CN117217986A - 井壁电成像的超分辨率重构方法、装置和图像重构系统 - Google Patents
井壁电成像的超分辨率重构方法、装置和图像重构系统 Download PDFInfo
- Publication number
- CN117217986A CN117217986A CN202210609720.2A CN202210609720A CN117217986A CN 117217986 A CN117217986 A CN 117217986A CN 202210609720 A CN202210609720 A CN 202210609720A CN 117217986 A CN117217986 A CN 117217986A
- Authority
- CN
- China
- Prior art keywords
- electric imaging
- wall electric
- imaging data
- loss function
- borehole wall
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 103
- 230000008859 change Effects 0.000 claims abstract description 91
- 230000006870 function Effects 0.000 claims abstract description 90
- 239000012634 fragment Substances 0.000 claims abstract description 41
- 230000008447 perception Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 10
- 238000011524 similarity measure Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008485 antagonism Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种井壁电成像的超分辨率重构方法、装置和图像重构系统。该方法包括：获取多个井壁电成像数据片段，井壁电成像数据片段为测井电成像的数据集切割得到的；对多个井壁电成像数据片段进行下采样，得到多个训练数据组，训练数据组与井壁电成像数据片段一一对应；采用多个训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，对抗网络包括生成器网络和判别器网络，生成器模型为训练后的生成器网络；将待重构的井壁电成像数据片段输入生成器模型，得到重构井壁图像，解决了井壁电成像的分辨率低的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种井壁电成像的超分辨率重构方法、装置、计算机可读存储介质、处理器和图像重构系统。
背景技术
在石油开采领域，随着社会对石油需求的不断增长，相应的油井开采技术也在不断发展，在方法技术上不断革新，为发掘石油资源提供帮助。电成像测井就是一种油气田勘探的测井技术，通过测井仪器极板对井壁周围的电流变化反应电阻率的变化。电成像测井技术所生成的测井电成像图像可以让地质科研人员更直观的获取井壁地层信息。但是，目前由于地质环境方面的影响、测井仪器的精度性能不理想、测井数据的传输损失问题等等，导致电成像测井获得的井壁图像不够清晰，噪声点较多，成像质量不好，对于进一步的井下分析任务造成阻碍。为了更好的显示测井电成像中的细节，我们急需一种方法来提高测井电成像的分辨率，提高测井电成像的质量。因为低分辨率测井电成像模糊，缺少细节信息，但是通过重构恢复出来的高分辨率测井电成像有自然、清晰的纹理，视觉效果好，拥有更多细节信息。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种井壁电成像的超分辨率重构方法、装置、计算机可读存储介质、处理器和图像重构系统，以至少解决井壁电成像的分辨率低的技术问题。
根据本发明实施例的一个方面，提供了一种井壁电成像的超分辨率重构方法，包括：获取多个井壁电成像数据片段，所述井壁电成像数据片段为测井电成像的数据集切割得到的；对多个所述井壁电成像数据片段进行下采样，得到多个训练数据组，所述训练数据组与所述井壁电成像数据片段一一对应；采用多个所述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，所述对抗网络包括生成器网络和判别器网络，所述生成器模型为训练后的所述生成器网络；将待重构的所述井壁电成像数据片段输入所述生成器模型，得到重构井壁图像。
可选地，获取多个井壁电成像数据片段，包括：获取井壁电成像数据，所述井壁电成像数据为对井壁进行电成像采集得到的；对所述井壁电成像数据进行切割，得到多个尺寸大小相同的所述井壁电成像数据片段，所述井壁电成像数据和所述井壁电成像数据片段均为矩阵，所述井壁电成像数据片段的列数等于所述井壁电成像数据的列数。
可选地，所述井壁电成像数据片段的行数为所述井壁电成像数据片段的列数的预定倍数，所述预定倍数为4倍、3倍和2倍中的任意一个。
