一种用于多孔介质显微CT图像的分割方法技术

本发明专利技术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。本发明专利技术步骤简单，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。

A Segmentation Method for Microscopic CT Images in Porous Media

The present invention provides a segmentation method for micro-CT images of porous media, which combines traditional image processing algorithm with full convolution neural network semantics segmentation method based on depth learning, and achieves threshold segmentation of micro-CT images of porous media. It only needs a well-trained network model, and ensures that the gray distribution of training data and test data is similar. The method has the advantages of simple steps, no need to adjust complex hyperparameters, and can avoid the problems of complex process and poor generality in the previous threshold segmentation algorithm. At the same time, when training the network model, the multi-channel data is used as input to avoid the problem of discontinuous vertical pore in the output image sequence.

【技术实现步骤摘要】
一种用于多孔介质显微CT图像的分割方法
本专利技术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

技术介绍
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(ComputedTomography，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，但是本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王美玲，郭若愚，宁可，刘彤，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11