多尺度空洞卷积的并行残差网络高分辨率图像重建方法技术

本发明专利技术公开了一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法，先通过大小为9*9、通道数为64的卷积层进行浅层特征提取，然后利用空洞卷积在参数量不变的情况下提高感受野的特性来构造多尺度空洞卷积块，接着将多尺度空洞卷积块与普通3*3卷积层和BN层接在一起构成残差块，将16个残差块串联在一起构成残差网络，采用多路并行结构对特征进行非线性映射，得到高层次的特征，最后通过亚像素卷积层对特征图进行重列，最终得到高分辨率图像SR。SR。SR。

【技术实现步骤摘要】
多尺度空洞卷积的并行残差网络高分辨率图像重建方法


[0001]本专利技术属于图像处理
，更为具体地讲，涉及一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法。

技术介绍

[0002]在石油测井领域中，井周成像测井是一个重要的分支。井周成像测井能够以直观的井壁图像来反应石油井的状况，可以清晰明了地看到井壁上裂隙与孔洞的发育情况，是评价石油井的重要手段，而得到的井壁图像的清晰度就直接影响了测井人员对该井的解析评价。高分辨率重建是进行图像增强的主要研究方向之一，像双线性插值法、双三次插值法等传统方法增强效果并不明显，而基于深度学习的超分辨率重建由于其显著的增强效果受到越来越多人研究。例如：深度学习用于图像超分辨率重建的开山之作SRCNN算法，先是使用了双三次插值做上采样，然后构建了三层的神经网络来进行特征学习和重建，相比传统的插值方法虽然图像重建效果有了明显提高，但存在图像过于平滑，高频细节信息不够清晰等缺点。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法，以实现对测井图像的快速增强，以便测井人员更好的观察图像对井下状况进行实时分析。
[0004]为实现上述专利技术目的，本专利技术一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法，其特征在于，包括以下步骤：
[0005](1)、图像采集及预处理；
[0006]利用井周超声成像仪采集多张原始的高分辨率测井图像，然后对每一张高分辨率图像进行裁剪得到大小一致的高分辨率图像HR，然后对每一张高分辨率测井图像作n倍的下采样，得到大小为H*W的低分辨率图像LR，其中，n为采样倍数；
[0007](2)、构建基于多尺度空洞卷积的图像重建网络并训练；
[0008](2.1)、提取包含浅层特征的特征图；
[0009]将低分辨率图像LR输入至大小为9*9、通道数为64的卷积层v1，并使用PRelu激活函数进行浅层特征提取，得到64个大小为H*W的特征图；
[0010](2.2)、构建两路并行的残差网络；
[0011](2.2.1)、构造多尺度空洞卷积块；
[0012]采用64个3*3大小卷积核的卷积层v2与64个扩张率为2的3*3卷积核大小的卷积层v3同时对64个特征图进行特征提取，然后再将v2和v3的输出结果相加再次输入到v2和v3中，最后使用1*1卷积核对v2和v3的输出结果进行特征融合后再和输入的64个特征图直接相加，构造成多尺度空洞卷积块；
[0013](2.2.2)、构造单路残差网络：将多尺度空洞卷积块和3*3大小卷积核的卷积层v4
以及归一化层接在一起再和输入的64个特征图相加，构成一个残差块，然后将16个这样的残差块串联接在一起构成一个单路残差网络；
[0014](2.2.3)、构造两路并行的残差网络：采用64个5*5大小卷积核的卷积层v5与64个扩张率为2的5*5大小卷积核的卷积层v6同时进行特征提取，然后再将v5和v6的输出结果相加再次输入到v5和v6中，最后使用1*1卷积核对v5和v6的输出结果进行特征融合后再和输入的64个特征图直接相加，构造成另一个多尺度空洞卷积块；之后，多尺度空洞卷积块再和3*3大小卷积核的卷积层v4和归一化层再和输入的64个特征图相加接在一起构成另一个残差块，然后将16个这样的残差块串联接在一起构成另一个单路残差网络；
[0015]将两个单路残差网络以并行方式连接在步骤(2.1)中的卷积层后，再用1*1卷积核对步骤(2.2)中的两路并行的残差网络所输出的结果做特征融合后再输入到3*3大小卷积核的卷积层v4以及归一化层，再和步骤(2.1)中卷积层的输出直接相加，得到包含64个高层次特征的特征图；
[0016](2.3)、高分辨率图像重建；
[0017]将64个包含高层次特征的特征图输入至通道数为64*n2的卷积层v7来扩宽通道数，然后再输入到亚像素卷积层，从而将多个通道特征图上的单个像素组合排列成一个通道特征图上的一组像素，即：H*W*r*n2→
