程国建,张福临
(西安石油大学 计算机学院,陕西 西安 710065)
岩石是天然产出的具有稳定外型的矿物或玻璃集合体,按照一定的方式结合而成,是构成地壳和上地幔的物质基础。大量的勘探开发实践表明,储层的微观孔隙结构直接影响着储层的储集渗流能力,并最终决定着气藏的产能。因此,研究低渗气藏的微观孔隙结构具有重要的现实意义。岩石薄片分析是地质研究中的重要部分。传统方法是人工用显微镜对岩石薄片图像进行识别、分析、鉴定,但其存在耗时长、人力投入大、准确度低等问题。因此,利用人工智能及深度学习对岩石薄片进行超分辨率重建与研究具有重要意义。
近年来,随着硬件设备和深度学习的快速发展,诸多学者在图像处理方面做了更加深入的研究。2014年,Dong Chao等[1]将卷积神经网络应用于超分辨率重建上,提出基于卷积神经网络的超分辨率(SRCNN)算法,将图像特征从低分辨率空间非线性映射到高分辨率空间,重建效果优于其他传统算法。2016年,Dong Chao 等[2]改进了SRCNN算法,提出了FSRCNN算法,其不需要在网络外部进行放大图片尺寸的操作,同时通过添加收缩层和扩张层,将一个大层用一些小层来代替,提升了超分辨率重建速度;Shi等[3]提出了一种直接在低分辨率图像尺寸上提取特征,计算得到高分辨率图像的高效方法(ESPCN);Kim等[4]加深了卷积层数,提出了一个20层的深度卷积神经网络模型(VDSR),提高了图像的重建质量;同年,Kim 等[5]又提出了基于深度循环神经网络的图像超分辨率重建(DRCN),加深了网络结构(16个递归),增加了网络感受野,提升了性能。……