岩石铸体薄片图像的喉道分割算法

为了克服传统岩石铸体图像喉道分割不准确、耗时等问题,提出一种基于拐点检测的喉道分割方法。喉道的定义是连接相邻岩石孔腔的最窄部分,而孔隙区域最窄处两端边界往往向内形成凹陷,所以采用基于拐点检测的喉道分割。首先,对于孔隙边界外轮廓进行凹点的检测,对于内轮廓进行凸点的检测,然后根据孔隙喉道定义通过筛选与匹配算法对拐点进行处理,并利用对角边缘最短距离的方法处理拐点数为奇数的情况,从而形成分割线用以喉道分割。对多组不同情况的铸体图片进行分割实验,实验结果表明,该方法具有良好的喉道分割效果。

基于深度学习的岩石铸体薄片图像孔隙自动提取

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。