CN116452458A - 一种成像测井中空白条带的填充方法、装置以及介质 - Google Patents

一种成像测井中空白条带的填充方法、装置以及介质 Download PDF

Info

Publication number
CN116452458A
CN116452458A CN202310439864.2A CN202310439864A CN116452458A CN 116452458 A CN116452458 A CN 116452458A CN 202310439864 A CN202310439864 A CN 202310439864A CN 116452458 A CN116452458 A CN 116452458A
Authority
CN
China
Prior art keywords
imaging
logging
filling
filled
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.)
Pending
Application number
CN202310439864.2A
Other languages
English (en)
Inventor
徐朝晖
陈龙
朱丹丹
孙盼科
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 University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202310439864.2A priority Critical patent/CN116452458A/zh
Publication of CN116452458A publication Critical patent/CN116452458A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

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

Abstract

本申请公开了一种成像测井中空白条带的填充方法、装置以及介质，应用于油气资源勘探开发领域。该方法先获取待填充的测井电成像，然后标记出待填充的测井电成像中的空白条带区域以及非空白条带区域，最后将标记后的测井电成像输入模型中以得到填充后的测井电成像。神经网络图像填充模型会生成一个充满噪声的图像并进行迭代，得到新的测井电成像，使待填充的测井电成像的非空白条带区域与新的测井电成像对应的区域一致，此时新的测井电成像中与待填充的测井电成像的空白条带区域对应的区域也会生成图像，实现了原空白条带区域的填充。相较于传统算法，本申请基于深度模型进行填充，速度更快、效果更好，能够完成长段电成像图像的空白条带填充。

