基于深度学习的岩石铸体薄片图像孔隙自动提取

发布时间：2021-08-07 10:16

　　岩石铸体薄片图像中孔隙区域的准确提取是分析评估工作的前提。但目前传统的孔隙提取方法主要是通过颜色特征进行阈值分割,精度较低,需加入大量的人工交互操作才能提高精度。因此提出一种新的基于深度学习的孔隙区域自动提取算法,该算法基于U-net搭建网络基本框架。首先,网络在编码阶段加入残差块来提升网络的深度。其次,针对残差块进行优化并引入空洞卷积,提取更全局、语义层次更深的特征。最后,在解码阶段加入网络模块间的短连接,提出新的融合特征方法,更好地将浅层特征与深层语义特征相结合,得到更加精细的孔隙区域。实验结果表明,该方法优于传统的孔隙提取方法,具有更高的分割精度且无需人工操作,与主流卷积神经网络相比也具有更高的精度和平均交并比。 

【文章来源】：科学技术与工程. 2020,20(28)北大核心

【文章页数】：8 页

【部分图文】：

岩石铸体薄片图像

U-net是一种全卷积神经网络,主要结构分为编码器和解码器两部分。编码器部分的主要功能是完成对特征的提取,而解码器部分则主要是进行上采样对图像进行还原,以此实现端到端的像素点分类,也就是语义级别的图像分割问题。U-net的网络结构如图2所示。在编码器部分,U-net的块结构为先通过两个3×3的卷积层,随后通过一个激活层进行激活,激活函数为线性整流函数(rectified linear unit, ReLU),最后通过一个最大池化层进行下采样,对特征进行压缩并减小参数量。在每通过一个块结构后,对特征通道的数量进行加倍,以此提取更多的特征。而在解码器部分,对特征图谱进行双线性插值的上采样,并连接编码器中对应的特征图谱。构建这种特征级联可以将网络下采样阶段的高分辨率图像特征信息引入到上采样阶段网络层中。这样做既避免了原图像的纹理信息在前半部分的池化层被损失掉,又保证了高分辨率的特征图谱在上采样层后得以恢复。随后通过两个2×2的卷积层以及激活层进一步恢复特征图谱的像素值。U-net的特点在于其使用了特征级联,其示意图如图3所示。特征级联主要是通过堆叠进行特征保留,与FCN采用的跳跃融合相比较,优点在于不同层之间的特征独立性得以保留,通过后续的卷积操作,可以更好地对下采样阶段损失的特征进行恢复。

U-net的特点在于其使用了特征级联,其示意图如图3所示。特征级联主要是通过堆叠进行特征保留,与FCN采用的跳跃融合相比较,优点在于不同层之间的特征独立性得以保留,通过后续的卷积操作,可以更好地对下采样阶段损失的特征进行恢复。1.2 残差块

【参考文献】：
期刊论文
[1]改进FCMS算法及其在颅内肿瘤图像分割的研究[J]. 王岩,吴焕丽.  科学技术与工程. 2019(34)
[2]基于VGG16预编码的遥感图像建筑物语义分割[J]. 徐昭洪,刘宇,全吉成,吴晨.  科学技术与工程. 2019(17)
[3]基于多尺度特征结构的U-Net肺结节检测算法[J]. 朱辉,秦品乐.  计算机工程. 2019(04)
[4]岩石铸体薄片鉴定与显微图像分析技术的应用[J]. 赵明,郭志强,卿华,张伶俐,刘伟.  西部探矿工程. 2009(03)



本文编号：3327614