CN116934780A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN116934780A
CN116934780A CN202311180469.3A CN202311180469A CN116934780A CN 116934780 A CN116934780 A CN 116934780A CN 202311180469 A CN202311180469 A CN 202311180469A CN 116934780 A CN116934780 A CN 116934780A
Authority
CN
China
Prior art keywords
image
segmentation
electric imaging
crack
fracture
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
CN202311180469.3A
Other languages
English (en)
Other versions
CN116934780B (zh
Inventor
陈玙璠
王欣
王杨
蒋薇
王永生
曾星杰
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202311180469.3A priority Critical patent/CN116934780B/zh
Publication of CN116934780A publication Critical patent/CN116934780A/zh
Application granted granted Critical
Publication of CN116934780B publication Critical patent/CN116934780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及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，属于电成像测井图像分割技术领域；解决了现有技术针对电成像测井图像无法获得精确的裂缝分割的问题；其技术方案是：首先改进Criminisi算法对电成像测井原始图像中的空白条带进行图像修复；接着构建以U型网络为生成器的生成对抗网络，结合双重注意力机制形成裂缝分割模型，并使用电成像测井修复图像数据集对裂缝分割模型进行训练，最后利用训练好的裂缝分割模型实现对电成像测井图像中裂缝的精确分割。本发明提出了一种新的基于深度学习的电成像测井图像裂缝分割方法及系统，能够自主训练获得裂缝分割图像，实现电成像测井图像裂缝的精细分割与提取，提升分割连续性与完整性。

Description

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
技术领域
本发明涉及成像测井图像分割技术领域，尤其涉及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。
背景技术
裂缝是由于岩石受力形成的一种地质结构，为油气存储提供空间。在地质过程中，岩石受到应力的影响，当应力超过岩石的强度限制时，岩石会发生破裂，形成裂缝。这些裂缝带来油气的储集空间，并作为天然气和石油的储层。裂缝分割是指对电成像测井图像中的裂缝进行识别、定位和划分的过程。通过裂缝分割的结果，可以更准确地了解储层中裂缝的存在及其对储集空间的影响。这对于后续储层评价、油气勘探和开发决策非常重要。
传统的裂缝分割方法主要通过阈值分割等技术对电成像测井图像中的裂缝进行分割，通常需要繁琐的人工操作，更依靠于专家经验，分割精度不高。随着深度学习方法在裂缝分割领域的应用，有越来越多的学者开始尝试使用深度学习算法来实现对电成像测井图像的裂缝自动分割，其中包括人工神经网络（如卷积神经网络）等技术。虽然深度学习方法在裂缝分割上取得了一定的进展，但在图像存在大量噪音干扰的情况下，这些方法无法保证分割结果的准确性和连续性。并且由于电成像测井图像存在一些缺失像素信息的空白条带，空白条带的存在会降低图像质量，直接对此低质量的电成像测井图像进行裂缝分割，必会影响到最终的分割效果。
基于上述情况，亟需一种提升图像质量、高精确度的电成像测井图像裂缝分割方法。
发明内容
针对现有技术存在的问题，本发明提供了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，能够有效处理电成像测井图像存在的空白条带问题，提高图像质量，从而提高裂缝分割精度。
一种基于深度学习的电成像测井图像裂缝分割方法，包括：
对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集；
基于U型网络结构以及双重注意力网络构建U-Att网络；
以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型；
将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果。
优选地，所述的对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集，具体包括：
基于填补优先级计算方式对Criminisi算法进行改进，得到P-Criminisi算法，用于填补电成像测井原始图像存在的规律性空白条带区域；
使用P-Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；
首先，计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，填补优先级计算公式如下：
式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项；
其次，在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：
式中：为源区域，fSSD为欧氏距离准则搜索函数，q为源区域上的像素点，/>为源区域里的最佳匹配点，/>为目标区域里具有最高填补优先级的点，/>为以/>点为中心的匹配块，为以/>点为中心的填补块，/>为以q点为中心的匹配块；
再次，更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；
