一种基于深度学习的多尺度数字岩心图像构建方法与流程

1.本发明涉及油气田勘探开发领域，具体涉及一种基于深度学习的多尺度数字岩心图像构建方法。


背景技术：

2.随着数字岩心技术的发展，ct扫描、fib-sem扫描、qemscan扫描等技术已广泛应用于构建反映储层真实状态的多组分数字岩心模型中，深度学习技术在数字岩心图像重建、数字岩心分析等方面也起到了重要作用。传统的深度学习超分辨率方法通常需要以高分辨率的数字岩心图像作为训练数据集，该方法虽然能够有效提高岩心图像的分辨率，但却难以补全岩心图像中缺失的图像信息。
3.由于难以对不同尺度岩心图像的图像信息进行融合，使得数字岩心实验中获取的多分辨率岩心图像难以得到充分的利用。因此，亟需提出一种多尺度数字岩心构建方法，充分综合高分辨率岩心图像的精度和低分辨率岩心图像的广度，实现对不同分辨率岩心图像信息的融合。


技术实现要素：

4.本发明针对现阶段不同尺度数字岩心图像难以融合的问题，提出了一种基于深度学习的多尺度数字岩心图像构建方法。该方法充分利用了高分辨率岩心扫描图像的精度和低分辨率岩心扫描图像的广度，通过对不同尺度数字岩心图像进行融合，实现了对多尺度数字岩心图像的构建，解决了因不同尺度岩心扫描图像无法融合导致岩心图像信息缺失的问题，提高了数字岩心图像的分辨率。
5.本发明采用以下的技术方案：
6.一种基于深度学习的多尺度数字岩心图像构建方法，具体包括以下步骤：
7.步骤1，根据研究区的取芯资料获取岩心试样，对岩心试样在同一位置处进行多级钻取制得多个柱塞样品，通过对各柱塞样品进行多次扫描，批量获取不同分辨率的岩心扫描图像；
8.步骤2，根据各岩心扫描图像的灰度直方图，将各岩心扫描图像的图像灰度值刻度至统一灰度范围内，基于sift特征对各柱塞样品的岩心扫描图像进行图像匹配，得到岩心试样图像匹配后的低分辨率岩心扫描图像、中分辨率岩心扫描图像和高分辨率岩心扫描图像；
9.步骤3，建立用于构建双尺度数字岩心图像的第一生成对抗网络模型，基于深度学习，利用岩心试样图像匹配后的中分辨率岩心扫描图像和高分辨率岩心扫描图像作为训练图像，对第一生成对抗网络模型进行训练，并将岩心试样图像匹配后的中分辨率岩心扫描图像输入至训练后的第一生成对抗网络模型中，利用第一生成对抗网络模型生成岩芯试样的双尺度数字岩心图像；
10.步骤4，建立用于构建多尺度数字岩心图像的第二生成对抗网络模型，基于深度学
习，利用步骤3中生成的双尺度数字岩心图像和岩心试样图像匹配后的低分辨率岩心扫描图像作为训练图像，对第二生成对抗网络模型进行训练，并将岩心试样图像匹配后的低分辨率岩心扫描图像输入至训练后的第二生成对抗网络模型中，利用第二生成对抗网络模型生成岩心试样的三维数字岩心图像；
11.步骤5，根据岩心试样的三维数字岩心图像，确定岩心试样的孔隙边界和微孔隙结构。
12.优选地，所述步骤1中，基于ct扫描或fib-sem扫描或qemscan扫描柱塞样品，得到高分辨率岩心扫描图像、中分辨率岩心扫描图像和低分辨率岩心扫描图像。
13.优选地，所述高分辨率岩心扫描图像的分辨率设置为1μm，中分辨率岩心扫描图像的分辨率设置为4.16μm，低分辨率岩心扫描图像的分辨率设置为15.4μm。
14.优选地，所述步骤2中，岩心扫描图像的图像灰度刻度范围为0～255。
15.优选地，所述步骤3中，具体包括以下步骤：