可选地，采用多个所述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，包括：训练步骤，采用多个所述训练数据组输入对抗网络进行一次迭代训练；第一计算步骤，根据第一公式计算所述Wasserstein距离，所述第一公式为 π(Ptrain，PG)为Ptrain和PG组合的所有可能的联合分布γ的集合，x为输入的所述训练数据组，y为所述生成器网络输出的图像数据；第二计算步骤，根据第二公式计算所述感知损失函数值，所述第二公式为 其中， 第三计算步骤，根据第三公式计算所述判别器损失函数值，所述第三公式为第四计算步骤，计算所述Wasserstein距离与上一次迭代的所述Wasserstein距离的差值的绝对值，得到所述Wasserstein距离的变化值，计算所述感知损失函数值与上一次迭代的所述感知损失函数值的差值的绝对值，得到所述感知损失函数值的变化值，计算所述判别器损失函数值与上一次迭代的所述判别器损失函数值的差值的绝对值，得到所述判别器损失函数值的变化值；调整步骤，在所述Wasserstein距离的变化值、所述感知损失函数值的变化值和所述判别器损失函数值的变化值中的任意一个大于或者等于对应的阈值的情况下，调整所述生成器网络的参数；依次重复所述训练步骤、所述第一计算步骤、所述第二计算步骤、所述第三计算步骤、所述第四计算步骤和所述调整步骤至少一次，直至所述Wasserstein距离的变化值、所述感知损失函数值的变化值和所述判别器损失函数值的变化值小于对应的阈值，得到所述生成器模型。
可选地，所述生成器网络的参数包括网络层数和卷积步长。
可选地，在将待重构的所述井壁电成像数据片段输入所述生成器模型，得到重构井壁图像之后，所述方法包括：根据所述重构井壁图像计算峰值信噪比和相似性度量；根据所述峰值信噪比和所述相似性度量对所述重构井壁图像进行评价。
根据本发明实施例的另一方面，还提供了一种井壁电成像的超分辨率重构装置，包括：获取单元，用于获取多个井壁电成像数据片段，所述井壁电成像数据片段为测井电成像的数据集切割得到的；处理单元，用于对多个所述井壁电成像数据片段进行下采样，得到多个训练数据组，所述训练数据组与所述井壁电成像数据片段一一对应；训练单元，用于采用多个所述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，所述对抗网络包括生成器网络和判别器网络，所述生成器模型为训练后的所述生成器网络；重构单元，用于将待重构的所述井壁电成像数据片段输入所述生成器模型，得到重构井壁图像。
根据本发明实施例的再一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述方法。
根据本发明实施例的又一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述方法。
根据本发明实施例的再一方面，还提供了一种图像重构系统，包括：井壁电成像装置、一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
在本发明实施例中，上述井壁电成像的超分辨率重构方法中，首先，获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；然后，对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；之后，采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；最后，将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。该方法通过生成对抗网络方法来重构井壁图像，将低分辨率电成像图像重构为高分辨率图像，获得高清电成像图像，帮助测井分析的工作人员更好的分析石油井的详细状况，具有更富针对性、运算速度快、灵活性高、效果更好的优势，解决了现有技术中井壁电成像的分辨率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本申请实施例的井壁电成像的超分辨率重构方法的流程图；
图2是根据本申请实施例的高斯金字塔采样原理示意图；
图3是根据本申请实施例的生成对抗网络的结构示意图；
图4是根据本申请实施例的网络训练过程的损失曲线图；
图5是根据本申请实施例的井壁电成像重建结果对比图；
图6是根据本申请实施例的井壁电成像的超分辨率重构装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所说的，现有技术中井壁电成像的分辨率低，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种井壁电成像的超分辨率重构方法、装置、计算机可读存储介质、处理器和图像重构系统。
根据本申请的实施例，提供了一种井壁电成像的超分辨率重构方法。
图1是根据本申请实施例的井壁电成像的超分辨率重构方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；
步骤S102，对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；
