[发明专利]一种基于卷积神经网络的μ-CT图像重构方法

说明书

本发明提供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。

技术领域

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-ray computed tomography(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(Convolutional Neural Network,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(convolutional layer)和池化层(pooling layer)，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。

发明内容

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。