一种基于深度先验的多分辨率U-net曲面重建方法技术

本发明专利技术公开一种基于深度先验的多分辨率U

【技术实现步骤摘要】
一种基于深度先验的多分辨率U
‑
net曲面重建方法


[0001]本专利技术属于地质研究与勘探数据处理领域，特别涉及一种地质曲面重建技术。

技术介绍

[0002]地质研究与勘探数据处理技术是地质空间可视化的重要基石，但受到工作场地条件和资金成本等限制，在特定的研究范围内，有限的钻孔和稀疏的勘探数据，难以满足建立空间数据场构建的需要。空间曲面重建技术能对稀疏勘探数据进行合理的加密，选取适当的曲面重建算法并有效地挖掘数据中蕴含的信息，是开展地理空间可视化工作的关键步骤。而曲面重建技术恢复层位数据是地震解释中常用的方法之一，通过对层位的重建能够进行属性提取、层位运算、成图等相关操作。
[0003]曲面重建主要通过曲面拟合来实现，包括隐式拟合和显式拟合，是基于参数曲面、隐函数曲面或分段多项式近似数据点等方法。曲面拟合方法是将被测曲面用一个曲面方程函数表征，广泛应用于计算机视觉等领域，但这种利用函数逼近的方式使得结果精度往往不高，曲面结果的细微特征难以体现。现如今有一些基于电子设备(如激光雷达、3D相机、CT等)实现曲面重建的方式，例如医学上有利用多层螺旋CT曲面重建技术去更好的诊断骨骼、血管等的疾病。还有基于电子设备得到的点云数据进行曲面重建，根据获取的点云数据的拓扑关系，结合重采样、加权函数、最小二乘等操作提高重建的精准度。除此之外，深度学习的引入使得曲面重建算法的研究产生了一次飞跃，将曲面重建转化为图像处理问题，利用已知数据的相互关系，通过深度学习算法，使得曲面重构的效果和精度都得到大幅的提升。这些方法的性能一般取决于训练数据集的大小与质量，数据的收集以及训练需要大量的时间与经济成本，训练结果的过拟合也会对后续工作有所阻碍。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种基于深度先验的多分辨率U
‑
net地质层位曲面重建方法，利用多分辨率U
‑
net深度学习网络，采取非监督网络算法，对地质层位实现曲面重建。
[0005]本专利技术采用的技术方案为：一种基于深度先验的多分辨率U
‑
net地质层位曲面重建方法，包括：
[0006]S1、将待处理的三维层位图像数据采用掩码处理，进行95％随机缺失作为点云数据，并投影为二维图像数据；
[0007]S2、构建多分辨率U
‑
Net网络；
[0008]S3、将步骤S1得到的二维图像数据作为重建目标，并向步骤S2构建的多分辨率U
‑
Net网络输入随机固定噪声，得到重建后的结果。
[0009]该方法先将原始三维点云数据投影到二维平面，再进行一定程度上的分块处理后再作为网络的重建目标。利用多分辨率U
‑
Net方法从损坏的数据中捕获先验，通过向网络输入随机噪声，对分成小块每一局部层位数据进行二维重建，最后将各个局部的数据进行对
应位置的拼接，再恢复到三维数据，实现最终的曲面重建。
[0010]本专利技术的有益效果：本专利技术提出了基于深度先验多分辨率U
‑
Net结构的深度学习网络的方法对点云数据处理实现层位的曲面重建，将三维点云数据投影为二维作为缺失的层位数据作为网络的重建目标，向网络输入随机固定噪声，通过多分辨率U
‑
Net来捕获更多的不同尺度上的特征信息来增加先验，并引入了空洞卷积以及新的损失函数来增加重建的准确性。经过网络多次迭代训练之后，最后训练神经网络得到最终的重建结果。实验结果表明：
[0011](1)传统的曲面重建方法需要构建大型的数据集，会耗费大量的时间与精力去完成，并且最终结果还容易出现过拟合的现象；
[0012](2)引入了多分辨率块，提高了网络对不同尺度上的特征的捕获能力；再引入了路径残差块，消除了在传统的U型网络中可能会产生的语义间隙；
[0013](3)本专利技术提出的基于多分辨率U
‑
Net网络的层位曲面重建方法，通过网络迭代过程的损失函数来对重建效果进行验证，最终得到重建效果较好的结果，为后续工作奠定了基础；
