CN113506253A - 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 - Google Patents
一种基于多层多核学习与区域合并的砂岩孔隙检测方法 Download PDFInfo
- Publication number
- CN113506253A CN113506253A CN202110733714.3A CN202110733714A CN113506253A CN 113506253 A CN113506253 A CN 113506253A CN 202110733714 A CN202110733714 A CN 202110733714A CN 113506253 A CN113506253 A CN 113506253A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- pore
- core
- regions
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 9
- 239000011707 mineral Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 13
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多层多核学习与区域合并的砂岩孔隙检测方法,包括:获取原始孔隙图像,对图像去噪和图像增强处理,再对图像进行SLIC超像素分割;构建RAG区域邻接图,标记区域间的相邻关系;在超像素分割后进行人工标注,二分类为孔隙区域和非孔隙区域;对训练集图像提取人工特征,得到多特征融合的特征向量,构建多层多核模型;将测试集图像提取多特征向量,输入到保存后的模型中;输出为当前区域为孔隙的概率,作为区域相似性度量值;计算图中每个相邻区域的相似程度;进行区域合并;输出孔隙检测区域。本发明利用多层多核学习算法进一步提高区域识别的准确率,可以更好地区分图像目标区域与背景区域,提高了检测精度。
Description
技术领域
本发明涉及岩石孔隙检测方法技术领域,特别是涉及一种基于多层多核学习与区域合并的砂岩孔隙检测方法。
背景技术
随着世界常规油气资源的不断消耗,非常规油气资源越来越受到世界各国的重视,致密油是非常规油气中较易开采的部分,作为重要的石油接替资源,已成为全球石油勘探开发的亮点领域。由于致密油主要存在于低孔砂岩储集层中,因此对微观孔隙结构的研究具有重大意义。传统的孔隙检测方法采用直接观察法或采用图像处理技术进行灰度二值化。但砂岩CT图像中包含多种矿物成分,矿物颗粒之间存在着缝隙和多种杂质,使用传统方法检测精度较低,还需后期专业性人员进行人工处理,并且对操作人员有着一定专业水平的要求。相较于传统孔隙检测方法,采用机器学习方法对孔隙进行检测,降低了对研究人员专业程度的要求,具备操作简单、检测效率高的特点。
现有技术一,申请号为CN201810750534.4的专利公开了一种基于人工智能的扫描电镜图像孔隙识别方法,提出了一种利用基于卷积神经网络的深度学习开源模型caffe,借助人工智能,将扫描电镜图像中的孔隙自动识别出来,提高孔隙识别的精度。
现有技术二,申请号为CN202011405063.7的专利公开了一种基于传统图像处理方法二值化算法对岩心图像进行分割,输出用于重构岩心图像。能够提高二维岩心图像的生成速率,从而提高三维数字岩心模型的生成效率。
但在实际研究中发现,现有的工艺方法,主要是利用深度学习方法和传统的图像处理方法对图像中孔隙进行检测。但深度学习方法在特征提取阶段的可解释性不强,并且需要大量的数据进行训练;而传统的图像处理方法对于噪声比较敏感,鲁棒性较差,检测精度较低。
发明内容
(一)要解决的技术问题
本发明提供一种基于多层多核学习与区域合并的砂岩孔隙检测方法,以克服现有技术中采用深度学习方法和传统的图像处理方法对图像中孔隙进行检测导致的可解释性不强,鲁棒性较差,检测精度较低等缺陷。
(二)技术方案
为了解决上述问题,本发明提供一种基于多层多核学习与区域合并的砂岩孔隙检测方法,包括:
步骤S1:获取原始孔隙图像并进行图像去噪和图像增强处理,得到预处理图像,再对图像进行SLIC超像素分割;
步骤S2:对步骤S1完成的初始分割结果,构建RAG区域邻接图,标记区域间的相邻关系;
步骤S3:抽取训练集图像,在超像素分割后进行人工标注,二分类为孔隙区域和非孔隙区域作为训练数据集标签;
步骤S4:对训练集图像提取人工特征,包括图像颜色特征、纹理特征、形状特征、边缘特征以及梯度特征得到多特征融合的特征向量,作为训练数据集特征;
步骤S5:构建多层多核模型,将训练数据集输入到多层多核模型中进行训练,保存训练后模型;
