基于三维卷积神经网络的岩心CT图像超分辨率重建方法技术

本发明专利技术公开了一种岩心三维图像超分辨方法，包括以下步骤：(1)将训练集中的图像送入本方法提出的三维卷积神经网络，其中网络第一层完成低频特征提取；(2)第二层至第十一层网络负责学习低频与高频特征间的映射关系；(3)第十二层网络利用学习的映射关系将低频特征映射为高频特征；(4)使用残差学习的方法计算均方根误差，利用动量梯度下降的方法加速训练；(5)在训练的过程中，使用自适应学习率，梯度裁剪的方法优化训练过程，使用(1)～(5)中训练配置不断迭代训练；(6)使用训练好的网络模型完成重建。通过本发明专利技术可以提升岩石CT三维图像的分辨率，恢复更多的结构和细节，为下一步的地质石油研究提供更清晰图像样本。

【技术实现步骤摘要】
基于三维卷积神经网络的岩心CT图像超分辨率重建方法
本专利技术涉及一种图像修复增强方法，尤其涉及一种岩心三维图像超分辨方法，属于三维图像超分辨率重建

技术介绍
在石油地质分析过程中，通常需要获得三维岩心结构来研究岩石的物理特性，分析岩石储集层中的渗流性质和运移规律。CT(ComputedTomography，计算机断层扫描)是一种三维成像技术，可以提供高质量的物体内部结构图像，被广泛应用于医学图像诊断和地质勘探中。但是在生产生活中CT图像分辨率受到扫描设备和实际情况的制约。通常情况下，想要获得更高精度的CT图像，需要耗费更长的扫描时间，由于扫描时间延长，不可避免地造成CT图像在层间方向上连续性变差和分辨率降低，同时会带来噪声影响。同时，在地质勘探领域中设置高分辨率进行CT扫描，不仅会增加成本，而且随着分辨率升高，会导致可视域FOV(FieldofView)减小。超分辨率是一种常用的提升图像分辨率技术方法，单张图像超分辨率本身是一个病态问题，当高分辨率(HighResolution，HR)图像经过降质得到低分辨率(LowResolution，LR)图像，其中部分的高频信息已经丢失，属于一个不可逆转的过程。传统的超分辨方法有两种，一种是通过图像内部相关信息完成重建，例如基于邻域嵌入的方法，但是这种方法无法从内部图像中获取更多的缺失信息，因而效果有限；另一种是基于样本学习的方法，通过外部样本学习到LR与HR特征之间的映射关系，在重建过程中通过学习到的先验信息来约束解空间，从而完成重建，此类方法通常具有更好的重建效果。目前对于三维图像超分辨的研究还较少，大部分还是针对二维图像的超分辨重建。而在三维图像的研究中，主要是针对于医学MRI(MagneticResonanceImaging)、CT图像小范围信息缺失的三维图像修复以及视频的修复。神经网络在特征提取、图像分割，目标检测等任务上取得了很好的效果，表现出了很强的泛化能力。DongC,ChenCL,HeK,etal.(ImageSuper-ResolutionUsingDeepConvolutionalNetworks[J].IEEETransactionsonPatternAnalysis&MachineIntelligence2016,38(2):295-307)将卷积神经网络引入到单张二维图像超分辨重建中，但是该方法只适用于二维图像超分辨率，不能完成对三维卷积操作。而对于岩心三维图像，其在各个方向上的相关性都一样，需同等考虑各个方向的信息，需要在三个维度上提升图像分辨率。利用图像超分辨率技术提升CT图像的分辨率是一种方便有效的方法，可以为下一步的地质研究和图像处理提供更清晰的样本数据，有着重要的研究价值。
技术实现思路
