一种基于卷积神经网络的μ-CT图像重构方法与流程

本发明涉及图像处理技术领域，具体涉及一种基于卷积神经网络的μ-ct图像重构方法。

背景技术：

x-raycomputedtomography(μ-ct)扫描是当前获取多孔介质内部三维孔隙结构最通用的手段。当样品尺寸为毫米级别时，μ-ct的图像精度可达2微米左右。然而随着样品尺寸的增加，μ-ct的图像分辨率随之降低。扫描电镜(sem)是另一种可以获取岩石内部孔隙结构的成像手段，并且分辨率可高达纳米尺度。然后sem只能提供二维图像，对三维结构的刻画十分有限。

现有技术中通常采用卷积神经网络对图像进行处理，卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现；它包括卷积层(convolutionallayer)和池化层(poolinglayer)，但都只是针对同一种图像，针对单一的图像处理，有的清晰程度不够，有的复杂，需要一种快速又清晰的处理方法。

技术实现要素：

针对现有技术的不足，本发明提供一种基于卷积神经网络的μ-ct图像重构方法，能够有效提高μ-ct图像刻画致密储层的能力，利用卷积神经网络处理低分辨率的μ-ct图像，获得一个高分辨率的储层孔隙结构样品。

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于卷积神经网络的μ-ct图像重构方法，包括步骤：

步骤一、训练图像预处理，即将三维的μ-ct图像和二维的扫描电镜图像进行图像配准，再对低分辨率的μ-ct图像进行图像插值，获得训练图像；

步骤二、获取训练数据集，根据步骤一获取多个训练图像作为训练样本，将所述训练样本组成一个训练数据集；

步骤三、训练图像，将所述训练数据集中的训练图像输入预设的卷积神经网络模型进行训练，获取相应的模型参数；

步骤四、图像重构，即将需要重构的低分辨率μ-ct图像的所有体素点，利用经过训练的所述卷积神经网络模型逐个评价，获取其对应的相类型，通过所述相类型重构一个高分辨率图像。

进一步地，所述步骤一具体为：将三维的μ-ct图像和二维的扫描电镜图像配准操作，使得二者在空间上相互匹配，再将低分辨率的μ-ct图像进性插值，使所述低分辨率的μ-ct图像具有和高分辨率的扫描电镜一样的像素大小。

进一步地，所述步骤二具体为：从μ-ct图像中提取出边长为n的二维图块，将每一个二维图块的中心坐标的相类型，从其对应的扫描电镜图像中获取，每个二维图块和其中心的相类型组成一个训练样本，将所述训练样本组成一个训练数据集。

进一步地，所述步骤三具体为：首先将训练数据集乱序,分为不同的批次输入预设的卷积神经网络模型进行训练，不同批次的样品经过多轮训练，最终检测训练精度是否达标，如果训练精度达标则停止训练并进入后续重构过程；否则继续进行训练。

进一步地，所述训练图像的轮数按预设次数进行设定。

进一步地，所述训练过程包括向前传播和向后传播：向前传播过程采用加权平均操作，逐步提取图像的特征信号；向后传播过程采用梯度下降法操作，更新参数。

进一步地，所述步骤四具体为：

构建一个与插值后的低分辨率μ-ct图像的体素点一一对应的空网格结构；

从需要重构的低分辨率μ-ct图像三维的其中一个方向进行逐平面层的评价，依次对各平面层中的待评价体素点为中心取一个边长为n的体素点二维图块，所述体素点二维图块的大小与步骤二中的训练的二维图块大小相同；

将获取的体素点二维图块传入步骤三中训练的卷积神经网络模型中进行运算，最终输出的结果即为所评价的待评价体素点的相类型，将该相类型存入空网格结构中对应的体素点，被填满的空网格结构即为获得的高分辨率重构图像。

进一步地，所述卷积神经网络模型包括一个或多个输入输出层、卷积层、最大池化层和全连接层。

与现有技术相比，本发明具有以下有益效果：

本发明提供了一种全新的基于卷积神经网络的μ-ct图像重构方法，有效地提高了μ-ct图像刻画致密储层的能力；通过重构，使得μ-ct图像中因为分辨率有限而丢失的大量细节特征，如微小的孔隙和吼道等被重新揭示，从而改善了图像中孔隙结构的联通性特征，对后续孔隙结构描述和流体数值模型有着至关重要的作用。并且利用卷积神经网络处理低分辨率的μ-ct图像，能够获得一个高分辨率的储层孔隙结构样品。

