二图像增强子模型；
三维数字岩心构建模块，用于根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。
可选的，所述系统，还包括：
第一三维FIB-SEM历史图像获取模块，用于获取待测区域的三维FIB-SEM历史图像；
水平方向增强训练集确定模块，用于根据所述三维FIB-SEM历史图像，确定待测区域的多张第一水平方向历史图像，作为水平方向增强训练集；
水平方向待增强训练集确定模块，用于对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集；
第一图像增强子模型确定模块，用于以水平方向待增强训练集为输入，以水平方向增强训练集为输出，训练深度残差卷积神经网络，得到第一图像增强子模型。
可选的，所述系统，还包括：
第二三维FIB-SEM历史图像获取模块，用于获取待测区域的多个三维FIB-SEM历史图像；
垂直方向历史图像组构建模块，用于根据三维FIB-SEM历史图像，构建多个垂直方向历史图像组；同一垂直方向历史图像组中的多张垂直方向历史图像对应的三维FIB-SEM历史图像相同；
下采样处理模块，用于分别对每个所述垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像；
垂直方向待增强历史图像组构建模块，用于根据所述下采样处理后的三维FIB-SEM历史图像，构建多个垂直向待增强历史图像组；同一垂直方向待增强历史图像组中的多张垂直方向待增强历史图像对应的下采样处理后的三维FIB-SEM历史图像相同；
第二图像增强子模型确定模块，用于以垂直方向待增强历史图像组为输入，以垂直方向历史图像组为输出，训练深度残差卷积神经网络，得到第二图像增强子模型。
可选的，所述图像增强模块，具体包括：
第一图像增强单元，用于将多张水平方向待重构图像输入第一图像增强子模型中，得到待测区域的多张水平方向增强图像；
第二图像增强单元，用于将多张水平方向增强图像输入第二图像增强子模型中，得到待测区域的多张垂直方向增强图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种页岩三维超分辨率数字岩心分级重构方法及系统，其中，方法包括：获取待测区域的多张水平方向待重构图像；将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；图像增强模型包括第一图像增强子模型和第二图像增强子模型；根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。本发明通过分别训练待测区域内页岩数字岩心的垂直方向特征和水平方向特征，对待重构图像的垂直方向和水平方向进行不同倍率的放大，克服了FIB-SEM扫描结果垂直方向分辨率低、数字岩心重构精度差的缺陷，提高了页岩数字岩心重构的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中页岩三维超分辨率数字岩心分级重构方法流程图；
图2为本发明实施例中页岩三维数字岩心分步重构方法原理图；
图3为本发明实施例中三维FIB-SEM历史图像的示意图；
图4为本发明实施例中水平方向增强训练集图像示例图；
图5为本发明实施例中第一水平方向待增强历史图像示例图；
图6为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像示例图；图6（a）为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像第一示例图；图6（b）为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像第二示例图；图6（c）为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像第三示例图；图6（d）为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像第四示例图；图6（e）为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像第五示例图；图6（f）为本发明实施例中剪裁、旋转和翻转后的第一水平方向待增强历史图像第六示例图；
图7为本发明实施例中第一图像增强子模型的卷积神经网络结构示意图；
图8为本发明实施例中叠加后的垂直方向历史图像组；
图9为本发明实施例中第二图像增强子模型的卷积神经网络结构示意图；
图10为本发明实施例中待测区域的页岩三维数字岩心示意图；
图11为本发明实施例中页岩三维超分辨率数字岩心分级重构系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种页岩三维超分辨率数字岩心分级重构方法及系统，能够提高页岩数字岩心重构的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例中页岩三维超分辨率数字岩心分级重构方法流程图；如图1所示，本发明提供了一种页岩三维超分辨率数字岩心分级重构方法包括：
步骤101：获取待测区域的多张水平方向待重构图像；
步骤102：将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；图像增强模型包括第一图像增强子模型和第二图像增强子模型；
步骤103：根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。待测区域的页岩三维数字岩心如图10所示；
在步骤101之前，还包括：
获取待测区域的三维FIB-SEM历史图像；三维FIB-SEM历史图像如图3所示；
