CN109859230A - 一种用于多孔介质显微ct图像的分割方法 - Google Patents
一种用于多孔介质显微ct图像的分割方法 Download PDFInfo
- Publication number
- CN109859230A CN109859230A CN201811599134.4A CN201811599134A CN109859230A CN 109859230 A CN109859230 A CN 109859230A CN 201811599134 A CN201811599134 A CN 201811599134A CN 109859230 A CN109859230 A CN 109859230A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- images
- porous medium
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010603 microCT Methods 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 17
- 230000035699 permeability Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 14
- 239000007790 solid phase Substances 0.000 description 11
- 239000011148 porous material Substances 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000012071 phase Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000011324 bead Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种用于多孔介质显微CT图像的分割方法，结合了传统的图像处理算法与基于深度学习的全卷积神经网络语义分割方法，完成对多孔介质显微CT图像的阈值分割，只需要训练好的网络模型，同时保证训练数据和测试数据的图像灰度分布相似即可。本发明步骤简单，无需调节复杂的超参数，可以很好地避免之前的阈值分割算法中流程复杂、通用性差的问题；同时在网络模型训练时，将多通道数据作为输入，避免了输出的图像序列在纵向上孔隙不连续的问题。
Description
技术领域
本发明涉及一种用于多孔介质显微CT图像的分割方法，属于多孔介质图像处理技术领域。
背景技术
分子液环式角加速度计是一种新型的角加速度计，在精度、带宽和稳定性方面都有非常好的综合性能。固相转换器由粒径符合对数正态分布的玻璃微珠堆积、烧结制成，可以实现流体流动向电信号的转换。对固相转换器这种多孔介质进行性能分析，可以更好地指导生产过程，提升角加速度计的综合性能。
计算机断层扫描技术(Computed Tomography，CT)是一种非破坏性的3D成像技术，可以在不破坏样本的情况下获取其内部显微结构。显微CT设备的分辨率很高，可以达到微米级别，因而被广泛应用在生物、医药、材料等多个领域。使用显微CT图像扫描固相转换器这种多孔介质，可以得到其三维灰度图像。该种多孔介质内部结构由孔隙相和固体相组成，使用图像分割的方法，区分其中的孔隙相与固体相，可以构建多孔介质的三维数字岩心，为后续的多孔介质特性分析提供实验数据。
针对图像分割算法已经有较多的研究，周云华等人对基于遗传算法和最大熵阈值分割算法的图像分割算法展开研究，在较短的时间内收敛到较好的分割阈值，但是这属于单个阈值的分割算法，使用过程中有较大的局限性；Brendan A.West等人基于非监督的方法设计了基于多孔介质的多相图像分割流程，并与合成的数据进行比较，但是处理的多孔介质图像序列含有比较明显的多峰特性，且这种非监督的方法在验证时比较困难；近年来，随着深度学习的发展，基于全卷积神经网络的图像分割模型得到了广泛应用，代表性的有FCN、U-Net、SegNet、Deeplab等网络模型。其中U-Net模型由于其结构简单，可以结合像素的高层语义信息和低层位置信息，在分类精度和位置精度上都有很好的性能。
在分类任务中，网络最后的输出层一般为sigmoid或者softmax函数，分别对应二分类与多分类任务的情况，输出值表示图像中该位置的像素属于特定类别的概率，常用的损失函数为交叉熵损失函数(cross entropy loss function)与dice损失函数(dice lossfunction)，以二分类为例，交叉熵损失函数表达式为
