Система оценки и улучшения качества микротомографических изображений образцов горных пород тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Корнилов Антон Сергеевич

• Корнилов Антон Сергеевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Корнилов Антон Сергеевич

Введение

1. Анализ задач оценки и улучшения качества микротомографического изображения образца горной породы

1.1. Цифровой анализ керна

1.2. Получение изображения с помощью компьютерной томографии

1.3. Способы коррекции артефактов томографии

1.4. Анализ методов количественной оценки качества изображений

1.5. Выводы

2. Разработка алгоритмов оценки и улучшения качества изображений рентгеновской микротомографии

2.1. Формализация понятия качества изображений для построения цифровoго двойника образца керна

2.2. Алгоритмы оценки визуального качества срезов томографического изображения

2.2.1. Определение области интереса

2.2.2. Вычисление показателя, характеризующего отсутствие областей с высокой плотностью

2.2.3. Алгоритм оценки гладкости

2.2.4. Способ вычисления оценки контрастности

2.2.5. Алгоритм оценки резкости

2.2.6. Оценка, характеризующая отсутствие кольцевых артефактов

2.3. Способ сегментации и коррекции кольцевых артефактов с использованием методов машинного обучения

2.4. Подходы к визуализации качества изображения и выбора трёхмерного фрагмента для дальнейшего анализа

2.5. Параллельный алгоритм «водораздел», позволяющий производить распределённую обработку

2.6. Выводы

3. Выбор структуры и настройка параметров системы оценки и улучшения качества изображений образцов горных пород

3.1. Структура системы оценки и улучшения качества изображений рентгеновской микротомографии

3.2. Программные компоненты системы

3.3. Параллельная обработка и алгоритмическая оптимизация при оценке визуального качества изображений

3.4. Обучение нейронной сети для сегментации и коррекции кольцевых артефактов

3.5. Оптимизация объёма памяти в модуле оценки разрешающей способности томографа

3.6. Выводы

4. Экспериментальное исследование процессов обработки микротомографических изображений образцов горных пород

4.1. Состав технических средств и параметров программного обеспечения

системы

4.2. Оценка визуального качества образца

4.3. Характеристики сегментации и коррекции кольцевых артефактов

4.4. Исследование свойств пространства пор

4.5. Применение системы для поддержки принятия решений при исследовании

образцов керна

4.6. Выводы

Заключение

Список литературы

Приложение А. Свидетельство о государственной регистрации программы

для ЭВМ

Приложение Б. Акт о внедрении результатов работы

Введение диссертации (часть автореферата) на тему «Система оценки и улучшения качества микротомографических изображений образцов горных пород»

Введение

Одним из перспективных направлений цифровизации геологических исследований для нефтегазовой промышленности является, так называемый, цифровой анализ керна (англ. Digital Rock). Керн - это образец породы, извлекаемый из скважины при бурении. На основе лабораторных исследований керна делают выводы о физико-химических и прочностных свойствах породы, оценивают характеристики течения флюидов (жидкостей и газов). В ряде лабораторных исследований происходит разрушение образца, что делает невозможным воспроизведение эксперимента, повторения эксперимента с другими параметрами и выполнения других типов экспериментов на одном и том же образце. В цифровом анализе керна предлагается дополнить лабораторные исследования математическим моделированием на цифровых двойниках (моделях) образцов горных пород и флюидов, что позволит обойти ограничения традиционных лабораторных экспериментов, проводить как новые типы исследований, так и повысить скорость проведения существующих [1].

Под цифровым двойником образца горной породы обычно понимают трёхмерное изображение, элементы которого - воксели обозначают поры и твердое минеральное вещество. Для получения изображения, на основе которого создаётся цифровой двойник образца, используются системы рентгеновской компьютерной томографии (КТ) и микротомографии (микроКТ). Принцип работы КТ и микроКТ систем схож. КТ позволяет получать изображения образцов большего размера, но меньшего разрешения. МикроКТ системы способны получать изображения образцов размером в несколько сантиметров, при этом разрешение микроКТ достигает нескольких микрон, что позволяет увидеть поры, по которым осуществляется транспорт флюидов. В настоящее время использование микроКТ систем является основным способом получения изображений для создания цифровых двойников образцов горных пород [2]. Рентгеновские томографические изображения повреждены множеством разнообразных дефектов и артефактов, которые портят визуальное качество

изображений и влияют на качество цифровых двойников [3; 4]. Ряд дефектов КТ изображений необходимо корректировать, улучшая таким образом качество изображения и получаемого из него цифрового двойника образца. Одним из специфических типов дефектов КТ изображений являются кольцевые артефакты.

Оценка визуального качества изображения выполняется субъективно оператором путём визуального анализа. Замена субъективных оценок количественными показателями позволяет выбрать оборудование, имеющее наилучшие характеристики для получения изображений, или выбрать поставщика услуг по сканированию образцов, позволяет оптимальным образом настроить параметры аппаратуры. Как правило, качество трёхмерного томографического изображения изменяется по объёму. С помощью количественных оценок качества можно для дальнейшего математического моделирования выбрать в изображении трёхмерный фрагмент наилучшего качества.

Высокое визуальное качество микроКТ изображения не является гарантией получения на его основе качественного цифрового двойника образца породы. Необходима оценка качества построенного цифрового двойника путем валидации свойств пространства пор в двойнике по данным лабораторных измерений образца породы. В частности, для валидации используется зависимость изменения капиллярного давления при нагнетании ртути (метод ртутной порометрии) [5]. Для цифрового двойника такую зависимость получают на основе вычисления распределения размеров горловин (или горел) и объёмов тел пор, изолированных этими горловинами. Для определения положения в изображении горловин используется алгоритм «водораздел» (англ. watershed) [6].

Поскольку в настоящее время отсутствуют количественные способы оценки качества микроКТ изображений для задач цифрового анализа керна, требуется разработка системы оценки и улучшения качества изображений горных пород. Поэтому тема диссертации является актуальной.

Объектом исследования являются цифровые двойники и характеристики образцов горных пород.

Предмет исследования - методы оценки и улучшения качества микротомографических изображений образцов горных пород.

Цель диссертационного исследования состоит в разработке системы оценки и улучшения качества изображений рентгеновской микротомографии, используемых для определения характеристик образцов горных пород.

Для достижения поставленной цели решены следующие научно-технические задачи:

- проведен анализ задач оценки и улучшения качества микротомографического изображения образца горной породы;

- выбраны и обоснованы критерии оценки качества изображений;

- разработаны алгоритмы оценки, визуализации и улучшения качества изображений образцов керна, полученных с помощью рентгеновской микротомографии;

- выбрана структура и проведена настройка параметров системы оценки и улучшения качества изображений образцов горных пород;

- выполнена экспериментальная оценка характеристик разработанных алгоритмов и программного обеспечения.

Методы исследования: системный анализ, цифровая обработка изображений, интеллектуальный анализ данных и машинное обучение, математическая статистика, визуализация данных и подходы, применяемые при разработке программного обеспечения.