最后，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。
优选地，所述的基于U型网络结构以及双重注意力网络构建U-Att网络，具体包括：
将U型网络作为U-Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理；
将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和尺寸压缩，其中每层包括两个卷积、批归一化与RELU架构，层与层之间以一个步幅为2的最大池化连接，经下采样获得裂缝特征信息；
下采样得到的裂缝特征信息输入至双重注意力网络，利用双重注意力网络获得调整过特征权重的裂缝特征信息；
为使最终生成的裂缝分割图像与原始输入图像大小相同，U型网络右边解码器通过四层反卷积进行上采样以扩增从双重注意力网络输出的裂缝特征信息，解码器每层包括两个反卷积、批归一化与RELU架构；
上采样每层产生的裂缝特征信息与对应的下采样层级进行跳跃连接，相应层级的卷积特征映射通过跳跃连接进行拼接，得到拼接后输出到下一层的裂缝特征信息。
优选地，所述的以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型，具体包括：
在U-Att网络的基础上增加生成对抗网络框架，将U-Att网络作为生成对抗网络中的生成器，像素级判别器作为生成对抗网络中的判别器，其中像素级判别器由四个卷积、RELU架构组成；
将电成像测井修复图像与真实裂缝分割图像输入裂缝分割模型的生成器，获得生成裂缝分割图像，再将生成裂缝分割图像输入判别器得到此生成图像被判别为真实裂缝分割图像的概率，将此概率反馈给生成器，使生成器根据此概率再次训练调整自身参数，重新生成与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像；
为使生成器获得与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像，判别器判断出裂缝分割图像的真假，裂缝分割模型最终生成高精度的生成裂缝分割图像，计算生成对抗网络的目标函数L1：
式中：x为电成像测井修复图像，y为真实裂缝分割图像，G(x)为生成裂缝分割图像，为x、y服从电成像测井修复图像与真实裂缝分割图像分布取样的期望，为x服从电成像测井修复图像分布取样的期望，D(x,y)为判别器对真实裂缝对(x,y)的判别结果，D(x,G(x))为判别器对生成裂缝对(x,G(x))的判别结果；
使用二元交叉熵计算真实裂缝分割图像与生成裂缝分割图像之间的距离，对裂缝区域的错误分割进行惩罚，损失函数L2的公式如下：
使用Sobel算子定位边缘，加大对裂缝边缘信息的关注度，对裂缝边缘区域的错误分割进行惩罚，损失函数L3的公式如下：
式中：ye为真实裂缝边缘，G(x)e为生成裂缝边缘；
将L1、L2、L3相加得到总目标函数，总目标函数L的公式为：
式中，，/>为平衡系数，其中/>固定为10，/>固定为2。
优选地，所述的将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果，具体包括：
将电成像测井修复图像以8：2的比例分为训练集与测试集，训练集中5%的数据作为验证集；
将输入裂缝分割模型的电成像测井修复图像归一化为每个通道的Z-Score分值，消除图像灰度的不一致；
使生成器与判别器交替训练，迭代训练5000次，视为裂缝分割模型收敛；
利用训练好的裂缝分割模型对电成像测井修复图像进行分割，将该模型输出的预测掩码图像作为最终分割结果。
一种基于深度学习的电成像测井图像裂缝分割系统，包括：
图像处理模块，用于对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集；
网络构建模块，用于基于U型网络结构以及双重注意力网络构建U-Att网络；
模型搭建模块，用于以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型；
图像分割模块，用于将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果。
优选地，所述的图像处理模块包括：
Criminisi算法改进单元，用于基于填补优先级计算方式对Criminisi算法进行改进，得到P-Criminisi算法，用于填补电成像测井原始图像存在的规律性空白条带区域；
概念定义单元，用于使用P-Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；
填补优先级计算单元，用于计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，填补优先级计算公式如下：
式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项；
最佳匹配块搜索单元，用于在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：
式中：为源区域，fSSD为欧氏距离准则搜索函数，q为源区域上的像素点，/>为源区域里的最佳匹配点，/>为目标区域里具有最高填补优先级的点，/>为以/>点为中心的匹配块，为以/>点为中心的填补块，/>为以q点为中心的匹配块；
边界轮廓更新单元，用于更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；
数据扩增单元，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。
优选地，所述的网络构建模块包括：
U-Att网络构建单元，用于将U型网络作为U-Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理；
编码器构建单元，用于将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和尺寸压缩，其中每层包括两个卷积、批归一化与RELU架构，层与层之间以一个步幅为2的最大池化连接，经下采样获得裂缝特征信息；
注意力构建单元，用于将下采样得到的裂缝特征信息输入至双重注意力网络，利用双重注意力网络获得调整过特征权重的裂缝特征信息；
