基于深度学习的岩心图像压缩模型研究

常子鹏 宋文广 顾宫

摘要：传统的岩心图像压缩多采用小波变换，此方法并不利于对岩心图像细节信息的保留，压缩后清晰度也无法满足岩性分析的需求。提出一种JPEG结合卷积神经网络的岩心图像压缩模型。首先将待压缩岩心图像送入空域冗余去除结构剔除冗余信息，再使用JPEG编码把图像变换到DCT域，量化后去除不必要的高频信息。解码时使用JPEG解码器将图像从DCT域变换到像素域，为了恢复岩心图像在空域、频域的失真，于解码端添加了19层的卷积层的神经网络，最终将岩心图像重构。此方法创新点在于首次提出深度学习应用于岩心图像的压缩，并具有比传统小波变换与离散余弦变换的压缩方法更高的图像压缩比与清晰度，对岩心图像研究领域具有较高的参考价值与实用前景。

关键词：岩心图像压缩；卷积神经网络；JPEG；深度学习

中图分类号：TP391.41 文献标识码：A 文章编号：1009-3044（2018）24-0173-02

岩心图像具有丰富的纹理特征，通过对其进行观察、研究、分析，可以推测出地化指标与沉积环境，对油气开采具有重大指导意义。随着科技进步，岩心图像的分辨率和数量与日俱增，这无疑对图像的存储、传输及管理提出了新要求。目前，岩心图像的压缩多采用传统的Shannon/Nyquist采樣[1]理论，典型算法包括基于离散小波变换的JPEG2000算法[2-4]与基于离散余弦变换的JPEG算法[5]。传统的JPEG算法在低比特率下，岩心图像边缘区域与纹理出现模糊现象，产生严重块效应；在JPEG2000中，DCT变换的不足被离散小波所弥补，但由于遵循奈奎斯特采样定理，仍不利于硬件系统的采集。Chao Dong等人[6]设计了ARCNN网络，首次把深度学习应用到压缩图像的复原问题上。George Toderici等人[7]提出基于长短时记忆网络的可变比率图像压缩算法，图像在高压缩比率、非常模糊的条件下，具有比传统JPEG更好的视觉效果。Fabian Mentzer等人[8]提出了一个由标准卷积自动编码器和基于3D-CNN的上下文模型组成的系统，在ImageNetTest上的MS-SSIM表现皆优于JPEG和JPEG2000。Lucas Theis等[9]提出了一种新型自编码器，此方案在高码率上效果与JPEG近似。任杰[10]使用JPEG编码结合卷积神经网络，提出一种基于深度学习的图像压缩框架。对此框架进行优化，获得新型岩心图像压缩模型，实验结果显示新压缩模型具有较高压缩比与清晰度。

1 JPEG与CNN结合的岩心图像压缩模型

1.1 岩心图像压缩模型

在任杰[9]设计的图像压缩框架中，首先把岩心图像输入空间冗余剔除模块，去除图像在像素域的部分冗余，再把处理的结果传入JPEG编码器中。图像以8*8的像素块在JPEG中编码，每个块中存放64个像素。将图像中每个64像素的块作DCT变换。DCT变换会把高频部分集中在64个像素的块右下角，低频部分集中在左上角，通过特定量化表去除DCT中高频部分，再通过熵编码最终获得压缩数据。解码时先通过JPEG解码器将数据还原为图像，再使用SRAR-CNN模型恢复图像信息。传统的JPEG框架只去除频域上的冗余，提出的框架还去除了图像在像素域的冗余，并通过SRAR-CNN结构将图像频率域失真与像素域失真一并恢复。

1.2 Structure Redundancy Remove（SRR）

任杰把SRR模块用于图像尺寸缩小到原来的一半以去除图像在空间上的冗余，使用双三次插值来实现，而岩心图片存在很强的纹理结构具有结构冗余，但纹理又是研究的重点，为了保证缩放后图像质量高，不会出现像素值不连续的的情况，采用双线性插值法把岩心图像压缩为原来的一半。

