MudrockNet：基于深度学习的泥岩SEM图像语义分割
计算机视觉与模式识别
2022-01-02 v1 图像与视频处理
地球物理
摘要
由于噪声、成像伪影、图像间像素灰度值的变化，以及图像中粉砂颗粒、黏土颗粒和孔隙等不同物理特征的灰度值重叠导致难以辨识，从扫描电子显微镜图像中对泥岩的单个孔隙和颗粒进行分割与分析并非易事。此外，由于颗粒和孔隙常具有重叠的灰度值，直接应用基于阈值的分割技术并不充分。计算机视觉领域的近期进展使得分割图像并识别图像中此类特征的多次出现变得更容易、更快速，前提是具备用于训练算法的真值数据。在此，我们提出一种深度学习SEM图像分割模型MudrockNet，其基于Google的DeepLab-v3+架构并使用TensorFlow库实现。真值数据通过对日本近海熊野盆地深度<1.1 km处未固结泥岩的扫描电子显微镜图像应用图像处理工作流获得。训练后的深度学习模型获得了约90%的像素精度，测试数据的预测对粉砂颗粒的平均交并比（IoU）为0.6591，对孔隙为0.6642。我们还将我们的模型与使用ImageJ中可训练Weka分割的随机森林分类器进行比较，观察到MudrockNet对粉砂颗粒和孔隙均给出了更好的预测。粉砂和黏土颗粒的尺寸、浓度和空间排布会影响泥岩的岩石物理性质，而一种准确识别泥岩中不同颗粒和孔隙的自动化方法有助于改进石油勘探及人为废物封存中的储层和盖层表征。
引用
@article{arxiv.2102.03393,
title = {MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep Learning},
author = {Abhishek Bihani and Hugh Daigle and Javier E. Santos and Christopher Landry and Masa Prodanovic and Kitty Milliken},
journal= {arXiv preprint arXiv:2102.03393},
year = {2022}
}
备注
24 pages, 8 figures, submitted to Computers and Geosciences