解码器构建单元，用于为使最终生成的裂缝分割图像与原始输入图像大小相同，U型网络右边解码器通过四层反卷积进行上采样以扩增从双重注意力网络输出的裂缝特征信息，解码器每层包括两个反卷积、批归一化与RELU架构；
跳跃连接单元，用于将上采样每层产生的裂缝特征信息与对应的下采样层级进行跳跃连接，相应层级的卷积特征映射通过跳跃连接进行拼接，得到拼接后输出到下一层的裂缝特征信息。
优选地，所述的模型搭建模块包括：
生成对抗网络组成单元，用于在U-Att网络的基础上增加生成对抗网络框架，将U-Att网络作为生成对抗网络中的生成器，像素级判别器作为生成对抗网络中的判别器，其中像素级判别器由四个卷积、RELU架构组成；
数据流向单元，用于将电成像测井修复图像与真实裂缝分割图像输入裂缝分割模型的生成器，获得生成裂缝分割图像，再将生成裂缝分割图像输入判别器得到此生成图像被判别为真实裂缝分割图像的概率，将此概率反馈给生成器，使生成器根据此概率再次训练调整自身参数，重新生成与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像；
目标函数L1构建单元，用于为使生成器获得与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像，判别器判断出裂缝分割图像的真假，裂缝分割模型最终生成高精度的生成裂缝分割图像，计算生成对抗网络的目标函数L1：
式中：x为电成像测井修复图像，y为真实裂缝分割图像，G(x)为生成裂缝分割图像，为x、y服从电成像测井修复图像与真实裂缝分割图像分布取样的期望，为x服从电成像测井修复图像分布取样的期望，D(x,y)为判别器对真实裂缝对(x,y)的判别结果，D(x,G(x))为判别器对生成裂缝对(x,G(x))的判别结果；
损失函数L2构建单元，用于使用二元交叉熵计算真实裂缝分割图像与生成裂缝分割图像之间的距离，对裂缝区域的错误分割进行惩罚，损失函数L2的公式如下：
损失函数L3构建单元，用于加大对裂缝边缘信息的关注度，使用Sobel算子定位边缘，对裂缝边缘区域的错误分割进行惩罚，损失函数L3的公式如下：
式中：ye为真实裂缝边缘，G(x)e为生成裂缝边缘；
总目标函数L构建单元，用于将L1、L2、L3相加得到总目标函数，总目标函数L的公式为：
式中，，/>为平衡系数，其中/>固定为10，/>固定为2。
优选地，所述的图像分割模块包括：
数据划分单元，用于将电成像测井修复图像以8：2的比例分为训练集与测试集，训练集中5%的数据作为验证集；
归一化单元，用于将输入裂缝分割模型的电成像测井修复图像归一化为每个通道的Z-Score分值，消除图像灰度的不一致；
收敛判断单元，用于使生成器与判别器交替训练，迭代训练5000次，视为裂缝分割模型收敛；
裂缝分割单元，用于利用训练好的裂缝分割模型对电成像测井修复图像进行分割，将该模型输出的预测掩码图像作为最终分割结果。
采用上述技术方案所产生的有益效果在于：针对存在空白条带的电成像测井图像的裂缝分割，提出了一种新的基于深度学习的电成像测井图像裂缝分割方法及系统。首先，通过改进Criminisi算法中的填补优先级计算方式，提出了P-Criminisi算法，用于修复电成像测井原始图像中缺失像素信息的空白条带；其次结合U型网络与双重注意力网络构成生成对抗网络的生成器，搭建裂缝分割模型；最后使用电成像测井修复图像数据集对裂缝分割模型进行训练，实现对电成像测井修复图像中裂缝的精确分割。通过对电成像测井原始图像进行图像修复，消除电成像测井原始图像中的信息缺失，提升图像质量，进而提高后续裂缝分割任务的准确性与鲁棒性。同时以生成对抗网络为骨架，融合U型网络和双重注意力网络作为生成对抗网络的生成器进行训练，能够更好解决传统裂缝提取方法分割不完整的问题，有效降低原始图像噪音对分割模型的影响，在提升图像质量的同时实现更加稳定准确的裂缝分割效果。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见，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为本发明一种基于深度学习的电成像测井图像裂缝分割方法实施例的方法流程图。
图2为本发明一种基于深度学习的电成像测井图像裂缝分割系统实施例的结构示意图。
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基于深度学习的电成像测井图像裂缝分割方法及系统，提高存在规律性空白条带的电成像测井图像的裂缝分割准确率。
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。
参考图1，为本发明一种基于深度学习的电成像测井图像裂缝分割方法实施例的方法流程图，所述方法包括以下步骤：
步骤S101，对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集，具体步骤包括：
基于填补优先级计算方式对经典图像修复算法Criminisi算法进行改进，得到P-Criminisi算法，用于填补电成像测井原始图像存在的规律性空白条带区域；
使用P-Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；
首先，计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，采取分段的方式决定填补优先级，在置信度项小于0.5时增加数据项在填补优先级计算时占有的比重，置信度项大于等于0.5时保持原有的填补优先级计算方式，填补优先级计算公式如下：
式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项，p点置信度项与数据项计算公式为：
式中：q为源区域上的像素点，C(q)为q点置信度项，为p点的等照度线向量，其方向垂直于p点的梯度向量，np为p点的法向量，/>为归一化参数，一般情况下取值255；
其次，在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：
式中：为源区域，fSSD为欧氏距离准则搜索函数，q为源区域上的像素点，/>为源区域里的最佳匹配点，/>为目标区域里具有最高填补优先级的点，/>为以/>点为中心的匹配块，为以/>点为中心的填补块，/>为以q点为中心的匹配块；
再次，更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；
