一种基于二维能谱信息的三维空间矿物重建方法技术

本发明专利技术涉及一种基于二维能谱信息的三维空间矿物重建方法，属于图像处理技术领域，本发明专利技术通过使用真实成对的多模态能谱图像数据设计结构约束的图像三维重建网络，从不同模态的高分辨率图像提取空间重要特征重建更高分辨率的能谱图像。将2D高分辨能谱图像作为主要模态使用图像全部信息，2D高分辨图像作为补充模态。通过比较重建图像与真实的高分辨图像之间的RGB信息和结构相似性来确定网络的学习方向，同时通过损失函数获取重建图像和高分辨率图像的空间结构信息，并将其作为重要约束条件来让重建模型自适应的学习图像的空间结构特征，从而有效提升模型的重建性能。对于相同的任务，我们的方法明显比以前的方法更加准确和高效。高效。高效。

【技术实现步骤摘要】
一种基于二维能谱信息的三维空间矿物重建方法


[0001]本专利技术涉及一种基于二维能谱信息的三维空间矿物重建方法，属于图像处理


技术介绍

[0002]随着我国对能源的需求量越来越大，岩石矿物的勘探与开发越来越备受关注。在能源和矿物的勘探与开发中，岩石的矿物组成成分和空间结构十分复杂，仅依靠现存的技术无法做到精准的三维重建。
[0003]三维空间矿物重建方法包括物理实验方法和数值重建方法两大类。数值重建方法的一项重要步骤就是对岩心二维图像进行图像分割，从而提取建模信息进行三维重建。本方法亦是通过X射线能谱仪(Energy Dispersive Spectroscopy)得到岩石各种矿物和孔隙分布的彩色图像，利用垂直于x轴、y轴和z轴的二维EDS彩色图像进行重建，得到三维彩色矿物图像。
[0004]能谱图像三维重建技术大多数是从彩色图像三维重建技术演变而来，对于彩色图像三维重建，近几十年来提出了许多研究，最近，彩色图像三维重建问题由于使用了卷积神经网络而取得了很大的进展。但与彩色图像不同的是，能谱图像由X射线能谱仪(Energy Dispersive Spectroscopy)采集而来，空间分辨率低，仅仅将卷积神经网络框架直接应用于能谱图像三维重建，容易使得重建的三维能谱图像效果不佳。