根据三维FIB-SEM历史图像，确定待测区域的多张第一水平方向历史图像，作为水平方向增强训练集；水平方向增强训练集图像示例如图4所示；
对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集；
以水平方向待增强训练集为输入，以水平方向增强训练集为输出，训练深度残差卷积神经网络，得到第一图像增强子模型。第一图像增强子模型的卷积神经网络结构如图7所示；
其中，对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集，具体包括：
对多张第一水平方向历史图像分别进行下采样处理，得到多张下采样后的第一水平方向历史图像；
在每张下采样后的第一水平方向历史图像中均添加模糊和噪声，得到多张第一水平方向待增强历史图像作为水平方向待增强训练集。第一水平方向待增强历史图像如图5所示；
在步骤101之前，还包括：
获取待测区域的多个三维FIB-SEM历史图像；
根据三维FIB-SEM历史图像，构建多个垂直方向历史图像组；同一垂直方向历史图像组中的多张垂直方向历史图像对应的三维FIB-SEM历史图像相同；叠加后的垂直方向历史图像组如图8所示；
分别对每个垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像；
根据下采样处理后的三维FIB-SEM历史图像，构建多个垂直方向待增强历史图像组；同一垂直方向待增强历史图像组中的多张垂直方向待增强历史图像对应的下采样处理后的三维FIB-SEM历史图像相同；
以垂直方向待增强历史图像组为输入，以垂直方向历史图像组为输出，训练深度残差卷积神经网络，得到第二图像增强子模型。第二图像增强子模型的卷积神经网络结构示意图如图9所示。
其中，分别对每个垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像，具体包括：
确定任一垂直方向历史图像组为当前垂直方向历史图像组；
将当前垂直方向历史图像组划分为多个垂直方向历史图像子组；多个垂直方向历史图像子组内的垂直方向历史图像的数量相等；
在每个垂直方向历史图像子组中任取一张垂直方向历史图像，构建下采样处理后的当前垂直方向历史图像组；
根据下采样处理后的当前垂直方向历史图像组，确定下采样处理后的三维FIB-SEM历史图像。
步骤102，具体包括：
将多张水平方向待重构图像输入第一图像增强子模型中，得到待测区域的多张水平方向增强图像；
将多张水平方向增强图像输入第二图像增强子模型中，得到待测区域的多张垂直方向增强图像。
具体的，图2为本发明实施例中页岩三维数字岩心分步重构方法原理图，如图2所示，本发明实施例提供了一种基于超分辨率的页岩三维数字岩心重构方法，解决了目前FIB-SEM扫描无法表征页岩中小于6nm孔隙的难题。目前的岩心超分辨率方法不能实现水平方向和垂直方向不同倍数的放大，而实际FIB-SEM水平方向和垂直方向的扫描精度不同。本发明为解决数字岩心不同方向分辨率差异显著、准确率较低的问题，具体实施例如下：：
S1：基于单张FIB-SEM图像，构建大量的低分辨率和高分辨率图像训练集，训练水平方向的超分辨率网络模型（第一图像增强子模型）。
S11：FIB-SEM图像来自真实页岩扫描图像中的一部分，其水平方向分辨率为6.5nm，垂直方向分辨率为10nm，将其作为训练集中的高分辨率图像，如图4所示。低分辨率图像由高分辨率图像经双三次下采样4倍得到，同时将随机生成的模糊和噪声分布添加到低分辨率图像中，如图5所示。低分辨率图像生成过程可以用如下方程进行描述：
式中：
为低分辨率图像；
为高分辨率图像；k为模糊核；
为双三次下采样；n为噪声。
S12：大量的低分辨率和高分辨率训练集可以通过对图片进行裁剪、旋转和翻转等方法获得，如图6（a）-（f）所示。
优选地，此步骤为数据增强步骤，直接用真实页岩扫描图像也是可以的。在真实页岩扫描图像数量有限的情况下，神经网络模型的训练容易过拟合，需要进行数据增强，常用的办法就是对图片进行裁剪、旋转等操作。
S13：水平方向的超分辨率网络模型采用20层深度残差的网络结构且不加批归一化（batch normalization）层，即每个残差网络中只包含卷积和激活函数，网络结构如图7所示。图中，conv表示向量卷积运算，ReLU表示激活函数；upsample表示上采样。采用高分辨率图像与超分辨率处理后得到的图像的均方误差（MSE）作为损失函数，公式如下：
式中：H、W分别为图像的高度和宽度；X、Y分别为超分辨率处理后的图像和所述的高分辨率图像；i为图像垂直方向的某一个坐标（i=1，...，H）；j为图像水平方向的某一个坐标（j=1，...，W）。
S2：基于多张FIB-SEM图像进行训练，得到垂直方向的超分辨率网络模型（第二图像增强子模型）。
S21：将三维图像切割成多个小块构成高分辨率训练集，同时每5张图片抽取4张构成低分辨率图像训练集，进行训练，如图8所示。卷积网络中只学习图像垂直方向的特征，采用5个3×3的卷积核实现垂直方向放大5倍，网络结构如图9所示。
S3：依次输入单张原始低分辨率FIB-SEM图像（分辨率为6.5nm），通过水平方向的超分辨率网络，得到水平方向上放大4倍的高分辨率图像（分辨率为1.625nm）。
S4：输入全部水平方向的高分辨率图像（分辨率为1.625nm），通过垂直方向的超分辨率网络，得到多张垂直方向的高分辨率图像，使得垂直方向的分辨率为2nm。
S5：基于得到的多张垂直方向的高分辨率图像叠加构建数字岩心。
S51：使用可视化软件展示生成的页岩三维高分辨率数字岩心。
图11为本发明实施例中页岩三维超分辨率数字岩心分级重构系统结构示意图。如图11所示，本发明还提供了一种页岩三维超分辨率数字岩心分级重构系统，包括：