最后，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。
步骤S102，基于U型网络结构以及双重注意力网络构建U-Att网络，具体步骤包括：
将U型网络作为U-Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理，其中编码器负责提取图像的裂缝特征，而解码器负责将这些裂缝特征映射回原始图像；
将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和特征图尺寸压缩，应用激活函数ReLU以引入非线性性质，增强特征表达能力，编码器每层包括两个卷积、批归一化与ReLU架构，层与层之间以一个步幅为2的2×2最大池化连接，在每个池化层之后，特征图的尺寸减半、通道数增加，保留高级裂缝特征，经下采样获得裂缝特征信息；
在U型网络第四、五、六层网络池化层后增加双重注意力网络，学习全局上下文信息同时使裂缝分割模型关注裂缝区域，双重注意力网络包括位置注意力模块与通道注意力模块，位置注意力模块通过所有位置的特征加权和来聚合每个位置的特征，通道注意力模块通过整合所有通道映射之间的相关特征强调存在相互依赖的通道映射；
为使最终生成的裂缝分割图像与原始输入图像大小相同，将编码器提取的特征图映射回原始图像的尺寸，并生成像素级预测，U型网络右边解码器通过四层反卷积进行上采样以逐层增加特征图尺寸，解码器每层包括两个反卷积、批归一化与RELU架构；
上采样每层产生的裂缝特征信息与对应的下采样层级进行跳跃连接，相应层级的卷积特征映射通过跳跃连接进行拼接，得到拼接后输出到下一层的裂缝特征信息，跳跃连接使得解码器利用底层特征，提高分割精度。
步骤S103，以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型，具体步骤包括：
在U-Att网络的基础上增加生成对抗网络框架，通过让生成器和判别器相互对抗的方式来训练模型，提高生成器生成高精确度的生成裂缝分割图像的能力，将U-Att网络作为生成对抗网络中的生成器，像素级判别器作为生成对抗网络中的判别器，其中像素级判别器由四个卷积、RELU架构组成；
将电成像测井修复图像与真实裂缝分割图像输入裂缝分割模型的生成器，获得生成裂缝分割图像，再将生成裂缝分割图像输入判别器得到此生成图像被判别为真实裂缝分割图像的概率，将此概率反馈给生成器，使生成器根据此概率再次训练调整自身参数，重新生成与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像；
为使生成器获得与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像，判别器判断出裂缝分割图像的真假，裂缝分割模型最终生成高精度的生成裂缝分割图像，计算生成对抗网络的目标函数L1：
式中：x为电成像测井修复图像，y为真实裂缝分割图像，G(x)为生成裂缝分割图像，为x、y服从电成像测井修复图像与真实裂缝分割图像分布取样的期望，为x服从电成像测井修复图像分布取样的期望，D(x,y)为判别器对真实裂缝对(x,y)的判别结果，D(x,G(x))为判别器对生成裂缝对(x,G(x))的判别结果；
使用二元交叉熵计算真实裂缝分割图像与生成裂缝分割图像之间的距离，对裂缝区域的错误分割进行惩罚，损失函数L2的公式如下：
加大对裂缝边缘信息的关注度，使用Sobel算子定位边缘，对裂缝边缘区域的错误分割进行惩罚，损失函数L3的公式如下：
式中：ye为真实裂缝边缘，G(x)e为生成裂缝边缘；
将L1、L2、L3相加得到总目标函数，总目标函数L的公式如下：
式中，，/>为平衡系数，其中/>固定为10，/>固定为2。
步骤S104，将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果，具体步骤包括：
将电成像测井修复图像以8：2的比例分为训练集与测试集，训练集中5%的数据作为验证集；
将输入裂缝分割模型的电成像测井修复图像归一化为每个通道的Z-Score分值，消除图像灰度的不一致；
使生成器与判别器交替训练，迭代训练5000次，视为裂缝分割模型收敛，使用接收者操作特征曲线下面积（ROC-AUC）、查准率-查全率曲线下面积（PR-AUC）和Dice系数曲线下面积（Dice-AUC）来评估模型性能；
利用训练好的裂缝分割模型对电成像测井修复图像进行分割，将该模型输出的预测掩码图像作为最终分割结果。
参考图2，为本发明一种基于深度学习的电成像测井图像裂缝分割系统实施例的结构示意图，所述系统包括以下模块：
图像处理模块201，对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集，具体包括：
Criminisi算法改进单元，基于填补优先级计算方式对经典图像修复算法Criminisi算法进行改进，得到P-Criminisi算法，用于填补电成像测井原始图像存在的规律性空白条带区域；
概念定义单元，使用P-Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；
填补优先级计算单元，计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，采取分段的方式决定填补优先级，在置信度项小于0.5时增加数据项在填补优先级计算时占有的比重，置信度项大于等于0.5时保持原有的填补优先级计算方式，填补优先级计算公式如下：
式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项，p点置信度项与数据项计算公式为：
式中：q为源区域上的像素点，C(q)为q点置信度项，为p点的等照度线向量，其方向垂直于p点的梯度向量，np为p点的法向量，/>为归一化参数，一般情况下取值255；
最佳匹配块搜索单元，在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：
式中：为源区域，fSSD为欧氏距离准则搜索函数，q为源区域上的像素点，/>为源区域里的最佳匹配点，/>为目标区域里具有最高填补优先级的点，/>为以/>点为中心的匹配块，为以/>点为中心的填补块，/>为以q点为中心的匹配块；
边界轮廓更新单元，更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；
