31、机器学习助力富有机质页岩扫描电镜图像分割与泛化研究

机器学习助力富有机质页岩扫描电镜图像分割与泛化研究

1. 引言

材料的微观结构决定了其传输、化学、地质力学等诸多物理性质。为了对地质材料进行表征，通常会对地下地质样本进行成像和分析，以获取微观结构信息。图像分割是图像分析的关键步骤，常见的分割方法有阈值法、区域生长法、统计法和轮廓演化法等。然而，对于像页岩这样具有复杂异质性、多组分且像素强度重叠的样本，阈值法难以实施；区域生长法虽在医学成像中应用广泛，但需要手动选择种子点且无法估计不确定性。

近年来，机器学习在图像分割领域发挥了重要作用。它已应用于地球物理学、材料表征和石油工程等多个领域，如自动检测地震断层和从标记的测井曲线中对井顶进行分类。机器学习算法可以从大量测量数据中学习，以更短的时间完成迭代、手动且耗时的任务，同时通过考虑高阶、高维非线性趋势的方法提供更准确的结果。

图像分割的机器学习方法可基于监督或无监督学习技术构建。在监督分类中，机器学习算法处理数千个样本的特征值和目标值，学习一个函数，然后将其应用于新样本的特征值以预测目标值。例如，Jobe等人使用机器学习技术对碳酸盐岩薄片图像进行处理，预测地质和岩石物理性质；Andrew比较了基于机器学习的图像分割算法与传统分割方法在三组合成图像上的性能，发现机器学习分类器对噪声具有较高的容忍度和较低的误分类率。

本研究旨在评估和改进机器学习辅助的扫描电镜（SEM）图像分割方法的泛化能力。通过从SEM图像中提取特征，训练随机森林分类器，将页岩样本的SEM图像划分为孔隙/裂缝、有机/干酪根、基质和黄铁矿四种组分类型。为评估泛化能力，将数据驱动的分割模型在特定地层的页岩样本SEM图像上进行训练，然后在不同地层的样本图像上进行测试，使用的样本来自Wolfcamp和Ba