[發明專利]基于生成對抗網絡的巖心圖像重構方法

在審

• 申請號: 202010377564.2
• 申請日: 2020-05-07
• 公開（公告）號: CN111583148A
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 周進
• 申請（專利權）人: 蘇州閃掣智能科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/10
• 代理公司: 蘇州佳博知識產權代理事務所(普通合伙) 32342
• 代理人: 唐毅

本發明涉及一種基于生成對抗網絡的巖心圖像重構方法，包括，獲取巖心的核磁共振圖像數據集，并對圖像進行裁剪；用生成對抗網絡(GAN)進行圖像增強；采用Mask RCNN圖像分割技術進行圖像分割；輸入三層卷積神經網絡訓練，構建數字巖心孔滲預測模型；等待損失函數收斂，獲得訓練完的模型；輸入待測巖心樣本數據至孔滲預測模型，得到孔隙度和滲透率。本發明通過三維卷積神經網絡構建數字巖心孔滲預測模型，實現了數字巖心孔滲高效率、高精度預測，能夠有效降低生產成本，大幅度提高工作效率。

技術領域

本發明涉及圖像處理技術領域，特別涉及一種基于生成對抗網絡的巖心圖像重構方法。

背景技術

傳統的巖石薄片圖像鑒定以肉眼觀察和描述為主，存在一系列問題，如實驗周期偏長、定量困難、效率較低、受主觀影響較大等，在低孔隙度、低滲透率巖心條件下存在問題很多，因此不能滿足現場測井資料解釋評價的需要。

通常核磁共振成像儀附帶的圖像處理軟件，只有簡單的顯示功能和三維表面重建功能，基于此類分析的結果存在準確度低，還原程度差等問題。

發明內容

本發明的目的在于提供一種基于生成對抗網絡的巖心圖像重構方法，通過對原始橫向弛豫時間T2(ms)圖像的增強，得到清晰的巖心內部分布特征圖像，并在此基礎上使用Mask R-CNN圖像分割技術，分離巖心內部目標和背景，有效還原真實巖心環境。

為實現上述目的，本發明提供如下技術方案：一種基于生成對抗網絡的巖心圖像重構方法，包括：

步驟S1，獲取巖心的核磁共振圖像數據集，并對圖像進行裁剪；

步驟S2，用生成對抗網絡(GAN)進行圖像增強，獲得CIElab彩色空間；

步驟S3，采用Mask RCNN圖像分割技術進行圖像分割；

步驟S4，輸入三層卷積神經網絡訓練，構建數字巖心孔滲預測模型；

步驟S5，等待損失函數收斂，獲得訓練完的模型；

步驟S6，輸入待測巖心樣本數據至孔滲預測模型，得到孔隙度和滲透率。

基于三維卷積神經網絡構建數字巖心孔滲預測模型的過程，包括：

步驟S41，通過卷積層識別輸入數據的特征；

步驟S42，采用池化層簡化卷積層輸出維度；

步驟S43，輸入全連接層。

卷積層的計算公式為:C＝σ(Iω°b+1)；

其中，σ表示激活函數，I表示輸入圖像灰度矩陣，ω表示卷積核，表示卷積操作，b表示偏置項。

全連接層使用Softmax激勵函數，進行分類。

步驟S5中，利用反向傳播算法對設計的神經網絡迭代訓練，并優化訓練全局參數使網絡輸出損失函數值下降并收斂。

與現有技術相比，本發明的有益效果是：基于生成對抗網絡(GAN)對原始橫向弛豫時間T2(ms)圖像的增強，得到清晰的巖心內部分布特征圖像；在此基礎上使用Mask R-CNN圖像分割技術，分離巖心內部目標和背景；通過機器學習算法對數據庫進行訓練，實現數字巖心孔滲參數的快速預測。

附圖說明

圖1為本發明基于生成對抗網絡的巖心圖像重構方法流程圖；

圖2為本發明孔滲預測模型構建過程的池化層池化結果示意圖；

圖3卷積神經網絡模型的結構示意圖；

圖4測試數據孔隙度滲透率分布圖；

圖5測試數據累計誤差分布圖。