16.步骤3.1，建立用于构建双尺度数字岩心图像的第一生成对抗网络模型，第一生成对抗网络模型内设置有生成器和判别器，对第一生成对抗网络模型进行初始化，设置生成器和判别器的参数，并将岩芯试样图像匹配后的中分辨率岩心扫描图像和高分辨率岩心扫描图像作为训练图像；
17.步骤3.2，将训练图像输入第一生成对抗网络模型中，利用第一生成对抗网络模型中的生成器生成双尺度数字岩心图像，双尺度数字岩心图像中包含中分辨率岩心扫描图像和高分辨率岩心扫描图像的双重图像信息；
18.步骤3.3，保持第一生成对抗网络模型中判别器的参数不变，将双尺度数字岩心图像和岩心试样图像匹配后的高分辨率岩心扫描图像输入至判别器中，判别器通过提取双尺度数字岩心图像和高分辨率岩心扫描图像中的图像信息进行判断，若判别器能够判断出生成器生成的双尺度数字岩心图像为假，则调整生成器的参数，返回步骤3.2中继续训练生成器，若判别器无法判断出生成器生成的双尺度数字岩心图像为假，则进入步骤3.4中；
19.步骤3.4，保持第一生成对抗网络模型中生成器的参数不变，将生成器生成的双尺度数字岩心图像和岩心试样图像匹配后的高分辨率岩心扫描图像输入判别器中，判别器通过提取双尺度数字岩心图像和高分辨率岩心扫描图像中的图像信息进行判断，若判别器无法判断出生成器生成的双尺度数字岩心图像为假，则调整判别器的参数，返回步骤3.4中继续训练判别器，若判别器能够判断出生成器生成的双尺度数字岩心图像为假，则进入步骤3.5中；
20.步骤3.5，分析判别器的损失函数和生成器的损失函数，若判别器和生成器中的损失函数未达到纳什均衡，则返回步骤3.2中继续训练第一生成对抗网络模型，若判别器和生成器中的损失函数达到纳什均衡，则完成对第一生成对抗网络模型的训练，进入步骤3.6中；
21.步骤3.6，将岩心试样图像匹配后的中分辨率岩心扫描图像输入至训练后的第一生成对抗网络模型中，利用第一生成对抗网络模型生成岩芯试样的双尺度数字岩心图像。
22.优选地，所述步骤4中，具体包括以下步骤：
23.步骤4.1，建立用于构建多尺度数字岩心图像的第二生成对抗网络模型，第二生成对抗网络模型内设置有生成器和判别器，对第二生成对抗网络模型进行初始化，设置生成
器和判别器的参数，并将步骤3中生成的双尺度数字岩心图像和岩心试样图像匹配后的低分辨率岩心扫描图像作为训练图像；
24.步骤4.2，将训练图像输入第二生成对抗网络模型中，利用第二生成对抗网络模型中的生成器生成多尺度数字岩心图像，多尺度数字岩心图像中包含低分辨率岩心扫描图像、中分辨率岩心扫描图像和高分辨率岩心扫描图像的多重图像信息；
25.步骤4.3，保持第二生成对抗网络模型中判别器的参数不变，将多尺度数字岩心图像和步骤3中生成的双尺度数字岩心图像输入至判别器中，判别器通过提取多尺度数字岩心图像和双尺度数字岩心图像中的图像信息进行判断，若判别器能够判断出生成器生成的多尺度数字岩心图像为假，则调整生成器的参数，返回步骤4.2中继续训练生成器，若判别器无法判断出生成器生成的多尺度数字岩心图像为假，则进入步骤4.4中；
26.步骤4.4，保持第二生成对抗网络模型中生成器的参数不变，将生成器生成的多尺度数字岩心图像和双尺度数字岩心图像输入判别器中，判别器通过提取多尺度数字岩心图像和双尺度数字岩心图像中的图像信息进行判断，若判别器无法判断出生成器生成的多尺度数字岩心图像为假，则调整判别器的参数，返回步骤4.4中继续训练判别器，若判别器能够判断出生成器生成的多尺度数字岩心图像为假，则进入步骤4.5中；