数据扩增单元，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。
网络构建模块202，基于U型网络结构以及双重注意力网络构建U-Att网络，具体包括：
U-Att网络构建单元，用于将U型网络作为U-Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理，其中编码器负责提取图像的裂缝特征，而解码器负责将这些裂缝特征映射回原始图像；
编码器构建单元，用于将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和特征图尺寸压缩，应用激活函数ReLU以引入非线性性质，增强特征表达能力，编码器每层包括两个卷积、批归一化与ReLU架构，层与层之间以一个步幅为2的2×2最大池化连接，在每个池化层之后，特征图的尺寸减半、通道数增加，保留高级裂缝特征，经下采样获得裂缝特征信息；
注意力构建单元，用于在U型网络第四、五、六层网络池化层后增加双重注意力网络，学习全局上下文信息同时使裂缝分割模型关注裂缝区域，双重注意力网络包括位置注意力模块与通道注意力模块，位置注意力模块通过所有位置的特征加权和来聚合每个位置的特征，通道注意力模块通过整合所有通道映射之间的相关特征强调存在相互依赖的通道映射；
解码器构建单元，用于为使最终生成的裂缝分割图像与原始输入图像大小相同，将编码器提取的特征图映射回原始图像的尺寸，并生成像素级预测，U型网络右边解码器通过四层反卷积进行上采样以逐层增加特征图尺寸，解码器每层包括两个反卷积、批归一化与RELU架构；
跳跃连接单元，用于上采样每层产生的裂缝特征信息与对应的下采样层级进行跳跃连接，相应层级的卷积特征映射通过跳跃连接进行拼接，得到拼接后输出到下一层的裂缝特征信息，跳跃连接使得解码器利用底层特征，提高分割精度。
模型搭建模块203，用于以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型，具体包括：
生成对抗网络组成单元，用于在U-Att网络的基础上增加生成对抗网络框架，通过让生成器和判别器相互对抗的方式来训练模型，提高生成器生成高精确度的生成裂缝分割图像的能力，将U-Att网络作为生成对抗网络中的生成器，像素级判别器作为生成对抗网络中的判别器，其中像素级判别器由四个卷积、RELU架构组成；
数据流向单元，用于将电成像测井修复图像与真实裂缝分割图像输入裂缝分割模型的生成器，获得生成裂缝分割图像，再将生成裂缝分割图像输入判别器得到此生成图像被判别为真实裂缝分割图像的概率，将此概率反馈给生成器，使生成器根据此概率再次训练调整自身参数，重新生成与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像；
目标函数L1构建单元，用于为使生成器获得与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像，判别器判断出裂缝分割图像的真假，裂缝分割模型最终生成高精度的生成裂缝分割图像，计算生成对抗网络的目标函数L1：
式中：x为电成像测井修复图像，y为真实裂缝分割图像，G(x)为生成裂缝分割图像，为x、y服从电成像测井修复图像与真实裂缝分割图像分布取样的期望，为x服从电成像测井修复图像分布取样的期望，D(x,y)为判别器对真实裂缝对(x,y)的判别结果，D(x,G(x))为判别器对生成裂缝对(x,G(x))的判别结果；
损失函数L2构建单元，用于使用二元交叉熵计算真实裂缝分割图像与生成裂缝分割图像之间的距离，对裂缝区域的错误分割进行惩罚，损失函数L2的公式如下：
损失函数L3构建单元，用于加大对裂缝边缘信息的关注度，使用Sobel算子定位边缘，对裂缝边缘区域的错误分割进行惩罚，损失函数L3的公式如下：
式中：ye为真实裂缝边缘，G(x)e为生成裂缝边缘；
总目标函数L构建单元，用于将L1、L2、L3相加得到总目标函数，总目标函数L的公式如下：
式中，，/>为平衡系数，其中/>固定为10，/>固定为2。
图像分割模块204，将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果，具体包括：
数据划分单元，用于将电成像测井修复图像以8：2的比例分为训练集与测试集，训练集中5%的数据作为验证集；
归一化单元，用于将输入裂缝分割模型的电成像测井修复图像归一化为每个通道的Z-Score分值，消除图像灰度的不一致；
收敛判断单元，用于使生成器与判别器交替训练，迭代训练5000次，视为裂缝分割模型收敛，使用接收者操作特征曲线下面积（ROC-AUC）、查准率-查全率曲线下面积（PR-AUC）和Dice系数曲线下面积（Dice-AUC）来评估模型性能；
裂缝分割单元，用于利用训练好的裂缝分割模型对电成像测井修复图像进行分割，将该模型输出的预测掩码图像作为最终分割结果。
进一步的，为了更加清楚的说明本发明提供的技术方案的优点，下面以具体的实施为例进行说明：
以四川盆地某碳酸盐岩气井为分析对象，选取某井段共184张电成像测井图像修复增强后划分训练集与测试集，对本发明所提供的深度学习的电成像测井图像裂缝分割方法及系统与语义分割网络（SegNet）、全卷积神经网络（FCN）进行对比，表1为本发明所提供的不同方法在电成像测井修复图像数据集上裂缝分割的测试结果对比表，在同一训练集上训练同一轮次，对比结果如表1所示。
表1
表格中展示了电成像测井修复图像数据集分别在本专利模型和两种经典图像分割模型训练后输出结果的接收者操作特征曲线下面积（ROC-AUC）、查准率-查全率曲线下面积（PR-AUC）和Dice系数曲线下面积（Dice-AUC）。使用这三者来评估模型的分割性能，数值越大，说明裂缝分割结果与真实裂缝分割之间误差越小，模型分割效果越可靠。表1可以看出，本专利模型的ROC-AUC、PR-AUC和Dice-AUC数值最大，说明本文模型分割效果最好，验证了本发明的可行性。
综上所述，与现有技术相比，本发明公开的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，具有以下有益效果：(1)本发明所建立的电成像测井图像裂缝分割模型，能够对存在空白条带的电成像测井图像进行高质量的图像修复，并使用修复后的电成像测井图像进行精确的裂缝分割，获得连续准确的分割结果，为裂缝参数获取和裂缝识别等后续工作提供了有力支持；(2)所提出的方法能够实现自主训练分割裂缝区域，模型简单高效，具有广泛的适用性；(3)经利用真实电成像测井数据验证表明：本发明所构建的电成像测井图像裂缝分割模型在针对存在空白条带的电成像测井原始图像修复及裂缝分割的问题上有着较好的性能，分割精度较高。