Научная новизна заключается в следующем:

- впервые для задачи построения цифрового двойника образца горной породы на основе системного анализа формализовано понятие качества изображения, включающее в себя визуальное качество исходного микротомографического изображения и соответствие свойств пространства пор цифрового двойника образца результатам лабораторных измерений;

- обоснован выбор основных факторов, влияющих на визуальное качество микротомографических изображений, и вычисление безреференсного

метода оценки визуального качества изображений как взвешенного произведения оценок данных факторов;

- предложены алгоритмы оценки уровня шумов и шумоподобных структур, резкости, контрастности, уровня артефактов, вызванных включениями высокой плотности;

- на основе методов глубокого машинного обучения разработан новый алгоритм оценки уровня кольцевых артефактов;

- предложены способы визуализации факторов, влияющих на визуальное качество миротомографического изображения;

- обоснован новый подход к формированию обучающего набора данных и архитектура глубокой нейронной сети, используемая для сегментации и автоматического ретуширования участков трёхмерного изображения, повреждённых кольцевыми артефактами;

- для нахождения горловин в пространстве пор предложен новый способ параллельной реализации алгоритма «водораздел», способный выполнять обработку изображения по частям на нескольких вычислительных устройствах.

Практическая значимость работы заключается в следующем:

- разработана компьютерная система оценки и улучшения качества микроКТ изображений, способная выполнять оценку визуального качества трёхмерного изображения размером 32 Гб менее чем за 10 минут, оперативная оценка качества изображения формируется менее чем за минуту;

- использование системы позволяет на основе количественных показателей качества изображений принимать решения по выбору оборудования или поставщика услуг по сканированию образцов;

- применение системы дает возможность на основе количественных показателей качества микроКТ изображений, которые коррелируют с мнением экспертов согласно коэффициентам корреляции Пирсона и Спирмена на уровне 0,8, и рекомендаций для оператора оперативно производить оптимальную настройку параметров томографа для сканирования образцов горных пород, а

также позволяет отбраковывать изображения или образцы ненадлежащего качества;

- способ визуализации качества по телу образца позволяет выбрать фрагмент наилучшего качества;

- способ ретуширования кольцевых артефактов по критерию средней абсолютной ошибки более чем в 3 раза превосходит существующие решения и позволяет избежать искажений пространства пор в цифровом двойнике;

- способ параллельной реализации алгоритма «водораздел» для цифрового двойника размера 10003 вокселов позволяет сократить время обработки по меньшей мере в два раза по сравнению с последовательной реализацией.

Практическая значимость подтверждается актом о внедрении результатов исследования в компании Шлюмберже, где они применяются при выполнении проектов по цифровому анализу керна для крупнейших российских и международных компаний нефтегазовой отрасли.

Основные положения, полученные лично автором и выносимые на защиту:

- безреференсный метод, специальное математическое и алгоритмическое обеспечение обработки информации для оценки визуального качества микроКТ изображений образцов горной породы как взвешенного произведения оценок отдельных факторов;

- способы визуализации качества томографического изображения, которые позволяют принимать решения по выбору оптимальных параметров регистрации и реконструкции микротомографического изображения, и по нахождению фрагмента наилучшего качества для последующего моделирования;

- выполненный с помощью глубокой нейронной сети алгоритм трансформации информации, содержащейся в трёхмерном микроКТ изображении, для автоматического ретуширования участков, повреждённых кольцевыми артефактами;

- способ параллельной реализации алгоритма «водораздел» для нахождения горловин в пространстве пор, используемый для анализа информации при принятии решения о соответствии цифрового двойника образцу горной породы по данным лабораторных измерений.

Достоверность полученных результатов подтверждается проведенными экспериментами для многочисленных микроКТ изображений, полученных на различных томографах; апробацией основных результатов работы на российских и международных конференциях, положительными рецензиями в российских и зарубежных рецензируемых журналах.

Апробация результатов исследования. Основные положения и результаты диссертации были доложены и обсуждены на 8 международных и 3 всероссийских конференциях:

- Всероссийская научно-техническая конференция «Техническое зрение в системах управления - 2019» (Москва, 2019);

- V Международная конференция и молодежная школа «Информационные технологии и нанотехнологии (ИТНТ-2019)» (Самара, 2019);

- 24th Conference of Open Innovations Association (FRUCT) (Moscow,

2019);

- International Conference on Tomography of Materials & Structures (ICTMS2019) (Cairns, Australia, 2019);

- 62-й Всероссийская научная конференция МФТИ (Москва, 2019);

- VI Международная конференция и молодежная школа «Информационные технологии и нанотехнологии (ИТНТ-2020)» (Самара, 2020);

- XXVI Международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва, 2020);

- Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика-2020» (Москва,

2020);

- 26th Conference of Open Innovations Association (FRUCT) (Yaroslavl, 2020);

- Международная научная конференция студентов, аспирантов и молодых учёных «Ломоносов-2020» (Москва, 2020);

- 28th Conference of Open Innovations Association (FRUCT) (Moscow,

2021).

Публикации. Основные результаты диссертации опубликованы в 18 печатных работах, из них:

- 9 работ в научных изданиях, рекомендованных ВАК РФ, из них: 3 статьи в журналах, 5 работ в сборниках трудов конференций, глава в монографии;

- 8 работ включены в базу Scopus и/или Web of Science;

- 8 работ в статьях и материалах конференций;

- свидетельство о регистрации баз данных и программ для ЭВМ.

Личный вклад соискателя. Все результаты диссертационной работы,

выносимые на защиту, получены автором лично. Вклад соискателя в публикациях с соавторами состоит в разработке и экспериментальной проверке: алгоритмов оценки визуального качества микроКТ изображений; способов визуализации качества; архитектуры глубокой нейронной сети и методики подготовки набора данных для её обучения с целью сегментации и коррекции кольцевых артефактов; параллельного алгоритма «водораздел».

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы и 2 приложений. Основной текст работы изложен на 139 страницах, приложения - на 2 страницах текста. Иллюстративный материал включает 52 рисунка и 12 таблиц. Список литературы содержит 114 наименований.

Во введении обоснована актуальность темы диссертации, сформулированы цель работы и решаемые задачи.

Первая глава содержит анализ задачи оценки качества микротомографических изображений образца горной породы. Рассмотрены: основные этапы построения цифрового двойника образца при цифровом анализе керна; основы компьютерной томографии; факторы, влияющие на качество изображений образцов. По результатам проведенного анализа сформулирована

необходимость разработки критериев и алгоритмов оценки качества изображений образцов, способов подавления артефактов КТ.

Вторая глава посвящена разработке алгоритмов оценки и улучшения качества изображений рентгеновской микротомографии. Предложены алгоритмы, позволяющие производить оценку качества микроКТ изображения. Предложены способы визуализации полученных оценок качества, способ сегментации и коррекции кольцевых артефактов на изображениях, основанный на применении методов глубокого машинного обучения. Рассмотрен способ параллельной реализации алгоритма «водораздел».

