【摘 要】
：
分辨率高的岩石显微图像可显示岩石的精细结构,对研究岩石的物理特性及油气储量分析十分重要。实际应用中,往往因为硬件设备或自然条件等因素的限制而不能获得清晰的岩石图像。图像超分辨率处理是一种不依赖于采集设备的升级,而依赖于软件算法改进的分辨率提升技术。相较于传统算法,深度学习的图像超分辨率算法在重建效果及计算量上有着明显的优势。EDSR（Enhanced Deep Residual Networks
论文部分内容阅读
分辨率高的岩石显微图像可显示岩石的精细结构,对研究岩石的物理特性及油气储量分析十分重要。实际应用中,往往因为硬件设备或自然条件等因素的限制而不能获得清晰的岩石图像。图像超分辨率处理是一种不依赖于采集设备的升级,而依赖于软件算法改进的分辨率提升技术。相较于传统算法,深度学习的图像超分辨率算法在重建效果及计算量上有着明显的优势。EDSR（Enhanced Deep Residual Networks for Single Image Super-Resolution）是一种基于深度学习的图像超分辨率算法,它在处理图像超分辨率上取得了很好的效果。本文以EDSR在岩石显微图像超分辨率处理上的应用为研究对象,旨在针对岩石显微图像边缘细节较多,退化机理复杂等特点,对算法进行改进,主要完成以下工作:（1）提出基于多尺度残差结构的岩石显微图像超分辨率算法（MRSR）。EDSR中使用单一尺度的残差结构,不能有效提取边缘信息较多的岩石显微图像特征。针对这一问题,MRSR算法使用具有多尺度卷积核的双分支结构,提取并融合了更丰富的图像特征。此外MRSR算法将感知损失函数加入了网络总体损失,它让重建图像在人类感知上有更好的重建效果。岩石显微图像上的实验结果显示,MRSR在客观指标和主观感知上都获得了更优的效果,这表明了MRSR在处理图像超分辨率上的潜力。（2）提出基于模糊核和稠密残差结构的岩石显微图像超分辨率算法。针对MRSR中假定图像退化过程为单一下采样的问题,将经过模糊的图像与下采样的图像级联输入网络,使得网络不仅能学习到图像下采样退化的机理,还可学习到图像模糊退化的知识,有利于对具有模糊退化的图像进行超分辨率处理。为加强MRSR对图像特征的提取和利用,将稠密连接引入MRSR,构建了稠密残差块DRB（Dense Residual Block）,每个DRB的输入都会与之后DRB的输入进行级联融合,保证了特征信息在网络传递过程中不被丢失并得到充分利用。在单一退化的岩石显微图像和具有模糊退化的岩石显微图像上分别使用所提出的模型进行了实验。结果表明:所提方法在两种岩石显微图像上相较于改进前的算法在客观指标和视觉效果上均有所改善。
其他文献
随着经济及路由建设的飞速发展,安置在道路上的监控设施不断增加,带来了海量的交通视频数据。这些数据根本无法完全通过人工手段进行处理,因此,亟需开发出高度可靠并值得信赖的智能化算法来实现这些监控视频数据的处理。车辆目标检测是交通监控系统中至关重要的一环,是诸如车辆计数,事故检测等一系列后续处理的基础。本文在对现有车辆目标检测算法进行调研及比较的基础上,通过检测精度与速度的权衡,选择了YOLOv3-ti
在大数据技术日益发展成熟的背景下,互联网产生的庞大数据不利于人们高效率识别其中存在的有效信息,数据挖掘可以对海量数据进行分析,从而获得数据中对人们有价值的部分。决策树算法在数据挖掘领域中应用广泛,但是当数据中存在模糊性等不确定性信息且标签具有层次结构时,现有的决策树算法首先难以处理数据中的不确定性信息,其次在处理层次分类中标签具有层次结构的数据时,一般选取层次结构的某一层标签去分类数据,这会导致当
学历信息是当今社会用来认证人才的重要依据,但国内外学历造假事件屡禁不止,影响了高等学历制度的公平性。目前学历认证方式存储数据过于集中化,易出现数据篡改问题。而区块链技术具有去中心化、不可篡改等特性,其中共识机制能够保证系统的一致性与有效性,也是区块链技术研究的重要内容。对于常用的PBFT共识机制,存在主节点选取简单、对恶意节点不惩罚、共识效率较低的问题,这影响了区块链应用的落地。为此,本文针对PB
经典粗糙集模型是一种处理不精确、不完备数据的有效数学工具,其重要应用之一就是属性约简,也称特征选择。然而经典粗糙集模型在处理数据时具有局限性,对于数值数据,需要先将数据离散化,这样便有可能导致信息的丢失,模糊粗糙集在此方面有独特的优势。此外,在大数据时代,数据往往呈现出动态变化的趋势,仅仅只有静态的特征选择算法无法满足现实世界的需求,且现有的基于模糊粗糙集模型的特征选择算法大多都是从属性集的角度出
视频测井是目前油田采用的油气测井的一种重要方式。但是由于井下存在高压、高温的泥浆和油气混合液等因素,使得油气井的井下工作状况十分复杂和恶劣。在进行油气井的视频测井作业时,获取的测井图像质量下降,颜色失真。在诸多影响因素中,最突出的情况就是图像的去水雾问题。所以,对测井有雾视频图像进行去雾处理具有非常重要的意义和应用价值。本文作者基于大气图像的去水雾暗通道算法,针对测井视频图像存在的水雾问题,从图像
随着钻井工程的生产规模不断扩大,批量钻井模式在油气藏开发中得到广泛应用。井眼轨迹的优化设计是钻井技术的核心问题,直接关系到油田的经济效益。本文根据钻井现场的实际情况,对井口-靶点分配、井眼轨迹优化设计、井眼轨迹可视化等方面进行研究。首先,对于井口-靶点的分配问题,以“各井之间轨迹不相交且单井水平位移和最小”为目标建立约束模型,优选出最佳的井口和靶点对应关系,既能保证单井轨迹最短,又避免了各井之间的
图像风格迁移是指利用合适的算法学习一种图像的风格,然后将学习到的风格应用到另一种图像上的技术。随着卷积神经网络推动下的突破性进展,该技术被逐步应用于影视制作等各大行业,具有很高的商业和艺术价值。在绘画风格迁移领域,已有的风格迁移算法多是针对西方油画,缺乏其在传统国画上的应用。本文以国画风格的迁移为研究对象,用传统国画代替西方油画作为风格图像,用自然景观照片作为内容图像,旨在通过基于卷积神经网络的快
油气井井筒故障是影响油田稳定生产的重要因素,因诊断失误而采取错误的修井措施可能导致二次事故的发生。视频测井技术是利用井下摄像机直接获取井筒视频图像,通过普通铠装测井电缆实时传输到地面进行显示和存储的一种技术。针对视频测井技术取得的井筒故障图片,传统的算法识别准确率低,随着人工智能的不断发展,深度学习在图像识别领域取得了巨大飞跃,因此本文基于深度学习网络对视频测井井筒检测中的井筒故障图像识别展开研究
随着科学技术的进步和人们生活品质的提高,智慧城市建设和智能化交通系统的部署已步入快速发展阶段。交通标识文本的检测与识别技术是智慧城市建设、智能化交通系统研究中的一项重要内容。字符型交通标识涵盖了大量的道路指示信息,能够有效地指引车辆安全行驶,避免交通事故的发生。因此,对交通标识牌中的文本检测和识别转录具有重要意义。本文将深度学习理论引入到中文交通标识文本检测与识别中,以中文交通标识文本为研究对象,