基于改进UNet++的铸体薄片图像喉道分割算法

分析岩石中的喉道特征对岩石储层质量的衡量有着重要意义。传统的岩石铸体薄片图像喉道分割方法在提取喉道时主要依赖于孔隙的二值化图像,当分析复杂的孔隙结构时,这些方法容易使提取的喉道出现过分割和分割精度不高的问题,从而导致算法泛化性能差。针对上述问题,本文提出了一种基于深度学习的喉道分割算法。该算法采用UNet++作为特征提取的主干网络,在下采样过程中结合CBAM(Convolutional Block Attention Module)注意力模块以增强模型捕获不同维度特征之间相关性的能力,减小跳跃连接中的语义差异,从而提高喉道特征提取的准确性。本文算法与其他现有喉道分割算法分别就正确分割率CR(Correctness Rate)、欠分割率UR(Under-segmentation Rate)、过分割OR(Over-segmentation Rate)和MIoU(Mean Intersection over Union)四项指标进行了实验对比分析,结果表明本文方法能够有效抑制喉道过分割,在分割喉道时具有更高的准确度。