В третьей главе проведен выбор структуры и настройка параметров системы оценки и улучшения качества изображений образцов горных пород: предложена архитектура разрабатываемой компьютерной системы; обоснован выбор программных компонент; описаны используемые алгоритмические и программные подходы для оптимизации времени работы и потребляемой оперативной памяти.

В четвертой главе представлены результаты экспериментальной оценки характеристик разработанных алгоритмов и программного обеспечения, продемонстрированы возможности применения разработанной системы для поддержки принятия решений при исследовании образцов керна.

В заключении сформулированы основные результаты диссертационной работы.

В приложениях представлены свидетельство о регистрации программы для ЭВМ и акт о внедрении результатов диссертации.

1. Анализ задач оценки и улучшения качества микротомографического

изображения образца горной породы

1.1. Цифровой анализ керна

Нефтегазовая отрасль является одной из наиболее значимых отраслей для экономики Российской Федерации. Доходы, связанные с данной отраслью, обеспечивают до 50 %-ов доходов федерального бюджета, до 13 %-ов ВВП и 55 %-ов российского экспорта [10]. В условиях современных тенденций усложнения горно-геологических условий разработки месторождений углеводородного сырья, приводящих к увеличению затрат, снижению экономической эффективности производства и повышению рисков, главным фактором повышения эффективности сегмента разведки и добычи нефтегазовой отрасли России является переход на принципы «Индустрии 4.0», а ключевым инструментом - цифровые технологии [11]. Одним из перспективных направлений цифровизации геологических исследований для нефтегазовой промышленности является цифровой анализ керна.

Цифровой анализа керна подразумевает построение цифровых двойников образцов горных пород и флюидов для математического моделирования физических и химических процессов в породе, например, моделирования течения многофазной жидкости [1]. Система цифрового анализа керна может быть представлена в виде схемы, показанной на рис. 1.1. Данная работа ограничивается рассмотрением ряда этапов обработки изображений, необходимых для построения цифрового двойника образца горной породы в рамках функционирования данной системы.

Процесс построения цифрового двойника образца горной породы может быть разделён на следующие этапы: регистрация изображения; оценка визуального качества изображения; улучшение изображения с целью подавления помех; сегментация изображения и выбор объёма для последующего анализа; валидация цифрового двойника [12]. Блок-схема данного процесса представлена на рис. 1.2. Если на этапах оценки качества изображения или валидации

цифрового двойника будет получен неудовлетворительный результат, то необходимо вернуться на один из предыдущих этапов.

Система цифрового анализа керна

Образец горной породы

Подсистема регистрации изображений образцов

Подсистема сегментации изображений и построения цифровых двойников

Подсистема оценки и улучшения качества изображений

Подсистема

оценки характеристик цифровых двойников

Характеристики цифрового двойника

Рисунок 1.1 - Схема системы цифрового анализа керна

Рисунок 1.2 - Блок-схема процесса построения цифрового двойника образца

горной породы

На этапе регистрации изображения производится съёмка (сканирование) образца породы при помощи одного из методов исследования внутренней структуры материала и построение трёхмерного (3D) изображения образца горной породы. Данная работа ограничивается случаями, когда для сканирования образца применяется рентгеновская компьютерная микротомография (микроКТ). В настоящее время, оценку качества изображения визуально производит оператор микроКТ системы. Подобная субъективная оценка может приводить к выбору неоптимальных параметров регистрации изображения, к тому, что изображение может оказаться неприменимым для построения адекватного цифрового двойника образца. Предпочтительно заменить субъективную оценку визуального качества количественными показателями.

На стадии улучшения изображения выполняются процедуры коррекции изображения с целью устранения артефактов томографии. Далее производится сегментация изображения на пространство пор и минеральную матрицу [13]. Непосредственно до сегментации или сразу после производится выбор объёма для последующего анализа. По причине высокой вычислительной сложности математического моделирования из полученного отсегментированного изображения, как правило, необходимо выбрать 3D фрагмент меньшего размера. При этом, данный фрагмент не должен быть повреждён чрезмерным количеством артефактов. В настоящее время у оператора нет удобного инструмента для выбора такого фрагмента. Выбор, как правило, осуществляется методом случайного поиска, пока удовлетворительный с точки зрения оператора результат не будет достигнут.

Заключительным этапом выступает валидация цифрового двойника. Проверка корректности цифрового двойника образца производится путём сравнения свойств пространства пор, полученных при помощи лабораторных экспериментов для образца горной породы и вычисленных для цифрового двойника. По сути дела, на данном этапе также оценивается качество изображения - цифрового двойника, но делается это с точки зрения соответствия лабораторным экспериментам на образце горной породы. Традиционно в качестве

свойств пространства пор образца используются относительно простые величины, такие как общая пористость и/или проницаемость, характеризующие образец в целом. В последнее время набирают популярность способы валидации, основанные на сравнении показателей, позволяющих довольно подробно характеризовать свойства пространства пор, например при помощи сравнения кривых капиллярного давления [5].

1.2. Получение изображения с помощью компьютерной томографии

Компьютерная томография (КТ) - один из методов неразрушающего исследования внутренней структуры объекта, широко используемый в биомедицинских исследованиях [14] и при анализе различных материалов [15]. Пространственное разрешение современных лабораторных микроКТ систем может составлять около 1 мкм. Понимание физических основ КТ необходимо для анализа факторов, определяющих качество регистрируемого изображения.

КТ эксперимент заключается в просвечивании проникающим пучком исследуемого объекта с разных сторон и регистрации пространственного распределения интенсивности пучка после прохождения через объект - теневой проекции. Проходя через плотную среду пучок теряет свою интенсивность, а величина потерь в каждой точке объекта различается и при фиксированном энергетическом спектре пучка определяется коэффициентом линейного ослабления, зависящего от химического состава и массовой плотности вещества в данной точке. Теневая проекция является распределением интегрального поглощения пучка в объекте вдоль прямых траекторий лучей. По множеству теневых проекций, зарегистрированных с разных углов, решается обратная задача восстановления 3D распределения линейных коэффициентов ослабления пучка внутри объекта - процедура реконструкции [2]. Схема КТ эксперимента представлена на рис. 1.3. В современных микроКТ системах в результате реконструкции (восстановления) получается 3D изображение с глубиной цвета 8 бит на воксел или 16 бит на воксел и размерами 4000x4000x2000 вокселов или

более [16]. Воксел - элемент объёмного (ЗЭ) изображения, аналогичный пикселу для двумерного изображения.

Полученное ЗЭ изображение можно рассматривать как множество двумерных изображений (2Э), плоскости которых параллельны плоскости ХУ, перпендикулярной оси вращения образца, в трёхмерной прямоугольной системе координат изображения. Такие 2Э изображения называют срезами.