步骤S103，采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；
步骤S104，将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。
上述井壁电成像的超分辨率重构方法中，首先，获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；然后，对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；之后，采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；最后，将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。该方法通过生成对抗网络方法来重构井壁图像，将低分辨率电成像图像重构为高分辨率图像，获得高清电成像图像，帮助测井分析的工作人员更好的分析石油井的详细状况，具有更富针对性、运算速度快、灵活性高、效果更好的优势，解决了现有技术中井壁电成像的分辨率低的技术问题。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
还需要说明的是，使用高斯金字塔方法，对测井电成像进行下采样生成低分辨率图像。通过将不同尺寸的图像叠加在一起，最高分辨率的图像放在最底层，按照每一层的尺寸都是上一层一半的规则进行堆叠，将图像按照图像分辨率的高低呈金字塔形状堆叠，如图2所示，进行下采样生成训练集，训练集包括高分辨率图像和低分辨率图像。
本申请的一种实施例中，获取多个井壁电成像数据片段，包括：获取井壁电成像数据，上述井壁电成像数据为对井壁进行电成像采集得到的；对上述井壁电成像数据进行切割，得到多个尺寸大小相同的上述井壁电成像数据片段，上述井壁电成像数据和上述井壁电成像数据片段均为矩阵，上述井壁电成像数据片段的列数等于上述井壁电成像数据的列数。具体地，切割得到的上述井壁电成像数据片段，矩阵行数为列数的整数倍，例如，采用的数据集中共有13口井井壁电成像数据，井壁电成像数据集的宽度为192和宽度为144，将数据集切割成144×576、192×768的小样本片段，随后采用等距取样的方法，按照数据集中小样本个数占比分配等比数量的测试集和训练集。
本申请的一种实施例中，上述井壁电成像数据片段的行数为上述井壁电成像数据片段的列数的预定倍数，上述预定倍数为4倍、3倍和2倍中的任意一个。具体地，上述预定倍数为4倍、3倍和2倍中的任意一个，以切割得到正常图像大小尺寸的电成像片段。
需要说明的是，由于部分数据采集时，探测器未及时启动，导致采集数据值异常，需要对其进行删除舍弃。由于部分数据集样本行数为奇数，在图像下采样时，导致输出的数据大小和原数据大小并不一致，须对图像行数调整。
本申请的一种实施例中，采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，包括：训练步骤，采用多个上述训练数据组输入对抗网络进行一次迭代训练；第一计算步骤，根据第一公式计算所述Wasserstein距离，所述第一公式为π(Ptrain，PG)为Ptrain和PG组合的所有可能的联合分布γ的集合，x为输入的所述训练数据组，y为所述生成器网络输出的图像数据；第二计算步骤，根据第二公式计算所述感知损失函数值，所述第二公式为/> 其中，/> 第三计算步骤，根据第三公式计算所述判别器损失函数值，所述第三公式为第四计算步骤，计算上述Wasserstein距离与上一次迭代的上述Wasserstein距离的差值的绝对值，得到上述Wasserstein距离的变化值，计算上述感知损失函数值与上一次迭代的上述感知损失函数值的差值的绝对值，得到上述感知损失函数值的变化值，计算上述判别器损失函数值与上一次迭代的上述判别器损失函数值的差值的绝对值，得到上述判别器损失函数值的变化值；调整步骤，在上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值中的任意一个大于或者等于对应的阈值的情况下，调整上述生成器网络的参数；依次重复上述训练步骤、上述第一计算步骤、上述第二计算步骤、上述第三计算步骤、上述第四计算步骤和上述调整步骤至少一次，直至上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值小于对应的阈值，得到上述生成器模型。具体地，如图3所示，将训练集中的低分辨率测井电成像输入到初始生成器模型中，然后将输出的重构测井电成像和训练集中的原始测井电成像作为输入，输入到判别器网络中，迭代训练判别器网络，使判别器网络能够区分低分辨率测井电成像与原始测井电成像后，再训练生成器网络，直至上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值中的任意一个小于或者等于对应的阈值，如图4所示，即基本不再变化，不断提高判别器的判别精度，根据判别器网络的判断结果，反向传播训练生成器网络，提高生成网络的重构性能，使其能重构出质量更高的测井电成像。