水平方向待重构图像获取模块1101，用于获取待测区域的多张水平方向待重构图像；
图像增强模块1102，用于将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；图像增强模型包括第一图像增强子模型和第二图像增强子模型；
三维数字岩心构建模块1103，用于根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。
此外，本发明提供的页岩三维超分辨率数字岩心分级重构系统，还包括：
第一三维FIB-SEM历史图像获取模块，用于获取待测区域的三维FIB-SEM历史图像；
水平方向增强训练集确定模块，用于根据三维FIB-SEM历史图像，确定待测区域的多张第一水平方向历史图像，作为水平方向增强训练集；
水平方向待增强训练集确定模块，用于对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集；
第一图像增强子模型确定模块，用于以水平方向待增强训练集为输入，以水平方向增强训练集为输出，训练深度残差卷积神经网络，得到第一图像增强子模型。
具体的，本发明提供的页岩三维超分辨率数字岩心分级重构系统，还包括：
第二三维FIB-SEM历史图像获取模块，用于获取待测区域的多个三维FIB-SEM历史图像；
垂直方向历史图像组构建模块，用于根据三维FIB-SEM历史图像，构建多个垂直方向历史图像组；同一垂直方向历史图像组中的多张垂直方向历史图像对应的三维FIB-SEM历史图像相同；
下采样处理模块，用于分别对每个垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像；
垂直方向待增强历史图像组构建模块，用于根据下采样处理后的三维FIB-SEM历史图像，构建多个垂直方向待增强历史图像组；同一垂直方向待增强历史图像组中的多张垂直方向待增强历史图像对应的下采样处理后的三维FIB-SEM历史图像相同；
第二图像增强子模型确定模块，用于以垂直方向待增强历史图像组为输入，以垂直方向历史图像组为输出，训练深度残差卷积神经网络，得到第二图像增强子模型。
其中，图像增强模块，具体包括：
第一图像增强单元，用于将多张水平方向待重构图像输入第一图像增强子模型中，得到待测区域的多张水平方向增强图像；
第二图像增强单元，用于将多张水平方向增强图像输入第二图像增强子模型中，得到待测区域的多张垂直方向增强图像。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种页岩三维超分辨率数字岩心分级重构方法，其特征在于，所述方法，包括：
获取待测区域的多张水平方向待重构图像；
将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；所述图像增强模型包括第一图像增强子模型和第二图像增强子模型；
根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。
2.根据权利要求1所述的页岩三维超分辨率数字岩心分级重构方法，其特征在于，在所述获取待测区域的多张水平方向待重构图像之前，还包括：
获取待测区域的三维FIB-SEM历史图像；
根据所述三维FIB-SEM历史图像，确定待测区域的多张第一水平方向历史图像，作为水平方向增强训练集；
对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集；
以水平方向待增强训练集为输入，以水平方向增强训练集为输出，训练深度残差卷积神经网络，得到第一图像增强子模型。
3.根据权利要求2所述的页岩三维超分辨率数字岩心分级重构方法，其特征在于，所述对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集，具体包括：
对多张第一水平方向历史图像分别进行下采样处理，得到多张下采样后的第一水平方向历史图像；
在每张下采样后的第一水平方向历史图像中均添加模糊和噪声，得到多张第一水平方向待增强历史图像作为水平方向待增强训练集。
4.根据权利要求2所述的页岩三维超分辨率数字岩心分级重构方法，其特征在于，在所述获取待测区域的多张水平方向待重构图像之前，还包括：
获取待测区域的多个三维FIB-SEM历史图像；
根据三维FIB-SEM历史图像，构建多个垂直方向历史图像组；同一垂直方向历史图像组中的多张垂直方向历史图像对应的三维FIB-SEM历史图像相同；
分别对每个所述垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像；
根据所述下采样处理后的三维FIB-SEM历史图像，构建多个垂直方向待增强历史图像组；同一垂直方向待增强历史图像组中的多张垂直方向待增强历史图像对应的下采样处理后的三维FIB-SEM历史图像相同；
以垂直方向待增强历史图像组为输入，以垂直方向历史图像组为输出，训练深度残差卷积神经网络，得到第二图像增强子模型。
5.根据权利要求4所述的页岩三维超分辨率数字岩心分级重构方法，其特征在于，所述分别对每个所述垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像，具体包括：
确定任一垂直方向历史图像组为当前垂直方向历史图像组；
将当前垂直方向历史图像组划分为多个垂直方向历史图像子组；多个垂直方向历史图像子组内的垂直方向历史图像的数量相等；
在每个垂直方向历史图像子组中任取一张垂直方向历史图像，构建下采样处理后的当前垂直方向历史图像组；
根据下采样处理后的当前垂直方向历史图像组，确定下采样处理后的三维FIB-SEM历史图像。