В качестве источника рентгеновского излучения чаще всего выступает рентгеновская трубка. В простейшем случае она представляет собой вакуумный сосуд с катодом и анодом, находящимися под высоким напряжением (от единиц до сотен киловольт). Схема рентгеновской трубки представлена в левой части рис. 1.4. Под действием напряжения с катода испускается поток электронов, которые разгоняются, а затем резко тормозят при столкновении с анодом. От удара об анод кинетическая энергия электронов преобразуется в большое количество тепла и небольшое количество рентгеновского излучения (около 99 %-ов и 1 % энергии соответственно). Область анода, с которой происходит столкновение электронов, называется фокусным пятном трубки.

Размер фокусного пятна является одной из характеристик, от которой зависит разрешение получаемого изображения. При его минимальном размере

Теневая

Источник рентгеновского излучения

Рисунок 1.3 - Схема эксперимента КТ

будет достигаться наилучшее разрешение при фиксированных остальных условиях. Влияние размера фокусного пятна на разрешение КТ системы продемонстрировано в правой части рис. 1.4. Разрешение получаемого изображения зависит от параметров проводимого эксперимента - ускоряющего напряжения и тока трубки. Выбор этих параметров для эксперимента определяется свойствами исследуемого образца. Например, для образцов, состоящих из более плотного вещества, необходима более высокая энергия излучения [17].

Точечный

С увеличенным фокусным пятном

Катод

Фокусное Анод пятно

/ \ Рентгеновское ^ ^ излучение

(а)

Источник

Объект

Проекция

(б)

Геометрическая нерезкость

Рисунок 1.4 - Схемы: (а) простейшей рентгеновской трубки и (б) иллюстрации влияния размера фокусного пятна на разрешение КТ системы

Размер ячейки детектора, так называемый размер пиксела, ограничивает предельное пространственное разрешение КТ. Современные матрицы детекторов имеют несколько тысяч пикселов по высоте и ширине при размере пиксела от 1 мкм. Это соответствует полю зрения около сантиметра [2].

Качество микроКТ изображения образца горной породы и последующего моделирования напрямую зависит от пространственного разрешения изображения, поскольку чем выше разрешение, тем точнее в цифровом двойнике образца представлено пространство пор, и тем меньшего размера поры можно учесть в гидродинамической модели. Часто в качестве оценки разрешения КТ изображения используют размер пикселя. Однако, это не вполне корректно, т. к. пространственное разрешение метода КТ определяется не только размером

пиксела, но и параметрами проводимого эксперимента. Целесообразно для образцов горных пород оценку разрешения по каждой их осей координат выполнять по частотно-контрастной характеристике (ЧКХ) прибора, получаемой в результате обработки изображения специального шаблона, как это делается при анализе ряда иных материалов [17].

Важными для качества получаемого изображения являются такие параметры съёмки как время экспозиции, т. е. время на регистрацию одной проекции, и количество регистрируемых теневых проекций. Из-за снижения времени экспозиции уровень шума на изображении повышается, а из-за недостаточного количества теневых проекций на изображении появляются шумоподобные структуры. В теории увеличение каждого из этих параметров должно вести к улучшению качества реконструированного изображения, однако на практике необходим подбор оптимальной комбинации данных параметров [7]. Увеличение значений данных параметров ведёт к увеличению времени эксперимента КТ, типовое время которого составляет несколько часов.

Выбранный алгоритм реконструкции изображения из теневых проекций также влияет на его качество. Подробное изложение метода компьютерной томографии и реконструкции изображений представлены в книгах Се Ц. [4], Терещенко С. А. [18] и Хермена Г. [19].

Кроме вышеизложенных факторов, на качество реконструированного изображения влияют различные специфичные для КТ артефакты. Термин «артефакт» обозначает любое систематическое несоответствие между значениями реконструированного изображения и истинными коэффициентами ослабления объекта. Поскольку изображение восстанавливается на основе порядка миллиона независимых измерений детектора, то изображения КТ более подвержены различным артефактам, чем обычные рентгенограммы [3]. Примерами артефактов рентгеновской КТ могут служить: артефакты увеличения жёсткости излучения (англ. beam hardening), наличие областей высокой плотности (англ. high-density), кольцевые артефакты (англ. ring/circular artifacts) [3].

Список литературы диссертационного исследования кандидат наук Корнилов Антон Сергеевич, 2022 год

Список литературы

1. Dinariev, O. Multiphase flow modeling with density functional method / O. Dinariev, N. Evseev // Computational Geosciences. - 2016. - Vol. 20(4). - P. 835-856.

2. Казак, А. В. Рентгеновская микротомография как инструмент для петрофизических исследований пород-коллекторов / А. В. Казак, И. В Якимчук, Н. Н. Богданович, И. А. Варфоломеев // Петрофизика сложных коллекторов: Проблемы и перспективы. - 2014. - С 99-133.

3. Barrett, J. F. Artifacts in CT: recognition and avoidance / J. F. Barrett, N. Keat // Radiographics. - 2004. - Vol. 24(6). - P. 1679-1691.

4. Hsieh, J. Computed tomography: principles, design, artifacts, and recent advances / J. Hsieh. - Vol. 114. - SPIE press, 2003. - 387 p.

5. Zhang, M. An innovative image-based workflow for quantitative pore structure characterization in reservoir rocks / M. Zhang, H. Zhao, Y. Cui // Journal of Petroleum Science and Engineering. - 2021. - Vol. 198. - P. 108179.

6. Vincent, L. Watersheds in digital spaces: an efficient algorithm based on immersion simulations / L. Vincent, P. Soille // IEEE Transactions on Pattern Analysis & Machine Intelligence. - 1991. - Vol. (6). - P. 583-598.

7. Якимчук, И. Изучение фильтрационно-емкостных свойств ачимовских пород с помощью цифрового анализа керна / И. Якимчук, Н. Евсеев, Д. Коробков, И. Варфоломеев, О. Динариев, В. Хан, Д. Коротеев, Д. Орлов, Е. Муравлёва, Б. Белозёров, В. Крутько, А. Кондратьев // Российская нефтегазовая техническая конференция SPE. - Москва, 22-24 октября 2019. - С. SPE-196928-MS.

8. Якимчук, И. Изучение полимерного заводнения на поровом уровне методом цифрового анализа керна для коллекторов Восточно-Мессояхского месторождения / И. Якимчук, Н. Евсеев, Д. Коробков, О. Ридзель, В. Плетнёва, М. Ярышев, И. Ильясов, Н. Глущенко, А. Орлов // Российская нефтегазовая техническая конференция SPE. - 26-29 октября 2020. - С. SPE-202013-MS.

9. Якимчук, И. Цифровой анализа керна - инновационный подход для оценки эффективности агентов МУН на поровом уровне для ачимовских пород /

И. Якимчук, Н. Евсеев, Д. Коробков, О. Динариев, О. Ридзель, В. Хан, В. Семков, А. Жонин, Д. Кравец // Российская нефтегазовая техническая конференция SPE. -26-29 октября 2020. - С. SPE-202015-MS.