27.步骤4.5，分析判别器的损失函数和生成器的损失函数，若判别器和生成器中的损失函数未达到纳什均衡，则返回步骤4.2中继续训练第二生成对抗网络模型，若判别器和生成器中的损失函数均达到纳什均衡，则完成对第二生成对抗网络模型的训练，进入步骤4.6中；
28.步骤4.6，将岩心试样图像匹配后的低分辨率岩心扫描图像输入训练后的第二生成对抗网络模型中，利用第二生成对抗网络模型生成岩芯试样的多尺度数字岩心图像。
29.本发明具有如下有益效果：
30.本发明基于深度学习对用于构建双尺度数字岩心图像的第一生成对抗网络模型和用于构建多尺度数字岩心图像的第二生成对抗网络模型进行训练，利用训练后的第二生成对抗网络模型生成多尺度数字岩心图像，充分利用了高分辨率岩心扫描图像的精度和低分辨率岩心扫描图像的广度，实现了多分辨率数字岩心图像信息的融合，解决了因不同尺度岩心扫描图像无法融合导致岩心图像信息缺失的问题，提高了数字岩石图像的分辨率，为指导各类地层的勘探开发奠定了基础，具有广阔的应用前景。
附图说明
31.图1为一种基于深度学习的多尺度数字岩心图像构建方法的流程图。
32.图2为匹配后的岩心试样图像匹配。图2中，(a)为岩心试样图像匹配后的低分辨率岩心扫描图像，(b)为岩心试样图像匹配后的中分辨率岩心扫描图像，(c)为岩心试样图像匹配后的高分辨率岩心扫描图像。
33.图3为生成对抗网络的结构示意图。
34.图4为多尺度数字岩心图像构建过程示意图。
35.图5为岩心试样的双尺度数字岩心图像。
36.图6为岩心试样多尺度数字岩心图像的对比图。图6中，图(a)为岩心试样图像匹配后的低分辨率岩心扫描图像，图(b)为岩心试样的多尺度数字岩心图像。
具体实施方式
37.下面结合附图和某油田为例，对本发明的具体实施方式做进一步说明：
38.以某油田作为研究区，利用本发明提出的一种基于深度学习的多尺度数字岩心图像构建方法构建多尺度数字岩心图像，如图1所示，具体包括以下步骤：
39.步骤1，根据研究区的取芯资料获取岩心试样，对岩心试样在同一位置处进行多级钻取制得多个柱塞样品，基于ct扫描或fib-sem扫描或qemscan扫描柱塞样品对各柱塞样品进行多次扫描，批量获取不同分辨率的岩心扫描图像。
40.本实施例中多级钻取制备柱塞样品过程中，先钻取直径为2.54cm的第一柱塞样品，通对第一柱塞样品进行ct扫描，获得分辨率为15.4μm的低分辨率岩心扫描图像，再在第一柱塞样品中钻取直径为4mm的第二柱塞样品，通过对第二柱塞样品进行ct扫描，获得分辨率为4.16μm的中分辨率岩心扫描图像，最后，在第二柱塞样品中钻取直径为1mm的第三柱塞样品，通过对第三柱塞样品进行ct扫描，获得分辨率为1μm的低分辨率岩心扫描图像。
41.步骤2，根据各岩心扫描图像的灰度直方图，将各岩心扫描图像的图像灰度值刻度至0～255的灰度范围内，基于sift特征对各柱塞样品的岩心扫描图像进行图像匹配，得到岩心试样图像匹配后的低分辨率岩心扫描图像(图像分辨率为15.4μm，图像尺寸为162
×
162
×
162体素，如图2(a)所示)、中分辨率(图像分辨率为4.16μm，图像尺寸为144
×
144
×
144体素，如图2(b)所示)岩心扫描图像和高分辨率(图像分辨率为1μm，图像尺寸为600
×
600
×
