基于注意力引导的多源多尺度数字岩心图像融合方法

本发明涉及数字岩石图像，具体涉及一种基于注意力引导的多源多尺度数字岩心图像融合方法。

背景技术：

1、近年来，数字岩心分析已成为油气勘探开发领域的热门技术，ct扫描和扫描电镜等技术在构建反映储层真实状态的多组分数字岩心模型等方面得到了广泛应用，同时，深度学习技术在数字岩心图像重建以及数字岩心分析等方面也起到了重要作用。

2、但是，现有技术中的数字岩心图像多尺度融合方法主要针对均质岩石的孔隙结构，忽视了岩石中的黏土形态等必要信息，难以真实重构岩石内部的微观结构。因此，对于具有多矿物组分和多尺度孔隙结构等非均质特征的复杂储层岩石(例如致密砂岩)，采用现有的数字岩心建模方法难以完整描述岩石真实微观结构。

3、因此，亟需提出一种能够充分融合多源多尺度数字岩心图像的方法，全面表征复杂储层岩石内的多尺度孔隙结构和矿物分布。

技术实现思路

1、本发明为了解决复杂储层岩石多尺度结构表征困难的问题，提出了一种基于注意力引导的多源多尺度数字岩心图像融合方法，以构建大尺寸的高精度数字岩心模型，通过融合多源多尺度数字岩心图像，实现了对复杂储层岩石内粒间孔和黏土微孔等多尺度孔隙结构的全面表征以及复杂储层岩石内矿物分布的准确描述。

2、本发明采用以下的技术方案：

3、基于注意力引导的多源多尺度数字岩心图像融合方法，具体包括以下步骤：

4、步骤1，在研究区内采集多个岩心样品，对各岩心样品分别进行ct扫描测试和sem电镜扫描测试，获取各岩心样品的三维ct扫描图像和电镜扫描图像；

5、步骤2，对各岩心样品的三维ct扫描图像和电镜扫描图像进行裁剪后，构建训练数据集，训练数据集中包括三维ct扫描图像数据集和电镜扫描图像数据集，其中，三维ct扫描图像数据集由各岩心样品的三维ct扫描图像组成，电镜扫描图像数据集由各岩心样品的电镜扫描图像组成；

6、步骤3，基于注意力引导的循环生成对抗网络构建多源多尺度数字岩心图像融合模型，并利用训练数据集训练多源多尺度数字岩心图像融合模型；

7、步骤4，将多个待处理的低分辨率岩石三维ct扫描图像依次输入至训练后的多源多尺度数字岩心图像融合模型中，利用训练后的多源多尺度数字岩心图像融合模型进行数字岩心图像融合，得到多源多尺度的数字岩心图像。

8、优选地，所述步骤1中，同一岩心样品三维ct扫描图像的图像精度低于电镜扫描图像的图像精度。

9、优选地，所述基于注意力引导的循环生成对抗网络通过将注意力机制引入非配对图像转换方法中，通过生成多个注意力掩码和多个内容掩码，获取岩心样品三维ct扫描图像和电镜扫描图像中的关键部分，用于数字岩心图像融合；

10、所述基于注意力引导的循环生成对抗网络所构建的多源多尺度数字岩心图像融合模型包括用于将低分辨率图像转换为高分辨率图像的生成器g、用于将高分辨率图像转换为低分辨率图像的生成器f、生成器g所对应的判别器dhr以及生成器f所对应的判别器dlr；

11、所述生成器g和生成器f内均包括注意力掩码生成器和内容掩码生成器，其中，注意力掩码生成器用于生成多个注意力掩码，内容掩码生成器用于生成内容掩码；

12、所述生成器g包括一个注意力掩码生成器ga和一个内容掩码生成器gc，注意力掩码生成器ga和内容掩码生成器gc各自独立设置网络参数，注意力掩码生成器ga的网络参数与内容掩码生成器gc的网络参数互不干扰；