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。
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 (6)

1.一种基于深度学习的电成像测井图像裂缝分割方法，其特征在于，包括以下步骤：
对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集；
基于U型网络结构以及双重注意力网络构建U-Att网络；
以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型；
将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果。
2.根据权利要求1所述的基于深度学习的电成像测井图像裂缝分割方法，其特征在于，所述的对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集，具体包括：
基于填补优先级计算方式对Criminisi算法进行改进，得到P-Criminisi算法，用于填补电成像测井原始图像存在的规律性空白条带区域；
使用P-Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；
首先，计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，填补优先级计算公式如下：
式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项；
其次，在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：
式中：为源区域，fSSD为欧氏距离准则搜索函数，q为源区域上的像素点，/>为源区域里的最佳匹配点，/>为目标区域里具有最高填补优先级的点，/>为以/>点为中心的匹配块，/>为以/>点为中心的填补块，/>为以q点为中心的匹配块；
再次，更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；
最后，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。
3.根据权利要求1所述的基于深度学习的电成像测井图像裂缝分割方法，其特征在于，所述的基于U型网络结构以及双重注意力网络构建U-Att网络，具体包括：
将U型网络作为U-Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理；
将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和尺寸压缩，其中每层包括两个卷积、批归一化与RELU架构，层与层之间以一个步幅为2的最大池化连接，经下采样获得裂缝特征信息；
将下采样得到的裂缝特征信息输入至双重注意力网络，利用双重注意力网络获得调整过特征权重的裂缝特征信息；
为使最终生成的裂缝分割图像与原始输入图像大小相同，U型网络右边解码器通过四层反卷积进行上采样以扩增从双重注意力网络输出的裂缝特征信息，解码器每层包括两个反卷积、批归一化与RELU架构；
将上采样每层产生的裂缝特征信息与对应的下采样层级进行跳跃连接，相应层级的卷积特征映射通过跳跃连接进行拼接，得到拼接后输出到下一层的裂缝特征信息。
4.根据权利要求1所述的基于深度学习的电成像测井图像裂缝分割方法，其特征在于，所述的以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型，具体包括：
在U-Att网络的基础上增加生成对抗网络框架，将U-Att网络作为生成对抗网络中的生成器，像素级判别器作为生成对抗网络中的判别器，其中像素级判别器由四个卷积、RELU架构组成；
将电成像测井修复图像与真实裂缝分割图像输入裂缝分割模型的生成器，获得生成裂缝分割图像，再将生成裂缝分割图像输入判别器得到此生成图像被判别为真实裂缝分割图像的概率，将此概率反馈给生成器，使生成器根据此概率再次训练调整自身参数，重新生成与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像；
为使生成器获得与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像，判别器判断出裂缝分割图像的真假，裂缝分割模型最终生成高精度的生成裂缝分割图像，计算生成对抗网络的目标函数L1：
式中：x为电成像测井修复图像，y为真实裂缝分割图像，G(x)为生成裂缝分割图像，为x、y服从电成像测井修复图像与真实裂缝分割图像分布取样的期望，/>为x服从电成像测井修复图像分布取样的期望，D(x,y)为判别器对真实裂缝对(x,y)的判别结果，D(x,G(x))为判别器对生成裂缝对(x,G(x))的判别结果；
使用二元交叉熵计算真实裂缝分割图像与生成裂缝分割图像之间的距离，对裂缝区域的错误分割进行惩罚，损失函数L2的公式如下：
加大对裂缝边缘信息的关注度，使用Sobel算子定位边缘，对裂缝边缘区域的错误分割进行惩罚，损失函数L3的公式如下：
式中：ye为真实裂缝边缘，G(x)e为生成裂缝边缘；
将L1、L2、L3相加得到总目标函数，总目标函数L的公式如下：
式中，，/>为平衡系数，其中/>固定为10，/>固定为2。
5.根据权利要求1所述的基于深度学习的电成像测井图像裂缝分割方法，其特征在于，所述的将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果，具体包括：
将电成像测井修复图像以8：2的比例分为训练集与测试集，训练集中5%的数据作为验证集；
将输入裂缝分割模型的电成像测井修复图像归一化为每个通道的Z-Score分值，消除图像灰度的不一致；
使生成器与判别器交替训练，迭代训练5000次，视为裂缝分割模型收敛；
利用训练好的裂缝分割模型对电成像测井修复图像进行分割，将该模型输出的预测掩码图像作为最终分割结果。
6.一种基于深度学习的电成像测井图像裂缝分割系统，其特征在于，包括以下模块：