10. Манукян, М. М. Современное состояние нефтегазовой отрасли России и тенденции ее развития / М. М. Манукян // Вестник Самарского университета. Экономика и управление. - 2020. - Т. 11, № 1. - С. 34-42.

11. Куклина, Е. А. Цифровые технологии как ключевой инструмент повышения эффективности нефтегазовой отрасли России в современных условиях функционирования / Е. А. Куклина, Д. Н. Семкова // Управленческое консультирование. - 2020. - № 4. - С. 53-65.

12. Berg, C. F. Industrial applications of digital rock technology / C. F. Berg, O. Lopez, H. Berland // Journal of Petroleum Science and Engineering. - 2017. - Vol. 157.

- P. 131-147.

13. Iassonov, P. Segmentation of X-ray computed tomography images of porous materials: A crucial step for characterization and quantitative analysis of pore structures / P. Iassonov, T. Gebrenegus, M. Tuller // Water resources research. - 2009. -Vol. 45(9). - P. W09415.

14. Rubin, G. D. Computed tomography: revolutionizing the practice of medicine for 40 years / G. D. Rubin // Radiology. - 2014. - Vol. 273(2S). - P. S45-S74.

15. Baruchel, J. X-ray tomography in material science / J. Baruchel, J. Y. Buffiere, E. Maire. - Hermes science publications, 2000. - 204 p.

16. Yakimchuk, I. V. Ceramic Proppant Microstructure Characterization by X-Ray Microtomography / I. V. Yakimchuk, I. V. Safonov, E. P. Serkova, V. Y. Evstefeeva, D. A. Korobkov // Bruker Micro-CT User Meeting. - 2018. - P. 17-23.

17. Rueckel, J. Spatial resolution characterization of a X-ray microCT system / J. Rueckel, M. Stockmar, F. Pfeiffer, J. Herzen // Applied Radiation and Isotopes. - 2014.

- Vol. 94. - P. 230-234.

18. Терещенко, С. А. Методы вычислительной томографии / С. А. Терещенко. - М. : Физматлит, 2004. - 320 с.

19. Хермен, Г. Восстановление изображений по проекциям: Основы реконструктивной томографии. Пер. с англ. / Г. Хермен. - М. : Мир, 1983. - 352 с.

20. Davis, G. R. X-ray microtomography scanner using time-delay integration for elimination of ring artefacts in the reconstructed image / G. R. Davis, J. C. Elliott // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. - 1997. - Vol. 394(1-2). -P. 157-162.

21. Titarenko, S An analytical formula for ring artefact suppression in X-ray tomography / S. Titarenko, P. J. Withers, A. Yagola // Applied Mathematics Letters. -2010. - Vol. 23(12). - P. 1489-1495.

22. Титаренко, С. С. Подавление кольцевых артефактов в режиме реального времени в рентгеновской томографии / С. С. Титаренко, А. Г. Ягола // Вестник Московского университета. Серия 3: Физика, астрономия. - 2010. - № 1. - С. 6567.

23. Титаренко, С. С. Численные методы коррекции кольцевых артефактов в задачах рентгеновской томографии : дис. ... канд. физ.-мат. наук : 05.13.18 / Титаренко Софья Станиславовна. - М., 2010. - 121 с.

24. Raven, C. Numerical removal of ring artifacts in microtomography / C. Raven // Review of scientific instruments. - 1998. - Vol. 69(8). - P. 2978-2980.

25. Salehjahromi, M. A directional TV based ring artifact reduction method / M. Salehjahromi, Q. Wang, L. A. Gjesteby, D. Harrison, G. Wang, H. Yu // Medical Imaging 2019: Physics of Medical Imaging. - 2019. - Vol. 10948. - P. 109482C.

26. Münch, B. Stripe and ring artifact removal with combined wavelet - Fourier filtering / B. Münch, P. Trtik, F. Marone, M. Stampanoni // Optics express. - 2009. -Vol. 17(10). - P. 8567-8591.

27. Varfolomeev, I. An application of deep neural networks for segmentation of microtomographic images of rock samples / I. Varfolomeev, I. Yakimchuk, I. Safonov // Computers. - 2019. - Vol 8(4). - P. 72.

28. Oh, W. Image thresholding by indicator kriging / W. Oh, B. Lindquist // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1999. - Vol. 21(7). -P. 590-602.

29. Sijbers, J. Reduction of ring artefacts in high resolution micro-CT reconstructions / J. Sijbers, A. Postnov // Physics in Medicine & Biology. - 2004. -Vol. 49(14). - P. N247.

30. Prell, D. Comparison of ring artifact correction methods for flat-detector CT / D. Prell, Y. Kyriakou, W. A. Kalender // Physics in Medicine & Biology. - 2009. -Vol. 54(12). - P. 3881.

31. Axelsson, M. Reduction of ring artifacts in high resolution X-ray microtomography images / M. Axelsson, S. Svensson, G. Borgefors // Joint Pattern Recognition Symposium. - 2006. - P. 61-70.

32. Lyckegaard, A. Correction of ring artifacts in X-ray tomographic images / A. Lyckegaard, G. Johnson, P. Tafforeau // International Journal of Tomography and Statistics. - 2011. - Vol. 18. - P. 1-9.

33. Anas, E. M. A. Comparison of ring artifact removal methods using flat panel detector based CT images / E. M. A. Anas, J. G. Kim, S. Y. Lee, M. K. Hasan // Biomedical engineering online. - 2011. - Vol. 10(1). - P. 72.

34. Daubechies, I. Orthonormal bases of compactly supported wavelets / I. Daubechies // Communications on pure and applied mathematics. - 1988. - Vol. 41(7).

- P. 909-996.

35. Chang, S. A hybrid ring artifact reduction algorithm based on CNN in CT images / S. Chang, X. Chen, J. Duan, X. Mou. // 15th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine. - 2019.

- Vol. 11072. - P. 1107226.

36. Fang, W. Removing Ring Artefacts for Photon-Counting Detectors Using Neural Networks in Different Domains / W. Fang, L. Li, Z. Chen // IEEE Access. -2020. - Vol. 8. - P. 42447-42457.

37. LeCun, Y. Backpropagation applied to handwritten zip code recognition / Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, L. D. Jackel // Neural computation. - 1989. - Vol. 1(4). - P. 541-551.

38. Ronneberger, O. U-net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // International Conference on Medical image computing and computer-assisted intervention. - 2015. - P. 234-241.

39. Huang, X. Metal artifact reduction on cervical CT images by deep residual learning / X. Huang, J. Wang, F. Tang, T. Zhong, Y. Zhang // Biomedical engineering online. - 2018. - Vol. 17(1). - P. 175.

40. Lin, W. A. DuDoNet: Dual domain network for CT metal artifact reduction / W. A. Lin, H. Liao, C. Peng, X. Sun, J. Zhang, J. Luo, R. Chellappa, S. K. Zhou // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. -2019. - P. 10512-10521.

