30、扫描电镜图像的机器学习分割方法研究

扫描电镜图像的机器学习分割方法研究

1. 特征提取与训练数据集

在图像分析中，采用区域纹理分类而非单个像素分类。虽然SIFT和加速稳健特征是流行的特征提取方法，但因其检测器和描述符主要用于对象匹配和跟踪，不适合当前情况，所以未被采用。

训练数据集对机器学习模型的学习和泛化能力有重要影响。优质的训练集选择有助于学习过程，提高分割性能并减少训练时间。为此，训练样本需高质量，确保像素能精确分配到组件类型。为实现稳健分类，建议训练数据集为平衡数据集，即每种组件类型使用相同数量的像素。例如，分别为孔隙/裂缝、有机/干酪根、岩石基质和黄铁矿组件选择了705、2074、17373和15000个像素。

选择训练像素后，为每个训练像素提取16种特征，构成训练分类器所需的训练数据集。通常建议在训练分类器前对特征进行缩放，因为某些学习技术（如神经网络和k近邻算法）对特征缩放敏感。但在本分割方法中，由于随机森林分类器可处理未缩放数据，所以未进行特征缩放。

2. 特征向量分类

随机森林模型广泛用于分类。它是一种基于决策树的集成模型，通过并行训练多棵决策树，并以多数决策作为最终决策。单个决策树模型易于解释，但具有非唯一性和高方差的问题。而随机森林通过组合数百个决策树模型，降低了方差和偏差。

随机森林在数据集的各种子样本（自助法）和可用特征的子样本上并行训练多个决策树分类器。在实践中，随机森林分类器不需要过多的超参数调整或特征缩放，易于开发和实现，能产生稳健的分类结果，还提高了扫描电镜图像分割的可重复性。

不过，为克服区分孔隙/裂缝组件和有机/干酪根组件的挑战，需要调整随机森林的超参数。重要的超参数包括控制过拟合的树的最大深度