需要说明的是，上述生成器网络为U型生成器网络，结合判别器网络来构成生成对抗网络，通过对抗生成高分辨率成像图像。其中生成器分为三个部分：主干特征提取部分、加强特征提取部分、生成部分，最终得一个有效特征层，预测生成高分辨率测井电成像。随后利用判别器网络，由卷积模块进行特征提取，获取特征图，最后通过线性层转换特征维度，输出一个一维张量作为分类结果。
本申请的一种实施例中，上述生成器网络的参数包括网络层数和卷积步长。具体地，网络的结构可在上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值大于对应阈值时，对网络的层数、卷积步长进行调整，重新训练，提高生成网络的重构性能。
本申请的一种实施例中，在将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像之后，上述方法包括：根据上述重构井壁图像计算峰值信噪比和相似性度量；根据上述峰值信噪比和上述相似性度量对上述重构井壁图像进行评价。具体地，上述峰值信噪比PSNR的计算公式为其中，MAX表示图像可能的最大像素值，X(i，j)表示图像X在坐标(i，j)处的像素点的像素值，Y(i，j)表示图像Y在坐标(i，j)处的像素点的像素值，H为图像的高度，W为图像的宽度，相似性度量SSIM的计算公式为SSIM(X，Y)＝L(X，Y)·C(X，Y)·S(X，Y)，其中，/>用于表征图像X和图像Y之间的亮度差异，/>用于表征图像X和图像Y之间的对比度差异，用于表征图像X和图像Y之间的对比度差异，μX和μY为图像X和图像Y各点像素值的均值，σX和σY为图像X和图像Y各点像素值的方差，σXY为图像X和图像Y各点像素值的协方差，C1、C2和C3为三个常数，采用峰值信噪比和结果相似性度量这两个质量评价指标作为衡量测井电成像超分辨率重构效果的依据，进行评估测井电成像重构质量的好坏，如图5所示，将重构的图像与原图像进行对比，重构的图像分辨率更高。
本申请实施例还提供了一种井壁电成像的超分辨率重构装置，需要说明的是，本申请实施例的井壁电成像的超分辨率重构装置可以用于执行本申请实施例所提供的用于井壁电成像的超分辨率重构方法。以下对本申请实施例提供的井壁电成像的超分辨率重构装置进行介绍。
图6根据本申请实施例的井壁电成像的超分辨率重构装置的示意图。如图6示，该装置包括：
获取单元10，用于获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；
处理单元20，用于对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；
训练单元30，用于采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；
重构单元40，用于将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。
上述井壁电成像的超分辨率重构装置中，获取单元获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；处理单元对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；训练单元采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；重构单元将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。该装置通过生成对抗网络方法来重构井壁图像，将低分辨率电成像图像重构为高分辨率图像，获得高清电成像图像，帮助测井分析的工作人员更好的分析石油井的详细状况，具有更富针对性、运算速度快、灵活性高、效果更好的优势，解决了现有技术中井壁电成像的分辨率低的技术问题。
需要说明的是，使用高斯金字塔方法，对测井电成像进行下采样生成低分辨率图像。通过将不同尺寸的图像叠加在一起，最高分辨率的图像放在最底层，按照每一层的尺寸都是上一层一半的规则进行堆叠，将图像按照图像分辨率的高低呈金字塔形状堆叠，如图2所示，进行下采样生成训练集，训练集包括高分辨率图像和低分辨率图像。
本申请的一种实施例中，上述单元包括获取模块和处理模块，其中，上述获取模块用于获取井壁电成像数据，上述井壁电成像数据为对井壁进行电成像采集得到的；上述处理模块用于对上述井壁电成像数据进行切割，得到多个尺寸大小相同的上述井壁电成像数据片段，上述井壁电成像数据和上述井壁电成像数据片段均为矩阵，上述井壁电成像数据片段的列数等于上述井壁电成像数据的列数。具体地，切割得到的上述井壁电成像数据片段，矩阵行数为列数的整数倍，例如，采用的数据集中共有13口井井壁电成像数据，井壁电成像数据集的宽度为192和宽度为144，将数据集切割成144×576、192×768的小样本片段，随后采用等距取样的方法，按照数据集中小样本个数占比分配等比数量的测试集和训练集。
本申请的一种实施例中，上述井壁电成像数据片段的行数为上述井壁电成像数据片段的列数的预定倍数，上述预定倍数为4倍、3倍和2倍中的任意一个。具体地，上述预定倍数为4倍、3倍和2倍中的任意一个，以切割得到正常图像大小尺寸的电成像片段。
需要说明的是，由于部分数据采集时，探测器未及时启动，导致采集数据值异常，需要对其进行删除舍弃。由于部分数据集样本行数为奇数，在图像下采样时，导致输出的数据大小和原数据大小并不一致，须对图像行数调整。
