原文标题:Boosting Resolution and Recovering Texture of micro-CT Images with Deep Learning
摘要:数字岩石成像受到探测器硬件的限制,必须在图像视场(FOV)和图像分辨率之间进行权衡。这可以通过采用宽视场、低分辨率(LR)图像和高分辨率(HR)、高视场(FOV)图像的超分辨率(SR)技术进行补偿。增强的深超分辨率生成性对抗性网络(EDSRGAN)是在深度学习数字岩石超分辨率数据集上进行培训的,这是一个12000多个原始和处理的UCT图像的汇编。与双三次插值相比,网络的相对误差降低了50%~70%。与SRCNN等方法相比,GaN在纹理恢复方面表现出更好的视觉相似性。差分图表明,SRGAN网络的SRCNN段恢复了大尺度边缘(晶界)特征,而GaN网络恢复了难以分辨的高频纹理。网络性能随着增强而得到推广,对噪声和模糊有很强的适应性。将HR图像输入网络,生成HR-SR图像,将网络性能外推到HR图像本身的亚分辨率特征。结果表明,溶解矿物和薄裂缝等低分辨率特征被再生,尽管网络运行在训练的规格之外。与扫描电镜图像的比较表明,细节与样品的基本几何形状是一致的。纹理的恢复有利于高分辨率微孔特征的数字岩石的特征,如碳酸盐和煤样品。通常受岩石矿物学(煤)、快速瞬变成像(水驱)或源能量(微孔隙度)限制的图像可以被超精确地解析,以便进一步分析下游。
地址: https://arxiv.org/abs/1907.07131
作者: Ying Da Wang, Ryan T. Armstrong, Peyman Mostaghimi
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。