砂岩薄片图像分割与识别研究

发布时间：2020-11-20 16:21

　　 在地质学领域中,砂岩薄片的鉴定对于油气勘探具有重要的指导意义。当前主要通过人工观察的方式分析砂岩薄片,消耗大量时间和人力成本,并且因分析人员经验不同造成鉴定质量良莠不齐。研发砂岩薄片自动化鉴定装置,有助于节约人力并提高鉴定效率。自动化鉴定装置的核心技术是识别和分析图像,因此砂岩薄片图像识别技术的研究具有重要的意义。本文针对砂岩薄片图像确定了先分割图像再进行识别的思路。首先基于超像素算法对砂岩薄片图像进行分割,再训练卷积神经网络模型识别子图像中组成成分类别。因此本文围绕超像素分割算法和图像识别模型两部分展开研究,主要研究内容和成果概括如下:(1)针对砂岩薄片图像分割问题,本文基于SLIC算法提出了一个自适应超像素数量的AS-SLIC算法,该算法可根据区域颜色直方图动态地产生超像素。同时改进了算法中的特征距离度量函数,使其能够结合多幅图像产生超像素。在砂岩薄片图像上的实验证明,本文提出算法的边界召回率相对SLIC算法有所提高,并且多图像分割算法相对单图像的分割精度更高,一定程度上缓解了传统算法的欠分割问题。(2)针对超像素算法产生的过分割问题,本文提出了一个基于区域特征相似度的超像素合并算法,该算法提取区域特征并根据区域间特征距离来合并过分割区域。实验结果证明本文提出的超像素合并算法能够合并大多数过分割区域,可以大幅度提升边界分割准确率,使分割结果更接近人工分割的结果。(3)针对砂岩薄片图像组分(组成成分)识别问题,本文设计了一个轻量级的卷积神经网络模型。本文结合深度可分离卷积、密集连接和残差学习的思想提出了 Res2Dw模型,该模型在减少参数量的同时且具有较深的网络结构和多尺度的感受野。本文还采用图像增强、类平衡损失函数等策略缓解数据分布不均衡问题带来的影响。实验结果表明,本文设计的模型参数量保持轻量级的同时获得了比同量级的模型更高的识别精度。(4)针对模型识别精度问题,本文设计了大量实验进行验证。本文研究过程中制作了两个图像数据集,然后通过实验探索了如何提升模型识别精度,最终训练出的模型对105类砂岩组分的识别准确率最高可达89.8%。
【学位单位】：中国科学技术大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：P618.13;TP391.41
【部分图文】：

?第２章相关背景与技术概述???别陆源碎屑、非陆源碎屑和填隙物。结构方面的鉴定主要是识别碎屑颗粒、填隙??物和孔隙间的结构特征，具体包括颗粒粒度、分选性、磨圆度、支撑类型、接触??方式、胶结类型六个方面。经过上述分析鉴定，最终由鉴定人员编写砂岩鉴定分??析报告，目前国内常用的砂岩薄片鉴定分析报告模板如图２．２所示。??委托单位?批巧?接ｉｆ丨】期?佺涮ａ期??栓涮编号?要托人?仪器变号?仅器编号??来蛘号?抒＆名样?畫内温度?相对龙度???丼号糾面?咖⑴?ＬＩ．?Ｌ?｜｜???ｒ．．．．．．．ｒ￣ｆｒ—一￣￣ｉｓ?ｎ—??？?拽?Ｒ?＊?８？卜?＊??￣￣Ｚ?一￣一＂：：１?＾?火?饺结物?本珥－?钴触?Ｍａｎ?孔??—４?ｘ．．ｌｎ！！．．?■■■■■石》押幻？〇■?变火?２山?＊?＿＿＿＿密货?英炎二率??英石长长?枳咕成⑴＝碎?《硓?《?泥?＾?Ｓ?度?ｎ?系?（％＞??地續年代?ｍｍ＿＿??????好准方法？?９?Ａ?｝?Ａ：?Ｂ）?Ｈ－Ｊ?ｈ?Ｃｌ?Ｖ－－?ｔ?：？?（．?｝?Ｊ：ｉ?０■：?Ｖｉ?■；?）?Ｈｉ?ｌｉ?ｎ?Ｈｉ?Ｉ．?Ｉ?Ｖｉ?；?＞．－＜？???＇??ｉ??ＳＶ／Ｔ?５：ｋＷ－２０Ｊ６??定?名?妁?性?描?述??林结构??岩梆色括＊＊＊？??好喷胶结物为＊？？？碳酸法胶结物为＊＊＊＊＊＊＊胶结？分布《＊：泥陆胶结物＊＊＊．?－＊＊１２结．??图２．２砂岩薄片鉴定检测报告模板??２．２超像素图像分割??２．２．１基本概念??超像素（Ｓｕｐｅｒｐｉｘ