步骤S6:将测试集图像提取多特征向量,输入到保存后的模型中;输出为当前区域为孔隙的概率,作为区域相似性度量值;
步骤S7:利用步骤6计算出来的区域相似性度量值,计算图中每个相邻区域的相似程度;
步骤S8:设定区域合并策略,进行区域合并;
步骤S9:直到不再合并后,输出孔隙检测区域。
优选地,步骤1具体包括:将原始CT图像进行双边滤波去噪处理,将处理后的图像采用SLIC算法进行超像素分割,作为分割算法的预处理步骤;
SLIC超像素分割算法包括将矿物图像由RGB空间转化到 CIELAB颜色空间;结合像素点的二维坐标x、y可得到每个像素点的五维特征向量V=[L,a,b,x,y];
通过向量V计算像素点之间的距离相似度,从而对图像像素点进行局部聚类,得到矿物图像的超像素分割结果;其中像素点之间距离采用的是欧式距离进行计算,计算公式为
分割后,每个超像素区域由具有同一标号的像素集组成,标号从0开始,直到预设的分割的块数值。
优选地,所述步骤S2包括:RAG区域邻接图为无向有权图,对上述建立的标号图像上的每一个标号,在区域邻接图建立一个对应的节点v,对相邻两节点间增加一条边,建立连接;
RAG的定义为:G=(V,E),节点V={v1,v2,...,vn}和边 E={e1,e2,...,em},其中n,m分别表示节点数和边数,每条边代表一对无次序的节点(vi,vj)。
优选地,步骤S3包括超像素分割后的N个小区域,N个小区域为具有相同性质的像素分组,部分小区域进行人工标注,即为小区域进行人为设定是否为目标孔隙区域及非目标区域,其中,设定孔隙区域为0,非孔隙区域为1。
优选地,步骤S5包括:构建多层多核模型,将特特征向量输入到模型中,进行模型训练,多层多核模型定义为:
Kl=θ(l)K(l)(Kl-1)={θ(l,1)k(l,1)(θ(l-1,1)k(l-1,1)+…)+…θ(l,m)k(l,m)(…)},
k(l,m)代表l层的第m个核,θ(l,m)是相应的参数;
优选地,步骤S7包括:对于所有i和j,度量两个相邻区域Ri和Rj之间的相似性S(Ri,Rj),相邻两区域越相似,相似性度量越接近;每个Ri,i=1,2,…,n,从RAG中确定所有与Ri相邻的Rj(j≠i);确定Ri和Rj邻接,使用曼哈顿距离计算S(Ri,Rj),公式如下:
S(Ri,Rj)=|Hi(x)-Hj(x)|。
优选地,步骤S8包括:设定区域合并策略,合并最相似的两个相邻区域;迭代所有区域,直到S(Ri,Rj)>T,那么停止合并Ri和Rj;其中,T值为合并阈值,T∈(0,0.5),根据实际分割效果进行阈值调整。
(三)有益效果
本发明提供的基于多层多核学习与区域合并的砂岩孔隙检测方法,充分考虑预分割后超像素区域间的特征特点,提取多种特征计算样本相似性,利用多层多核学习算法进一步提高区域识别的准确率,可以更好地区分图像目标区域与背景区域,提高了检测精度。
附图说明
图1为本发明实施例基于多层多核学习与区域合并的砂岩孔隙检测方法实施例图;
图2为本发明实施例基于多层多核学习与区域合并的砂岩孔隙检测方法中多层核示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明如下。
如图1所示,本发明提供一种基于多层多核学习与区域合并的砂岩孔隙检测方法,包括:
步骤S1:获取原始孔隙图像并进行图像去噪和图像增强处理,得到预处理图像,再对图像进行SLIC超像素分割;
具体的,步骤S1具体包括:将原始CT图像进行双边滤波去噪处理,将处理后的图像采用SLIC算法进行超像素分割,作为分割算法的预处理步骤;
SLIC超像素分割算法包括将矿物图像由RGB空间转化到 CIELAB颜色空间;结合像素点的二维坐标x、y可得到每个像素点的五维特征向量V=[L,a,b,x,y];
通过向量V计算像素点之间的距离相似度,从而对图像像素点进行局部聚类,得到矿物图像的超像素分割结果;其中像素点之间距离采用的是欧式距离进行计算,计算公式为
分割后,每个超像素区域由具有同一标号的像素集组成,标号从0开始,直到预设的分割的块数值。
步骤S2:对步骤S1完成的初始分割结果,构建RAG区域邻接图,标记区域间的相邻关系;
具体的,RAG区域邻接图为无向有权图,对上述建立的标号图像上的每一个标号,在区域邻接图建立一个对应的节点v,对相邻两节点间增加一条边,建立连接。RAG的定义为:G=(V,E),节点 V={v1,v2,...,vn}和边E={e1,e2,...,em},其中n,m分别表示节点数和边数,每条边代表一对无次序的节点(vi,vj),即有边连接的两节点具有邻接关系。
步骤S3:抽取训练集图像,在超像素分割后进行人工标注,二分类为孔隙区域和非孔隙区域作为训练数据集标签;
具体的,步骤S3包括超像素分割后的N个小区域,N个小区域为具有相同性质的像素分组,部分小区域进行人工标注,即为小区域进行人为设定是否为目标孔隙区域及非目标区域,其中,设定孔隙区域为0,非孔隙区域为1。
