基于先验约束和分数阶总变分的超声测井图像盲复原方法研究

In the oil and gas logging，owing to the non ideal imaging system of ultrasonic transducer et al., ultrasonic logging images degrade with different degree. In order to further extract stratum structure information from these logging images, these images need to be blind restored. So how to establish a reliable blind restoration model and improve the resolution of ultrasonic logging images is a key problem to be urgently solved. In the prophase research, the applicant finds that fractional-order total variation can suppress staircase effect resulting from integer-order total variation. Moreover，the introduction of appropriate prior knowledge is contribute to improving reliability of blind restoration model. Therefore, the applicant will take the ultrasonic logging image as the research object and image blind restoration as the research problem. Firstly, by analyzing imaging properties of the ultrasonic transducer and blurring features of the ultrasonic logging images, the prior knowledge is achieved and then considered as the constraint term. Then, a blind restoration model will be established based on prior constraint and fractional-order total variation. This research will solve the challenging issues on ultrasonic logging images blind restoration. The research results not only can provide theoretical basis and application scheme for image blind restoration, but will also meet the urgent demand of ultrasonic logging image restoration problem and then offer the foundation for a further explanation of the underground stratum structure.

在石油天然气测井中，由于超声换能器的非理想性等原因使得超声测井图像有着不同程度的模糊。为了从测井图像中获取地层结构信息，需要对其进行盲复原处理。因此，如何构建可靠的盲复原模型，提高超声测井图像的分辨率成了一个迫切需要解决的问题。申请者前期研究发现：其一，在图像复原中分数阶总变分能抑制整数阶总变分所带来的阶梯效应；其二，引入合适的先验知识有助于提高盲复原模型的可靠性。为此，本课题拟以超声测井图像为研究对象，图像盲复原为研究问题。分析超声换能器的成像特性和超声测井图像的模糊特征，获取先验知识，并以此作为约束项，构建基于先验约束和分数阶总变分的超声测井图像盲复原模型，以期解决超声测井图像盲复原这一挑战性问题。其研究成果不仅能为图像盲复原的研究提供新的理论基础和应用方案，而且能够满足超声测井图像复原问题的迫切需求，为井下地层结构的进一步解释奠定基础。

在石油天然气测井中，超声测井在成像过程中不可避免地引起模糊。为了从测井图像中获取地层结构信息，需要对其进行盲复原处理。为此，本课题以超声测井图像为研究对象，图像盲复原为研究问题，探讨了分数阶变分理论的推导和变分模型的优化，提出了先验约束与分数阶变分的超声测井图像盲复原方法，分别实现了去模糊处理和去噪处理，为后续处理提供高质量图像；同时，进一步研究了基于先验约束与深度学习相结合的融合网络，在模糊判别与裂缝提取方面做了前瞻性研究。具体研究成果为：① 现有的盲去模糊方法的复原结果有大量的伪影。据此，本课题通过分析超声测井图像的模糊特征，提出了基于分数阶变分的图像盲复原方法。同时，该方法利用纹理自相似性作为先验约束，这有利于减少伪影。实验表明其复原性能得到了明显提升。最后，我们将该方法用于实际测井图像，其实验效果说明该方法是非常实用的。② 超声成像中不可避免地引入大量噪声，因此，本课题提出了基于拉普拉斯先验约束和贝叶斯变分框架的图像盲去噪方法。该方法首先研究了超声测井图像的稀疏系数分布特征，验证了其符合拉普拉斯分布。由此将其作为先验约束引入到变分模型中。实验结果表明，本方法的去噪效果较好，测井图像中的裂缝和孔洞细节都保留下来了。③ 模糊图像识别是实现智能去模糊的关键因素，为此，本课题提出基于先验知识和深度学习相结合的融合网络。该网络将传统图像处理算法与深度学习网络有效地结合起来，提高了模糊判别效果。同时，也验证了将图像先验知识加入到网络中，有望提高网络学习效果，为网络学习的指向性和可控性指明了研究方向。④ 裂缝是地层发育和测井勘探评估的重要指标，为此，本课题提出了基于深度学习的超声测井图像裂缝提取方法。该方法将Transformer的自注意力机制应用于裂缝提取任务中，通过它学习裂缝的相关性，由此提高裂缝提取的准确性。实验表明，该方法所提取的裂缝符合实际情况，有利于后续的裂缝评估。总之，本课题不仅高质量地完成了超声测井图像盲复原的预期任务，同时对裂缝提取及评估做了前瞻性研究，进一步深化智能测井勘探研究。