Description

一种成像测井中空白条带的填充方法、装置以及介质
技术领域
本申请涉及油气资源勘探开发领域，特别是涉及一种成像测井中空白条带的填充方法、装置以及介质。
背景技术
电成像图像的空白条带填充在信息处理领域属于图像修复的范畴，主要方法包括基于偏微分方程/变分方法、基于样本块匹配方法和基于稀疏表示方法。而与传统的图像修复方法不同，针对电成像图像空白条带填充的问题，目前测井领域主流是采用Filtersim算法与Criminisi算法等方法进行空白条带的填充。Filtersim算法的核心思想为通过多个线性滤波器将图像分类并给定标识，再根据处理图像时的预测分类函数选择相应的图像特征进行预测填充，Criminisi算法使用优先权的图像修复方式，首先将待修复区域确定，处理优先级最高的待修复区域，以像素点为单位确定置信程度，不断进行修复工作直至待修复区域为零。
上述两种方法在图像特征简单时，填充空白条带的效果较好，但是在缝洞、特殊岩石构造发育的复杂地层特征情况下，填充效果明显变差，明显不具备视觉语义，且图像填充速度较慢，无法大规模应用于计算机处理。因为这两种传统意义上的算法均以输入图像中连通性良好的区域为参照，通过图像特征对比进行空缺填补，在图像特征较为复杂时，特征对比进程缓慢，图像之间的匹配性差，所以，填充后的图像视觉效果不够自然。
由此可见，如何提高电成像图像的空白条带填充速度和效果，是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种成像测井中空白条带的填充方法、装置以及介质，以提高电成像图像的空白条带填充速度和效果。
为解决上述技术问题，本申请提供一种成像测井中空白条带的填充方法，包括：
获取待填充的测井电成像；
标记所述待填充的测井电成像中的空白条带区域以及非空白条带区域；
将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，所述神经网络图像填充模型生成图像并进行迭代得到新的测井电成像，使所述待填充的测井电成像的非空白条带区域与所述新的测井电成像对应的区域一致，以得到所述填充后的测井电成像。
优选地，所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，还包括：
采用评价指标对所述神经网络图像填充模型进行评价；
若评价结果不满足预设要求，则重新建立所述神经网络图像填充模型。
优选地，所述评价指标至少包括以下之一：所述待填充的测井电成像的非空白条带区域与所述填充后的测井电成像的非空白条带区域之间的平均灰度像素误差、所述待填充的测井电成像与所述填充后的测井电成像之间的结构相似性指数以及所述填充后的测井电成像的峰值信噪比。
优选地，所述神经网络图像填充模型包括损失函数，所述损失函数用于反向传播更新所述神经网络图像填充模型；
生成所述损失函数的过程包括：
根据待填充的测井电成像样本的非空白条带区域的像素与填充后的测井电成像样本的非空白条带区域的像素之间的平均绝对误差生成所述损失函数。
优选地，所述神经网络图像填充模型结合有通道和空间的注意力机制，以确定测井电成像中各特征的权重值。
优选地，训练所述神经网络图像填充模型包括：
采用自然场景图像原图和设置有空白条带区域的自然场景图像对所述神经网络图像填充模型进行消融实验得到补全效果更好的所述神经网络图像填充模型。
优选地，所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之前，还包括：
对所述待填充的测井电成像进行切分得到测井电成像子图像；
所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像包括：
将所述测井电成像子图像输入所述神经网络图像填充模型中以得到填充后的测井电成像子图像；
所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，还包括：
合并所述填充后的测井电成像子图像得到所述填充后的测井电成像。
为解决上述技术问题，本申请还提供一种成像测井中空白条带的填充装置，包括：
获取模块，用于获取待填充的测井电成像；
标记模块，用于标记所述待填充的测井电成像中的空白条带区域以及非空白条带区域；
输入模块，用于将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，所述神经网络图像填充模型生成图像并进行迭代得到新的测井电成像，使所述待填充的测井电成像的非空白条带区域与所述新的测井电成像对应的区域一致，以得到所述填充后的测井电成像。
优选地，所述成像测井中空白条带的填充装置还包括：评价模块，用于在所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，采用评价指标对所述神经网络图像填充模型进行评价；
建立模块，用于在评价结果不满足预设要求时，重新建立所述神经网络图像填充模型。
优选地，所述成像测井中空白条带的填充装置还包括：切分模块，用于在所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之前，对所述待填充的测井电成像进行切分得到测井电成像子图像；
所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像包括：将所述测井电成像子图像输入所述神经网络图像填充模型中以得到填充后的测井电成像子图像；
合并模块，用于在将所述测井电成像子图像输入所述神经网络图像填充模型中以得到填充后的测井电成像子图像之后，合并所述填充后的测井电成像子图像得到所述填充后的测井电成像。
为解决上述技术问题，本申请还提供一种成像测井中空白条带的填充装置，包括：存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现上述成像测井中空白条带的填充方法的步骤。