6.根据权利要求1所述的页岩三维超分辨率数字岩心分级重构方法，其特征在于，所述将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像，具体包括：
将多张水平方向待重构图像输入第一图像增强子模型中，得到待测区域的多张水平方向增强图像；
将多张水平方向增强图像输入第二图像增强子模型中，得到待测区域的多张垂直方向增强图像。
7.一种页岩三维超分辨率数字岩心分级重构系统，其特征在于，所述系统，包括：
水平方向待重构图像获取模块，用于获取待测区域的多张水平方向待重构图像；
图像增强模块，用于将多张水平方向待重构图像输入图像增强模型中，得到待测区域的多张水平方向增强图像和多张垂直方向增强图像；所述图像增强模型包括第一图像增强子模型和第二图像增强子模型；
三维数字岩心构建模块，用于根据多张水平方向增强图像和多张垂直方向增强图像，对待测区域进行三维重构，得到待测区域的页岩三维数字岩心。
8.根据权利要求7所述的页岩三维超分辨率数字岩心分级重构系统，其特征在于，所述系统，还包括：
第一三维FIB-SEM历史图像获取模块，用于获取待测区域的三维FIB-SEM历史图像；
水平方向增强训练集确定模块，用于根据所述三维FIB-SEM历史图像，确定待测区域的多张第一水平方向历史图像，作为水平方向增强训练集；
水平方向待增强训练集确定模块，用于对多张第一水平方向历史图像分别进行下采样处理，得到水平方向待增强训练集；
第一图像增强子模型确定模块，用于以水平方向待增强训练集为输入，以水平方向增强训练集为输出，训练深度残差卷积神经网络，得到第一图像增强子模型。
9.根据权利要求8所述的页岩三维超分辨率数字岩心分级重构系统，其特征在于，所述系统，还包括：
第二三维FIB-SEM历史图像获取模块，用于获取待测区域的多个三维FIB-SEM历史图像；
垂直方向历史图像组构建模块，用于根据三维FIB-SEM历史图像，构建多个垂直方向历史图像组；同一垂直方向历史图像组中的多张垂直方向历史图像对应的三维FIB-SEM历史图像相同；
下采样处理模块，用于分别对每个所述垂直方向历史图像组均进行下采样处理，得到多个下采样处理后的三维FIB-SEM历史图像；
垂直方向待增强历史图像组构建模块，用于根据所述下采样处理后的三维FIB-SEM历史图像，构建多个垂直方向待增强历史图像组；同一垂直方向待增强历史图像组中的多张垂直方向待增强历史图像对应的下采样处理后的三维FIB-SEM历史图像相同；
第二图像增强子模型确定模块，用于以垂直方向待增强历史图像组为输入，以垂直方向历史图像组为输出，训练深度残差卷积神经网络，得到第二图像增强子模型。
10.根据权利要求7所述的页岩三维超分辨率数字岩心分级重构系统，其特征在于，所述图像增强模块，具体包括：
第一图像增强单元，用于将多张水平方向待重构图像输入第一图像增强子模型中，得到待测区域的多张水平方向增强图像；
第二图像增强单元，用于将多张水平方向增强图像输入第二图像增强子模型中，得到待测区域的多张垂直方向增强图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111117789.5A CN113570505B (zh) | 2021-09-24 | 2021-09-24 | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111117789.5A CN113570505B (zh) | 2021-09-24 | 2021-09-24 | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570505A true CN113570505A (zh) | 2021-10-29 |
| CN113570505B CN113570505B (zh) | 2022-01-04 |
Family
ID=78174121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111117789.5A Active CN113570505B (zh) | 2021-09-24 | 2021-09-24 | 一种页岩三维超分辨率数字岩心分级重构方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570505B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402675A (zh) * | 2023-03-23 | 2023-07-07 | 中国地质科学院地质力学研究所 | 一种基于页岩组分标定的图像配准方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201937A (zh) * | 2007-09-18 | 2008-06-18 | 上海医疗器械厂有限公司 | 基于小波重构与分解的数字图像增强方法及其装置 |
| CN101558216A (zh) * | 2006-10-13 | 2009-10-14 | 埃克森美孚上游研究公司 | 使用水力压裂生产井、通过原位加热增强页岩油生产 |
| CN101661616A (zh) * | 2009-09-29 | 2010-03-03 | 北京科技大学 | 基于小波重构中多尺度边缘检测的图像增强方法 |
| CN104574420A (zh) * | 2015-01-29 | 2015-04-29 | 中国石油大学(华东) | 一种纳米级泥页岩数字岩心构建方法 |
| CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