其中N为所有像素的个数，为第i个像素的分类真值(0或1)，pi为第i个像素属于类别1的预测概率。dice损失函数为
其中K表示所有像素的类别个数，Ii与表示模型输出与真值图像，图像中每个像素表示其属于第i类的示性函数，S(I)表示图I中值为1的像素个数，为图I与图的交集，ε为平滑项，一般取1。相比于交叉熵损失函数，dice损失函数在样本分布复杂的情况下有较高的敏感度。
结合阈值分割和形态学方法对多孔介质图像进行分割，可以获得较为准确的分割结果，但是流程复杂，且阈值和形态学算子的形状与尺寸对分割的结果影响很大，此外在不同的多孔介质样品上都需要设置不同的处理流程，通用性较差；端到端的深度学习方法流程简单，但是没有考虑到多孔介质图像灰度分布与图像序列在纵向上的孔隙连续性。因此有必要提出一种简单、通用性强的多孔介质图像分割方法，简化传统方法的阈值分割流程。
发明内容
针对现有研究的不足，本发明提供了一种用于多孔介质显微CT图像的分割方法，可以避免卷积神经网络输出的图像序列在纵向上孔隙不连续的问题，提高分割精度。
为达到上述目的,本发明的技术方案主要包含以下步骤：
本发明的一种用于多孔介质显微CT图像的分割方法，包括如下步骤：
第一步、使用显微CT在设定分辨率下采集多孔介质样品的CT灰度图像序列，作为训练图像序列；针对训练图像序列，得到二值化图像，作为分割真值图像；
第二步、全卷积神经网络训练，具体包括：
S21、将全卷积神经网络的输入通道修改为2k+1个输入通道；将全卷积神经网络中的卷积核大小修改为(2k+1)kc×ks×ks；其中，kc×ks×ks表示只有一个输入通道时全卷积神经网络的卷积核大小；
S22、初始化卷积核中各元素的初值后，训练图像序列中第n-k至n+k帧灰度图像输入到全卷积神经网络中，将第n帧图像的分割真值图像作为全卷积神经网络的目标输出；经过网络模型的处理后，得到第n帧图像的概率热图，完成一次图像分割；
S23、完成一组2k+1个图像的分割后，将n加1，再在训练图像序列中获取第n-k至n+k帧图像，得到另一组图像序列，输入到全卷积神经网络模型中，当前第n帧图像的分割真值图像作为网络的目标输出进行训练，完成后再将n加1，以此类推，直到将训练图像序列中图像取完，则完成一次网络模型的迭代；
S24、按照S23方法再利用训练图像序列中图像进行下一次迭代，直到迭代次数达到设定值，得到训练好的全卷积神经网络模型；
第三步、利用训练好的全卷积神经网络模型对输入的待分割CT图像序列进行分割。
较佳的，所述第一步中，使用阈值分割和形态学操作方法进行处理并微调，得到所述二值化图像。
较佳的，所述第一步中，所述多孔介质样品至少为2个，采用相同材料及工艺制成，且具有不同的粒径尺寸。
进一步的，所述第二步中，在灰度图像在每次进行卷积运算之前，对灰度图像在当前尺寸基础上进行扩充操作，即在图像边缘扩充，并用0对各扩充的像素进行赋值，使得图像尺寸由当前的m×m扩充为(m+2p)×(m+2p)；其中，
较佳的，所述第一步中，使用σk＝2的高斯核对训练图像序列进行高斯滤波。
较佳的，所述第一步中，对灰度图像分别进行zscore标准化处理。
进一步的，按照第一步的方法获取测试集图像，并得到每帧图像的分割真值图像；然后将测试集图像输入到训练好的全卷积神经网络中，得到概率热图序列后再得到二值化图像序列，并与分割真值图像进行对比，对全卷积神经网络进行性能评估。
较佳的，根据测试集图像的分割真值图像以及概率热图序列对应的二值化图像序列，计算平均交并比的值，根据该值对全卷积神经网络进行评估。
较佳的，分别利用测试集图像的分割真值图像以及概率热图序列对应的二值化图像序列，分别计算多孔介质的孔隙率或者渗透率，通过比对两者的孔隙率或者渗透率对全卷积神经网络的分割性能进行评估。
较佳的，网络模型的优化器为Adam优化器，即学习率会自适应变化；在训练的过程中，损失函数使用dice损失函数。
本发明具有如下有益效果：
本发明结合了传统的图像处理算法与基于深度学习的全卷积神经网络语义分割方法，完成对多孔介质显微CT图像的阈值分割，只需要训练好的网络模型，同时保证训练数据和测试数据的图像灰度分布相似即可。本发明步骤简单，无需调节复杂的超参数，可以很好地避免之前的阈值分割算法中流程复杂、通用性差的问题；同时在网络模型训练时，将多通道数据作为输入，避免了输出的图像序列在纵向上孔隙不连续的问题。
附图说明
图1为专利所述阈值分割方法流程图；
图2为固相转换器外观图；
图3为样品1灰度图像；
图4为样品2灰度图像；
图5为训练集与测试集经过zscore标准化后的累计概率分布；
图6为训练集与测试集经过高斯滤波预处理与zscore标准化后的累计概率分布；
图7为U-Net网络模型结构；
图8为本发明图像分割处理过程中图像；