为解决上述技术问题，本申请还提供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上述成像测井中空白条带的填充方法的步骤。
本申请所提供的一种成像测井中空白条带的填充方法，预先建立神经网络图像填充模型，并根据包含空白条带区域的测井电成像样本训练神经网络图像填充模型。在应用时，先获取待填充的测井电成像，然后标记出待填充的测井电成像中的空白条带区域以及非空白条带区域，以便于实现填充的处理器能够分辨出待填充的测井电成像中的空白条带区域以及非空白条带区域。最后将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，神经网络图像填充模型会生成一个充满噪声的图像并对其进行迭代，最终得到新的测井电成像，使待填充的测井电成像的非空白条带区域与新的测井电成像对应的区域一致，而此时新的测井电成像中与待填充的测井电成像的空白条带区域对应的区域也会生成图像，即相当于实现了原空白条带区域的填充，得到了填充后的测井电成像。鉴于复杂图像特征条件下传统图像修复算法效果较差的问题，本申请提供一种基于深度模型的电成像图像空白条带填充方法，相较于传统算法，本申请基于深度模型生成新的测井电成像实现填充，速度更快、效果更好，能够完成长段电成像图像的空白条带填充。且同时避免了多样本的要求，针对不同的空白条带图像有着自适应性。
本申请还提供了一种成像测井中空白条带的填充装置和计算机可读存储介质，与上述方法对应，故具有与上述方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种成像测井中空白条带的填充方法的流程图；
图2为本申请实施例提供的一种空白条带填充架构示意图；
图3为本申请实施例提供的一种最优深度模型结构示意图；
图4为本申请实施例提供的一种卷积块注意力模块的架构示意图；
图5为本申请实施例提供的一种迭代更新模型的中间结果的示意图；
图6为本申请实施例提供的一种并行训练架构的示意图；
图7为本申请实施例提供的成像测井中空白条带的填充装置的结构图；
图8为本申请另一实施例提供的成像测井中空白条带的填充装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
本申请的核心是提供一种成像测井中空白条带的填充方法、装置以及介质，以提高电成像图像的空白条带填充速度和效果。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
全井眼微电阻率成像技术通过极板上的纽扣电极测量井壁附近地层电阻率，测量数据反演转化为图像，常为碳酸盐岩地层测井解释提供直观的地层图像信息。但由于测量极板间间隙的存在，使得测量信息无法完全覆盖整个井壁，需要确定极板位置并在电成像上刻画空白条带才能显示真实电成像图像，将电成像图像空白条带填充可减少视觉观察盲区，降低计算机处理图像难度，因此亟需一种高效率、高质量的空白条带填充方法。因此，本申请基于深度学习的思想，使用生成网络来对成像测井空白条带进行填充。本实施例提供了一种成像测井中空白条带的填充方法。图1为本申请实施例提供的一种成像测井中空白条带的填充方法的流程图；如图1所示，该方法包括如下步骤：
S10：获取待填充的测井电成像。
S11：标记待填充的测井电成像中的空白条带区域以及非空白条带区域。
S12：将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像。
待填充的测井电成像中包含空白条带区域，本申请的目的是对这部分空白条带区域进行填充。在将待填充的测井电成像输入至神经网络图像填充模型之前，需要先标记待填充的测井电成像中的空白条带区域以及非空白条带区域，以便于进行填充的处理器能够识别空白条带区域以及非空白条带区域。将标记后的测井电成像输入神经网络图像填充模型后，神经网络图像填充模型会生成一个新的图像并进行迭代得到新的测井电成像，从而使待填充的测井电成像的非空白条带区域与新的测井电成像对应的区域一致，而此时新的测井电成像中与待填充的测井电成像的空白条带区域对应的区域也会生成图像，即得到填充后的测井电成像。图2为本申请实施例提供的一种空白条带填充架构示意图；如图2所示，将原始图像输入空白带填充模型(神经网络图像填充模型)中，神经网络图像填充模型生成一个充满噪声的图像并进行多次迭代，生成和待填充的图像高度一致的新的测井电成像，进而实现对空白条带的填充得到补全图像。这一方式避免了多样本的要求，且针对不同的空白条带图像有着其自适应性。本申请实施例将测井电成像的非空白条带部分作为训练数据，对非空白条带部分进行监督学习训练模型，将包含空白条带区域的测井电成像作为测试数据输入到神经网络图像填充模型中得出填充后的测井电成像。
图3为本申请实施例提供的一种最优深度模型结构示意图；如图3所示，本申请实施例所使用是深度模型具体为生成网络，本申请实施例具体可采用UNet模型为基础模型，UNet模型将相同深度的编码层和解码层连接起来，融合了多层的语义特征。此外，最优模型中还可融合注意力机制，即在使用UNet模型的基础上，为了提升模型的精确率，还对UNet模型进行了进一步优化，引入卷积块注意力模块(Convolutional Block Attention Module，CBAM)模块并将其嵌入到基础深度模型中以实现对不同特征的不同关注。图4为本申请实施例提供的一种卷积块注意力模块的架构示意图；如图4所示，CBAM模块是轻量级的卷积注意力模块，它结合了通道和空间的注意力机制模块。由于卷积操作得到的大量特征混合了通道信息和空间信息，希望从通道和空间两个维度实现对重要信息的重点关注。通过先后应用通道和空间两个注意力模块，对中间特征学习哪些是有用特征，哪些是可以忽略的特征，从而提高深度网络的特征表达能力，优化普通填充网络模型。其中，通道注意力机制有助于捕捉图像整体的结构信息，从而更加准确地填充图像的内容。空间注意力机制能很好地捕获图像的复杂纹理特征，从而使空白条带的填充内容与周围图像更一致，增强了图像的层理连续性。