| DE102015015497A1 (de) * | 2015-11-30 | 2017-06-14 | Horst Wochnowski | Verschiedene Anwendungen von auf hochauflösenden fluoreszenz-basierten Mikroskopiemethoden (RESOLFT/STED u.a.) basierende Verfahren, wie beispielsweise fluoreszenz-basierte Nanostrukturierung |
| CN107067379A (zh) * | 2017-03-16 | 2017-08-18 | 中国科学院地质与地球物理研究所 | 基于三维fib‑sem图像的页岩孔隙定量表征方法 |
| CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
| CN109255764A (zh) * | 2018-08-31 | 2019-01-22 | 中国石油大学(北京) | 一种去除fib-sem图像幕帘噪声的方法及装置 |
| CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
| CN110096968A (zh) * | 2019-04-10 | 2019-08-06 | 西安电子科技大学 | 一种基于深度模型优化的超高速静态手势识别方法 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN111932460A (zh) * | 2020-08-10 | 2020-11-13 | 北京大学深圳医院 | Mr图像超分辨率重建方法、装置、计算机设备及存储介质 |
| CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
| CN112381916A (zh) * | 2020-12-08 | 2021-02-19 | 西南石油大学 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
| CN112927253A (zh) * | 2019-12-06 | 2021-06-08 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
-
2021
- 2021-09-24 CN CN202111117789.5A patent/CN113570505B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101558216A (zh) * | 2006-10-13 | 2009-10-14 | 埃克森美孚上游研究公司 | 使用水力压裂生产井、通过原位加热增强页岩油生产 |
| CN101201937A (zh) * | 2007-09-18 | 2008-06-18 | 上海医疗器械厂有限公司 | 基于小波重构与分解的数字图像增强方法及其装置 |
| CN101661616A (zh) * | 2009-09-29 | 2010-03-03 | 北京科技大学 | 基于小波重构中多尺度边缘检测的图像增强方法 |
| CN104574420A (zh) * | 2015-01-29 | 2015-04-29 | 中国石油大学(华东) | 一种纳米级泥页岩数字岩心构建方法 |
| DE102015015497A1 (de) * | 2015-11-30 | 2017-06-14 | Horst Wochnowski | Verschiedene Anwendungen von auf hochauflösenden fluoreszenz-basierten Mikroskopiemethoden (RESOLFT/STED u.a.) basierende Verfahren, wie beispielsweise fluoreszenz-basierte Nanostrukturierung |
| CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
| CN107067379A (zh) * | 2017-03-16 | 2017-08-18 | 中国科学院地质与地球物理研究所 | 基于三维fib‑sem图像的页岩孔隙定量表征方法 |
| CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
| CN109255764A (zh) * | 2018-08-31 | 2019-01-22 | 中国石油大学(北京) | 一种去除fib-sem图像幕帘噪声的方法及装置 |
| CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
| CN110096968A (zh) * | 2019-04-10 | 2019-08-06 | 西安电子科技大学 | 一种基于深度模型优化的超高速静态手势识别方法 |
| CN112927253A (zh) * | 2019-12-06 | 2021-06-08 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN111932460A (zh) * | 2020-08-10 | 2020-11-13 | 北京大学深圳医院 | Mr图像超分辨率重建方法、装置、计算机设备及存储介质 |
| CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