本专利技术的目的就是提供一种方便有效的三维图像超分辨重建算法，将深度学习技术引入到三维CT图像超分辨工作中来，提出了一种新的网络结构3DSRCNN(threedimensionalconvolutionalneuralnetwork，三维超分辨卷积神经网络)，能够完成针对三维图像的超分辨率重建任务。本专利技术通过以下技术方案来实现上述目的：1、本专利技术所述岩心三维图像超分辨重建方法包括以下步骤：(1)将训练集LR图像送入本方法提出的网络，其中，第一层网络负责提取LR图像中的低频特征信息；(2)第二层至第十一层网络负责学习LR图像中低频特征到HR图像中高频特征之间的映射关系；(3)第十二层网络利用中间层学习到的映射关系，将原始LR图像中低分辨特征映射为高分辨特征，使用残差的方式最终完成重建，生成HR图像，作为最后一层网络的输出；(4)HR图像作为基准，使用残差学习的方法计算均方根误差(MeanSquareErrors，MSE)损失率，利用动量梯度下降的方法加速训练，不断迭代训练更新各网络层中三维卷积核中的参数；(5)在训练的过程中，使用自适应学习率，梯度裁剪的方法优化训练过程，使用(1)～(5)步骤中的网络配置不断迭代训练网络参数，直至训练时计算的MSE损失率趋于收敛，停止训练；(6)使用训练后保存的网络模型完成超分辨重建，对LR图像分块，将所有子块送入网络，经过网络输出后得到HR图像，然后将所有输出的HR子块拼接成原始尺寸大小HR图像。计算重建图像与原始图像PSNR和SSIM值，用于评价重建效果。上述方法的基本原理如下：单张图像超分辨率是由于缺乏细节信息而导致的不确定性问题。假设给定真实高分辨率图像为X，降质后的图像为Y，超分辨过程定义为：X≈F(Y)超分辨率过程相当于找到一个函数F(Y)，其能够在一定程度上恢复LR图像至HR图像。在三维超分辨率过程中，需要同时对三个维度同时进行处理。由于三维图像数据的计算复杂度和数据量较大，可能会导致训练过程不稳定，因此在数据集预处理时需要对原始三维CT图像进行分块处理，同时采用动量梯度下降优化策略来加速训练。在通常情况下，CT扫描图像不易获取，训练集数量有限，需要尽可能使用较小的训练样本集来进行超分辨网络的训练，且岩石CT图像具有对比度低、纹理单一、孔隙结构复杂等特点，图像中蕴含的高频信息较多，可以使用较深层的网络来更好地提取特征信息来解决这个问题。当网络层数过深会导致训练时出现梯度爆炸的现象，因此使用残差学习和梯度裁剪来抑制梯度爆炸的问题。使用不同缩放倍率样本混合在一起的训练集训练网络，网络能够学习到不同倍率之间的映射关系，从而网络适用于不同倍率的超分辨重建场景。在使用训练好的网络模型完成超分辨重建时，为了解决程序过多占用计算机内存问题，同样需要对较大像素尺寸的图像进行分块送入网络重建，最后拼接网络生成的图像至原始大小像素尺寸。具体地，所述步骤(1)中，网络共有12层三维卷积神经网络，每一层中使用的均是三维卷积操作，每一层网络均有64个三维卷积核，卷积核尺寸大小为3×3×3，在每次卷积的过程之前先进行填零操作，每一层卷积后通过ReLU(RectifiedLinearUnit)激活函数作为当前网络层的输出，ReLU(X)＝max(0,WX+b)，其中X,W分别表示该层网络的输入和网络权重参数，卷积后的结果作为下一层的输入；所述步骤(2)中，数据经过中间10层网络，每层网络结构相同，如步骤(1)中所述；所述步骤(4)中，定义输入LR图像为x，HR图像作为标签为y，残差图像r＝y-x，基于均方根误差的损失函数L(Θ)可以写成：其中Θ表示网络参数，f(x)表示为网络的输出，使用动量SGD优化网络参数Θ，批样本图像数量为m,输入LR图像{x1,x2,…,xm},作为标签的HR图像{y1,y2,···,ym},残差图像{r1,r2,···,rm}，梯度更新按照如下规则：v←ρ*v+gΘ←Θ-lr*v其中，ρ表示动量系数，v为速度参数，用来计算累积动量；所述步骤(5)中，学习率按照如下公式更新：其中lr为训练时的学习率，epoch表示当前训练的次数，step是预设的学习率衰减步长，使用梯度裁剪可以将计算得到的梯度限制在预设的[-θ,θ]范围内，当训练时梯度g超过预设值时调整反复迭代训练网络，直至计算的MSE损失率趋于收敛，停止训练；所述步骤(6)中，训练好的网络模型实质上为一系列矩阵参数，将LR图像本文档来自技高网...