600体素，如图2(c)所示)岩心扫描图像。
42.基于sift特征进行图像匹配为现有技术，利用sift特征进行图像匹配将高分辨率岩心扫描图像与中分辨率岩心扫描图像配准，将中分辨率岩心扫描图像与低分辨率岩心扫描图像配准，即将高一级分辨率的岩心扫描图像还原到第一级分辨率岩心扫描图像的位置上，实现对岩心试样同一位置处不同分辨率的岩心扫描图像进行匹配。
43.步骤3，建立用于构建双尺度数字岩心图像的第一生成对抗网络模型，如图3和图4所示，基于深度学习，利用岩心试样图像匹配后的中分辨率扫描图像和高分辨率扫描图像作为训练图像，对第一生成对抗网络模型进行训练，并将岩心试样图像匹配后的中分辨率扫描图像输入至训练后的第一生成对抗网络模型中，利用第一生成对抗网络模型生成岩芯试样的双尺度数字岩心图像，具体包括以下步骤：
44.步骤3.1，建立用于构建双尺度数字岩心图像的第一生成对抗网络模型，第一生成对抗网络模型内设置有生成器和判别器，对第一生成对抗网络模型进行初始化，设置生成器和判别器的参数，并将岩芯试样图像匹配后的中分辨率扫描图像和高分辨率扫描图像作为训练图像。
45.本实施例中设置生成器的损失函数为：
46.lg＝λ
mse
l
mse
λ
perc
l
x
λ
gen
l
gen
ꢀꢀꢀꢀ
(1)
47.其中，l
mse
为重构损失，l
x
为内容损失，l
gen
为对抗损失。
[0048][0049]
其中，w
i,j
和h
i,j
为vgg网络中各特征图的维数，d
θd
(g
θg
(i
lr
))是重构图像的概率，g
θg
(i
lr
)为高一级分辨率图像的概率。
[0050]
判别器的损失函数为：
[0051][0052]
步骤3.2，将训练图像输入第一生成对抗网络模型中，利用第一生成对抗网络模型中的生成器生成双尺度数字岩心图像，双尺度数字岩心图像中包含中分辨率岩心扫描图像和高分辨率岩心扫描图像的双重图像信息。
[0053]
步骤3.3，保持第一生成对抗网络模型中判别器的参数不变，将双尺度数字岩心图像和岩心试样图像匹配后的高分辨率扫描图像输入至判别器中，判别器通过提取双尺度数字岩心图像和高分辨率扫描图像中的图像信息进行判断，若判别器能够判断出生成器生成的双尺度数字岩心图像为假，则调整生成器的参数，返回步骤3.2中继续训练生成器，若判别器无法判断出生成器生成的双尺度数字岩心图像为假，则进入步骤3.4中。
[0054]
步骤3.4，保持第一生成对抗网络模型中生成器的参数不变，将生成器生成的双尺度数字岩心图像和岩心试样图像匹配后的高分辨率扫描图像输入判别器中，判别器通过提取双尺度数字岩心图像和高分辨率扫描图像中的图像信息进行判断，若判别器无法判断出生成器生成的双尺度数字岩心图像为假，则调整判别器的参数，返回步骤3.4中继续训练判别器，若判别器能够判断出生成器生成的双尺度数字岩心图像为假，则进入步骤3.5中。
[0055]
步骤3.5，分析判别器的损失函数和生成器的损失函数，若判别器和生成器中的损失函数未达到纳什均衡，则返回步骤3.2中继续训练第一生成对抗网络模型，若判别器和生成器中的损失函数达到纳什均衡，则完成对第一生成对抗网络模型的训练，进入步骤3.6中。
[0056]
步骤3.6，将岩心试样图像匹配后的中分辨率扫描图像输入至训练后的第一生成对抗网络模型中，利用第一生成对抗网络模型生成岩芯试样的双尺度数字岩心图像(图像尺寸为600