步骤S4:对训练集图像提取人工特征,包括图像颜色特征、纹理特征、形状特征、边缘特征以及梯度特征得到多特征融合的特征向量,作为训练数据集特征;
具体的,致密砂岩CT图像中包含多种矿物颗粒、多种杂质和孔隙,通过查阅大量相关资料、与相关专家沟通以及多次实验验证,了解到砂岩CT图像中孔隙和非孔隙的特征区别主要在图像颜色特征、纹理特征、形状特征、边缘特征以及梯度特征等。在此基础上,筛选出特征有选择灰度特征、灰度梯度共生矩阵特征、Haar 特征、Canny特征、Hog特征、不变矩特征、Log特征和形态学梯度特征等8种特征。根据特征的计算形式分别从不同尺度提取特征并对提取的图像特征进行归一化,构成特征向量。
步骤S5:构建多层多核模型,将训练数据集输入到多层多核模型中进行训练,保存训练后模型;
具体的,该模型可以定义为:
Kl=θ(l)K(l)(Kl-1)={θ(l,1)k(l,1)(θ(l-1,1)k(l-1,1)+…)+…θ(l,m)k(l,m)(…)},
k(l,m)代表l层的第m个核,θ(l,m)是相应的参数;
参考图2,在多层多核模型中,首先,初始化每层的核函数类型以及模型的层数,本算法采用的是常用的线性核、多项式核以及高斯核,模型的层数使用网格搜索的方法进行设定;然后,在前一层每个核函数映射后,使用SampleMKL算法将每层的每个核函数进行组合,将组合后的核矩阵作为下一层的输入;最后,将最后一层的核矩阵输入到SVM进行分类,获取属于孔隙的概率。
步骤S6:将测试集图像提取多特征向量,输入到保存后的模型中;输出为当前区域为孔隙的概率,作为区域相似性度量值;
步骤S7:利用步骤6计算出来的区域相似性度量值,计算图中每个相邻区域的相似程度;
具体的,对于所有i和j,度量两个相邻区域Ri和Rj之间的相似性S(Ri,Rj),相邻两区域越相似,相似性度量越接近。每个Ri,i= 1,2,…,n,从RAG中确定所有与Ri相邻的Rj(j≠i)。确定Ri和Rj邻接,使用曼哈顿距离计算S(Ri,Rj),公式如下:
S(Ri,Rj)=|Hi(x)-Hj(x)|。
步骤S8:设定区域合并策略,进行区域合并;
具体的,设定区域合并策略,合并最相似的两个相邻区域。迭代所有区域,直到S(Ri,Rj)>T,那么停止合并Ri和Rj。其中,T值为合并阈值,T∈(0,0.5),根据实际分割效果进行阈值调整。
步骤S9:直到不再合并后,输出孔隙检测区域。
本发明实施例提供的检测方法,在区域合并阶段,不直接利用特征对超像素进行相似度度量,是引入多层多核学习算法利用人工显式提取的致密砂岩图像特征进行相似性度量,并引入区域合并准则,使用曼哈顿距离计算相邻区域的相似性,有更好的合并效果。
通过一系列的砂岩图像组成数据集,用多种人工特征对图像进行特征提取,并利用多层多核学习算法对其进行区域相似性度量,利用获得相似性实现区域合并,解决图像初始预分割中出现的过分割问题,并提高了检测精度。
本发明提出在致密砂岩CT图像的孔隙检测中使用SLIC分割算法和区域合并算法具有泛化能力强、调参少的优势,降低对研究人员专业程度的要求,方便研究人员分析砂岩微观孔隙结构特征,理解微观作用机理,能为油气藏的研究、勘探和开发提供有保障的科学依据。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,包括:
步骤S1:获取原始孔隙图像并进行图像去噪和图像增强处理,得到预处理图像,再对图像进行SLIC超像素分割;
步骤S2:对步骤S1完成的初始分割结果,构建RAG区域邻接图,标记区域间的相邻关系;
步骤S3:抽取训练集图像,在超像素分割后进行人工标注,二分类为孔隙区域和非孔隙区域作为训练数据集标签;
步骤S4:对训练集图像提取人工特征,包括图像颜色特征、纹理特征、形状特征、边缘特征以及梯度特征得到多特征融合的特征向量,作为训练数据集特征;
步骤S5:构建多层多核模型,将训练数据集输入到多层多核模型中进行训练,保存训练后模型;
步骤S6:将测试集图像提取多特征向量,输入到保存后的模型中;输出为当前区域为孔隙的概率,作为区域相似性度量值;
步骤S7:利用步骤6计算出来的区域相似性度量值,计算图中每个相邻区域的相似程度;
步骤S8:设定区域合并策略,进行区域合并;
步骤S9:直到不再合并后,输出孔隙检测区域。
2.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,
步骤1具体包括:将原始CT图像进行双边滤波去噪处理,将处理后的图像采用SLIC算法进行超像素分割,作为分割算法的预处理步骤;
SLIC超像素分割算法包括将矿物图像由RGB空间转化到CIELAB颜色空间;结合像素点的二维坐标x、y可得到每个像素点的五维特征向量V=[L,a,b,x,y];