图9为本发明图像分割后得到的多孔介质三位数字岩心。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明的一种用于多孔介质显微CT图像的分割方法，流程图如图1所示。使用显微CT扫描得到多孔介质三维灰度图像序列；使用传统方法对多孔介质图像序列进行分割，并将结果作为真值，用于后续的模型训练和验证，对灰度图像进行预处理，减小训练集和测试集的图像灰度分布差异，使用训练集图像序列训练全卷积神经网络模型，为避免预测结果在纵向上的孔隙连续性差的问题，设置神经网络的输入为多通道图像，即纵向连续若干张图像，设置输出为单通道图像；将预处理后的测试集灰度图像序列输入到训练好的全卷积神经网络模型中，得到模型输出，为属于特定类别的概率热图，每个点的像素值表示该点属于特定类别的概率；使用图像二值化算法对输出的概率热图序列进行阈值分割，最终得到二值化图像序列，可以用于多孔介质数字岩心模型构建以及后续的性能分析。
第一步、使用显微CT在特定分辨率下采集多孔介质样品的CT灰度图像序列，作为训练图像序列；针对训练图像序列中的每一断层的图像，进行阈值分割，得到二值化图像，作为分割真值图像；
其中，使用传统的阈值分割与形态学操作(腐蚀、膨胀、开运算、闭运算、去除小面积区域、孔洞填充)，不断微调，得到最终的多孔介质二值化图像序列，用于之后的全卷积神经网络有监督训练。
本实施例中，多孔介质样本为固体相转换器，外观图如图2所示；制作得到两种固相转换器，记为样品1与样品2，两种样本均采用玻璃微珠制作，制作过程中的条件也相同，但玻璃微珠粒径分布不同。使用分辨率为0.97μm·pixel-1的显微CT获得固相转换器样品1与样品2的灰度图像序列，这里将样品1的图像序列作为训练数据，将样品2的图像序列作为测试数据，用于验证模型性能。训练和测试数据中某一断层的灰度图像，分别如图3和图4所示。
第二步、数据预处理：对训练集与测试集的灰度图像分别进行zscore标准化，计算公式如下：
其中，σ与μ分别是灰度图像像素值的标准差与均值，处理后得到训练集与测试集的灰度累计概率分布如图5。可以看出灰度分布在最小值处分布不均匀，两种样品中灰度值为0的像素在图像中的占比很大。因此对训练集与测试集使用相同的预处理操作，使用σk＝2的高斯核进行高斯滤波，处理之后的训练集与测试集灰度图像进行zscore标准化之后的灰度累计概率分布如图6，可以看出预处理之后的训练集与测试集的灰度累计分布几乎一致。
第三步、全卷积神经网络模型训练：
传统的全卷积神经网络模型的输入是单幅图像，输出与输入图像大小相同，输出图像中对应位置的输出值为该位置像素所属特定类别的概率，但是针对单帧图像的模型无法考虑到CT图像序列在纵向上的连续性；本发明改进了传统模型，即：将全卷积神经网络的输入改成多通道输入，每次可输入多张图像，再根据输入图像的通道数量对网络模型中的卷积核的大小进行适应性修改，则可实现多通道输入并进行模型训练；改进的模型可以避免单帧图像预测结果在纵向上孔隙连续性很差的问题。经过若干次迭代之后，保存在验证集上性能最好的网络模型。性能指标包括但不局限于平均像素精度、平均交并比等。
定义第n帧图像表示CT图像序列中的第n张图像(1≤n≤N，N为单个样品CT扫描的图像总张数)。传统模型中，输入第n帧图像，输出为第n帧图像所有像素的类别预测概率；本发明的改进模型中，输入为第n-k至第n+k帧图像(1≤n-k,n+k≤N；k>0)，输出为第n帧图像所有像素的类别预测概率。
本实施例中，基于U-Net网络模型进行训练。U-Net网络结构如图6，设置网络模型的优化器为Adam优化器，即学习率会自适应变化。在训练的过程中，损失函数使用dice损失函数。
设置输入图像的大小为m×m＝192×192；网络模型中卷积核大小表示为kc×ks×ks＝32×3×3，kc为通道数；由此本发明将网络模型改进为多通道输入，则需要将卷积核大小设置为(2k+1)kc×ks×ks。
初始化卷积核中各元素的初值后，将多通道的灰度图像作为输入，令k＝2，输入为第n-k至n+k帧灰度图像，网络的目标输出为第n帧图像的分割真值图像；经过网络模型的处理后，输出为第n帧图像的概率热图I，热图中每个位置为(x,y)处的像素值为Ixy，0<Ixy<1，表示(x,y)处属于固体相的概率。其中，在灰度图像在每次进行卷积运算之前，需要对灰度图像在当前尺寸基础上进行扩充操作，即在图像边缘扩充，并用0对各扩充的像素进行赋值，使得图像尺寸由当前的m×m扩充为(m+2p)×(m+2p)；其中，使用图像扩充的方法，可以使得模型可以处理任意满足长和宽均为32的倍数的灰度图像序列，而无需在高层特征图级联的时候进行后续的裁剪操作。
完成一组2k+1个图像的分割后，将n加1，再在训练图像序列中获取第n-k至n+k帧图像，得到另一组图像，输入到改进后的网络模型中，当前第n帧图像的分割真值图像作为网络的目标输出进行训练，完成后再将n加1，以此类推，直到将训练图像序列中图像取完，则完成一次网络迭代；然后按照上述方法再利用训练图像序列中图像进行下一次迭代，直到迭代次数达到设定值；本实施例中，设置最大的迭代次数epoch为70。结束训练之后，保存模型结构和参数。