13、所述生成器f包括一个注意力掩码生成器fa和一个内容掩码生成器fc，注意力掩码生成器fa和内容掩码生成器fc各自独立设置网络参数，注意力掩码生成器fa的网络参数与内容掩码生成器fc的网络参数互不干扰；

14、当岩心样品的三维ct扫描图像输入至基于注意力引导的多源多尺度数字岩心图像融合模型时，根据输入的岩心样品三维ct扫描图像和预设的输出通道数n，生成器g中的内容掩码生成器gc生成n-1个高分辨率内容掩码，注意力掩码生成器ga生成n-1个高分辨率注意力掩码和一个高分辨率身份注意力掩码；

15、所述内容掩码生成器gc所生成的各高分辨率内容掩码与注意力掩码生成器ga对应生成的高分辨率注意力掩码相融合，得到高分辨率内容掩码与高分辨率注意力掩码的融合图像；注意力掩码生成器ga生成的高分辨率身份注意力掩码与上采样所获取的岩心样品三维ct扫描图像插值进行融合，得到高分辨率身份注意力掩码与上采样ct图像的融合图像；将高分辨率内容掩码与高分辨率注意力掩码的融合图像与高分辨率身份注意力掩码与上采样ct图像的融合图像相叠加，得到生成器g重构的岩石电镜扫描图像；

16、将生成器g重构的岩石电镜扫描图像输入至生成器f中，生成器f中的内容掩码生成器fc生成n-1个低分辨率内容掩码，注意力掩码生成器fa生成n-1个低分辨率注意力掩码和一个低分辨率身份注意力掩码；

17、所述内容掩码生成器fc所生成的各低分辨率内容掩码与注意力掩码生成器fa对应生成的低分辨率注意力掩码相融合，得到内容掩码生成器fc所生成的融合图像；注意力掩码生成器fa生成的低分辨率身份注意力掩码与下采样所获取的岩心样品电镜扫描图像插值进行融合，得到注意力掩码生成器fa所生成的融合图像；将生成器f中内容掩码生成fc所生成的融合图像与注意力掩码生成器fa所生成的融合图像相叠加，得到生成器f还原的岩石三维ct扫描图像。

18、优选地，所述生成器g用于将低分辨率图像转换为高分辨率图像，转换过程如公式(1)所示：

19、

20、式中，xlr为生成器g的输入图像；i为通道序号，n为预设的通道数，为生成器g中内容掩码生成器gc内第i个通道所生成的高分辨率内容掩码，为生成器g中注意力掩码生成器ga内第i个通道所生成的高分辨率注意力掩码，为生成器g中注意力掩码生成器ga生成的高分辨率身份注意力掩码；xbic为岩心样品三维ct扫描图像插值；

21、所述生成器f用于将高分辨率图像还原为低分辨率图像，还原过程如公式(2)所示：

22、

23、式中，为生成器f中内容掩码生成器fc内第i个通道所生成的高分辨率内容掩码，为生成器f中注意力掩码生成器fa内第i个通道所生成的高分辨率注意力掩码，为生成器f中注意力掩码生成器fa生成的高分辨率身份注意力掩码，g(xlr)bic为岩心样品电镜扫描图像插值。

24、优选地，所述多源多尺度数字岩心图像融合模型训练过程中，生成器g的转换过程和生成器f的还原过程使用循环一致损失实现，如公式(3)所示：

25、

26、式中，lcyc为循环一致损失值，xlr为生成器g的输入图像，xhr为生成器f的输入图像，和均为数学期望；

27、训练过程中使用恒等映射损失约束生成器g和生成器f，如公式(4)所示：

28、

29、式中，lid为恒等映射损失值，为下采样所获取的与生成器g输入图像xlr大小相同的图像，为上采样所获取的与生成器f输入图像为xhr大小相同的图像；

30、训练过程中对抗损失对应两个映射，分别为：

31、

32、

33、式中，lgan为对抗损失值，dhr为生成器f所对应判别器的输出值，dlr为生成器g所对应判别器的输出值；

34、基于循环一致损失值、恒等映射损失值和对抗损失值，确定多源多尺度数字岩心图像融合模型的损失函数为：

35、l＝lgan+λcyclcyc+λidlid                           (7)

