[发明专利]一种弱监督学习自动识别和分割盐体的方法

说明书

一种弱监督学习自动识别和分割盐体的方法，使用Grabcut算法对盐体图片进行预处理，初步分割出盐体轮廓，得到训练集，再使用卷积神经网络建立弱监督分割模型，利用损失函数引导模型学习盐体的特征，通过迭代的方式不断修正训练集中的标注，所述标注指有盐和无盐两种标注，使训练集的标签逐像素更为准确，得到训练好的弱监督分割模型，用于分割待测图片中盐体位置轮廓。本发明实现机器自动准确识别出盐体是否存在及存在的位置和轮廓，在数据集标注不完整、不准确的情况下，能够学习盐体的特征，实现对盐体的高效准确分割。

技术领域

本发明属于机器学习、计算机图像处理和地质建模技术领域，涉及深度学习中的弱监督和语义分割，为一种弱监督学习自动识别和分割盐体的方法。

背景技术

地球上储藏了大量石油和天然气的区域，其地表下存有大量的沉积盐。但要准确找出哪些地方有沉积盐并不容易，专业的地震成像仍需要对盐矿进行专业的人工判断，这导致了非常主观、高度可变的渲染过程。此外，这对石油和天然气开采造成了潜在隐患。因此找到一种自动、准确识别地表是否存在盐体及盐体轮廓的算法显得尤为重要。

图像语义分割是机器自动从图像中分割出目标区域，并识别其中的内容，为每个像素分配一个类别。深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习技术能够有效地提取图像中的语义信息，并结合分类器辅助进行像素分类。目前，主流的深度学习模型有卷积神经网络(convolutional neural network，简称CNN)、循环神经网络(recurrent neural network，简称RNN)和生成对抗网络(generative adversarial work，简称GAN)。在深度学习应用到计算机视觉领域，CNN不仅能很好地实现图像分类，且对于分割问题也取得了很大进展。CNN基本结构为输入层、卷积层、池化层、全连接层及输出层组成。输入图像经过CNN多个卷积操作和池化操作进行特征提取，将底层粗糙特征逐步转变为高层精细特征，高层特征再经过全连接层和输出层后进行分类。CNN由于其特殊的网络结构，特别适合处理图像数据，对平移、伸缩、倾斜等图像形变具有较高的不变形。与传统机器学习方法相比，CNN特征提取由机器自动提取，学习能力强、可处理较为复杂的数据，可移植性高。

Grabcut算法作为图像分割的经典方法，利用迭代的graphcuts进行交互式前景提取。对静态图像高效的、交互的前景/背景分割，对图像处理具有重大的现实意义。矩形框将图像中盐体包围，利用背景建立高斯混合模型，计算框内像素点是否属于背景，则剩下来的即为前景。此方法相对于卷积神经网络，只需要单张图片进行计算，计算速度快，占比内存小。对于图片轮廓较为复杂、只包含前景等情况则需要结合神经网络模型来处理。在本发明中使用此算法来对数据进行处理和标注修正。

语义分割在全监督方式下效果较好，精度也很高。而在地震数据中，往往数据量大，而标注不完整，不准确，这使得神经网络在自学习、自适应过程中，容易学到错误的信息。本发明对于数据标注不完整问题，提出了一种模型在弱监督方式下自动识别盐体并准确分割出盐体轮廓的算法。

发明内容

本发明要解决的问题是：监督语义分割主要问题在于标注信息不完整，不准确，即缺失了目标精确的边界信息。数据中标签不准确，存在盐体的图片只标注盐体的位置，没有逐像素的标签类别。

本发明的技术方案为：一种弱监督学习自动识别和分割盐体的方法，使用Grabcut算法对盐体图片进行预处理，初步分割出盐体轮廓，得到训练集，再使用卷积神经网络建立弱监督分割模型，利用损失函数引导模型学习盐体的特征，通过迭代的方式不断修正训练集中的标注，所述标注指有盐和无盐两种标注，使训练集的标签逐像素更为准确，得到训练好的弱监督分割模型，用于分割待测图片中盐体位置轮廓。

作为优选方式，包括以下步骤：