一种基于卷积神经网络的砂岩显微图像特征表示方法

发布时间：2020-12-24 20:56

　　砂岩显微图像分类是地质学研究中一项基本工作,在油气储集层评估等方面有重要意义.在实现自动分类时,由于砂岩显微图像具有复杂多变的显微结构,人工定义特征对砂岩显微图像的表示能力有限.此外,由于样本采集和标注成本高昂,带标记的砂岩显微图像很少.提出一种面向小规模数据集的基于卷积神经网络的特征表示方法FeRNet,以便有效地捕获砂岩显微图像的语义信息,提高对砂岩显微图像的特征表示能力.FeRNet网络结构简单,可降低网络对带标记图像数据量的要求,防止参数过拟合.针对带标记砂岩显微图像数量不足的问题,提出了图像扩增预处理方法及基于卷积自编码网络的权重初始化策略,降低了因数据不足造成的过拟合风险.基于采自西藏地区的砂岩显微图像数据集设计并进行实验,实验结果表明,在带标记砂岩显微图像数据不足的情况下,图像扩增和卷积自编码网络可以有效地改善FeRNet网络的训练效果,通过FeRNet网络提取的特征对砂岩显微图像的表示能力优于人工定义特征. 

【文章来源】：软件学报. 2020年11期 北大核心

【文章页数】：19 页

【部分图文】：

不同类型砂岩显微图像

将卷积神经网络应用于自然场景图像的特征表示,可使其分类性能取得很大程度的提升[24].砂岩显微图像与自然场景图像存在一定差别.如图2(b)所示,自然场景图像区分前景和背景,前景部分为感兴趣的目标对象(图中的猫),一般只占整张图像的一部分.若对原图像进行裁剪,裁剪后的图像可能只包含目标对象的一小部分,原图的语义信息将被严重破坏.如图2(a)所示,与自然场景图像不同,砂岩显微图像由不同的矿物颗粒构成,整张图像均为感兴趣的目标区域.对砂岩显微图像进行适当地裁剪,裁剪后的图像能保留原图绝大部分的语义信息,不会对图像分类结果造成影响.基于以上分析,砂岩显微图像允许对原图像进行合理的裁剪,且不改变原图像的语义信息.本文将砂岩显微图像这一特性称为裁剪语义不变性.根据此特性,本文提出一种基于滑动窗口的图像扩增方法,对砂岩显微图像以裁剪的方式进行预处理,实现图像数量的倍数级扩增.具体处理方式如下.

每次扫描取滑动窗口内的图像为一幅新的砂岩显微子图,以图像I的类标对其进行标记并保存.图3所示为基于滑动窗口的图像扩增示意图,其中,线框表示滑动窗口,虚线和实线框分别表示滑动窗口先前位置和当前位置,实心箭头表示窗口滑动方向.采用上述图像扩增方式,相邻子图像间会存在部分重合,但不会完全相同.通过对砂岩显微图像进行裁剪预处理,可有效扩增带标记砂岩显微图像数量,有助于防止过拟合,提高模型的泛化性能.

【参考文献】：
期刊论文
[1]多通道多模式融合LBP特征的纹理相似度计算[J]. 刘涛,周先春,严锡君.  计算机应用研究. 2018(12)
[2]基于卷积神经网络的小样本图像识别方法[J]. 段萌,王功鹏,牛常勇.  计算机工程与设计. 2018(01)
[3]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇.  软件学报. 2018(04)
[4]基于Haar特性的LBP纹理特征[J]. 周书仁,殷建平.  软件学报. 2013(08)



本文编号：2936298