图像处理模块，对低质量的电成像测井原始图像采用P-Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集；
网络构建模块，用于基于U型网络结构以及双重注意力网络构建U-Att网络；
模型搭建模块，用于以U-Att网络为基础，增加像素级别判别器，搭建裂缝分割模型；
图像分割模块，用于将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果。
CN202311180469.3A 2023-09-13 2023-09-13 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 Active CN116934780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311180469.3A CN116934780B (zh) 2023-09-13 2023-09-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311180469.3A CN116934780B (zh) 2023-09-13 2023-09-13 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

Publications (2)

Publication Number Publication Date
CN116934780A true CN116934780A (zh) 2023-10-24
CN116934780B CN116934780B (zh) 2023-11-24

Family

ID=88394372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311180469.3A Active CN116934780B (zh) 2023-09-13 2023-09-13 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

Country Status (1)

Country Link
CN (1) CN116934780B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313557A (zh) * 2023-11-29 2023-12-29 中国石油大学(华东) 基于深度学习的压裂磁法实时监测中裂缝诊断方法
CN117710399A (zh) * 2024-02-06 2024-03-15 山东省地质测绘院 一种基于视觉的地质调查中裂缝轮廓提取方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028217A (zh) * 2019-12-10 2020-04-17 南京航空航天大学 一种基于全卷积神经网络的图像裂缝分割方法
CN111539875A (zh) * 2019-07-08 2020-08-14 中国石油大学(华东) 一种改进Criminisi算法的图像修复方法
CN114359130A (zh) * 2021-11-09 2022-04-15 上海海洋大学 一种基于无人机影像的道路裂缝检测方法
CN114693615A (zh) * 2022-03-17 2022-07-01 常州工学院 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法
CN115311193A (zh) * 2022-05-11 2022-11-08 临沂大学 一种基于双重注意力机制的异常脑图像分割方法及系统
US20220366682A1 (en) * 2021-05-04 2022-11-17 University Of Manitoba Computer-implemented arrangements for processing image having article of interest
CN115457049A (zh) * 2022-08-24 2022-12-09 浙江工业大学 一种基于迁移学习和注意力机制的肺部ct图像分割方法
US20230125649A1 (en) * 2020-03-12 2023-04-27 Boe Technology Group Co., Ltd. Image inpainting method and electronic device
CN116452458A (zh) * 2023-04-23 2023-07-18 中国石油大学(北京) 一种成像测井中空白条带的填充方法、装置以及介质
CN116486495A (zh) * 2023-04-25 2023-07-25 中国电子科技集团公司第十五研究所 一种基于注意力与生成对抗网络的人脸图像隐私保护方法
CN116542991A (zh) * 2023-04-28 2023-08-04 南京邮电大学 一种用于裂缝图像分割的网络架构及其训练方法和分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539875A (zh) * 2019-07-08 2020-08-14 中国石油大学(华东) 一种改进Criminisi算法的图像修复方法
CN111028217A (zh) * 2019-12-10 2020-04-17 南京航空航天大学 一种基于全卷积神经网络的图像裂缝分割方法
US20230125649A1 (en) * 2020-03-12 2023-04-27 Boe Technology Group Co., Ltd. Image inpainting method and electronic device
US20220366682A1 (en) * 2021-05-04 2022-11-17 University Of Manitoba Computer-implemented arrangements for processing image having article of interest
CN114359130A (zh) * 2021-11-09 2022-04-15 上海海洋大学 一种基于无人机影像的道路裂缝检测方法