41. Xie, S. Artifact removal using improved GoogLeNet for sparse-view CT reconstruction / S. Xie, X. Zheng, Y. Chen, L. Xie, J. Liu, Y. Zhang, J. Yan, H. Yan,Y. Hu // Scientific reports. - 2018. - Vol. 8(1). - P. 1-9.

42. Монич, Ю. И. Оценки качества для анализа цифровых изображений / Ю. И. Монич, В. В. Старовойтов // Искусственный интеллект. - 2008. - № 4. - С. 376386.

43. Ding, Y. Visual quality assessment for natural and medical image / Y. Ding. -Springer, 2018. - 272 p.

44. Jenadeleh, M. Blind image quality assessment based on aesthetic and statistical quality-aware features / M. Jenadeleh, M. M. Masaeli, M. E. Moghaddam // Journal of Electronic Imaging. - 2017. - Vol. 26(4). - P. 043018.

45. Pyatykh, S. Image Noise Level Estimation by Principal Component Analysis / S. Pyatykh, J. Hesser, L. Zheng // IEEE Transactions on Image Processing. - 2013. -Vol. 22(2). - P. 687-699.

46. Aja-Fernández, S. Automatic noise estimation in images using local statistics. Additive and multiplicative cases / S. Aja-Fernández, G. Vegas-Sánchez-Ferrero, M.

Martín-Fernández, C. Alberola-López // Image and Vision Computing. - 2009. -Vol. 27(6). - P. 756-770.

47. Safonov, I. V. Adaptive sharpening of photos / I. V. Safonov, M. N. Rychagov, K. Kang, S. H. Kim // Color Imaging XIII: Processing, Hardcopy, and Applications. - 2008. - Vol. 6807. - P. 68070U.

48. Crete, F. The blur effect: perception and estimation with a new no-reference perceptual blur metric / F. Crete, T. Dolmiere, P. Ladret, M. Nicolas // Human vision and electronic imaging XII. - 2007. - Vol. 6492. - P. 64920I.

49. Safonov, I. V. Adaptive Image Processing Algorithms for Printing / I. V. Safonov, I. V. Kurilin, M. N. Rychagov, E. V. Tolstaya. - Springer, 2018. - 304 p.

50. Moorthy, A. K. A Two-Step Framework for Constructing Blind Image Quality Indices / A. K. Moorthy, A. C. Bovik // IEEE Signal Processing Letters. - 2010.

- Vol. 17(5). - P. 513-516.

51. Mittal, A. No-Reference Image Quality Assessment in the Spatial Domain / A. Mittal, A. K. Moorthy, A. C. Bovik // IEEE Transactions on Image Processing. -2012. - Vol. 21(12). - P. 4695-4708.

52. Sheikh, H. R. A Statistical Evaluation of Recent Full Reference Image Quality Assessment Algorithms / H. R. Sheikh, M. F. Sabir, A. C. Bovik // IEEE Transactions on Image Processing. - 2006. - Vol. 15(11). - P. 3440-3451.

53. Liu, L. Blind image quality assessment by relative gradient statistics and adaboosting neural network / L. Liu, Y. Hua, Q. Zhao, H. Huang, A. C. Bovik // Signal Processing: Image Communication. - 2016. - Vol. 40. - P. 1-15.

54. Mittal, A. Making a "Completely Blind" Image Quality Analyzer / A. Mittal, R. Soundararajan, A. C. Bovik // IEEE Signal Processing Letters. - 2013. - Vol. 20(3).

- P. 209-212.

55. Zhang, L. A Feature-Enriched Completely Blind Image Quality Evaluator / L. Zhang, L. Zhang, A. C. Bovik // IEEE Transactions on Image Processing. - 2015. -Vol. 24(8). - P. 2579-2591.

56. Srivastava, A. On advances in statistical modeling of natural images / A. Srivastava, A. B. Lee, E. P. Simoncelli, S. C. Zhu // Journal of mathematical imaging and vision. - 2003. - Vol. 18(1). - P. 17-33.

57. Ruderman, D. L. Statistics of natural images: Scaling in the woods / D. L. Ruderman, W. Bialek // Advances in neural information processing systems. - 1994. -P. 551-558.

58. Masalmeh, S. K. Towards predicting multi-phase flow in porous media using digital rock physics: workflow to test the predictive capability of pore-scale modeling / S. K. Masalmeh, X. Jing, S. Roth, C. Wang, H. Dong, M. Blunt // Abu Dhabi International Petroleum Exhibition and Conference. - 2015. - P. SPE-177572-MS.

59. Chhatre, S. S. A Blind Study of Four Digital Rock Physics Vendor Laboratories on Porosity, Absolute Permeability, and Primary Drainage Capillary Pressure Data on Tight Outcrops / S. S. Chhatre, H. Sahoo, S. Leonardi, K. Vidal, J. Rainey, E. M. Braun, P. Patel // Petrophysics. - 2018. - Vol. 59(01). - P. 15-24.

60. Vogel, H. J. A new approach for determining effective soil hydraulic functions / H. J. Vogel, K. Roth // European Journal of Soil Science. - 1998. -Vol. 49(4). - P. 547-556.

61. Mu, Y. Drainage and imbibition capillary pressure curves of carbonate reservoir rocks by digital rock physics / Y. Mu, Q. Fang, C. Baldwin, J. Toelke, A. Grader, M. Dernaika, Z. Kalam // Proceedings of the Annual Symposium of the Society of Core Analysts, SCA. - 2012. - Vol. 56. - P. SCA2012-56.

62. Vogel, H. J. Quantitative morphology and network representation of soil pore structure / H. J. Vogel, K. Roth // Advances in water resources. - 2001. - Vol. 24(3-4). - P. 233-242.

63. Vogel, H. J. Quantification of soil structure based on Minkowski functions / H. J. Vogel, U. Weller, S. Schlüter // Computers & Geosciences. - 2010. - Vol. 36(10). P. 1236-1245.

64. Bhattad, P. Effect of network structure on characterization and flow modeling using X-ray micro-tomography images of granular and fibrous porous media / P.

Bhattad, C. S. Willson, K. E. Thompson // Transport in Porous Media. - 2011. -Vol. 90(2). - P. 363.

65. Rabbani, A. An automated simple algorithm for realistic pore network extraction from micro-tomography images / A. Rabbani, S. Jamshidi, S. Salehi // Journal of Petroleum Science and Engineering. - 2014. - Vol. 123. - P. 164-171.

66. Gostick, J. T. Versatile and efficient pore network extraction method using marker-based watershed segmentation / J. T. Gostick // Physical Review E. - 2017. -Vol. 96(2). - P. 023307.

67. Roerdink, J. B. The watershed transform: Definitions, algorithms and parallelization strategies / J. B. Roerdink, A. Meijster // Fundamenta informaticae. -2000. - Vol. 41(1, 2). - P. 187-228.