本申请的一种实施例中，上述训练单元包括训练模块、第一计算模块、第二计算模块、第三计算模块、第四计算模块、调整模块和重复模块，其中，上述训练模块用于执行训练步骤，采用多个上述训练数据组输入对抗网络进行一次迭代训练；上述第一计算模块用于执行第一计算步骤，根据第一公式计算所述Wasserstein距离，所述第一公式为 π(Ptrain，PG)为Ptrain和PG组合的所有可能的联合分布γ的集合，x为输入的所述训练数据组，y为所述生成器网络输出的图像数据；上述第二计算模块用于执行第二计算步骤，根据第二公式计算所述感知损失函数值，所述第二公式为/> 其中， 上述第三计算模块用于执行第三计算步骤，根据第三公式计算所述判别器损失函数值，所述第三公式为上述第四计算模块用于执行第四计算步骤，计算上述Wasserstein距离与上一次迭代的上述Wasserstein距离的差值的绝对值，得到上述Wasserstein距离的变化值，计算上述感知损失函数值与上一次迭代的上述感知损失函数值的差值的绝对值，得到上述感知损失函数值的变化值，计算上述判别器损失函数值与上一次迭代的上述判别器损失函数值的差值的绝对值，得到上述判别器损失函数值的变化值；上述调整模块用于执行调整步骤，在上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值中的任意一个大于或者等于对应的阈值的情况下，调整上述生成器网络的参数；上述重复模块用于执行依次重复上述训练步骤、上述第一计算步骤、上述第二计算步骤、上述第三计算步骤、上述第四计算步骤和上述调整步骤至少一次，直至上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值小于对应的阈值，得到上述生成器模型。具体地，如图3所示，将训练集中的低分辨率测井电成像输入到初始生成器模型中，然后将输出的重构测井电成像和训练集中的原始测井电成像作为输入，输入到判别器网络中，迭代训练判别器网络，使判别器网络能够区分低分辨率测井电成像与原始测井电成像后，再训练生成器网络，直至上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值中的任意一个小于或者等于对应的阈值，如图4所示，即基本不再变化，不断提高判别器的判别精度，根据判别器网络的判断结果，反向传播训练生成器网络，提高生成网络的重构性能，使其能重构出质量更高的测井电成像。
需要说明的是，上述生成器网络为U型生成器网络，结合判别器网络来构成生成对抗网络，通过对抗生成高分辨率成像图像。其中生成器分为三个部分：主干特征提取部分、加强特征提取部分、生成部分，最终得一个有效特征层，预测生成高分辨率测井电成像。随后利用判别器网络，由卷积模块进行特征提取，获取特征图，最后通过线性层转换特征维度，输出一个一维张量作为分类结果。
本申请的一种实施例中，上述生成器网络的参数包括网络层数和卷积步长。具体地，网络的结构可在上述Wasserstein距离的变化值、上述感知损失函数值的变化值和上述判别器损失函数值的变化值大于对应阈值时，对网络的层数、卷积步长进行调整，重新训练，提高生成网络的重构性能。
本申请的一种实施例中，在将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像之后，上述装置包括评估单元，上述评估单元包括第五计算模块和评估模块，其中，上述第五计算模块用于根据上述重构井壁图像计算峰值信噪比和相似性度量；上述评估模块用于根据上述峰值信噪比和上述相似性度量对上述重构井壁图像进行评价。具体地，上述峰值信噪比PSNR的计算公式为 其中，MAX表示图像可能的最大像素值，X(i，j)表示图像X在坐标(i，j)处的像素点的像素值，Y(i，j)表示图像Y在坐标(i，j)处的像素点的像素值，H为图像的高度，W为图像的宽度，相似性度量SSIM的计算公式为SSIM(X，Y)＝L(X，Y)·C(X，Y)·S(X，Y)，其中，/>用于表征图像X和图像Y之间的亮度差异，/>用于表征图像X和图像Y之间的对比度差异，用于表征图像X和图像Y之间的对比度差异，μX和μY为图像X和图像Y各点像素值的均值，σX和σY为图像X和图像Y各点像素值的方差，σXY为图像X和图像Y各点像素值的协方差，C1、C2和C3为三个常数，采用峰值信噪比和结果相似性度量这两个质量评价指标作为衡量测井电成像超分辨率重构效果的依据，进行评估测井电成像重构质量的好坏，如图5所示，将重构的图像与原图像进行对比，重构的图像分辨率更高。
实施例1
步骤1，由于本实施例部分数据采集时，探测器未及时启动，导致采集数据值异常为-99999.0，需要对其进行删除舍弃。由于部分数据集样本行数为奇数，在图像下采样时，导致输出的数据大小和原数据大小并不一致，须把这些奇数行样本的最后一行数据进行删除；
步骤2，切割数据集至片段化，划分数据集。将每口井的深度按照宽度的4倍进行切割，生成正常图像大小尺寸的电成像片段。本实施例采用的数据集中共有13口井井壁电成像数据，井壁电成像数据集的宽度为192和宽度为144，将数据集切割成144×576、192×768的小样本片段。随后采用等距取样的方法，按照数据集中小样本个数占比分配等比数量的测试集和训练集。