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为本发明方法流程图；

图2为本发明实施例中根据图像划分的不同相类型示意图；

图3为本发明实施例sem图像中分割的高分辨率其中一个训练样本图；

图4为本发明实施例中从μ-ct图像中截取的低分辨率其中一个训练样本图；

图5为本发明实施例在μ-ct图像中提取出的4个二维图；

图6为本发明实施例中二维图块和其中心的相类型组成的一个训练数据集示意图；

图7为本发明实施例体素结构示意图；

图8为本发明实例中网络结构模型示意图；

图9为本发明实施例中低分辨率灰度图，低分辨率分割图，高分辨率分割图和cnnr重构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

实施例1

如图1所示，本发明提供了一种基于卷积神经网络的μ-ct图像重构方法，包括以下步骤：

s1：训练图像预处理，针对同一采样品分别获取μ-ct图像和扫描电镜图像，然后将三维的μ-ct图像和二维的扫描电镜图像进行图像配准，再对低分辨率的μ-ct图像进行图像插值，获得训练图像；

s2：获取训练数据集，从μ-ct图像和扫描电镜图像获取多个训练样本，多个所述训练样本组成一个训练数据集，具体每个训练数据集包括的训练样本的数量根据需要进行设置，不进行具体限定；

s3：训练图像，将所述训练图像输入预设的卷积神经网络模型进行训练，获取相应的模型参数，卷积神经网络模型可采用现有成熟的卷积神经网络模型；

s4：图像重构，需要重构的低分辨率μ-ct图像的所有体素点被逐个评价以获取其相类型，相类型根据图像的特征进行分类，由该领域通用的技术特征名词组成，具体根据图像不同而分成不同的相类型；

我们先构建一个与插值后的低分辨率图像尺寸一致的空网格结构(g)，该网格结构中的体素点与低分辨率图像中的体素点一一对应。然后从需要重构的低分辨率μ-ct图像三维的其中一个方向进行逐平面层的评价，例如若沿着z方向重构，则所有用于重构的图块则全部取自x-y平面内，如图7所示，沿着z方向依次对各x-y平面层中的待评价体素点为中心取一个边长为n的体素点二维图块，所述体素点二维图块的大小与步骤s2中的训练的二维图块大小相同，然后将获取的体素点二维图块传入步骤s3中训练的卷积神经网络模型中进行运算，最终输出的结果即为所评价的待评价体素点的相类型，然后将该相类型存入其中心点在g中对应的体素位置。如此逐点评价，直到g中所有的体素都被填满，则此时的g即为最终获取的高分辨率重构图像。

所述步骤s1具体为：将扫描电镜和μ-ct图像先进行图像配准操作，使得二者在空间上相互匹配，然后再将低分辨率的μ-ct图像进性插值，使其具有和高分辨率的扫描电镜一样的像素大小。

所述步骤s2具体为：从μ-ct图像中提取出边长为n的二维图块，将每一个所述二维图块的中心坐标的相类型从其对应的扫描电镜图像中获取，每个二维图块和其中心的相类型组成一个训练样本，多个所述训练样本组成一个训练数据集。

所述步骤s3具体为：训练图像；首先将训练数据集乱序,然后分为不同的批次输入预设的卷积神经网络模型进行训练，分成的批次可根据实际情况而定，每个批次包括的训练样本大小根据实际情况灵活设定，本实施例中优选的批次大小被设定为50，不同批次的样品经过多轮训练，最终检测训练精度是否达标，若达标则可停止训练，进入后续重构过程，训练的过程分为向前传播和向后传播两个部分：向前传播过程是为了逐步提取图像的特征信号，采用加权平均操作；向后传播过程是为了更新参数，一般用梯度下降法，但不限定于此，还可采用本领域其他操作方法，不同批次的样品经过多轮训练，最终检测训练精度是否达标，若达标则可停止训练，进入后续重构过程。