| CN112381916A (zh) * | 2020-12-08 | 2021-02-19 | 西南石油大学 | 一种利用二维薄片图像的数字岩心三维结构重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| YUNFENG BAI等: ""Digital Core 3D Reconstruction Based on Micro-CT images via a Deep Learning Method"", 《 2020 INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE BIG DATA AND INTELLIGENT SYSTEMS (HPBD&IS)》 * |
| 刘培刚等: ""基于砂岩三维数字岩心图像的图像处理与相划分研究"", 《科学技术与工程》 * |
| 程国建等: ""基于岩石铸体薄片图像的数字岩心三维重构"", 《科学技术与工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402675A (zh) * | 2023-03-23 | 2023-07-07 | 中国地质科学院地质力学研究所 | 一种基于页岩组分标定的图像配准方法 |
| CN116402675B (zh) * | 2023-03-23 | 2023-11-28 | 中国地质科学院地质力学研究所 | 一种基于页岩组分标定的图像配准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570505B (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353940B (zh) | 一种基于深度学习迭代上下采样的图像超分辨率重建方法 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN111598778A (zh) | 一种绝缘子图像超分辨率重建方法 | |
| CN113570505B (zh) | 一种页岩三维超分辨率数字岩心分级重构方法及系统 | |
| CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
| JP2006127241A (ja) | 超解像処理の高速化方法 | |
| CN110689483A (zh) | 基于深度残差网络的图像超分辨率重建方法及存储介质 | |
| CN113837946B (zh) | 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法 | |
| CN110992318A (zh) | 一种基于深度学习的特种金属瑕疵检测系统 | |
| CN112200720A (zh) | 一种基于滤波器融合的超分辨率图像重建方法及系统 | |
| CN112132965A (zh) | 一种岩土体孔裂隙结构多尺度表征方法 | |
| US20230260083A1 (en) | Computer-implemented method, computer program product and system for processing images | |
| CN115511705A (zh) | 一种基于可变形残差卷积神经网络的图像超分辨率重建方法 | |
| CN111563843B (zh) | 一种图像超分辨重构方法、系统及相关装置 | |
| CN116188272B (zh) | 适用于多模糊核的两阶段深度网络图像超分辨率重建方法 | |
| WO2021048104A1 (en) | Wafer inspection methods and systems | |
| CN111986079A (zh) | 基于生成对抗网络路面裂缝图像超分辨率重建方法及装置 | |
| CN116862774A (zh) | 一种全景超分辨图像拼接方法、装置、设备及存储介质 | |
| CN116091319A (zh) | 基于长距离上下文依赖的图像超分辨率重建方法及系统 | |
| CN115937030A (zh) | 一种基于动态对齐及光照感知卷积的阴影去除方法 | |
| CN114863094A (zh) | 基于双支路网络的工业图像感兴趣区域分割算法 | |
| Shao et al. | SRWGANTV: image super-resolution through wasserstein generative adversarial networks with total variational regularization | |
| CN114463181A (zh) | 一种基于改进生成对抗网络的图像超分辨率方法 | |
| CN112734676A (zh) | 一种空间尺度泛化的去雨方法 | |
| Song et al. | Representation Learning for Wafer Pattern Recognition in Semiconductor Manufacturing Process |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231110 Address after: 100020 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Address before: 257061 No. 739, North Road, Dongying District, Shandong, Dongying Patentee before: CHINA University OF PETROLEUM (EAST CHINA) |