技术实现思路

[0005]针对现有技术的不足，为解决直接使用卷积神经网络实现能谱图像超分处理的方式导致重构的三维能谱图像出现空间分辨率低的问题，本专利技术提供一种基于二维能谱信息的三维空间矿物重建方法，使用以无监督的对抗生成网络为基础的三维重建方法，解决现有的三维重建空间信息重建效果不佳的问题。
[0006]本专利技术的技术方案如下：
[0007]一种基于二维能谱信息的三维空间矿物重建方法，步骤包括：通过使用真实成对的多模态能谱图像数据(2D能谱图像，2D高分辨图像)设计结构约束的图像三维重建网络，从不同模态的高分辨率图像提取空间重要特征重建更高分辨率的能谱图像；将2D高分辨能谱图像作为主要模态使用图像全部信息，2D高分辨图像作为补充模态；通过比较三维重建图像与真实的高分辨图像之间的RGB信息和结构相似性来确定网络的学习方向，同时通过损失函数获取重建图像和高分辨率图像的空间结构信息，并将其作为重要约束条件来让重建模型自适应的学习图像的空间结构特征，从而有效提升模型的重建性能。
[0008]具体包括步骤如下：
[0009]第一步，初始化对抗生成网络的参数；
[0010]初始化生成器网络G以及生成器网络可训练参数θ，缩放因子sf(需要重建放大的倍数)，根据所需重建数据大小设定生成器网络结构；初始化鉴别器网络C以及鉴别器网络
可训练参数ω1、ω2和ω3；每个生成器迭代的鉴别器迭代次数n
D
；C和G反向传播的批处理大小分别为m
D
和m
G
；梯度惩罚系数：λ；体积边长度：l；和Adam超参数：α，β1，β2；
[0011]第二步，定义生成器网络的输入与输出；
[0012]首先从一个正态分布中抽样一个潜在的向量z～P(z)作为随机噪声，并将潜在向量z作为生成器G(z)的输入，通过与当前生成器中的权值和偏置进行多层转置卷积操作，生成一个符合正态分布的假数据f；
[0013]第三步，定义鉴别器网络的输入与输出；
[0014]将步骤二得到的假数据f分别沿X、Y和Z轴以1体素为增量进行切片，得到大小为l
×
l的切片f
s
；在C的训练过程中，对于每个假的二维切片f
s
，也会从与三轴相关联的真实数据集分布中采样一个真实的二维图像r
a
，将f
s
和r
a
分别输入鉴别器中，使它从真实和虚假的实例中平等地学习，并分别得到鉴别器网络输出C(f
s
)和C(r
a
)，其中C(f
s
)和C(r
a
)是鉴别器输出的标量值，表示真实数据和生成数据之间的Wasserstein距离；
[0015]第四步，定义损失函数和优化器；
[0016]对抗生成网络的损失函数包括生成器网络和鉴别器网络的损失函数；
[0017]将生成器网络生成的数据f
s
和真实数据r
a
输入鉴别器网络C，将鉴别器网络的输入与当前鉴别器网络C中的权值和偏置进行多层卷积计算，得到生成对抗网络的目标函数；
[0018]第五步，对训练数据进行特征提取；
[0019]通过对生成对抗网络的权值和偏置进行迭代更新实现对生成对抗网络的训练；根据得到的目标函数,通过反向传播算法对生成对抗网络的权值和偏置进行更新，一次更新包括，对生成器网络G中的权值和偏置更新一次,然后对鉴别器网络C中的权值和偏置更新n
D
次，判断是否达到迭代次数k，如果迭代次数小于k，转到步骤三，反复执行步骤三至步骤五，进行生成对抗网络的训练，直至达到迭代次数如果迭代次数达到k，生成对抗网络训练完成；
[0020]第六步，重建三维图像；获取待重建的能谱图像数据，包括2D能谱图像、2D高分辨图像，将数据输入训练好的生成对抗网络生成器中，得到三维重建图像。
[0021]优选的，第二步所述定义生成器网络步骤如下：
[0022]1.生成器的网络结构包括输入层、卷积层、残差层、转置卷积层和全连接层；其中，输入层用作接收真实数据样本作为生成器输入；生成器使用1个卷积层来提取输入数据的特征；生成器网络的残差层中使用两个卷积操作，其中，残差层的公式为：
[0023]x
k+1
＝x
k
+F(x
k
,W
k
)(1)
[0024]其中，x
k
是残差层的输入，x
k+1
是残差层的输出，W
k
是残差层对输入的x
k
的卷积操作；
[0025]2.首先从一个正态分布中抽样一个潜在的向量z～P(z)，并将潜在向量z作为生成器G(z)的输入，通过与当前生成器中的权值和偏置进行转置卷积，其中转置卷积采用256个卷积核，卷积核大小为4，步长为2，padding为1，生成一个符合正态分布的假数据f；