如果数据量较小，使用数据增强的技巧，即对图像进行水平和竖直翻转，增大训练数据的数据量，同时增强网络的泛化能力。
第四步、基于训练好的网络模型对测试集进行图像分割。
先使用传统阈值分割算法对测试集图像中各帧图像进行阈值分割，得到各帧图像的二值图，作为分割真值图像；然后取测试集图像中第n′-k至n′+k帧灰度图像输入到训练好的网络模型中，其中，1≤n′-k,n′+k≤N′，N′表示测试集图像数量，得到输出的概率热图序列并使用OTSU算法得到二值化图像序列。以其中一帧图像作为例，原始图像、高斯滤波预处理后图像、图像分割结果真值以及本发明处理结果图像如图8，由输出的二值化图像序列堆叠形成多孔介质三维数字岩心，如图9。
第五步、对本发明的图像分割结果进行验证。
图像分割中，平均交并比(mean Intersection over Union,mIOU)是常用的分割模型评价指标；本发明中，将测试集中各帧图像对应的分割真值图像与模型输出的二值化图像进行比对，得到mIOU：
其中K为类别的个数，pij表示类别i被识别为类别j的概率。
mIOU用于评价网络的分割性能，mIOU越大，图像分割性能越好。
孔隙率和渗透率是描述多孔介质渗流能力的重要参数。孔隙率是多孔介质的是表征材料孔隙部分占比的物理量。对于多孔介质材料，其孔隙率计算公式如下：
其中m是多孔介质的质量，ρp表示多孔介质材料的密度，V为多孔介质的体积。对于多孔介质三维数字图像，其孔隙率计算公式如下
其中Np与Ns分别表示数字图像序列中孔隙相体素固体相体素数量。渗透率是直接反映多孔介质渗透能力的指标。通过达西定律，可以直接计算出多孔介质的渗透率。达西定律可以表示为：
其中μ为流体的粘度，Q为通过多孔介质横截面的流量，κ为多孔介质的渗透率，A为流体流过多孔介质的横截面积，ΔP是流体流过多孔介质的压降，L是流体流过多孔介质的距离。对于多孔介质图像序列，可以使用palabos开源软件进行无量纲化渗透率的求解。
本实施例中，将测试集中网络输出的概率热图与各帧图像对应的分割真值图像与进行性能比对，大小为192×192×200三维数字图像处理结果，与数字图像序列真值进行性能比较，对比实验结果见表1。
通过对比实验，可以得出以下结论：本发明提出的预处理方法通过使训练集和测试集的图像灰度分布保持一致，大大提升了分割结果的mIOU与孔隙率指标；提出的多通道处理方法可以提升多孔介质图像在纵向上的连续性，从而提升分割结果的渗透率指标；对比实验中，动态学习率、数据增强等技巧也提升了本发明分割模型中的各项性能指标。
表1图像分割对比实验。
综上所述，以上仅为本发明的几个实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于多孔介质显微CT图像的分割方法，其特征在于，包括如下步骤：
第一步、使用显微CT在设定分辨率下采集多孔介质样品的CT灰度图像序列，作为训练图像序列；针对训练图像序列，得到二值化图像，作为分割真值图像；
第二步、全卷积神经网络训练，具体包括：
S21、将全卷积神经网络的输入通道修改为2k+1个输入通道；将全卷积神经网络中的卷积核大小修改为(2k+1)kc×ks×ks；其中，kc×ks×ks表示只有一个输入通道时全卷积神经网络的卷积核大小；
S22、初始化卷积核中各元素的初值后，训练图像序列中第n-k至n+k帧灰度图像输入到全卷积神经网络中，将第n帧图像的分割真值图像作为全卷积神经网络的目标输出；经过网络模型的处理后，得到第n帧图像的概率热图，完成一次图像分割；
S23、完成一组2k+1个图像的分割后，将n加1，再在训练图像序列中获取第n-k至n+k帧图像，得到另一组图像序列，输入到全卷积神经网络模型中，当前第n帧图像的分割真值图像作为网络的目标输出进行训练，完成后再将n加1，以此类推，直到将训练图像序列中图像取完，则完成一次网络模型的迭代；
S24、按照S23方法再利用训练图像序列中图像进行下一次迭代，直到迭代次数达到设定值，得到训练好的全卷积神经网络模型；
第三步、利用训练好的全卷积神经网络模型对输入的待分割CT图像序列进行分割。
2.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第一步中，使用阈值分割和形态学操作方法进行处理并微调，得到所述二值化图像。
3.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第一步中，所述多孔介质样品至少为2个，采用相同材料及工艺制成，且具有不同的粒径尺寸。
4.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第二步中，在灰度图像在每次进行卷积运算之前，对灰度图像在当前尺寸基础上进行扩充操作，即在图像边缘扩充，并用0对各扩充的像素进行赋值，使得图像尺寸由当前的m×m扩充为(m+2p)×(m+2p)；其中，
5.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第一步中，使用σk＝2的高斯核对训练图像序列进行高斯滤波。
6.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第一步中，对灰度图像分别进行zscore标准化处理。
7.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，按照第一步的方法获取测试集图像，并得到每帧图像的分割真值图像；然后将测试集图像输入到训练好的全卷积神经网络中，得到概率热图序列后再得到二值化图像序列，并与分割真值图像进行对比，对全卷积神经网络进行性能评估。
8.如权利要求7所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，根据测试集图像的分割真值图像以及概率热图序列对应的二值化图像序列，计算平均交并比的值，根据该值对全卷积神经网络进行评估。
9.如权利要求7所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，分别利用测试集图像的分割真值图像以及概率热图序列对应的二值化图像序列，分别计算多孔介质的孔隙率或者渗透率，通过比对两者的孔隙率或者渗透率对全卷积神经网络的分割性能进行评估。
10.如权利要求7所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，网络模型的优化器为Adam优化器，即学习率会自适应变化；在训练的过程中，损失函数使用dice损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811599134.4A CN109859230B (zh) | 2018-12-26 | 2018-12-26 | 一种用于多孔介质显微ct图像的分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811599134.4A CN109859230B (zh) | 2018-12-26 | 2018-12-26 | 一种用于多孔介质显微ct图像的分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109859230A true CN109859230A (zh) | 2019-06-07 |
| CN109859230B CN109859230B (zh) | 2020-09-11 |
Family
ID=66892331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811599134.4A Active CN109859230B (zh) | 2018-12-26 | 2018-12-26 | 一种用于多孔介质显微ct图像的分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859230B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507966A (zh) * | 2020-04-17 | 2020-08-07 | 无锡雪浪数制科技有限公司 | 一种基于unet深度网络的复合材料孔隙检测方法 |
| CN112700395A (zh) * | 2019-10-17 | 2021-04-23 | 中国石油天然气股份有限公司 | 基于U-Net全卷积深度神经网络的微观孔隙识别方法 |
| CN112927253A (zh) * | 2019-12-06 | 2021-06-08 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
| CN113063810A (zh) * | 2021-03-22 | 2021-07-02 | 西安科技大学 | 获得砂岩冻融作用下宏细观损伤演化规律的方法 |
| CN113792482A (zh) * | 2021-09-06 | 2021-12-14 | 浙江大学 | 一种用于模拟生物膜在多孔介质中生长的方法 |
| CN113935955A (zh) * | 2021-09-22 | 2022-01-14 | 无锡日联科技股份有限公司 | 一种基于x光图像的led焊盘气泡ai检测方法 |
| CN114092489A (zh) * | 2021-11-02 | 2022-02-25 | 清华大学 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103210416A (zh) * | 2010-12-22 | 2013-07-17 | 雪佛龙美国公司 | 用于表示多孔介质的密度图像的多相态分割的系统和方法 |
| CN105628586A (zh) * | 2016-02-19 | 2016-06-01 | 北京理工大学 | 一种多孔介质渗透率的确定方法 |
| CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
| CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
| CN107817199A (zh) * | 2016-09-14 | 2018-03-20 | 中国石油化工股份有限公司 | 一种致密砂岩多尺度孔隙模型的构建方法和应用 |
| CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
| CN108593501A (zh) * | 2018-04-28 | 2018-09-28 | 中国石油大学(华东) | 一种多孔介质的接触角确定方法及系统 |
| CN108763711A (zh) * | 2018-05-22 | 2018-11-06 | 中国石油大学(华东) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 |
-
2018
- 2018-12-26 CN CN201811599134.4A patent/CN109859230B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103210416A (zh) * | 2010-12-22 | 2013-07-17 | 雪佛龙美国公司 | 用于表示多孔介质的密度图像的多相态分割的系统和方法 |
| CN105628586A (zh) * | 2016-02-19 | 2016-06-01 | 北京理工大学 | 一种多孔介质渗透率的确定方法 |
| CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
| CN107817199A (zh) * | 2016-09-14 | 2018-03-20 | 中国石油化工股份有限公司 | 一种致密砂岩多尺度孔隙模型的构建方法和应用 |
| CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
| CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
| CN108593501A (zh) * | 2018-04-28 | 2018-09-28 | 中国石油大学(华东) | 一种多孔介质的接触角确定方法及系统 |
| CN108763711A (zh) * | 2018-05-22 | 2018-11-06 | 中国石油大学(华东) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| MENGYIN FU 等: ""Particle Detection of Porous Media Using Scanning Electron Microscope Images"", 《EIGHTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING》 * |
| 王美玲 等: ""基于模拟退火算法的多孔介质三维重建"", 《计算机辅助设计与图形学学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700395A (zh) * | 2019-10-17 | 2021-04-23 | 中国石油天然气股份有限公司 | 基于U-Net全卷积深度神经网络的微观孔隙识别方法 |
| CN112927253A (zh) * | 2019-12-06 | 2021-06-08 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
| CN112927253B (zh) * | 2019-12-06 | 2022-06-28 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
| CN111507966A (zh) * | 2020-04-17 | 2020-08-07 | 无锡雪浪数制科技有限公司 | 一种基于unet深度网络的复合材料孔隙检测方法 |