68. Buzug, T. M. Computed tomography / T. M. Buzug // Springer Handbook of Medical Technology. - 2011. - P. 311-342.

69. Kornilov, A. Blind Quality Assessment for Slice of Microtomographic Image / A. Kornilov, I. Safonov, I. Yakimchuk // 2019 24th Conference of Open Innovations Association (FRUCT). - Moscow, Russia, IEEE. - 2019. - P. 170-178.

70. Kornilov, A. S. Selection in a 3D microtomographic image the region with the highest quality / A. S. Kornilov, I. V. Safonov, A. V. Goncharova, I. V. Yakimchuk // International conference Information Technology and Nanotechnology. - Samara, Russia, CEUR Workshop Proceedings. - 2019. - Vol. 2391. - P. 160-168.

71. Fabijanska, A. Variance filter for edge detection and edge-based image segmentation / A. Fabijanska // Perspective Technologies and Methods in MEMS Design. - 2011. - P. 151-154.

72. Soille, P. Morphological image analysis: principles and applications / P. Soille. - New York : Springer Science & Business Media, 2004. - 392 p.

73. Tomasi, C. Bilateral filtering for gray and color images / C. Tomasi, R. Manduchi // Sixth International Conference on Computer Vision (IEEE Cat. No.98CH36271). - Bombay, India, 1998. - P. 839-846.

74. Корнилов, А. С. Локальная оценка резкости микротомографического изображения / А. С. Корнилов, И. В. Сафонов, И. В. Якимчук // Техническое

зрение в системах управления - 2019: сб. тезисов докладов научно-технической конференции. - Москва, ИКИ РАН, 12-13 марта 2019. - С. 64.

75. Litjens, G. A survey on deep learning in medical image analysis / G. Litjens, T. Kooi, B. E. Bejnordi, A. A. A. Setio, F. Ciompi, M. Ghafoorian, J. A. Van Der Laak, B. Van Ginneken, C. I. Sánchez // Medical image analysis. - 2017. - Vol. 42. - P. 6088.

76. Kornilov, A. Ring artifacts segmentation on microtomographic images by convolutional neural networks / A. Kornilov, I. Safonov and I. Yakimchuk // 2020 International Conference on Information Technology and Nanotechnology (ITNT). -Samara, Russia, IEEE. - 2020. - P. 1-6.

77. Kornilov, A. Inpainting of Ring Artifacts on Microtomographic Images by 3D CNN / A. Kornilov, I. Safonov, I. Yakimchuk // 2020 26th Conference of Open Innovations Association (FRUCT). - Yaroslavl, Russia, IEEE. - 2020. - P. 200-206.

78. Kornilov, A. Deep Neural Networks for Ring Artifacts Segmentation and Corrections in Fragments of CT Images / A. Kornilov, I. Safonov, I. Reimers, I. Yakimchuk // 2021 28th Conference of Open Innovations Association (FRUCT). -Moscow, Russia, IEEE. - 2021. - P. 181-193.

79. Carrel, M. Biofilm imaging in porous media by laboratory X-Ray tomography: Combining a non-destructive contrast agent with propagation-based phase-contrast imaging tools / M. Carrel, M. A. Beltran, V. L. Morales, N. Derlon, E. Morgenroth, R. Kaufmann, M. Holzner // PloS one. - 2017. - Vol. 12(7). -P. e0180374.

80. Abraham, N. A novel focal tversky loss function with improved attention U-net for lesion segmentation / N. Abraham, N. M. Khan // 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019). - 2019. - P. 683-687.

81. Kervadec, H. Boundary loss for highly unbalanced segmentation / H. Kervadec, J. Bouchtiba, C. Desrosiers, E. Granger, J. Dolz, I. B. Ayed // International conference on medical imaging with deep learning. - 2019. - P. 285-296.

82. Корнилов, А. С. Способ аугментации данных для коррекции кольцевых артефактов на томографических изображениях / А. С. Корнилов, Д. О. Макиенко

// Тезисы конференции «Ломоносов - 2020». - Москва, МГУ, 10-27 ноября 2020. - С. 1-3.

83. Гансалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гансалес, Р. Вудс, С. Эддинс. - М. : Издательство «Техносфера», 2006. - 616 с.

84. Lee, K. Superhuman accuracy on the SNEMI3D connectomics challenge / K. Lee, J. Zung, P. Li, V. Jain, H. S. Seung. - Текст: электронный // arXiv preprint arXiv:1706.00120. - 2017. - URL: https://arxiv.org/pdf/1706.00120.pdf (дата обращения: 03.04.2021).

85. Hellinger, E. Neue begründung der theorie quadratischer formen von unendlichvielen veränderlichen / E. Hellinger // Journal für die reine und angewandte Mathematik. - 1909. - Vol. 1909(136). - P. 210-271.

86. Kornilov, A. S. Visualization of quality of 3D tomographic images in construction of digital rock model / A. S. Kornilov, I. A. Reimers, I. V. Safonov, I. V. Yakimchuk // Scientific Visualization. - 2020. - Vol. 12(1). - P. 70-82.

87. Реймерс, И. А. Подход к выбору в трехмерном FIB-SEM изображении области для последующего математического моделирования / И. А. Реймерс, А. С. Корнилов // Труды 62-й Всероссийской научной конференции МФТИ. - Москва, 18-24 ноября 2019. - С. 83-84.

88. Kaehler, A. Learning OpenCV 3: computer vision in C++ with the OpenCV library / A. Kaehler, G. Bradski. - O'Reilly Media, Inc., 2016. - 1024 p.

89. Корнилов, А. С. Эффективная многопроцессная параллельная обработка томографических изображений / А. С. Корнилов // Тезисы докладов XXVI Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». - Москва, НИУ МЭИ, 12-13 марта 2020. - С. 200.

90. Message Passing Interface Forum. MPI: A Message-Passing Interface Standard. - University of Tennessee, USA. - 2015. - URL: https://www.mpi-forum.org/docs/mpi-3.1/mpi31-report.pdf (дата обращения: 03.04.2021). - Текст: электронный.

91. Phan, T. Performance-analysis-based acceleration of image quality assessment / T. Phan, S. Sohoni, D. M. Chandler, E. C. Larson // 2012 IEEE Southwest Symposium on Image Analysis and Interpretation. - 2012. - P. 81-84.

92. Dice, L. R. Measures of the amount of ecologic association between species. / L. R. Dice // Ecology. - 1945. - Vol. 26(3). - P. 297-302.

93. Zhao, H. Loss functions for image restoration with neural networks / H. Zhao, O. Gallo, I. Frosio, J. Kautz // IEEE Transactions on computational imaging. - 2016. -Vol. 3(1). - P. 47-57.

94. Wang, Z. Multiscale structural similarity for image quality assessment / Z. Wang, E. P. Simoncelli, A. C. Bovik // The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003. - 2003. - Vol. 2. - P. 1398-1402.

95. Kolarik, M. Optimized high resolution 3D Dense-U-net network for brain and spine segmentation / M. Kolarik, R. Bürget, V. Uher, K. Riha, M. K. Dutta // Applied Sciences. - 2019. - Vol. 9(3). - P. 404.

