本发明属于岩心微观结构三维重建，具体涉及一种基于特征感知对齐生成对抗网络的岩心图像微观结构三维重建方法，属于图像处理。
背景技术：
1、岩心结构的微观性质对于研究储层宏观性质具有重要的指导作用。传统的岩石物理实验获取岩心微观性质的方法存在容易破坏岩心样本，实验难以重复；低孔隙度岩石驱替实验难以开展；具有代表性的岩石裂缝样本难以获取；实验成本高等缺点。数字岩心是一种利用数字岩心图像模拟、分析岩心微观性质的技术，可以有效解决岩石物理实验方法存在的问题。数字岩心对岩心图像微观结构的建模、分析、模拟为储层性质分析，资源、质地勘探提供基础的物理数据，今年来逐渐成为这些领域的重要分析工具。
2、获取岩心微观结构的路径主要可以分为两种。直接重建法利用成像设备(如ct扫描仪等)对岩心样品进行扫描成像，获得三维岩心结构。受到成像原理的限制，直接成想法存在平衡分辨率与视域的问题，即扫描高分辨率的岩心结构，样品尺寸将受到限制，而较小尺寸的岩心样品又缺乏代表性。直接成像法很难获得代表性较好的大视域高分辨率岩心三维结构。数字岩心三维重建方法为获取三维结构提供了新的路径。与直接成像方法不同，岩心三维重建法通常仅利用有限的二维岩心图像中的模式分布、统计特征等信息，重建相应的三维结构。传统的岩心三维重建可以分为基于优化的重建方法、基于多点统计的重建方法、基于模式匹配的重建方法、基于机器学习的重建方法。这类算法存在重建效率低，时间复杂度与重建尺寸呈几何倍增关系，生成样品多样性不足等问题。随着深度学习在本领域的应用，基于深度学习的岩心三维重建算法逐渐成为研究热点。目前主流的深度学习算法是基于生成对抗网络的三维重建模型。然而，这类方法通常需要大量成对的2d-3d图像数据，还存在泛化性较差等问题。为此，本发明提出一种基于特征感知对齐生成对抗网络的岩心图像三维重建模型，该算法不需要成对的2d-3d图像数据进行训练，训练时仅需要2d图像，因此可以相应的实现数据集多样性的扩充；此外，提出的多尺度感知特征损失函数可以使模型自适应学习不同孔隙度岩心图像的同一特征，使得模型的泛化能力得到提高。该算法仅需2d图像即可训练、重建三维岩心结构，且对不同孔隙度的岩心图像具有较好的泛化能力。
技术实现思路
1、本发明的目的就在于提出基于特征感知对齐生成对抗网络的岩心图像微观结构三维重建方法，仅使用2d图像进行训练、重建，模型可以适用于不同孔隙度岩心图像的三维重建。
2、本发明通过以下技术方案实现上述目的：
3、(1)采集并制作岩心二值图像数据集，用于网络的训练与测试；
4、(2)设计基于特征感知对齐生成对抗网络生成网络模型；
5、(3)设计基于2d编码器、特征对齐网络模块、3d解码器的三维岩心图像生成器模块；
6、(4)设计特征对齐损失函数lfa；
7、(5)设计针对三个切面方向的鉴别器模块；
8、(6)设计多尺度特征感知损失函数lfp；
9、(7)基于上述模型与损失函数，完成训练，获得多尺度特征感知对齐生成对抗网络；
10、(8)基于训练的模型，利用其中的生成模块，完成对数字岩心图像的三维重建。
1.基于特征感知对齐生成对抗网络的岩心图像微观结构三维重建方法，其特征在于以下步骤：
2.根据权利要求1所述的基于特征感知对齐生成对抗网络的岩心图像三维重建方法，其特征在于步骤(2)步骤(3)和步骤(5)所述的网络模型结构、生成器模块网络结构和鉴别器模块网络结构的设计设计；本发明提出的多尺度特征感知对齐生成对抗网络的生成器网络结构由生成器和鉴别器两个模块组成，生成器包含了2d编码器、特征对齐网络模块和3d解码器三个部分，生成器输入2d图像(即训练图像ti)经过2d编码器生成2d特征图，然后2d特征图与3d噪声z叠加后经过特征对齐模块和特征对齐损失的共同作用lfa，生成与2d特征图语义一致的3d特征图，最终经3d解码器生成3d岩心图像；鉴别器主要包括x，y，z三个切面方向的鉴别器，鉴别器分别输入从生成的3d结构三个切面方向随机采样的切面图像与训练图像进行鉴别。
3.根据权利要求1所述的基于特征感知对齐生成对抗网络的岩心图像三维重建方法，其特征在于步骤(4)和步骤(6)所述的特征对齐损失函数和多尺度感知损失函数的设计；为了约束2d特征图与3d特征图的分布一致，以使3d特征图的与2d特征图的表达一致，本发明设计的特征对齐损失如式(1)所示：