×
600
×
600体素，如图5所示)，双尺度数字岩心图像中包含了高分辨率岩心扫描图像的图像信息。
[0057]
步骤4，建立用于构建多尺度数字岩心图像的第二生成对抗网络模型，基于深度学习，利用步骤3中生成的双尺度数字岩心图像和岩心试样图像匹配后的低分辨率扫描图像作为训练图像，对第二生成对抗网络模型进行训练，并将岩心试样图像匹配后的低分辨率扫描图像输入至训练后的第二生成对抗网络模型中，利用第二生成对抗网络模型生成岩心试样的三维数字岩心图像，具体包括以下步骤：
[0058]
步骤4.1，建立用于构建多尺度数字岩心图像的第二生成对抗网络模型，第二生成对抗网络模型内设置有生成器和判别器，对第二生成对抗网络模型进行初始化，设置生成器和判别器的参数，第二生成对抗网络模型中生成器和判别器的损失函数均与第一生成对抗网络模型相同，并将步骤3中生成的双尺度数字岩心图像和岩心试样图像匹配后的低分辨率扫描图像作为训练图像。
[0059]
步骤4.2，将训练图像输入第二生成对抗网络模型中，利用第二生成对抗网络模型中的生成器生成多尺度数字岩心图像，多尺度数字岩心图像中包含低分辨率岩心扫描图像、中分辨率岩心扫描图像和高分辨率岩心扫描图像的多重图像信息。
[0060]
步骤4.3，保持第二生成对抗网络模型中判别器的参数不变，将多尺度数字岩心图像和步骤3中生成的双尺度数字岩心图像输入至判别器中，判别器通过提取多尺度数字岩心图像和双尺度数字岩心图像中的图像信息进行判断，若判别器能够判断出生成器生成的多尺度数字岩心图像为假，则调整生成器的参数，返回步骤4.2中继续训练生成器，若判别器无法判断出生成器生成的多尺度数字岩心图像为假，则进入步骤4.4中。
[0061]
步骤4.4，保持第二生成对抗网络模型中生成器的参数不变，将生成器生成的多尺度数字岩心图像和双尺度数字岩心图像输入判别器中，判别器通过提取多尺度数字岩心图像和双尺度数字岩心图像中的图像信息进行判断，若判别器无法判断出生成器生成的多尺度数字岩心图像为假，则调整判别器的参数，返回步骤4.4中继续训练判别器，若判别器能够判断出生成器生成的多尺度数字岩心图像为假，则进入步骤4.5中。
[0062]
步骤4.5，分析判别器的损失函数和生成器的损失函数，若判别器和生成器中的损失函数未达到纳什均衡，则返回步骤4.2中继续训练第二生成对抗网络模型，若判别器和生成器中的损失函数均达到纳什均衡，则完成对第二生成对抗网络模型的训练，进入步骤4.6中。
[0063]
步骤4.6，将岩心试样图像匹配后的低分辨率扫描图像(图像尺寸为600
×
600
×
600体素)输入训练后的第二生成对抗网络模型中，利用第二生成对抗网络模型生成岩芯试样的多尺度数字岩心图像(图像尺寸为600
×
600
×
600体素)。
[0064]
步骤5，根据岩心试样的三维数字岩心图像，通过对比岩心试样图像匹配后的低分辨率岩心扫描图像和多尺度数字岩心图像，如图6所示，确定岩心试样的孔隙边界和微孔隙结构，通对比图6(a)和图6(b)可得，采用本发明方法构建的多尺度数字岩心图像通将低分辨率岩心扫描图像、中分辨率岩心扫描图像和高分辨率岩心扫描图像的图像信息相融合，具有更清晰的孔隙边界和微孔隙结构，为指导各类地层的勘探开发奠定了基础。
[0065]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。