通过向量V计算像素点之间的距离相似度,从而对图像像素点进行局部聚类,得到矿物图像的超像素分割结果;其中像素点之间距离采用的是欧式距离进行计算,计算公式为
分割后,每个超像素区域由具有同一标号的像素集组成,标号从0开始,直到预设的分割的块数值。
3.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,
所述步骤S2包括:RAG区域邻接图为无向有权图,对上述建立的标号图像上的每一个标号,在区域邻接图建立一个对应的节点v,对相邻两节点间增加一条边,建立连接;
RAG的定义为:G=(V,E),节点V={v1,v2,...,vn}和边E={e1,e2,...,em},其中n,m分别表示节点数和边数,每条边代表一对无次序的节点(vi,vj)。
4.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,
步骤S3包括超像素分割后的N个小区域,N个小区域为具有相同性质的像素分组,部分小区域进行人工标注,即为小区域进行人为设定是否为目标孔隙区域及非目标区域,其中,设定孔隙区域为0,非孔隙区域为1。
5.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,
步骤S5包括:构建多层多核模型,将特特征向量输入到模型中,进行模型训练,多层多核模型定义为:
Kl=θ(l)K(l)(Kl-1)={θ(l,1)k(l,1)(θ(l-1,1)k(l-1,1)+…)+…θ(l,m)k(l,m)(…)},
k(l,m)代表l层的第m个核,θ(l,m)是相应的参数。
6.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,
步骤S7包括:对于所有i和j,度量两个相邻区域Ri和Rj之间的相似性S(Ri,Rj),相邻两区域越相似,相似性度量越接近;每个Ri,i=1,2,…,n,从RAG中确定所有与Ri相邻的Rj(j≠i);确定Ri和Rj邻接,使用曼哈顿距离计算S(Ri,Rj),公式如下:
S(Ri,Rj)=|Hi(x)-Hj(x)|。
7.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法,其特征在于,
步骤S8包括:设定区域合并策略,合并最相似的两个相邻区域;
迭代所有区域,直到S(Ri,Rj)>T,那么停止合并Ri和Rj;其中,T值为合并阈值,T∈(0,0.5),根据实际分割效果进行阈值调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733714.3A CN113506253B (zh) | 2021-06-30 | 2021-06-30 | 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733714.3A CN113506253B (zh) | 2021-06-30 | 2021-06-30 | 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113506253A true CN113506253A (zh) | 2021-10-15 |
CN113506253B CN113506253B (zh) | 2023-04-11 |
Family
ID=78009420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733714.3A Active CN113506253B (zh) | 2021-06-30 | 2021-06-30 | 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506253B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080225125A1 (en) * | 2007-03-14 | 2008-09-18 | Amnon Silverstein | Image feature identification and motion compensation apparatus, systems, and methods |
CN110930413A (zh) * | 2019-08-13 | 2020-03-27 | 河南理工大学 | 一种基于弱监督多核分类优化合并的图像分割方法 |
CN111597760A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种实现小样本条件下获取气路参数偏差值的方法 |
-
2021