1.3 DRAR-CNN

为了恢复并重构高质量的岩心图像，提出DRAR-CNN（Deep Resolution and compression Artifact Reduction Convolutional Neural Network）模型，其具体结构如图2所示。

大小为N*M的岩心图像首先通过卷积核大小为3*3、padding为1、步进为1的卷积层，在经过relu激活函数处理后，经过17个卷积层、batch-normalization归一化、relu函数处理，得到的结果再通过一个步进为1、卷积核大小3*3、padding为1的卷积层，最后于subpixel处作超分辨处理[10]，恢复并重构岩心图像。

1.4 Batch normalization

2 实验及结果

使用500张处理后的岩心图像作为模型训练集，选取Adam梯度更新方法，迭代50个epoch，学习率从[1e-4]按照对数的形式由快到慢逐渐衰减至[1e-6]，batch size的大小设置为128，用于训练的图像大小为512*512。

测试集采用500张spL8192-39kc-Basler sprint工业相机拍摄的岩心图像。为展示方便，随机取一张岩心图像100*100大小区域，分别通过岩心图像压缩模型、JPG2000、JPEG处理后取对应位置与原岩心图像进行对比，如图3所示。在高压缩比下，JPEG岩心图像（d）出现严重边缘区域与纹理模糊的现象，而由岩心图像压缩模型（b）处理后的图像却很清晰。

3 分析

把DRAR-CNN岩心图像压缩模型的实验效果与JPEG、JPEG2000进行对比，如图4展示了实验PSNR对比结果。其中，横坐标表示像素深度，纵坐标表示峰值信噪比。可以看出，岩心图像深度从0.2提高至1.2，三种压缩方式的PSNR也在逐渐增大，提出的DRAR-CNN模型PSNR增长速率更快，失真更少。这是因为卷积深网经网络充分利用了图像信息，通过深度网络大量卷积核提取图像的多种模糊度、边缘特征、亮度，最终将图像清晰得重构出来。

4 结束语

首次提出深度学习应用于岩心图像的压缩，结合JPEG与卷积神经网络的优点设计出岩心图像压缩模型。实验证明，在高压缩率下，DARA-CNN壓缩模型具有更好的鲁棒性，有着较jpeg与jpeg2000更优越的压缩比与清晰度。

参考文献：

[1] 张贤达，保铮.非平稳信号分析与处理[M].北京：国防部工业出版社，1998.

[2] Chariloas C，Touradj E.JPEG2000 STILL IMAGE CODING SYSTEM：AN OVER VIEW[J].2000.

[3] 朱鹏.JPEG2000静态图像压缩标准的研究与实现[D].国防科学技术大学，2007.

[4] 胡述龙.应用JPEG对岩心图像数据进行压缩处理的方法[J].河南石油，2003，17（5）：13-15.

[5] Guo L，Ni J，Shi Y Q.Uniform Embedding for Efficient JPEG Steganography[J].Information Forensics & Security IEEE Transaction on，2016，9（5）：814-825.

[6] Dong C，Deng Y，Change Loy C，et al.Compression artifacts reduction by a deep convolutional network[C].Proceedings of the IEEE International Conference on Computer Vision.2015：576-584.

[7] Ioffe S，Szegedy C.Batch normalization：Accelerating deep network training by reducing internal covariate shitft[J].arXiv：1502.03167，2015.

[8] Fabian Mentzer ， Eirikur Agustsson， Michael Tschannen et al.Conditional Probability Models for Deep Image Compression[J].arXiv：1801.04260，2018

[9] Theis L，Shi W，Cunningham A，et al.Lossy Image Compression with Compressive Autoencoders[J]. arXiv preprint arXiv：1703.00395，2017

[10] 任杰.基于深度学习的图像压缩方法研究[D].哈尔滨工业大学，2017.

[11] Neeraj Kumar，Ruchika Verma，Amit.Convolutional neural networks for wavelet domain super resolution[J].Pattern Recognition Letters，2017，90（15）：65-71.

【通联编辑：梁书】