(n*H)*(n*W)*r，r为最后一级输出后的通道数；最后再通过大小为9*9、通道数为3的卷积层v8输出重建后的大小为(n*H)*(n*W)、通道为3的高分辨率图像SR；
[0018](2.4)、计算损失函数值；
[0019]计算重建后的高分辨率图像SR和原高分辨率图像HR的像素均方误差MSE，并以MSE作为损失函数值；
[0020][0021]其中，SR(i,j)表示高分辨率图像SR中坐标为(i,j)的像素点的像素值，HR(i,j)表示高分辨率图像HR中坐标为(i,j)的像素点的像素值；
[0022](2.5)、重复步骤(2.1)
‑
(2.4)，继续训练图像重建网络，并使用Adam优化算法以使MSE最小为目的进行参数优化，最终得到训练好的图像重建网络模型；
[0023](3)、实时采集一张测井图像，然后输入至训练完成的图像重建网络，从而输出重建后的高分辨率图像。
[0024]本专利技术的专利技术目的是这样实现的：
[0025]本专利技术基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法，先通过大小为9*9、通道数为64的卷积层进行浅层特征提取，然后利用空洞卷积在参数量不变的情况下提高感受野的特性来构造多尺度空洞卷积块，接着将多尺度空洞卷积块与普通3*3卷积层和BN层接在一起构成残差块，将16个残差块串联在一起构成残差网络，采用多路并行结构对特征进行非线性映射，得到高层次的特征，最后通过亚像素卷积层对特征图进行重列，最终得到高分辨率图像SR。
[0026]同时，本专利技术基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法还具有以下有益效果：
[0027](1)、通过使用空洞卷积来在参数量不变的情况下提高了感受野，获得了更为全局
化的特征。
[0028](2)、通过使用并行的网络结构互补了不同尺度的特征信息。
[0029](3)、使用基于空洞卷积的多尺度并行网络和传统的双三次插值、深度学习超分辨率重建经典算法SRCNN、VDSR、SRResNet等相比明显提高了图像重建客观指标PSNR和SSIM。
附图说明
[0030]图1是本专利技术一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法流程图；
[0031]图2是井周超声成像仪结构图；
[0032]图3是多尺度空洞卷积块；
[0033]图4是基于多尺度空洞卷积块的并行网络结构；
[0034]图5是本算法和其他经典算法的测试集4倍重建平均指标分析；
[0035]图6是本算法和其他经典算法的测试集2倍重建平均指标分析；
[0036]图7是本算法和其他经典算法的多个单张测井图像参加效果比较；
具体实施方式
[0037]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法，其特征在于，包括以下步骤：(1)、图像采集及预处理；利用井周超声成像仪采集多张原始的高分辨率测井图像，然后对每一张高分辨率图像进行裁剪得到大小一致的高分辨率图像HR，然后对每一张高分辨率测井图像作n倍的下采样，得到大小为H*W的低分辨率图像LR，其中，n为采样倍数；(2)、构建构建基于多尺度空洞卷积的图像重建网络并训练；(2.1)、提取包含浅层特征的特征图；将低分辨率图像LR输入至大小为9*9、通道数为64的卷积层v1，并使用PRelu激活函数进行浅层特征提取，得到64个大小为H*W的特征图；(2.2)、构建两路并行的残差网络；(2.2.1)、构造多尺度空洞卷积块；采用64个3*3大小卷积核的卷积层v2与64个扩张率为2的3*3卷积核大小的卷积层v3同时对64个特征图进行特征提取，然后再将v2和v3的输出结果相加再次输入到v2和v3中，最后使用1*1卷积核对v2和v3的输出结果进行特征融合后再和输入的64个特征图直接相加，构造成多尺度空洞卷积块；(2.2.2)、构造单路残差网络：将多尺度空洞卷积块和3*3大小卷积核的卷积层v4以及归一化层接在一起再和输入的64个特征图相加，构成一个残差块，然后将16个这样的残差块串联接在一起构成一个单路残差网络；(2.2.3)、构造两路并行的残差网络：采用64个5*5大小卷积核的卷积层v5与64个扩张率为2的5*5大小卷积核的卷积层v6同时进行特征提取，然后再将v5和v6的输出结果相加再次输入到v5和v6中，最后使用1*1卷积核对v5和v6的输出结果进行特征融合后再和输入的64个特征图直接相加，构造成另一个多尺度空洞卷...

【专利技术属性】
技术研发人员：仇傲，张伟，罗欣怡，李志鹏，李焱骏，师奕兵，郭一多，罗斌，谢雨洁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：