CN114693615A (zh) * 2022-03-17 2022-07-01 常州工学院 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法
CN115311193A (zh) * 2022-05-11 2022-11-08 临沂大学 一种基于双重注意力机制的异常脑图像分割方法及系统
CN115457049A (zh) * 2022-08-24 2022-12-09 浙江工业大学 一种基于迁移学习和注意力机制的肺部ct图像分割方法
CN116452458A (zh) * 2023-04-23 2023-07-18 中国石油大学(北京) 一种成像测井中空白条带的填充方法、装置以及介质
CN116486495A (zh) * 2023-04-25 2023-07-25 中国电子科技集团公司第十五研究所 一种基于注意力与生成对抗网络的人脸图像隐私保护方法
CN116542991A (zh) * 2023-04-28 2023-08-04 南京邮电大学 一种用于裂缝图像分割的网络架构及其训练方法和分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEN T等: "Cross-Domain Echocardiography Segmentation with Multi-Space Joint Adaptation", 《SENSORS》, vol. 23, no. 3, pages 1 - 16 *
ZHANG J等: "Segmentation for Athlete\'s Ankle Injury Image Using Residual Double Attention U-Net Model", 《BRAZILIAN ARCHIVES OF BIOLOGY AND TECHNOLOGY》, vol. 66, pages 1 - 14 *
娄达平等: "基于深度引导空洞填补的虚拟视点绘制方法", 《计算机应用与软件》, no. 6, pages 168 - 174 *
杨霄等: "基于层次化双重注意力网络的乳腺多模态图像分类", 《山东大学学报:工学版》, vol. 52, no. 3, pages 34 - 41 *
顾书豪: "基于卷积神经网络的图像语义分割算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 6, pages 138 - 521 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313557A (zh) * 2023-11-29 2023-12-29 中国石油大学(华东) 基于深度学习的压裂磁法实时监测中裂缝诊断方法
CN117313557B (zh) * 2023-11-29 2024-01-23 中国石油大学(华东) 基于深度学习的压裂磁法实时监测中裂缝诊断方法
CN117710399A (zh) * 2024-02-06 2024-03-15 山东省地质测绘院 一种基于视觉的地质调查中裂缝轮廓提取方法
CN117710399B (zh) * 2024-02-06 2024-04-30 山东省地质测绘院 一种基于视觉的地质调查中裂缝轮廓提取方法

Also Published As

Publication number Publication date
CN116934780B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN116934780B (zh) 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
CN110188765B (zh) 图像语义分割模型生成方法、装置、设备及存储介质
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN111696094B (zh) 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备
CN114120102A (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
CN109671071B (zh) 一种基于深度学习的地下管道缺陷定位及等级判定方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN111445488B (zh) 一种弱监督学习自动识别和分割盐体的方法
CN110879959A (zh) 生成数据集的方法及装置、利用其的测试方法及测试装置
CN113706542A (zh) 基于卷积神经网络及混合损失函数的眼球分割方法及装置
CN115546601B (zh) 一种多目标识别模型及其构建方法、装置及应用
CN110874566A (zh) 生成数据集的方法及装置、利用其的学习方法及学习装置
CN111539432A (zh) 一种利用众源数据辅助遥感影像提取城市道路的方法
CN114639102B (zh) 基于关键点与尺寸回归的细胞分割方法和装置
CN114972759A (zh) 基于分级轮廓代价函数的遥感图像语义分割方法
CN114782410A (zh) 一种基于轻量化模型的绝缘子缺陷检测方法及其系统
CN117173568A (zh) 目标检测模型训练方法和目标检测方法
CN115249321A (zh) 训练神经网络的方法、训练神经网络的系统以及神经网络
CN112348830A (zh) 基于改进3D U-Net的多器官分割方法
CN115719335A (zh) 一种脑血管图像-标签两阶段生成方法、装置及存储介质
CN116403109A (zh) 一种基于改进神经网络的建筑物识别与提取方法及系统
CN116681657B (zh) 基于改进YOLOv7模型的沥青路面病害检测方法
CN113920311A (zh) 一种基于边缘辅助信息的遥感图像分割方法及系统
CN115656952A (zh) 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法
CN115035193A (zh) 一种基于双目视觉与图像分割技术的散装粮随机扦样方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant