[发明专利]基于卷积神经网络的岩心FIB-SEM图像分割方法

权利要求书

1.基于卷积神经网络的岩心FIB-SEM图像分割方法，其特征在于：包括以下步骤：

(1)建立岩心FIB-SEM图像数据集：对岩心FIB-SEM训练图像统一尺寸并进行标注，孔隙部分为目标区域，其他部分为背景区域；并将图像数据集进行数据扩充；

(2)构建卷积神经网络编码阶段：将原始的FIB-SEM训练图像作为输入，并首先通过一个卷积层进行粗精度的提取特征，接着依次通过4个残差模块，其中将通道注意力模块分别嵌入到这4个残差模块中，最后一个残差模块采用空洞卷积；

(3)构建卷积神经网络的金字塔模块：将步骤(2)的输出通过改进的金字塔模块提取多尺度特征；其中改进的金字塔模块分为三层并联，并用多个小卷积核替代大卷积核以减少参数量；

(4)构建卷积神经网络的解码模块：将步骤(3)得到的输出与步骤(2)中第三个残差注意力模块的输出作为多尺度空间注意力模块的输入，多尺度空间注意力模块的输出再与上一层次的解码输出相加，作为本层次的输出；按照相同的解码规则，逐层次处理，最终得到解码模块的输出；

(5)构建卷积神经网络的上采样模块：将步骤(4)得到的输出通过亚像素卷积模块，进行4倍上采样恢复为原始分辨率；

(6)构建卷积神经网络的预测模块：将步骤(5)得到的输出输入到softmax层中，得到每个像素点为目标分类的概率，大于0.5的像素点判为孔隙类，否则为背景像素点；最终得到分割后的二值图像，孔隙像素点用灰度值为255的像素点表示，背景像素点用灰度值为0的像素点表示；

(7)网络训练与参数优化：将步骤(1)得到的数据集分为训练集，验证集，测试集，使用训练集训练构建的卷积神经网络，使用Adam优化器进行学习并更新网络参数，将交叉熵函数作为训练的loss函数，并根据验证集上的loss变化趋势选取分类效果最好，且泛化能力最好网络模型；

(8)网络结果测试：采用步骤(7)得到的网络模型，对测试集的岩心FIB-SEM图像进行测试，使用相关指标对网络模型进行评价。

2.根据权利要求1所述的基于卷积神经网络的岩心FIB-SEM图像分割方法，其特征在于：

所述步骤(3)中：

金字塔模块可以提取多尺度特征，由于原始的金字塔模块参数量过多；将原始金字塔模块的7×7卷积核，替换为1×7和7×1的并联卷积核，拼接这两个卷积核的结果，并输入到1×1大小的卷积核进行降维得到该层的特征信息；对于原始金字塔模块的5×5卷积核，用两个3×3卷积核级联替换；对于原始金字塔模块的3×3卷积核仍保持不变。

3.根据权利要求1所述的基于卷积神经网络的岩心FIB-SEM图像分割方法，其特征在于：

所述步骤(4)中：

将作为低层次的本层特征信息与作为高层次的上一层输出逐像素进行相加，其结果输入到空间注意力模块中，再将空间注意力模块的输出与高、低层次特征信息的相加结果相加，并输入至反卷积层进行降维和上采样，得到最终的输出结果；整个处理模块即为融合多尺度空间注意力模块。

4.根据权利要求1所述的基于卷积神经网络的岩心FIB-SEM图像分割方法，其特征在于：

所述步骤(5)中：

在通过亚像素卷积模块进行恢复原始分辨率之前，首先将步骤(4)输出的尺寸为h×w×channels的特征图输入到一个卷积核大小为3×3，步长为默认1，通道数为channels*r²，且填充模式为“same”的卷积层，其中channels为输入特征图的通道数，r为上采样因子为4；该卷积层的输出为[h,w,r²channels]，之后再依次输入至亚像素卷积模块和一个卷积核大小为1×1，步长为1，的卷积核，最终输出特征图的维度为[rh,rw,2]。