29、机器学习辅助富有机质页岩扫描电子显微镜图像分割

机器学习辅助富有机质页岩扫描电子显微镜图像分割

1. 引言

扫描电子显微镜（SEM）图像分析有助于对多孔地质材料中不同成分的微观结构、拓扑结构、形态和连通性进行可视化和量化。图像分割是图像分析之前的关键步骤。虽然由专业专家进行的手动分割是最可靠的分割方法，但分割高分辨率的 SEM 图像需要大量的时间、注意力和耐心。因此，提出了一种结合经典特征提取技术的自动图像分割方法。

传统的图像分割方法通常分为基于像素、基于边缘和基于区域的分割方法。基于直方图阈值的分割方法根据用户定义的像素强度范围为每个像素分配特定的类别标签，但该方法需要准确选择阈值和像素强度范围，并且在多个成分的像素强度范围重叠时不可靠。基于区域的分割方法通过迭代分割或合并区域来识别连续的同质区域，但选择合适的种子点具有挑战性，容易导致过分割或欠分割，且运行时间长，对噪声敏感。

近年来，机器学习辅助的图像分割取得了快速进展。监督学习和无监督学习是图像分割中常用的两种机器学习技术。监督学习通过学习训练样本特征与目标结果之间的函数关系，用于预测新样本的目标结果，可分为像素级分类和基于对象的分类。无监督学习可以处理未标记的数据，通过特征变换数据集，如模糊 c - 均值聚类和自组织映射（SOM）等方法。

图像分析在石油和天然气行业以及各种地球物理应用中广泛使用。在 SEM 图像分割方面，也有多种方法被提出，但都存在一定的局限性。本研究的目标是使用机器学习、特征提取和特征排序来自动分割页岩样本的 SEM 图像。

2. 方法

2.1 SEM 图像

高分辨率的 SEM 图像是使用 FEI Helios Nanolab 650 双束 FIB/SEM 机