【技术实现步骤摘要】
一种基于生成对抗网络的FIB
‑
SEM超分辨率算法
[0001]本专利技术属于图像分辨率处理领域，具体涉及一种基于生成对抗网络的FIB
‑
SEM超分辨率算法。
技术介绍
[0002]近年来，中国正大力开发以页岩油气为主的更为清洁的非常规油气，其污染小，碳排放低，在保障国家能源安全的同时也有助于双碳目标的实现。与常规油气藏相比，页岩油气等非常规油气藏储集岩层非常致密，在勘探开发过程中对其微观孔隙结构特征的准确分析要求极高。页岩等致密储层孔隙多为纳米级，目前多采用聚焦离子束扫描(Focused ion beam，简称FIB
‑
SEM)进行三维成像，提取孔隙。通过扫描仪一次成像，能大大减少岩心图像的采集时间，但为了使同样大小的岩心进入视野，采集的图像分辨率会有所下降，对于研究人员分析储层质量具有严重影响。因此，如何提升岩心图像分辨率，达到研究分析要求，具有重要的研究意义。
[0003]随着数据集的扩充、训练模型深度的不断加深，单幅图像的超分辨率技术已经得到了快速发展，但...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的FIB
‑
SEM超分辨率算法，所述方法包括：判别器模块：用于将低分辨率图像经过训练得到具有长度为2的特征向量，并以向量特征作为判别标准对图像分辨率是否为生成真假性进行判断；生成器模块：用于将低分辨率图像转化为高分辨率图像；其特征在于：所述判别器训练模块按如下步骤进行：(1)输入图像准备：将训练数据集中的原始高分辨率图像按N，N/2，N/4
…
，N/N倍下采样，此处选取N
max
＝8；所述采样数据通过上采样插值算法转化为与高分辨率图像尺寸一致的低分辨率图像Image
gt
，得到不同采样倍数的采样图像和与之对应的高分辨原始图像；以低分辨率和高分辨率特征作为划分标准，将低分辨率与对应的真实高分辨率图像作为一组训练集合，按训练集：测试集：验证集＝7：2：1进行，至此，数据准备阶段完成；(2)特征向量生成：将数据准备阶段所得数据通过判别模型前向推理得到特征向量，采用sigmoid激活函数对特征向量进行激活，进而为输出判别做准备；(3)训练损失计算：将真实图像数据与生成图像进行训练损失计算，所述训练损失计算如下：a)将真实分辨率图像的标签置为1，生成器生成的图像数据标签设置为0；b)计算真实的高分辨率图像Image
gt
标签与模型推理高分辨率图像Image
pred
标签之间的欧式距离，MSE损失作为主要损失；(4)判别器完整流程：利用opencv函数读取图片数据，生成3*3的卷积神经网络+BN+Relu+conv模块和8个残差模块，每个残差模块由3*3的卷积核+BN+RelU模块组成，并对每个残缺模块赋予不同的通道数，最后得到1*512*1*1的数据，再通过reshape函数控制每个残缺模块几何形状，然后将所得模块通过全连接方式组合生成长度为1024的向量，并用sigmoid激活函数对向量进行激活，得到索引值为0和1的两种不同特征向量，其中0代表真实图像，1代表假图像；(5)多次重复步骤(3)和(4)经过多次迭代和图像分辨率判断，并对图像数据按占比权重进行图像优化，得到训练值epoch达到200左右的最优化图像数据；(6)图像数据传输；将训练后经过判别的低分辨率图像Image
gt
和与其对应的原始图像Image
gt
作为初始信号输入生成器模块中；所述生成器模块按如下步骤进行：
①
生成高分辨率图片：读入判别器输入的低分辨率图像数据，对图像数据进行处理生成3*3的卷积神经网络+BN+PRelu模块和8个残差模块，每个残差模块由3*3的卷积核conv+BN+Relu+conv模块组成，并对其赋予不同的通道数，再利用3*3的卷积神经网络+BN+Relu模块，将输出通道控制为64，步长为1；此后，将第一次卷积获得的浅层特征与此处对应的卷积语义特征进行cat合并，再经过卷积+PixelShuffle+PreLU进行超分辨率倍数放大，放大尺寸为N*W，N*H；生成网络包含特征提取模块，残差模块，与上采样模块pixelShuffle；其中上采样模块pixelShuffle实现上采样步骤如下：作用是将一个H
×
W图像变为rH
×
rW的高分辨率图像，首先通过卷积先得到r2个通道的特征图(特征图大小和输入低分辨率图像一致)，然后通过像素混洗(pixel shuffing)的...
【专利技术属性】
技术研发人员：吴苹，闵超，蔡光银，牟磊，陈伟峰，刘鑫，刘仕鑫，黄鑫，杜雪梅，刘芳，张杰桢，刘素利，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。