此外，本申请的神经网络图像填充模型中包含损失函数，损失函数是一种衡量模型与数据吻合程度的算法。损失函数是测量实际测量值和预测值之间差距的一种方式，损失函数的值越高预测就越错误，损失函数值越低则预测越接近真实值。针对模型和数据集的实际情况，本申请采用图像根据待填充的测井电成像样本的非空白条带区域的像素与填充后的测井电成像样本的非空白条带区域的像素之间的平均绝对误差生成损失函数。
其中，fθ(z)表示生成图像的点像素，z表示真实图像点像素，N为像素点的数量，LossPixel表示图像已知部分的像素生成平均绝对值。将损失函数作为神经网络图像填充模型的误差，反向传播更新网络，图5为本申请实施例提供的一种迭代更新模型的中间结果的示意图；如图5所示，神经网络图像填充模型迭代不同次数下生成的图像效果有明显差异。
实际应用中，在将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，还可采用评价指标对神经网络图像填充模型进行评价；若评价结果不满足预设要求，则重新建立神经网络图像填充模型。其中，评价指标至少包括以下之一：待填充的测井电成像的非空白条带区域与填充后的测井电成像的非空白条带区域之间的平均灰度像素误差、待填充的测井电成像与填充后的测井电成像之间的结构相似性指数(Structural Similarity Index，SSIM)以及填充后的测井电成像的峰值信噪比(Peak Signal to Noise Ratio，PSNR)。
在实际场景下，井电成像的空白条带部分缺乏真实数据，不便于评空白条带部分的补全效果，因此将井像的空白条带补全流程分为以下两个部分：首先进行自然场景图像空白条带补全的消融实验，利用原图的真实数据评估补全效果，得到空白条带补全效果最好的模型。然后使用自然场景图像消融实验得到的填充效果最优的模型用于井像空白条带的补全。
此外，填充测井电成像空白条带的深度模型所需算力大，可将井眼图像按深度进行切分，并行生成填充子图像后再合并，各线程无需数据交互，可独立执行。
本申请实施例在以UNet为基础的深度学习模型的基础上，引入注意力机制，通过学习权重值，学习到特征之间的深层关系，进一步帮助神经网络更快地发现重要的信息，提高网络的性能。在模型训练的过程中引入并行机制，将井眼图像按深度进行切分，并行生成填充子图再合并，各线程无需数据交互，可独立执行，进一步提升模型性能。
深度神经网络模型已经在计算机视觉、自然语言理解等人工智能领域表现出优异的性能，特别是卷积神经网络在图像分类、图像语义分割、图像检索、目标检测等图像相关领域发挥出重要作用。鉴于复杂图像特征条件下传统图像修复算法效果较差的问题，在电成像图像的空白条带填充方面，也表现出这一趋势。由于电成像图像占据的存储空间多，计算量大等问题使得传统算法无法满足长井段电成像图像空白条带的填充需求。通过借鉴现有的神经网络技术图像修复模型，本申请提供一种基于深度模型的电成像图像空白条带填充方法，使用Pytorch框架构建改进的UNet网络结构，通过多次训练得到图像填充模型；将图像的待填充区域按要求标记后输入神经网络模型中，通过模型的预测即可得到填充后的图像。相较于传统算法，该方法的填充速度更快、效果更好，能够完成长段电成像的空白条带填充。
本申请实施例所提供的一种成像测井中空白条带的填充方法，预先建立神经网络图像填充模型，并根据包含空白条带区域的测井电成像样本训练神经网络图像填充模型。在应用时，先获取待填充的测井电成像，然后标记出待填充的测井电成像中的空白条带区域以及非空白条带区域，以便于实现填充的处理器能够分辨出待填充的测井电成像中的空白条带区域以及非空白条带区域。最后将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，神经网络图像填充模型会生成一个图像并进行迭代得到新的测井电成像，使待填充的测井电成像的非空白条带区域与新的测井电成像对应的区域一致，而此时新的测井电成像中与待填充的测井电成像的空白条带区域对应的区域也会生成图像，即相当于实现了原空白条带区域的填充，得到了填充后的测井电成像。鉴于复杂图像特征条件下传统图像修复算法效果较差的问题，本申请提供一种基于深度模型的电成像图像空白条带填充方法，相较于传统算法，本申请基于深度模型进行填充，速度更快、效果更好，能够完成长段电成像图像的空白条带填充。且同时避免了多样本的要求，针对不同的空白条带图像有着自适应性。
上述实施例中提到，在将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，还可采用评价指标对神经网络图像填充模型进行评价，若评价结果不满足预设要求，则可以重新建立神经网络图像填充模型。其中，评价指标的类型和数量不做限定，评价指标可包括以下之一：待填充的测井电成像的非空白条带区域与填充后的测井电成像的非空白条带区域之间的平均灰度像素误差、待填充的测井电成像与填充后的测井电成像之间的结构相似性指数以及填充后的测井电成像的峰值信噪比。平均灰度像素误差即将灰度化的待填充的测井电成像与填充后的灰度测井电成像分别与掩码图像相乘，计算图像非空白区域像素点上的平均绝对误差。结构相似性指数是一种用于量化两幅图像间的结构相似性的指标。与L2损失函数不同，结构相似性指数仿照人类的视觉系统(Human Visual System，HVS)实现了结构相似性的有关理论，对图像的局部结构变化的感知敏感。结构相似性指数从亮度、对比度以及结构量化图像的属性，用均值估计亮度，方差估计对比度，协方差估计结构相似程度。SSIM值的范围为0至1，越大代表图像越相似。如果两张图片完全一样时，SSIM值为1。峰值信噪比是一种评价图像质量的度量标准，因为峰值信噪比的值具有局限性，所以它只是衡量最大值信号和背景噪音之间的图像质量参考值。峰值信噪比的单位为dB，其值越大，图像失真越少。
在一些实施例中，神经网络图像填充模型可包括损失函数，损失函数用于反向传播更新神经网络图像填充模型。其中，生成损失函数的过程包括：根据待填充的测井电成像样本的非空白条带区域的像素与填充后的测井电成像样本的非空白条带区域的像素之间的平均绝对误差生成损失函数。损失函数的具体内容可参考公式(1)相关内容，这里不再赘述。
