一种基于深度学习的电成像测井图像裂缝分割方法及系统技术方案

本发明专利技术涉及一种基于深度学习的电成像测井图像裂缝分割方法及系统，属于电成像测井图像分割技术领域；解决了现有技术针对电成像测井图像无法获得精确的裂缝分割的问题；其技术方案是：首先改进Criminisi算法对电成像测井原始图像中的空白条带进行图像修复；接着构建以U型网络为生成器的生成对抗网络，结合双重注意力机制形成裂缝分割模型，并使用电成像测井修复图像数据集对裂缝分割模型进行训练，最后利用训练好的裂缝分割模型实现对电成像测井图像中裂缝的精确分割。本发明专利技术提出了一种新的基于深度学习的电成像测井图像裂缝分割方法及系统，能够自主训练获得裂缝分割图像，实现电成像测井图像裂缝的精细分割与提取，提升分割连续性与完整性。分割连续性与完整性。分割连续性与完整性。

【技术实现步骤摘要】
一种基于深度学习的电成像测井图像裂缝分割方法及系统


[0001]本专利技术涉及成像测井图像分割
，尤其涉及一种基于深度学习的电成像测井图像裂缝分割方法及系统。

技术介绍

[0002]裂缝是由于岩石受力形成的一种地质结构，为油气存储提供空间。在地质过程中，岩石受到应力的影响，当应力超过岩石的强度限制时，岩石会发生破裂，形成裂缝。这些裂缝带来油气的储集空间，并作为天然气和石油的储层。裂缝分割是指对电成像测井图像中的裂缝进行识别、定位和划分的过程。通过裂缝分割的结果，可以更准确地了解储层中裂缝的存在及其对储集空间的影响。这对于后续储层评价、油气勘探和开发决策非常重要。
[0003]传统的裂缝分割方法主要通过阈值分割等技术对电成像测井图像中的裂缝进行分割，通常需要繁琐的人工操作，更依靠于专家经验，分割精度不高。随着深度学习方法在裂缝分割领域的应用，有越来越多的学者开始尝试使用深度学习算法来实现对电成像测井图像的裂缝自动分割，其中包括人工神经网络（如卷积神经网络）等技术。虽然深度学习方法在裂缝分割上取得了一定的进展，但在图像存在大量噪音干扰的情况下，这些方法无法保证分割结果的准确性和连续性。并且由于电成像测井图像存在一些缺失像素信息的空白条带，空白条带的存在会降低图像质量，直接对此低质量的电成像测井图像进行裂缝分割，必会影响到最终的分割效果。
[0004]基于上述情况，亟需一种提升图像质量、高精确度的电成像测井图像裂缝分割方法。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供了一种基于深度学习的电成像测井图像裂缝分割方法及系统，能够有效处理电成像测井图像存在的空白条带问题，提高图像质量，从而提高裂缝分割精度。
[0006]一种基于深度学习的电成像测井图像裂缝分割方法，包括：对低质量的电成像测井原始图像采用P
‑
Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集；基于U型网络结构以及双重注意力网络构建U
‑
Att网络；以U
‑
Att网络为基础，增加像素级别判别器，搭建裂缝分割模型；将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果。
[0007]优选地，所述的对低质量的电成像测井原始图像采用P
‑
Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集，具体包括：基于填补优先级计算方式对Criminisi算法进行改进，得到P
‑
Criminisi算法，用
于填补电成像测井原始图像存在的规律性空白条带区域；使用P
‑
Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；首先，计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，填补优先级计算公式如下：式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项；其次，在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：式中：为源区域，f
SSD
为欧氏距离准则搜索函数，q为源区域上的像素点，为源区域里的最佳匹配点，为目标区域里具有最高填补优先级的点，为以点为中心的匹配块，为以点为中心的填补块，为以q点为中心的匹配块；再次，更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；最后，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。
[0008]优选地，所述的基于U型网络结构以及双重注意力网络构建U
‑
Att网络，具体包括：将U型网络作为U
‑
Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理；将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和尺寸压缩，其中每层包括两个卷积、批归一化与RELU架构，层与层之间以一个步幅为2的最大池化连接，经下采样获得裂缝特征信息；下采样得到的裂缝特征信息输入至双重注意力网络，利用双重注意力网络获得调整过特征权重的裂缝特征信息；为使最终生成的裂缝分割图像与原始输入图像大小相同，U型网络右边解码器通过四层反卷积进行上采样以扩增从双重注意力网络输出的裂缝特征信息，解码器每层包括两个反卷积、批归一化与RELU架构；上采样每层产生的裂缝特征信息与对应的下采样层级进行跳跃连接，相应层级的卷积特征映射通过跳跃连接进行拼接，得到拼接后输出到下一层的裂缝特征信息。