?第２章相关背景与技术概述???向路径不交叉。迭代的对图像进行垂直和水平二分之后，得到网格状的超像素，??如图２．３所示。作者分别使用了?ｓ－ｔ最小割方法和动态规划法来搜索最优路径，??使得算法时间复杂度约为ｏ〇ｖ３／２／〇＾ｖ）。???Ｎ?—?－?－?／?－?－??４?〈?３?Ｍ－２?＾?Ｍ－１〈?Ｎ??图２．３?Ｓｕｐｅｒｐｉｘｅｌ?Ｌａｔｔｉｃｅ算法超像素生成过程??该算法在分割过程中的拓扑约束条件，使得到的超像素形状较规则、分布均??匀，并且能够精确控制超像素数量，但分割精度依赖于建立的边界图，而且最优??路径的策略可能与局部物体边缘不贴合。作者后续的研宄中加入了场景形状的先??验知识，使得每条路径尽可能贴合局部物体的边界，进一步提高了分割的精度。??（３）?ＳＥＥＤＳ?算法??Ｂｅｒｇｈ等人于２０１２年提出了?ＳＥＥＤＳ算法，该算法通过颜色直方图距离和??边界约束条件来将像素划分到超像素中。首先将图像等间距的划分为多个网格，??作为初始化的超像素。然后将图像的颜色空间等间距的划分为多个区间，统计超??像素中每个像素的颜色在颜色区间中出现的概率，计算公式如下：??ｆｓｋ（Ｊ）?＝?２?Ｘ?Ｙ＾Ｃｎ?＆?Ｈｊ＾?（２．５）??ｎｅＳｆｃ??其中Ａ表示第ｙ个颜色区间，表示第／个像素点的颜色值，＆为第ｔ个超??像素，ｙ（＿）函数用来判断ｑ是否属于。定义公式２．６来计算超像素内的颜色一??致性，并定义公式２．７表示整幅图像的颜色熵。由定义可知，熵值越高则超像素??内部的颜色越一致。??Ｓ＾Ｓｋ）?＝?＾?（／ｓｆｃ０））?（２．６）??Ｈｊ??／／（５）＝?＾?５（５，）?（２．７

?军，在ＩｍａｇｅＮｅｔ数据集上的ｔｏｐ－５识别错误率为３．５７％，甚至低于人眼识别错误??率。简单的堆叠卷积层来增加深度，会导致梯度消失或梯度爆炸，并且随着深度??的增加，网络的性能可能会出现退化。Ｈｅ等人提出一种设想，当简单的卷积层??堆叠导致网络过深，若其中某一层提取到的特征已经是最优状态，那么后面的层??就不应该再对其做出改变，所以后面的层应学习到恒等映射（ｉｄｅｎｔｉｔｙ?ｍａｐｐｉｎｇ）??的能力。因此，作者提出了残差学习模块（ｒｅｓｉｄｕａｌｌｅａｍｉｎｇ），模块结构如图２．５??所示。??ｗｅｉｇｈｔ?ｌａｙｅｒ?＼??７（ｘ）?｜ｒｅｌｕ?Ｊ?ｘ??ｗｅｉｇｈ｜ｌａｙｅｒ?１?Ｊ?ｉｄｅｎｔｉｔｙ??称Ｘ??图２．５残差学习模块??ＲｅｓＮｅｔ的思想是增加直连接通道，与ＨｉｇｈｗａｙＮｅｔ［３７１的思想类似。在残差学??习模块中，首先将输入复制一份直接连接到输出，这样当某一层的特征表达最优??时，直连接部分起到恒等映射的作用，使模块内的卷积操作失去作用。假设残差??学习模块的输入为ＡＳ?；Ｆ（；〇为模块内的特征变换，则输出为：Ｆ（；〇＋Ｘ。当浅层的??特征已足够优秀时，对特征的任何改变都将使全局损失增大，此时训练过程中将??使：Ｆ（；〇逐渐趋向于０，而输入特征Ｘ将继续向后面的层传递。恒等映射的操作有??利于梯度反向传播，通过将多个残差学习模块进行堆叠，甚至可以使网络达到??１５０余层的深度。ＲｅｓＮｅｔ为进一步加深网络深度提供了新的思路，是目前图像识??别领域中最常用的模型之一。??１７??
【参考文献】

相关期刊论文 前2条

1 宋克臣;颜云辉;陈文辉;张旭;;局部二值模式方法研究与展望[J];自动化学报;2013年06期

2 徐安娜,穆龙新,裘怿楠;我国不同沉积类型储集层中的储量和可动剩余油分布规律[J];石油勘探与开发;1998年05期

本文编号：2891679