【技术保护点】
1.基于三维卷积神经网络的CT图像超分辨率重建方法，其特征在于：包括以下步骤：(1)将训练集中低分辨率LR图像送入本方法提出的三维超分辨卷积神经网络，其中，第一层网络负责提取低分辨率图像中的低频特征信息；(2)第二层至第十一层网络负责学习LR图像中低频特征到高分辨率HR图像中低频与高频特征之间的映射关系；(3)第十二层网络利用中间层学习到的映射关系，将原始图像中LR特征映射为HR特征，利用残差学习的方式结合原始低分辨率图像的特征信息完成重建，生成重建HR图像，作为最后一层网络的输出；(4)HR图像作为基准计算MSE损失率，利用动量梯度下降的方法加速训练，不断迭代训练更新各网络层中三维卷积核中的参数；(5)在训练的过程中，使用自适应学习率，梯度裁剪的方法优化训练过程，使用(1)～(5)步骤中的网络配置不断迭代训练网络参数，直至训练时计算的MSE损失率趋于收敛，停止训练；(6)使用训练后保存的网络模型完成超分辨重建，对LR图像分块，将所有子块送入网络，经过网络输出后得到HR图像，然后将所有输出的HR子块拼接成原始尺寸大小HR图像，计算重建图像与原始图像PSNR和SSIM值，用于评价重建效果。...

【技术特征摘要】
1.基于三维卷积神经网络的CT图像超分辨率重建方法，其特征在于：包括以下步骤：(1)将训练集中低分辨率LR图像送入本方法提出的三维超分辨卷积神经网络，其中，第一层网络负责提取低分辨率图像中的低频特征信息；(2)第二层至第十一层网络负责学习LR图像中低频特征到高分辨率HR图像中低频与高频特征之间的映射关系；(3)第十二层网络利用中间层学习到的映射关系，将原始图像中LR特征映射为HR特征，利用残差学习的方式结合原始低分辨率图像的特征信息完成重建，生成重建HR图像，作为最后一层网络的输出；(4)HR图像作为基准计算MSE损失率，利用动量梯度下降的方法加速训练，不断迭代训练更新各网络层中三维卷积核中的参数；(5)在训练的过程中，使用自适应学习率，梯度裁剪的方法优化训练过程，使用(1)～(5)步骤中的网络配置不断迭代训练网络参数，直至训练时计算的MSE损失率趋于收敛，停止训练；(6)使用训练后保存的网络模型完成超分辨重建，对LR图像分块，将所有子块送入网络，经过网络输出后得到HR图像，然后将所有输出的HR子块拼接成原始尺寸大小HR图像，计算重建图像与原始图像PSNR和SSIM值，用于评价重建效果。2.根据权利要求1所述的基于三维卷积神经网络的CT图像超分辨率重建方法，其特征在于：所述步骤(1)中，网络共有12层三维卷积神经网络，每一层中使用的均是三维卷积操作，每一层网络均有64个三维卷积核，卷积核尺寸大小为3×3×3，在每次卷积的过程之前先进行填零操作，每一层卷积后通过ReLU(Rec...

【专利技术属性】
技术研发人员：何小海，王煜凯，滕奇志，张廷蓉，吴小强，王正勇，余艳梅，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51