具体地，在步骤s3中，计算中优选的采用以下两个公式：一是损失函数的选取(eq.1)，二是参数优化公式(eq.2)，eq.1用于计算向前传播的运算结果与期望结果之间的差距；eq.2则用于计算向后传播中的梯度计算。

其中，s是训练图像个数,ei是第i个图像的标签(相类型)，oi是预测值。损失函数采用随机梯度下降法

其中l∈{1，2，3，…，n}是模型中的层标号，而i是迭代序号。

α是学习率，是损失函数对模型参数的导数。卷积核参数从一个期望为0方差为0.001的正态分布中随机赋值。所有的偏差初始值一律设为0；学习率设为0.001。

实施例2

在实施例1所述基于卷积神经网络的μ-ct图像重构方法的基础上，提供一个具体的实施方式，针对处理多个岩石样品，本实施例以美国印第安纳灰岩样品为例论述该方法的实用性。如图2所示，该样品为一鲕粒灰岩，图像被分割为三种相类型：孔隙(pore)，基质(matrix)和孔隙性基质(porousmatrix)，相类型根据图像的特征进行分类，由该领域通用的技术特征名词组成，具体根据图像不同而分成不同的相类型。

图3是sem图像中分割的高分辨率其中一个训练样本的二维图块。图4是从μ-ct图像中截取的低分辨率其中一个训练样本的二维图块，与图3中的大小和位置对应。

图5中在μ-ct图像中提取出4个二维图块et1、et2、et3....etn，将每一个所述二维图块的中心坐标的相类型从其对应的扫描电镜图像中获取到el1、el2、el3....eln，,并获取相应的相类型[0,0,1]、[0,1,0]、[1,0,0]....[0,0,1]，每个二维图块和其中心的相类型组成一个训练样本，多个所述训练样本组成一个训练数据集。

以上[1,0,0],[0,1,0]和[0,0,1]分别代表三种不同的相类型。

重构过程采用了一个七层的网络结构，包括输入输出层、两套卷积层、两套最大池化层和一个全连接层，如图8所示，该实例中所采用的七层网络结构并非固定，可综合考量样品孔隙结构复杂程度后，适当调节网络结构的层数，模型深度越深(卷积层越多)，评价结果精度越高。所以针对复杂孔隙结构的样品应该考虑加深模型深度，然而模型深度的增加往往也伴随着参数个数的激增，所以还需要考虑计算机的运算能力。从而在精度要求和时间支出上取得平衡。

具体操作如图7所示，先将低分辨率μ-ct图像利用三次样条函数插值算法插值为“高分辨率图像”，三次样条函数插值算法为优选的适用此时的插值算法，但不限于此，还可采用其他现有的插值算法，使其体素大小符合所期望的高分辨率图像。同时构建一个与高分辨率图像具有相同网格数的空网格g，对于任意一个从低分辨率图像上所取得的图块，该二维图块经过卷积神经网络模型处理过的输出值即为该图块中心点所对应的相类型。然后将该相类型存入其中心点在g中对应的体素位置。如此逐点评价，直到g中所有的体素都被填满，则此时的g即为最终获取的高分辨率重构图像。

最终重构后的高分辨率的储层孔隙结构样品，重构结果对比展示图如图9所示，lr_tomo，lr_seg，hr_seg和hr_cnnr分别代表低分辨率灰度图，低分辨率分割图，高分辨率分割图和cnnr重构图，其中上中下三行分别代表三个切面垂直于z,x,y三轴。

重构的结果使用局部孔隙度理论和闵可夫斯基方程进行了形态学特征方面的检验，结果证明该方法能有效恢复真实孔隙结构的细节信息，改善了孔隙结构的联通性，从而为后续的孔隙结构刻画及流体模拟打下基础。

本发明提供了一种全新的基于卷积神经网络的μ-ct图像重构方法，有效地提高了μ-ct图像刻画致密储层的能力；通过重构，使得μ-ct图像中因为分辨率有限而丢失的大量细节特征，如微小的孔隙和吼道等被重新揭示，从而改善了图像中孔隙结构的联通性特征，对后续孔隙结构描述和流体数值模型有着至关重要的作用。并且利用卷积神经网络处理低分辨率的μ-ct图像，能够获得一个高分辨率的储层孔隙结构样品。

需要说明的是，在本文中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。