用于提升岩石微CT图像分辨率的超分辨率卷积神经网络模型

基于超分辨率卷积神经网络（SRCNN）的单图像超分辨率（SISR）技术被应用于砂岩和碳酸盐岩的显微计算机断层扫描（μCT）图像。数字岩石成像受扫描设备能力限制，导致分辨率与视场之间的权衡，本研究中测试的超分辨率方法旨在弥补这些限制。在由4倍下采样图像组成的数字岩石超分辨率1（DRSRD1）数据集上使用了SRCNN模型SR-Resnet、增强型深度超分辨率（EDSR）和宽激活深度超分辨率（WDSR），该数据集包含2000张高分辨率（800x800）的Bentheimer砂岩和Estaillades碳酸盐岩原始微CT图像。训练后的模型应用于数据集内的验证和测试数据，相比双三次插值显示出图像质量提升3-5 dB，所有测试模型性能在0.1 dB范围内。差异图表明，在训练模型范围内的图像中边缘锐度完全恢复，仅有与高频噪声相关的细节丢失。我们发现，除了生成高分辨率图像外，应用于合成降级图像的超分辨率方法的一个有益副作用是在恢复边缘锐度的同时去除图像噪声，这有利于分割过程。该模型还针对Bentheimer岩石的真实低分辨率图像进行了测试，并采用图像增强以应对自然噪声与模糊。在这种情况下，SRCNN方法被证明可作为图像分割的预处理器，这自然引向了直接分割图像的模型的进一步未来开发与训练。SRCNN在岩石图像上的图像复原质量显著高于传统方法，并表明SRCNN方法是数字岩石工作流程中可行的处理步骤。