摘要
电成像测井是储层测井评价的一种有效技术手段。但由于井眼半径及电成像测井仪器结构上的特点，仪器测量张开时覆盖率不能达到100%，造成测井图像存在空白条带，影响地质信息的精确解释。为保证后期处理和解释的精度，有必要对这些空白条带进行填充。传统的电测井图像空白条带填充方法能较好地修复结构简单的砂泥岩图像，而对砂砾岩、碳酸盐岩等具有结构和纹理特征比较复杂的电测井图像，由于不能准确把握图像的深层特征，而修复效果不佳。 近年来，随着深度学习特别是卷积神经网络(CNN)的提出与发展，使其能够在深层上捕获图像的抽象信息，相比传统方法，更能提升深层图像特征的表达能力，因此在图像处理领域获得成功应用。为此，本文重点对基于深度学习的复杂测井电成像图像空白条带填充方法进行了研究。本文主要工作如下： 1.对数字图像修复方法进行了分析和总结，特别是对传统的图像修复方法和基于深度学习的图像修复方法的实现原理进行了深入研究，并对比分析了各种方法的特点及优缺点，为后续研究提供了理论基础。 2.提出了一种基于深度编解码网络的电测井图像空白条带填充模型。相比普通深度学习填充模型，为使网络更加关注对填充任务更为重要的特征，引入注意力机制以实现对重要图像特征的提取。同时，为了提高深度学习神经网络对几何变换的建模能力，更好地修复复杂图像的边缘轮廓信息，将网络中的普通卷积替换为变形卷积。在结构复杂的砂砾岩数据集上进行实验，结果表明，本文所提模型填充的图像更为清晰且与上下文内容更加一致，同时较好地恢复了砂砾岩的轮廓边缘，较传统方法以及基于基础深度神经网络的填充方法填充效果有了明显提升。 3.提出了一种基于生成对抗网络的电测井图像空白条带填充模型。通过利用在大规模自然图像上训练的生成对抗网络(GAN)，获取比单张测井图像更加丰富的深度先验信息，从而实现了结构复杂的砂砾岩电成像图像空白的填充。在测井数据集上的填充结果表明，所用方法较好地恢复了砂砾岩的边缘结构信息和纹理细节信息，比较真实地填充了测井图像，且基本辨别不出填充痕迹，图像的一致性较好。
NETL