本申请实施例提供的方案中，神经网络图像填充模型结合有通道和空间的注意力机制，以确定测井电成像中各特征的权重值。具体的，可采用UNet模型为基础模型，在使用UNet模型的基础上，为了提升模型的精确率，还对UNet模型进行了进一步优化，引入CBAM模块并将其嵌入到基础深度模型中以实现对不同特征的不同关注。CBAM模块是轻量级的卷积注意力模块，它结合了通道和空间的注意力机制模块。由于卷积操作得到的大量特征混合了通道信息和空间信息，希望从通道和空间两个维度实现对重要信息的重点关注。通过先后应用通道和空间两个注意力模块，对中间特征学习哪些是有用特征，哪些是可以忽略的特征，从而确定测井电成像中各特征的权重值，提高深度网络的特征表达能力，优化普通填充网络模型。
在实际场景下，井电成像的空白条带部分缺乏真实数据，不便于评空白条带部分的补全效果，因此训练神经网络图像填充模型的过程包括：采用自然场景图像原图和设置有空白条带区域的自然场景图像对神经网络图像填充模型进行消融实验得到补全效果更好的神经网络图像填充模型。将井像的空白条带补全流程分为以下两个部分：首先进行自然场景图像空白条带补全的消融实验，利用原图的真实数据评估补全效果，得到空白条带补全效果最好的模型。然后使用自然场景图像消融实验得到的填充效果最优的模型用于井像空白条带的补全。此方案对空白条带数据进行一定程度上的数据集扩充。
此外，填充测井电成像空白条带的深度模型所需算力大，可将井眼图像按深度进行切分，并行生成填充子图像后再合并。图6为本申请实施例提供的一种并行训练架构的示意图；如图6所示，并行训练的具体过程如下：在将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之前，对待填充的测井电成像进行切分得到测井电成像子图像。将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像具体为：将测井电成像子图像输入神经网络图像填充模型中以得到填充后的测井电成像子图像。而在将测井电成像子图像输入神经网络图像填充模型中以得到填充后的测井电成像子图像之后，再合并填充后的测井电成像子图像得到填充后的测井电成像。各线程无需数据交互，可独立执行。
传统算法在缝洞、特殊岩石构造发育的复杂地层特征情况下，填充效果较差，明显不具备视觉语义，且图像填充速度较慢，无法大规模应用于计算机处理.在图像特征较为复杂时，特征对比进程缓慢，图像之间的匹配性差，填充后的图像视觉效果不够自然。而其他的神经网络算法需要使用很多包含井的图像的数据集进行输入计算，大量的数据集的需求在现实的小样本条件下很难实现；模型较复杂，特征提取效率较低，填充补全速度较慢，且不能实现并行。本申请使用生成模型，将一个充满噪声的图像进行多次迭代，生成和待填充的图像高度一致的新的测井电成像，进而实现对空白条带的填充，这一方式避免了多样本的要求，且针对不同的空白条带图像有着其自适应性，引入的注意力机制可以大大降低模型的复杂性，增加特征提取的效率和训练的次数，对迭代次数亦可以进行人为控制，另外，针对模型增加了并行的功能，大大减少了模型补全的时间。
在上述实施例中，对于成像测井中空白条带的填充方法进行了详细描述，本申请还提供成像测井中空白条带的填充装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
基于功能模块的角度，本实施例提供一种成像测井中空白条带的填充装置，图7为本申请实施例提供的成像测井中空白条带的填充装置的结构图，如图7所示，该装置包括：
获取模块10，用于获取待填充的测井电成像；
标记模块11，用于标记待填充的测井电成像中的空白条带区域以及非空白条带区域；
输入模块12，用于将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，神经网络图像填充模型生成图像并进行迭代得到新的测井电成像，使待填充的测井电成像的非空白条带区域与新的测井电成像对应的区域一致，以得到填充后的测井电成像。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
作为优选的实施方式，成像测井中空白条带的填充装置还包括：评价模块，用于在将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，采用评价指标对神经网络图像填充模型进行评价；
建立模块，用于在评价结果不满足预设要求时，重新建立神经网络图像填充模型。
切分模块，用于在将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之前，对待填充的测井电成像进行切分得到测井电成像子图像；
将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像包括：将测井电成像子图像输入神经网络图像填充模型中以得到填充后的测井电成像子图像；
合并模块，用于在将测井电成像子图像输入神经网络图像填充模型中以得到填充后的测井电成像子图像之后，合并填充后的测井电成像子图像得到填充后的测井电成像。
本实施例提供的成像测井中空白条带的填充装置，与上述方法对应，故具有与上述方法相同的有益效果。
基于硬件的角度，本实施例提供了另一种成像测井中空白条带的填充装置，图8为本申请另一实施例提供的成像测井中空白条带的填充装置的结构图，如图8所示，成像测井中空白条带的填充装置包括：存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例中所提到的成像测井中空白条带的填充方法的步骤。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的成像测井中空白条带的填充方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于成像测井中空白条带的填充方法涉及到的数据等。
