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。……