36、式中，l为源多尺度数字岩心图像融合模型的损失函数值。

37、优选地，所述步骤3中，具体包括以下步骤：

38、步骤3.1，基于注意力引导的循环生成对抗网络构建多源多尺度数字岩心图像融合模型，设置多源多尺度数字岩心图像融合模型的训练次数，预设多源多尺度数字岩心图像融合模型的通道数，将三维ct扫描图像数据集中的三维ct扫描图像和电镜扫描图像数据集中的电镜扫描图像同时输入至多源多尺度数字岩心图像融合模型中；

39、步骤3.2，在三维ct扫描图像数据集中随机选取三维ct扫描图像输入至多源多尺度数字岩心图像融合模型的生成器g中，利用生成器g重构岩石电镜扫描图像；

40、步骤3.3，将生成器g重构的岩石电镜扫描图像同时输入至生成器g所对应的判别器dhr和生成器f中，生成器f通过对重构的岩石电镜扫描图像进行还原，得到还原的岩石三维ct扫描图像，并将还原的岩石三维ct扫描图像输入至生成器f所对应的判别器dlr中；

41、步骤3.4，设置判别器dhr的收敛条件为判别器dhr能够判断出生成器g所重构的岩石电镜扫描图像为假，将生成器g重构的岩石电镜扫描图像与电镜扫描图像数据集中的电镜扫描图像一起输入至判别器dhr中，判别器dhr根据电镜扫描图像数据集中的电镜扫描图像对生成器g重构的岩石电镜扫描图像进行判断，若判别器dhr能够判断出生成器g重构的岩石电镜扫描图像为假，则调整生成器g的网络参数，返回步骤3.2中继续训练生成器g，若判别器无法判断出生成器g重构的岩石电镜扫描图像为假，则进入步骤3.5中；

42、步骤3.5，设置判别器dlr的收敛条件为判别器dlr能够判断出生成器f所还原的岩石三维ct扫描图像为假，将生成器f还原的岩石三维ct扫描图像与三维ct扫描图像数据集中的三维ct扫描图像一起输入至判别器dlr中，判别器dlr根据三维ct扫描图像数据集中的三维ct扫描图像对生成器f还原的岩石三维ct扫描图像进行判断，若判别器dlr能够判断出生成器f还原的岩石三维ct扫描图像为假，则调整生成器f的网络参数，返回步骤3.2中继续训练生成器f，若判别器无法判断出生成器f还原的岩石三维ct扫描图像为假，则进入步骤3.6中；

43、步骤3.6，判断多源多尺度数字岩心图像融合模型的当前训练次数是否达到预设的训练次数，若当前训练次数已达到预设的训练次数，则进入步骤3.7，否则，则返回步骤3.2中继续训练多源多尺度数字岩心图像融合模型；

44、步骤3.7，完成对多源多尺度数字岩心图像融合模型的训练，得到训练后的多源多尺度数字岩心图像融合模型。

45、优选地，所述训练次数不少于40次。

46、本发明具有如下有益效果：

47、本发明基于注意力引导的循环生成对抗网络构建多源多尺度数字岩心图像融合模型，利用岩心样品的三维ct扫描图像和电镜扫描图像训练多源多尺度数字岩心图像融合模型，利用训练后的多源多尺度数字岩心图像融合模型进行多源多尺度数字岩心图像融合，兼顾高分辨率电镜扫描图像的精度和低分辨率三维ct扫描图像的广度，生成多源多尺度数字岩心图像，实现了对多源多尺度数字岩心图像信息的融合。

48、本发明解决了复杂储层岩石中多矿物组分和多尺度孔隙结构等非均质特征无法完整描述的问题，实现了对复杂储层岩石内粒间孔和黏土微孔等多尺度孔隙结构以及复杂储层岩石内矿物分布情况的全面表征，为指导油田勘探开发奠定了基础，具有广阔的应用前景。