在一些实施例中，成像测井中空白条带的填充装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图中示出的结构并不构成对成像测井中空白条带的填充装置的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的成像测井中空白条带的填充装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：成像测井中空白条带的填充方法。
本实施例提供的成像测井中空白条带的填充装置，与上述方法对应，故具有与上述方法相同的有益效果。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例描述的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的计算机可读存储介质，与上述方法对应，故具有与上述方法相同的有益效果。
以上对本申请所提供的一种成像测井中空白条带的填充方法、装置以及介质进行了详细介绍。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。对于实施例公开的装置而言，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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种成像测井中空白条带的填充方法，其特征在于，包括：
获取待填充的测井电成像；
标记所述待填充的测井电成像中的空白条带区域以及非空白条带区域；
将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，所述神经网络图像填充模型生成图像并进行迭代得到新的测井电成像，使所述待填充的测井电成像的非空白条带区域与所述新的测井电成像对应的区域一致，以得到所述填充后的测井电成像。
2.根据权利要求1所述的成像测井中空白条带的填充方法，其特征在于，所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之后，还包括：
采用评价指标对所述神经网络图像填充模型进行评价；
若评价结果不满足预设要求，则重新建立所述神经网络图像填充模型。
3.根据权利要求2所述的成像测井中空白条带的填充方法，其特征在于，所述评价指标至少包括以下之一：所述待填充的测井电成像的非空白条带区域与所述填充后的测井电成像的非空白条带区域之间的平均灰度像素误差、所述待填充的测井电成像与所述填充后的测井电成像之间的结构相似性指数以及所述填充后的测井电成像的峰值信噪比。
4.根据权利要求1所述的成像测井中空白条带的填充方法，其特征在于，所述神经网络图像填充模型包括损失函数，所述损失函数用于反向传播更新所述神经网络图像填充模型；
生成所述损失函数的过程包括：
根据待填充的测井电成像样本的非空白条带区域的像素与填充后的测井电成像样本的非空白条带区域的像素之间的平均绝对误差生成所述损失函数。
5.根据权利要求1所述的成像测井中空白条带的填充方法，其特征在于，所述神经网络图像填充模型结合有通道和空间的注意力机制，以确定测井电成像中各特征的权重值。
6.根据权利要求1所述的成像测井中空白条带的填充方法，其特征在于，训练所述神经网络图像填充模型包括：
采用自然场景图像原图和设置有空白条带区域的自然场景图像对所述神经网络图像填充模型进行消融实验得到补全效果更好的所述神经网络图像填充模型。
7.根据权利要求1至6任意一项所述的成像测井中空白条带的填充方法，其特征在于，所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像之前，还包括：
对所述待填充的测井电成像进行切分得到测井电成像子图像；
所述将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像包括：
将所述测井电成像子图像输入所述神经网络图像填充模型中以得到填充后的测井电成像子图像；
所述将所述测井电成像子图像输入所述神经网络图像填充模型中以得到填充后的测井电成像子图像之后，还包括：
合并所述填充后的测井电成像子图像得到所述填充后的测井电成像。
8.一种成像测井中空白条带的填充装置，其特征在于，包括：
获取模块，用于获取待填充的测井电成像；
标记模块，用于标记所述待填充的测井电成像中的空白条带区域以及非空白条带区域；
输入模块，用于将标记后的测井电成像输入预先建立的神经网络图像填充模型中以得到填充后的测井电成像；其中，所述神经网络图像填充模型生成图像并进行迭代得到新的测井电成像，使所述待填充的测井电成像的非空白条带区域与所述新的测井电成像对应的区域一致，以得到所述填充后的测井电成像。
9.一种成像测井中空白条带的填充装置，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至7任一项所述的成像测井中空白条带的填充方法的步骤。
10.一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至7任一项所述的成像测井中空白条带的填充方法的步骤。
CN202310439864.2A 2023-04-23 2023-04-23 一种成像测井中空白条带的填充方法、装置以及介质 Pending CN116452458A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310439864.2A CN116452458A (zh) 2023-04-23 2023-04-23 一种成像测井中空白条带的填充方法、装置以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310439864.2A CN116452458A (zh) 2023-04-23 2023-04-23 一种成像测井中空白条带的填充方法、装置以及介质