- 2021-06-30 CN CN202110733714.3A patent/CN113506253B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080225125A1 (en) * | 2007-03-14 | 2008-09-18 | Amnon Silverstein | Image feature identification and motion compensation apparatus, systems, and methods |
CN110930413A (zh) * | 2019-08-13 | 2020-03-27 | 河南理工大学 | 一种基于弱监督多核分类优化合并的图像分割方法 |
CN111597760A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种实现小样本条件下获取气路参数偏差值的方法 |
Non-Patent Citations (3)
Title |
---|
DANIEL ASANTE OTCHERE等: "Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties:Comparative analysis of ANN and SVM models", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
张中亚: "砂岩薄片图像分割与识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
郝慧珍;姜枫;李娜;顾庆;: "砂岩显微图像分析方法及其工具实现" * |
Also Published As
Publication number | Publication date |
---|---|
CN113506253B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN105931241B (zh) | 一种自然场景图像的自动标注方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN110598030A (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
Li et al. | Application of multi-scale feature fusion and deep learning in detection of steel strip surface defect | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN112270317A (zh) | 一种基于深度学习和帧差法的传统数字水表读数识别方法 | |
CN111640128A (zh) | 一种基于U-Net网络的细胞图像分割方法 | |
CN113012124B (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
CN111868783B (zh) | 基于边界提取的区域合并图像分割算法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及*** | |
Naiemi et al. | Scene text detection using enhanced extremal region and convolutional neural network | |
CN110647897B (zh) | 一种基于多部分注意力机制的零样本图像分类识别方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN113506253B (zh) | 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 | |
Pan et al. | A review of machine learning approaches, challenges and prospects for computational tumor pathology | |
Lin et al. | In defense of iterated conditional mode for hyperspectral image classification | |
Yancey | Deep Feature Fusion for Mitosis Counting |
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 |