96. Kingma, D. P. Adam: A method for stochastic optimization / D. P. Kingma, J. Ba. - Текст: электронный // arXiv preprint arXiv:1412.6980. - 2014. - URL: https://arxiv.org/pdf/1412.6980.pdf (дата обращения: 03.04.2021).

97. Open Neural Network Exchange. The open standard for machine learning interoperability. - URL: https://onnx.ai (дата обращения: 03.04.2021). - Текст: электронный.

98. QRM GmbH. Micro-CT Barpattern Phantoms For the determination of inplane and axial spatial resolution. - URL: https://www.qrm.de/en/products/micro-ct-barpattern-phantoms (дата обращения: 03.04.2021). - Текст: электронный.

99. Weiß, D. Measuring the 3D resolution of a micro-focus X-ray CT setup / D. Weiß, Q. Shi, C. Kuhn // Conference on Industrial Computed Tomography. - 2012. -P. 345-353.

100. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE transactions on systems, man, and cybernetics. - 1979. - Vol. 9(1). - P. 62-66.

101. Zhang, X. Measuring the modulation transfer function of image capture devices: what do the numbers really mean? / X. Zhang, T. Kashti, D. Kella, T. Frank, D.

Shaked, R. Ulichney, M. Fischer, J. P. Allebach, // Image Quality and System Performance IX. - 2012. - Vol. 8293. - P. 829307.

102. Nickolls, J. Scalable parallel programming with CUDA: Is CUDA the parallel programming model that application developers have been waiting for? / J. Nickolls, I. Buck, M. Garland, K. Skadron // Queue. - 2008. - Vol. 6(2). - P. 40-53.

103. Mantiuk, R. K. Comparison of four subjective methods for image quality assessment / R. K. Mantiuk, A. Tomaszewska, R. Mantiuk // Computer graphics forum. - 2012. - Vol. 31(8). - P. 2478-2491.

104. Мелник, М. Основы прикладной статистики / М. Мелник. - М. : Энергоатомиздат, 1983. - 416 с.

105. Корнилов, А. С. Программная реализация алгоритма оценки разрешающей способности рентгеновского микротомографа / А. С. Корнилов // Тезисы Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика-2020». - Москва, НИУ МИЭТ, 1-9 октября 2020. - С. 129.

106. Davis, J. The relationship between Precision-Recall and ROC curves / J. Davis, M. Goadrich // Proceedings of the 23rd international conference on Machine learning. - 2006. - P. 233-240.

107. Athar, S. A comprehensive performance evaluation of image quality assessment algorithms / S. Athar, Z. Wang // IEEE Access. - 2019. - Vol. 7. -P. 140030-140070.

108. Telea, A. An image inpainting technique based on the fast marching method / A. Telea // Journal of graphics tools. - 2004. - Vol. 9(1). - P. 23-34.

109. Liu, G. Image inpainting for irregular holes using partial convolutions / G. Liu, F. A. Reda, K. J. Shih, T. C. Wang, A. Tao, B. Catanzaro // Proceedings of the European Conference on Computer Vision (ECCV). - 2018. - P. 85-100.

110. Deng, J. Imagenet: A large-scale hierarchical image database / J. Deng, W. Dong, R. Socher, L. J. Li, K. Li, L. Fei-Fei // 2009 IEEE conference on computer vision and pattern recognition. - 2009. - P. 248-255.

111. Kornilov, A. S. An overview of watershed algorithm implementations in open source libraries / A. S. Kornilov, I. V. Safonov // Journal of Imaging. - 2018. -Vol. 4(10). - P. 123.

112. Корнилов, А. С. Оценка временной эффективности реализаций алгоритма водораздела в программных библиотеках с открытым исходным кодом / А. С. Корнилов, И. В. Сафонов // Системы управления, связи и безопасности. -2019. - № 1. - С. 123-140.

113. Simple Morphological Image Library. - URL: http://smil.cmm.mines-paristech.fr (дата обращения: 03.04.2021). - Текст: электронный.

114. Yakimchuk, I. Micro-CT Workflow Optimization Based on Automatic Quality Assessment of Reconstructed Images / I. Yakimchuk, I. Safonov, A. Kornilov. - Текст: электронный // Proceedings of International Conference on Tomography of Materials & Structures (ICTMS2019). - Cairns, Australia, 22-26 July 2019. - URL: http://ictms.p.ann.currinda.com/days/2019-07-26/abstract/61 (дата обращения: 03.04.2021).

Приложение А. Свидетельство о государственной регистрации программы

для ЭВМ

URL электронной версии: https://new.fips.ru/registers-doc-

view/fips_servlet?DB=EVM&DocNumber=2020615934&TypeFile=html (дата

обращения: 03.04.2021).

Рисунок А.1 - Свидетельство о государственной регистрации программы для ЭВМ № 2020615934 «Параллельная сегментация алгоритмом водораздела»

Приложение Б. Акт о внедрении результатов работы

о внедрении результатов диссертационной работы Корнилова A.C. по теме «СИСТЕМА

ОЦЕНКИ И УЛУЧШЕНИЯ КАЧЕСТВА МИКРОТОМОГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ ОБРАЗЦОВ ГОРНЫХ ПОРОД», представленной на соискание ученой степени кандидата технических наук по специальности 05.13.01.

Результаты диссертационной работы Корнилова A.C. используются в компании Шлюмберже при проведении научных исследований и выполнении проектов по цифровому анализу керна для крупнейших российских и международных компаний нефтегазовой отрасли.

В частности, применяется разработанная Корниловым A.C. программная система для оценки и улучшения качества микроКТ изображений образцов горных пород. В данной программной системе реализованы:

• безреференсный метод и алгоритмы оценки качества микроКТ изображений как взвешенного произведения оценок отдельных факторов, влияющих на качество;

• способы визуализации качества томографического изображения, которые позволяют выбирать оптимальные параметры регистрации и реконструкции микротомографического изображения и фрагмент наилучшего качества для последующего моделирования;

• алгоритм автоматического ретуширования участков трёхмерного изображения, повреждённых кольцевыми артефактами;

• способ параллельной реализации алгоритма «водораздел» для нахождения горловин в пространстве пор.

Реализованные технологии являются инновационными для отрасли. Они позволяют: сделать анализ качества изображений образцов более объективным за счет замены субъективных качественных оценок на количественные; улучшить качество микротомографических изображений, повреждённых кольцевыми артефактами; ускорить ряд операций, необходимых при цифровом анализе керна, за счет их автоматизации.

ООО «Технологическая компания Шлюмберже«

ул. 50 лег Октября 14 Россия.Тюмень, 625048 Тел : [phone] Факс: [phone]

Schlumberger

АКТ

30 апреля 2021

Начальник исследовательского отдела, Московский научно-исследовательский центр Шлюмберже (SMR)

Руководитель департамента. Московский научно-исследовательский центр Шлюмберже (SMR)

В.К. Хан

стр 1 из 1

Рисунок Б.1 - Акт о внедрении результатов работы