Publications (1)

Publication Number Publication Date
CN116452458A true CN116452458A (zh) 2023-07-18

Family

ID=87135508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310439864.2A Pending CN116452458A (zh) 2023-04-23 2023-04-23 一种成像测井中空白条带的填充方法、装置以及介质

Country Status (1)

Country Link
CN (1) CN116452458A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934780A (zh) * 2023-09-13 2023-10-24 西南石油大学 一种基于深度学习的电成像测井图像裂缝分割方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934780A (zh) * 2023-09-13 2023-10-24 西南石油大学 一种基于深度学习的电成像测井图像裂缝分割方法及系统
CN116934780B (zh) * 2023-09-13 2023-11-24 西南石油大学 一种基于深度学习的电成像测井图像裂缝分割方法及系统

Similar Documents

Publication Publication Date Title
RU2694021C1 (ru) Способ и устройство идентификации частей фрагментированного материала в пределах изображения
US10896524B2 (en) Method and system for color representation generation
CN110276402B (zh) 一种基于深度学习语义边界增强的盐体识别方法
US20220189017A1 (en) Medical image processing method and apparatus, image processing method and apparatus, terminal and storage medium
NO20210660A1 (en) Method and system to analyze geologic formation properties
CN110728707B (zh) 基于非对称深度卷积神经网络的多视角深度预测方法
CN114092697B (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
DE102017006563A1 (de) Bildpatchabgleich unter Nutzung eines wahrscheinlichkeitsbasierten Abtastens auf Grundlage einer Vorhersage
US20150016717A1 (en) Opacity Measurement Using A Global Pixel Set
CN113256494B (zh) 一种文本图像超分辨率方法
CN111275784A (zh) 生成图像的方法和装置
CN116452458A (zh) 一种成像测井中空白条带的填充方法、装置以及介质
CN113592018B (zh) 基于残差密集网络和梯度损失的红外光与可见光图像融合方法
CN103198479A (zh) 基于语义信息分类的sar图像分割方法
CN108388901B (zh) 基于空间-语义通道的协同显著目标检测方法
CN114723583A (zh) 基于深度学习的非结构化电力大数据分析方法
CN112926696A (zh) 一种基于注意力图的可解释局部迁移互学习方法
Chawshin et al. Classifying lithofacies from textural features in whole core CT-scan images
CN111709914A (zh) 一种基于hvs特性的无参考图像质量评价方法
CN114120361A (zh) 一种基于编解码结构的人群计数定位方法
US20220327713A1 (en) Automatic digital rock segmentation
CN115953330B (zh) 虚拟场景图像的纹理优化方法、装置、设备和存储介质
CN111401209B (zh) 一种基于深度学习的动作识别方法
US20230184087A1 (en) Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling
Lin et al. Machine learning for multiple petrophysical properties regression based on core images and well logs in a heterogenous reservoir

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