[0026]3.潜在向量z～P(z)经过与残差层网络中的权值和偏置进行计算后得到一个三维的输出数据，这个三维数据是生成器网络的中间结果；残差层网络计算后的输出数据再把它输入进转置卷积层得到一个放大sf倍的三维数据，数据大小和生成器网络的参数有关，缩放因子sf的大小越大，转置卷积层计算后的输出数据越大；转置卷积层计算后的输出数
据经过与多层转置卷积层中的权值和偏置进行转置卷积计算后，得到一个和真实数据有相同的大小的假数据，生成器网络的输出越大，转置卷积层数越多；
[0027]其中，生成器网络的卷积层、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二维能谱信息的三维空间矿物重建方法，其特征在于，步骤包括：通过使用真实成对的多模态能谱图像数据(2D能谱图像，2D高分辨图像)设计结构约束的图像三维重建网络，从不同模态的高分辨率图像提取空间重要特征重建更高分辨率的能谱图像；将2D高分辨能谱图像作为主要模态使用图像全部信息，2D高分辨图像作为补充模态；通过比较三维重建图像与真实的高分辨图像之间的RGB信息和结构相似性来确定网络的学习方向，同时通过损失函数获取重建图像和高分辨率图像的空间结构信息，并将其作为重要约束条件来让重建模型自适应的学习图像的空间结构特征。2.根据权利要求1所述的基于二维能谱信息的三维空间矿物重建方法，其特征在于，具体包括步骤如下：第一步，初始化对抗生成网络的参数；初始化生成器网络G以及生成器网络可训练参数θ，缩放因子sf，根据所需重建数据大小设定生成器网络结构；初始化鉴别器网络C以及鉴别器网络可训练参数ω1、ω2和ω3；每个生成器迭代的鉴别器迭代次数n
D
；C和G反向传播的批处理大小分别为m
D
和m
G
；梯度惩罚系数：λ；体积边长度：l；和Adam超参数：α，β1，β2；第二步，定义生成器网络的输入与输出；首先从一个正态分布中抽样一个潜在的向量z～P(z)作为随机噪声，并将潜在向量z作为生成器G(z)的输入，通过与当前生成器中的权值和偏置进行多层转置卷积操作，生成一个符合正态分布的假数据f；第三步，定义鉴别器网络的输入与输出；将步骤二得到的假数据f分别沿X、Y和Z轴以1体素为增量进行切片，得到大小为l
×
l的切片f
s
；在C的训练过程中，对于每个假的二维切片f
s
，也从与三轴相关联的真实数据集分布中采样一个真实的二维图像r
a
，将f
s
和r
a
分别输入鉴别器中，并分别得到鉴别器网络输出C(f
s
)和C(r
a
)，其中C(f
s
)和C(r
a
)是鉴别器输出的标量值，表示真实数据和生成数据之间的Wasserstein距离；第四步，定义损失函数和优化器；对抗生成网络的损失函数包括生成器网络和鉴别器网络的损失函数；将生成器网络生成的数据f
s
和真实数据r
a
输入鉴别器网络C，将鉴别器网络的输入与当前鉴别器网络C中的权值和偏置进行多层卷积计算，得到生成对抗网络的目标函数；第五步，对训练数据进行特征提取；通过对生成对抗网络的权值和偏置进行迭代更新实现对生成对抗网络的训练；根据得到的目标函数,通过反向传播算法对生成对抗网络的权值和偏置进行更新，一次更新包括，对生成器网络G中的权值和偏置更新一次,然后对鉴别器网络C中的权值和偏置更新n
D
次，判断是否达到迭代次数k，如果迭代次数小于k，转到步骤三，反复执行步骤三至步骤五，进行生成对抗网络的训练，直至达到迭代次数如果迭代次数达到k，生成对抗网络训练完成；第六步，重建三维图像；获取待重建的能谱图像数据，包括2D能谱图像、2D高分辨图像，将数据输入训练好的生成对抗网络生成器中，得到三维重建图像。3.根据权利要求2所述的基于二维能谱信息的三维空间矿物重建方法，其特征在于，第二步所述定义生成器网络步骤如下：1.生成器的网络结构包括输入层、卷积层、残差层、转置卷积层和全连接层；其中，输入
层用作接收真实数据样本作为生成器输入；生成器使用1个卷积层来提取输入数据的特征；生成器网络的残差层中使用两个卷积操作，其中，残差层的公式为：x
k+1
＝x
k
+F(x
k
,W
k
)(1)其中，x
k
是残差层的输入，x
k+1
是残差层的输出，W
k
是残差层对输入的x
k
的卷积操作；2.首先从一个正态分布中抽样一个潜在的向量z～P(z)，并将潜在向量z作为生成器...

【专利技术属性】
技术研发人员：王鑫，黄奇杰，程远志，杜东兴，史操，许灿辉，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：