步骤3，通过下采样生成训练数据。使用高斯金字塔方法，对测井电成像进行下采样生成低分辨率图像。这里采用的是一种将采样和高斯平滑滤波结合在一起进行多尺度表示的方法，具体是通过将不同尺寸的图像叠加在一起，最高分辨率的图像放在最底层，按照每一层的尺寸都是上一层一半的规则进行堆叠，将图像按照图像分辨率的高低呈金字塔形状堆叠，示意如图2所示。
步骤4，设计U型生成器网络，结合判别器网络来构成生成对抗网络，通过对抗生成高分辨率成像图像。其中生成器分为三个部分：主干特征提取部分、加强特征提取部分、生成部分。最终获得一个有效特征层，从而预测生成高分辨率测井电成像。主干特征提取过程包含3个卷积块和3个下采样层，每个卷积块有2个卷积核大小均为3*3，步长均为1的卷积层。在下采样层中，使用一个最大池化层，卷积核大小为3*3，步长为2。加强特征提取部分包含3个卷积块、3个上采样层和3次跳层连接。最后生成阶段包含了一个卷积操作，卷积核大小为3*3，步长为1。详细网络结构如表1所示
表1
其中判别器网络是一个二元分类器，第一个卷积将输入的3通道测井电成像数据转变为64个大小为3×3的滤波器，中间由5个卷积模块进行特征提取，可获取512个特征图，最后通过线性层转换特征维度，输出一个一维张量作为分类结果。其结构参数如表2所示：
表2
| 名称 | 核函数 | 步长 | 归一化 | 激活函数 |
| 输入 | 128×128/3 | |||
| Conv0 | 3×3/64 | 1 | - | Leaky RELU |
| Conv1 | 3×3/64 | 2 | BN | Leaky RELU |
| Conv2 | 3×3/128 | 1 | BN | Leaky RELU |
| Conv3 | 3×3/128 | 2 | BN | Leaky RELU |
| Conv4 | 3×3/512 | 1 | BN | Leaky RELU |
| Conv5 | 3×3/512 | 2 | BN | Leaky RELU |
步骤5，训练以上步骤设计的网络具体实现过程是将预训练好的网络模型作为初始生成器模型。将训练集中的低分辨率测井电成像输入到初始生成器模型中。然后将输出的重构测井电成像和训练集中的原始测井电成像作为输入，输入到判别器网络中，迭代训练5次判别器网络，使判别器网络能够区分低分辨率测井电成像与原始测井电成像后，再训练生成器网络。不断提高判别器的判别精度，根据判别器网络的判断结果，反向传播训练生成器网络，提高网络重构性能，使其能重构出质量更高的测井电成像。在测试和重构阶段，只需要将测试集低分辨率测井电成像输入到训练好的生成器网络模型中，便可得到重构的高分辨率测井电成像。参数为：初始学习率为0.0001，衰减率为0.1，batchsize为128；
步骤6，图像重构与评估。本专利采用峰值信噪比和结果相似性度量这两个质量评价指标作为衡量测井电成像超分辨率重构效果的依据，进行评估测井电成像重构质量的好坏。
为了从客观的角度评价本章重构算法和其他算法重构效果和效率，本专利计算了测试集原始测井电成像与重构测井电成像的PSNR、SSIM值，并记录了重构所需的时间。使用SRResNet、SRUNet、SRResNet_GAN、SRUNet_GAN方法分别对测井电成像进行超分辨率重构，得到的PSNR、SSIM和训练时间结果如表3所示：
表3
| SRResNet | SRUNet | SRResNet_GAN | SRUNet_GAN | |
| PSNR | 31.479dB | 31.279dB | 31.556dB | 31.452dB |
| SSIM | 0.865 | 0.857 | 0.867 | 0.862 |
| 训练时间 | 585s | 96s | 2626s | 1305s |
从上表可以看出，与传统插值算法相比，本发明的指标均有提升，且重建效果更好，具有更优异的性能，速度更快。如图5所示，超分辨率重构模型相较于传统插值算法更加清晰、效果更好。
本申请实施例还提供了一种图像重构系统，包括：井壁电成像装置、一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述方法。
上述图像重构系统中，包括井壁电成像装置、一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述方法。该系统通过生成对抗网络方法来重构井壁图像，将低分辨率电成像图像重构为高分辨率图像，获得高清电成像图像，帮助测井分析的工作人员更好的分析石油井的详细状况，具有更富针对性、运算速度快、灵活性高、效果更好的优势，解决了现有技术中井壁电成像的分辨率低的技术问题。
上述井壁电成像的超分辨率重构装置包括处理器和存储器，上述获取单元、处理单元、训练单元和重构单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中井壁电成像的分辨率低的技术问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述方法。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S101，获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；
步骤S102，对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；
