技术摘要：
本发明涉及一种基于生成对抗网络的岩心图像重构方法，包括，获取岩心的核磁共振图像数据集，并对图像进行裁剪；用生成对抗网络(GAN)进行图像增强；采用Mask RCNN图像分割技术进行图像分割；输入三层卷积神经网络训练，构建数字岩心孔渗预测模型；等待损失函数收敛，获  全部
背景技术：
传统的岩石薄片图像鉴定以肉眼观察和描述为主，存在一系列问题，如实验周期 偏长、定量困难、效率较低、受主观影响较大等，在低孔隙度、低渗透率岩心条件下存在问题 很多，因此不能满足现场测井资料解释评价的需要。 通常核磁共振成像仪附带的图像处理软件，只有简单的显示功能和三维表面重建 功能，基于此类分析的结果存在准确度低，还原程度差等问题。
技术实现要素：
本发明的目的在于提供一种基于生成对抗网络的岩心图像重构方法，通过对原始 横向弛豫时间T2(ms)图像的增强，得到清晰的岩心内部分布特征图像，并在此基础上使用 Mask  R-CNN图像分割技术，分离岩心内部目标和背景，有效还原真实岩心环境。 为实现上述目的，本发明提供如下技术方案：一种基于生成对抗网络的岩心图像 重构方法，包括： 步骤S1，获取岩心的核磁共振图像数据集，并对图像进行裁剪； 步骤S2，用生成对抗网络(GAN)进行图像增强，获得CIElab彩色空间； 步骤S3，采用Mask  RCNN图像分割技术进行图像分割； 步骤S4，输入三层卷积神经网络训练，构建数字岩心孔渗预测模型； 步骤S5，等待损失函数收敛，获得训练完的模型； 步骤S6，输入待测岩心样本数据至孔渗预测模型，得到孔隙度和渗透率。 基于三维卷积神经网络构建数字岩心孔渗预测模型的过程，包括： 步骤S41，通过卷积层识别输入数据的特征； 步骤S42，采用池化层简化卷积层输出维度； 步骤S43，输入全连接层。 卷积层的计算公式为:C＝σ(Iω°b 1)； 其中，σ表示激活函数，I表示输入图像灰度矩阵，ω表示卷积核，表示卷积操作，b 表示偏置项。 全连接层使用Softmax激励函数，进行分类。 步骤S5中，利用反向传播算法对设计的神经网络迭代训练，并优化训练全局参数 使网络输出损失函数值下降并收敛。 与现有技术相比，本发明的有益效果是：基于生成对抗网络(GAN)对原始横向弛豫 时间T2(ms)图像的增强，得到清晰的岩心内部分布特征图像；在此基础上使用Mask  R-CNN 图像分割技术，分离岩心内部目标和背景；通过机器学习算法对数据库进行训练，实现数字 3 CN 111583148 A 说　明　书 2/3 页 岩心孔渗参数的快速预测。 附图说明 图1为本发明基于生成对抗网络的岩心图像重构方法流程图； 图2为本发明孔渗预测模型构建过程的池化层池化结果示意图； 图3卷积神经网络模型的结构示意图； 图4测试数据孔隙度渗透率分布图； 图5测试数据累计误差分布图。