32、机器学习辅助扫描电镜图像分割的泛化性能研究

机器学习辅助扫描电镜图像分割的泛化性能研究

在材料科学和地质研究中，扫描电镜（SEM）图像的分割对于理解材料的微观结构和成分分布至关重要。本文将介绍一种基于机器学习的图像分割工作流程，并研究其在不同页岩地层SEM图像上的泛化性能。

1. 数据集与特征提取

为了训练机器学习模型，我们从两个不同的页岩地层（Map - 1和Map - 2）中选取了图像切片。具体来说，Model - 3的训练数据集是由Map - 1的Slice 90和Map - 2的Slice 35的像素组合而成。不同模型使用的训练像素数量如下：
- Model - 1：从26,060×205,800像素中选取了35,512个像素进行训练。
- Model - 2：从16,464×18,242像素中选取了20,540个像素进行训练。
- Model - 3：从整个数据集中选取了55,000个像素进行训练。

选取训练像素后，我们为每个训练像素提取了16个特征，具体特征及提取方法如下：
- 像素强度（1个特征）
- 高斯模糊（1个特征）
- 高斯差分（1个特征）
- Sobel边缘检测（1个特征）
- Hessian矩阵（3个特征）
- 小波变换（6个特征）
- 局部信息（3个特征：最小值、最大值和均值）

这些提取的特征将被输入到随机森林分类器中，以学习每个训练像素到其成分类型的映射函数。

2. 超参数优化

超参数在机器学习模型的训练过程中起着关键作用。与在学习过程结束时计算的参数不同，超参数由用户定义，并需要进行调整以实现模型的最佳性能。在本研究中，我们对三个