步骤S103，采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；
步骤S104，将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S101，获取多个井壁电成像数据片段，上述井壁电成像数据片段为测井电成像的数据集切割得到的；
步骤S102，对多个上述井壁电成像数据片段进行下采样，得到多个训练数据组，上述训练数据组与上述井壁电成像数据片段一一对应；
步骤S103，采用多个上述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，上述对抗网络包括生成器网络和判别器网络，上述生成器模型为训练后的上述生成器网络；
步骤S104，将待重构的上述井壁电成像数据片段输入上述生成器模型，得到重构井壁图像。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果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，本发明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，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种井壁电成像的超分辨率重构方法，其特征在于，包括：
获取多个井壁电成像数据片段，所述井壁电成像数据片段为测井电成像的数据集切割得到的；
对多个所述井壁电成像数据片段进行下采样，得到多个训练数据组，所述训练数据组与所述井壁电成像数据片段一一对应；
采用多个所述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，所述对抗网络包括生成器网络和判别器网络，所述生成器模型为训练后的所述生成器网络；
将待重构的所述井壁电成像数据片段输入所述生成器模型，得到重构井壁图像。
2.根据权利要求1所述的方法，其特征在于，获取多个井壁电成像数据片段，包括：
获取井壁电成像数据，所述井壁电成像数据为对井壁进行电成像采集得到的；
对所述井壁电成像数据进行切割，得到多个尺寸大小相同的所述井壁电成像数据片段，所述井壁电成像数据和所述井壁电成像数据片段均为矩阵，所述井壁电成像数据片段的列数等于所述井壁电成像数据的列数。
3.根据权利要求2所述的方法，其特征在于，所述井壁电成像数据片段的行数为所述井壁电成像数据片段的列数的预定倍数，所述预定倍数为4倍、3倍和2倍中的任意一个。
4.根据权利要求1所述的方法，其特征在于，采用多个所述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，包括：
训练步骤，采用多个所述训练数据组输入对抗网络进行一次迭代训练；
第一计算步骤，根据第一公式计算所述Wasserstein距离，所述第一公式为为Ptrain和PG组合的所有可能的联合分布γ的集合，x为输入的所述训练数据组，y为所述生成器网络输出的图像数据；
第二计算步骤，根据第二公式计算所述感知损失函数值，所述第二公式为其中，/>
第三计算步骤，根据第三公式计算所述判别器损失函数值，所述第三公式为
第四计算步骤，计算所述Wasserstein距离与上一次迭代的所述Wasserstein距离的差值的绝对值，得到所述Wasserstein距离的变化值，计算所述感知损失函数值与上一次迭代的所述感知损失函数值的差值的绝对值，得到所述感知损失函数值的变化值，计算所述判别器损失函数值与上一次迭代的所述判别器损失函数值的差值的绝对值，得到所述判别器损失函数值的变化值；
调整步骤，在所述Wasserstein距离的变化值、所述感知损失函数值的变化值和所述判别器损失函数值的变化值中的任意一个大于或者等于对应的阈值的情况下，调整所述生成器网络的参数；
依次重复所述训练步骤、所述第一计算步骤、所述第二计算步骤、所述第三计算步骤、所述第四计算步骤和所述调整步骤至少一次，直至所述Wasserstein距离的变化值、所述感知损失函数值的变化值和所述判别器损失函数值的变化值小于对应的阈值，得到所述生成器模型。
5.根据权利要求4所述的方法，其特征在于，所述生成器网络的参数包括网络层数和卷积步长。
6.根据权利要求1所述的方法，其特征在于，在将待重构的所述井壁电成像数据片段输入所述生成器模型，得到重构井壁图像之后，所述方法包括：
根据所述重构井壁图像计算峰值信噪比和相似性度量；
根据所述峰值信噪比和所述相似性度量对所述重构井壁图像进行评价。
7.一种井壁电成像的超分辨率重构装置，其特征在于，包括：
获取单元，用于获取多个井壁电成像数据片段，所述井壁电成像数据片段为测井电成像的数据集切割得到的；
处理单元，用于对多个所述井壁电成像数据片段进行下采样，得到多个训练数据组，所述训练数据组与所述井壁电成像数据片段一一对应；
训练单元，用于采用多个所述训练数据组输入对抗网络进行迭代训练，直至Wasserstein距离的变化值、感知损失函数值的变化值和判别器损失函数值的变化值小于对应的阈值，得到生成器模型，所述对抗网络包括生成器网络和判别器网络，所述生成器模型为训练后的所述生成器网络；
重构单元，用于将待重构的所述井壁电成像数据片段输入所述生成器模型，得到重构井壁图像。
