[發明專利]一種巖心CT裂紋識別與分割方法

有效

• 申請號: 202110378251.3
• 申請日: 2021-04-08
• 公開（公告）號: CN112991370B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 鄒永寧;張智斌;余浩松;李琦
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/149;G06T7/194;G06V10/764;G06V10/774;G06V10/776
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種巖心CT裂紋識別與分割方法，其特征在于：該方法包括以下步驟：

S1：將樣本圖像按1:6的比例分為測試樣本和訓練樣本，并對所有圖片做自適應中值濾波與Hessian矩陣線狀濾波，實現樣本圖像的降噪與增強；

S2：將S1中的訓練集圖像分割為32×32的圖像塊并將圖像塊分類為背景子圖、工件邊緣子圖、無裂紋工件內部子圖和有裂紋工件內部子圖，再對每類子圖提取特征矩陣，并分別命名為data0、data1、data2和data3；

S3：用S2中得到的特征矩陣訓練三個SVM模型：SVM1、SVM2和SVM3；

SVM1用于區分圖像工件區域和背景區域，其正樣本為工件區域子圖data1+data2+data3，負樣本為背景區域子圖data0；

SVM2用于區分工件的邊緣區域和工件內部區域，其正樣本為工件內部區域子圖data2+data3，負樣本為工件邊緣子圖data1；

SVM3用于區分有裂紋工件子圖與無裂紋工件子圖，其正樣本為有裂紋工件子圖data2，負樣本為無裂紋工件子圖data3；

S4：將測試圖像分割為與S2中相同尺寸的圖像塊并提取特征矩陣；

S5：用S3得到的SVM1模型對S4得到的特征矩陣做預測，區分出工件區域與背景區域；

再用SVM2模型將非背景區域圖像塊分類為工件邊緣子圖與工件內部子圖；

再用SVM3模型將工件內部子圖分類為有裂紋區域和無裂紋區域；

S6：保留S5中預測為有裂紋工件子圖的圖像塊，將其余的圖像塊像素置為0，得到縮小裂紋范圍的圖像P1；

S7：為防止裂紋剛好出現在子圖邊緣位置的情況，為盡可能多的將圖像的裂紋保留，將S4中的測試圖像的初始次采樣位置分別向下、向右和向右下平移半個窗寬，并重復S5和S6，得到圖像P2、P3和P4；

S8：將前面得到的圖像P1、P2、P3和P4相加，得到包含裂紋的圖像區域；

S9：利用活動輪廓分割方法，分割出S8中的裂紋。

2.根據權利要求1所述的一種巖心CT裂紋識別與分割方法，其特征在于：所述S3中，構建SVM分類器采用每行有14個元素的特征矩陣作為訓練集，并需要對訓練集和提取的測試集作歸一化處理，測試集為[N×14]的特征矩陣，其中N為訓練集子圖的總數，其中每一行中的14個元素分別為所對應子圖的14個特征參數。

3.根據權利要求2所述的一種巖心CT裂紋識別與分割方法，其特征在于：所述S4中，每幅子圖提取的特征參數共有14個：特征1～特征14；

特征1為圖像的灰度均值：

灰度均值：反應圖像的平均灰度，是圖像中所有像素值的平均值；

其中，mean表示圖像像素的平均值，x表示原始圖像像素的行，y表示原始圖像像素的列，f表示原始圖像矩陣，N表示圖像矩陣中的像素點數；

特征2～7為圖像的灰度共生矩陣特征：

對比度：反映圖像的清晰程度，是圖像矩陣值的分布情況和圖像的局部變化，其值越大表示紋理基元對比度越強、溝紋越深、圖像越清晰；

其中，CON表示圖像的對比度，i表示共生矩陣的行，j表示共生矩陣的列，p表示原圖像矩陣灰度級壓縮后得到的灰度共生矩陣，N_g表示灰度級，d表示i和j差的絕對值，n表示當前迭代次數；

相關性：反應局部灰度相關性，用來度量圖像的灰度級在行或列方向上的相似程度，其值越大相關性也越大；

其中，CORRLN表示圖像相關性，μ_i表示p_i的均值，μ_j表示p_j的均值，表示p_i的方差，表示p_j的方差，為共生矩陣第i行數據的和，為共生矩陣第j列數據的和；

能量：反映圖像灰度分布均勻程度和紋理粗細度；若灰度共生矩陣的元素值相近，則能量小，表示紋理細致；若其中一些值大，而其它值小，則能量值大；

其中，ASM為角二階矩，表示圖像的能量；

逆方差：度量圖像的紋理局部變化；其值越大則圖像紋理越規則；

式中：IDM表示逆方差；

方差：反映紋理的周期，值越大，則紋理的周期越大；

式中：m表示p(i,j)的均值；

均值和：反映圖像的明暗深淺，它是圖像區域內像素點平均灰度值的度量；

其中i+j＝k

式中：k表示下標i和j的和；

特征8～14是圖像的Hu不變矩特征。