[0014](4)采用将原始数据分块，分别重建的方式进行处理，避免了原始数据过大，重建时间过长，甚至系统内存不足无法进行实验等问题，并且可以利用临近块区域的数据作为网络的先验信息进行训练，也能得到不错的效果；
[0015](5)引入了空洞卷积，避免了传统卷积对缺失图像进行卷积时只卷积到缺失部分，从而卷积效果较差的情况。
附图说明
[0016]图1为本专利技术实施例提供的大小为2
×
2的卷积核对4
×
4的图像卷积的结果；
[0017]图2为本专利技术实施例提供的窗口大小为2
×
2的最大值池化与平均池化示意图；
[0018]图3为本专利技术实施例提供的U
‑
Net结构图；
[0019]图4为本专利技术实施例提供的ResNet结构图；
[0020]图5为本专利技术实施例提供的多分辨率的U
‑
Net体系结构；
[0021]图6为本专利技术实施例提供的多分辨率块示意图；
[0022]图7为本专利技术实施例提供的路径残差块示意图；
[0023]图8为本专利技术实施例提供的空洞卷积示意图；
[0024]图9为本专利技术实施例提供的区域1原始数据投影、归一化处理后的结果；
[0025]图10为本专利技术实施例提供的区域1点云数据投影、归一化处理后的结果；
[0026]图11为本专利技术实施例提供的区域1、2、5、6的原始数据图和相应的重建结果图；
[0027]其中，(a)为区域1、2、5、6层位原始数据，(b)为区域1、2、5、6层位插值重建结果；
[0028]图12为本专利技术实施例提供的层位插值训练过程损失函数与SNR变化曲线；
[0029]其中，(a)为层位区域1对应的插值训练过程损失函数与SNR变化曲线，(b)为层位区域2对应的插值训练过程损失函数与SNR变化曲线，(c)为层位区域3对应的插值训练过程损失函数与SNR变化曲线，(d)为层位区域4对应的插值训练过程损失函数与SNR变化曲线；
[0030]图13为本专利技术实施例提供的最终的重建结果与原始层位数据；
[0031]其中，(a)为原始数据，(b)为插值重建结果。
具体实施方式
[0032]为便于本领域技术人员理解本专利技术的
技术实现思路
，首先对以下技术术语进行说明：
[0033]1、卷积神经网络(CNN，CNN(Convolutional Neural Network)
[0034]卷积神经网络主要应用于图像识别领域，通过网络内部局部连接与权值共享的方式，减少网络权值数量，使得网络的复杂度降低，易于优化，也减少了过拟合的出现。卷积神经网络的基本结构由卷积层、池化层、全连接层构成，这里主要介绍卷积层和池化层。
[0035]在本专利技术投影获得的二维图像数据中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度先验的多分辨率U
‑
net地质层位曲面重建方法，其特征在于，包括：S1、将待处理的三维层位图像数据采用掩码处理，进行95％随机缺失作为点云数据，并投影为二维图像数据；S2、构建多分辨率U
‑
Net网络；S3、将步骤S1得到的二维图像数据作为重建目标，并向步骤S2构建的多分辨率U
‑
Net网络输入随机固定噪声，得到重建后的结果。2.根据权利要求1所述的一种基于深度先验的多分辨率U
‑
net地质层位曲面重建方法，其特征在于，掩码处理具体过程为：定义一个二进制掩码M(x,y)其中，G是一个通过常规勘测获得的密集点集，(x,y)为点坐标。3.根据权利要求2所述的一种基于深度先验的多分辨率U
‑
net地质层位曲面重建方法，其特征在于，多分辨率U
‑
Net网络对应的曲面重建的最小化成本函数表达式为：J(θ)＝E(F
θ
(Z)
⊙
M,X0)其中Z为输入多分辨率U
‑
Net网络F
...

【专利技术属性】
技术研发人员：何翔，王炼，李杨思伟，姚兴苗，刘海隆，胡光岷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：