8.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述方法。
10.一种图像重构系统，其特征在于，包括：井壁电成像装置、一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210609720.2A CN117217986A (zh) | 2022-05-31 | 2022-05-31 | 井壁电成像的超分辨率重构方法、装置和图像重构系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210609720.2A CN117217986A (zh) | 2022-05-31 | 2022-05-31 | 井壁电成像的超分辨率重构方法、装置和图像重构系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217986A true CN117217986A (zh) | 2023-12-12 |
Family
ID=89037599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210609720.2A Pending CN117217986A (zh) | 2022-05-31 | 2022-05-31 | 井壁电成像的超分辨率重构方法、装置和图像重构系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217986A (zh) |
-
2022
- 2022-05-31 CN CN202210609720.2A patent/CN117217986A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
| CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
| CN109559358B (zh) | 一种基于卷积自编码的图像样本升采样方法 | |
| KR102245693B1 (ko) | 3차원 영상 재구성 장치 및 그 방법 | |
| CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
| Luo et al. | Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models | |
| CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
| US11978146B2 (en) | Apparatus and method for reconstructing three-dimensional image | |
| CN112132959A (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
| CN113269818B (zh) | 一种基于深度学习的地震数据纹理特征重建方法 | |
| CN110782427B (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
| CN112541572A (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
| CN113256494B (zh) | 一种文本图像超分辨率方法 | |
| CN113392732B (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
| Zeng et al. | InversionNet3D: Efficient and scalable learning for 3-D full-waveform inversion | |
| CN116485741A (zh) | 一种无参考图像质量评价方法、系统、电子设备及存储介质 | |
| CN113191968A (zh) | 三维超声图像盲去噪模型的建立方法及其应用 | |
| CN116797461A (zh) | 基于多级强化注意力机制的双目图像超分辨率重建方法 | |
| Cherian et al. | A Novel AlphaSRGAN for Underwater Image Super Resolution. | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| Liu et al. | Consecutively missing seismic data reconstruction via wavelet-based swin residual network | |
| CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
| CN117455770A (zh) | 基于逐层上下文信息聚合网络的轻量级图像超分辨率方法 |
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 |