[0009]优选地，所述的以U
‑
Att网络为基础，增加像素级别判别器，搭建裂缝分割模型，具体包括：在U
‑
Att网络的基础上增加生成对抗网络框架，将U
‑
Att网络作为生成对抗网络中
的生成器，像素级判别器作为生成对抗网络中的判别器，其中像素级判别器由四个卷积、RELU架构组成；将电成像测井修复图像与真实裂缝分割图像输入裂缝分割模型的生成器，获得生成裂缝分割图像，再将生成裂缝分割图像输入判别器得到此生成图像被判别为真实裂缝分割图像的概率，将此概率反馈给生成器，使生成器根据此概率再次训练调整自身参数，重新生成与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像；为使生成器获得与真实裂缝分割图像相似度大于设定阈值的生成裂缝分割图像，判别器判断出裂缝分割图像的真假，裂缝分割模型最终生成高精度的生成裂缝分割图像，计算生成对抗网络的目标函数L1：式中：x为电成像测井修复图像，y为真实裂缝分割图像，G(x)为生成裂缝分割图像，为x、y服从电成像测井修复图像与真实裂缝分割图像分布取样的期望，为x服从电成像测井修复图像分布取样的期望，D(x,y)为判别器对真实裂缝对(x,y)的判别结果，D(x,G(x))为判别器对生成裂缝对(x,G(x))的判别结果；使用二元交叉熵计算真实裂缝分割图像与生成裂缝分割图像之间的距离，对裂缝区域的错误分割进行惩罚，损失函数L2的公式如下：使用Sobel算子定位边缘，加大对裂缝边缘信息的关注度，对裂缝边缘区域的错误分割进行惩罚，损失函数L3的公式如下：式中：y
e
为真实裂缝边缘，G(x)
e<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电成像测井图像裂缝分割方法，其特征在于，包括以下步骤：对低质量的电成像测井原始图像采用P
‑
Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集；基于U型网络结构以及双重注意力网络构建U
‑
Att网络；以U
‑
Att网络为基础，增加像素级别判别器，搭建裂缝分割模型；将电成像测井修复图像数据集输入训练好的裂缝分割模型进行裂缝分割，得到与待分割电成像测井修复图像对应的预测掩码图像作为最终分割结果。2.根据权利要求1所述的基于深度学习的电成像测井图像裂缝分割方法，其特征在于，所述的对低质量的电成像测井原始图像采用P
‑
Criminisi算法进行图像修复，并进行预处理，获得修复后高质量的电成像测井图像，形成电成像测井修复图像数据集，具体包括：基于填补优先级计算方式对Criminisi算法进行改进，得到P
‑
Criminisi算法，用于填补电成像测井原始图像存在的规律性空白条带区域；使用P
‑
Criminisi算法填补电成像测井原始图像中空白条带区域，根据该算法定义空白条带区域为目标区域，目标区域内的像素点均为待填补点，图像中其他像素信息已知的区域为源区域，源区域中的像素点均为匹配点，目标区域与源区域的交界为边界轮廓，算法核心即为搜索源区域中以最佳匹配点为中心的匹配块填补边界轮廓中以待填补点为中心的填补块；首先，计算边界轮廓上各像素点填补优先级，获取最先进行填补的待填补点及以该待填补点为中心的填补块，填补优先级计算公式如下：式中：p为边界轮廓上的像素点，C(p)为p点置信度项，D(p)为p点数据项；其次，在源区域利用欧氏距离准则搜索与填补块相似度最高的匹配块，将最佳匹配块的像素信息复制到对应的填补块位置中，最佳匹配块具体的搜索公式为：式中：为源区域，f
SSD
为欧氏距离准则搜索函数，q为源区域上的像素点，为源区域里的最佳匹配点，为目标区域里具有最高填补优先级的点，为以点为中心的匹配块，为以点为中心的填补块，为以q点为中心的匹配块；再次，更新边界轮廓各像素点信息及已知像素点的置信度项和填补优先级，重新使用填补优先级计算公式计算边界轮廓上各像素点填补优先级，对具有最高填补优先级像素点的填补块搜索最佳匹配块并进行填补，直至整个图像中没有待填补点，得到电成像测井修复图像；最后，将电成像测井修复图像进行裁剪，通过左右翻转、旋转的方式扩增数据集，形成电成像测井修复图像数据集，作为裂缝分割模型的输入。3.根据权利要求1所述的基于深度学习的电成像测井图像裂缝分割方法，其特征在于，所述的基于U型网络结构以及双重注意力网络构建U
‑
Att网络，具体包括：将U型网络作为U
‑
Att网络的主要结构，对U型网络的左右两条路径采用编码器、解码器的结构进行处理；
将U型网络左边路径的编码器进行下采样操作，经过四层卷积池化对输入的电成像测井修复图像进行特征提取和尺寸压缩，其中每层包括两个卷积、批归一化与RELU架构，层与层之间以一个步幅为2的最大池化连接，经下采样获得裂缝特征信息；将下采样得到的裂缝特征信息输入至双重注意力网络，利用双重注意力网络获得调整过特征权重的裂缝特征信息；为使最终生成的裂缝分割图像与原始输入图像大小相同，U型网络右边解码器通过四层反卷积进行上采样以扩增从双重注意力网络输出的裂缝特征信息，解码器每层包括两个...

【专利技术属性】
技术研发人员：陈玙璠，王欣，王杨，蒋薇，王永生，曾星杰，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：