| CN111507966B (zh) * | 2020-04-17 | 2024-02-06 | 无锡雪浪数制科技有限公司 | 一种基于unet深度网络的复合材料孔隙检测方法 |
| CN113063810A (zh) * | 2021-03-22 | 2021-07-02 | 西安科技大学 | 获得砂岩冻融作用下宏细观损伤演化规律的方法 |
| CN113063810B (zh) * | 2021-03-22 | 2022-09-09 | 西安科技大学 | 获得砂岩冻融作用下宏细观损伤演化规律的方法 |
| CN113792482A (zh) * | 2021-09-06 | 2021-12-14 | 浙江大学 | 一种用于模拟生物膜在多孔介质中生长的方法 |
| CN113792482B (zh) * | 2021-09-06 | 2023-10-20 | 浙江大学 | 一种用于模拟生物膜在多孔介质中生长的方法 |
| CN113935955A (zh) * | 2021-09-22 | 2022-01-14 | 无锡日联科技股份有限公司 | 一种基于x光图像的led焊盘气泡ai检测方法 |
| CN114092489A (zh) * | 2021-11-02 | 2022-02-25 | 清华大学 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
| CN114092489B (zh) * | 2021-11-02 | 2023-08-29 | 清华大学 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109859230B (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859230B (zh) | 一种用于多孔介质显微ct图像的分割方法 | |
| CN109389128B (zh) | 电成像测井图像特征自动提取方法及装置 | |
| CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
| CN112560968B (zh) | 一种基于卷积和残差网络的her2图像分类方法及系统 | |
| CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
| CN108667684B (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
| CN110751644B (zh) | 道路表面裂纹检测方法 | |
| CN112927253B (zh) | 基于卷积神经网络的岩心fib-sem图像分割方法 | |
| CN112001218A (zh) | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 | |
| CN112711072A (zh) | 基于Res U-net的三维地震数据断层识别方法 | |
| CN113313000B (zh) | 一种基于光学图像的气液两相流智能识别方法 | |
| CN110349170B (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN115482444A (zh) | 一种基于两阶段融合神经网络的交通标志检测方法 | |
| CN115690073A (zh) | 一种激光增材制造陶瓷微结构局部表征方法、装置及介质 | |
| CN115439493A (zh) | 一种乳腺组织切片癌变区域分割方法及装置 | |
| CN102521402B (zh) | 文本过滤系统及方法 | |
| CN108961270B (zh) | 一种基于语义分割的桥梁裂缝图像分割模型 | |
| CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN115115647A (zh) | 一种融合注意力机制和残差aspp的遥感影像语义分割方法 | |
| CN118136181A (zh) | 一种基于深度学习的多孔材料特征参数预测方法 | |
| CN113920108A (zh) | 一种对用于处理细胞图像的U-Net模型进行训练的训练方法 | |
| CN116682043B (zh) | 基于SimCLR无监督深度对比学习异常视频清洗方法 | |
| CN117095173A (zh) | 一种结直肠癌h&e染色病理图像语义分割方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |