[发明专利]基于级联条件生成对抗网络的灰度岩心图像三维重建方法

说明书

本发明涉及一种基于级联条件生成对抗网络的灰度岩心图像三维重建方法。即基于岩心二维灰度岩心图像的三维建模问题，而提供一种基于级联条件生成对抗网络的重建方法。该方法将维度提升的概念引入深度学习中，利用深度学习建立二维到三维更好的映射。并提出级联条件生成对抗式网络CCGAN(Cascading Conditional Generative Adversarial Network)进行灰度岩心图像的重建。同时，针对灰度岩心自身特点，我们提出基于图像像素灰度级分布的损失函数作为CCGAN网络损失函数的组成部分，更好地进行灰度岩心图像的重建；重建的三维微观结构为真实岩心微观结构提供了一个很好解释；可用于岩心微观结构及渗流特性的研究，具有实用价值。

技术领域

本发明涉及一种基于二维灰度岩心图像的三维建模方法，尤其涉及一种基于级联条件生成对抗网络的灰度岩心图像三维重建方法，属于三维图像重建技术领域。

背景技术

三维岩心CT图像中的像素的灰度值综合反映了不同材料在相应岩石单元中的衰减系数，因而三维灰度岩心图像对于岩心成分及其物理特性的研究具有重要意义。高分辨率二维灰度岩心图像容易获得且成本较低，通过对其进行三维重建，可以直接从二维岩心图像中学习材料属性并预测其三维结构，可以准确描述各种具有不同灰度级的材料和介质。基于以上原因，采用二维灰度岩心图像去重建其三维结构是很有必要的。

Tahmasebi等提出采用基于互相关函数的多点地质统计算法(CCSIM)来重建灰度岩心。该算法是通过计算待模拟模式的边缘块与训练图像各个相同大小区域之间的互相关函数大小来确定选择的模式，能够较好地解决重建时的精度和速度问题。该方法能够很好继承层与层之间的连续性，但是不易控制层与层之间的随机变化性。

相较于二维岩心的重建，如果要通过维度提升灰度岩心图像的重建，建立二维块到三维块的映射关系，其解空间是相当庞大的，远远超过二值图像。进行超维重建，模式数量级的庞大使得字典具有更高的不完备性，重建后期灰度纹理等模式信息逐渐消失。

机器学习(ML)方法通过预测具有二维图像到三维结构端到端的材料特性来加速新材料的设计，变得越来越流行。“深度学习”的最新进展使得能够从非常原始的数据表示中学习，例如，图像的像素，使得构建优于传统专家设计表示的通用模型成为可能。目前机器学习方法多被用于二值化岩心的重建。

基于此，为了更好地进行灰度岩心图像的重建，本发明潜心研究了一种基于级联条件生成对抗网络的灰度岩心图像三维重建方法；该研究项目受国家自然科学基金项目《岩石微观非均质结构三维图像重建及分辨率提升技术研究》(61372174)资助。

发明内容

本发明的目的在于为了解决上述现有技术中所存在的技术问题，而提供一种基于级联条件生成对抗网络的灰度岩心图像三维重建方法。该方法是基于岩心二维图像的三维建模问题，将超维思想中维度提升的概念引入深度学习中，利用深度学习建立二维到三维更好的映射。并提出级联条件生成对抗式网络CCGAN(Cascading Conditional GenerativeAdversarial Network)进行灰度岩心图像的重建。同时，针对灰度岩心自身特点，我们提出基于图像像素灰度级分布的损失函数作为CCGAN网络损失函数的组成部分，更好地进行灰度岩心图像的重建。

本发明是通过以下技术方案来实现上述发明目的的。

本发明提供的一种基于级联条件生成对抗网络的灰度岩心图像三维重建方法，包括以下步骤：

(1)采集并制作二维图像和对应三维图像数据集，用于网络的训练和重建；

(2)将步骤(1)中获取的每个三维样本作为训练样本。为了在信息对等的情况下建立二维到三维的映射，并采用三维卷积学习三维空间信息，对网络的Input，Target设置为两个对等结构(待重建三维空间大小)的三维体，并对每层CCGAN网络中Input，Target结构中嵌入的输入输出信息进行了设计；