33、机器学习在地下表征中的应用：图像分割与饱和度估计

机器学习在地下表征中的应用：图像分割与饱和度估计

1. 机器学习辅助图像分割

在对富含有机质的页岩样本扫描电子显微镜（SEM）图像进行分割时，采用随机森林分类器将图像分为孔隙/裂缝、有机/干酪根、基质和黄铁矿四种组分类型。为了提高模型的泛化能力，进行了一系列任务测试。

1.1 模型训练与测试任务

• 任务5：在Map - 1和Map - 2上训练，在Map - 1上测试

  • 为优化性能，训练了Model - 3，使用Map - 1的第90切片的35,152个像素和Map - 2的第35切片的20,400个像素组成的组合数据集。
  • 为每个像素提取16个特征，并输入到随机森林分类器中。
  • 测试时，选择Map - 1的特定切片创建内外区域像素的测试数据集，具体如下：
    | 区域 | 切片选择 | 孔隙/裂缝像素数 | 有机/干酪根像素数 | 基质像素数 | 黄铁矿像素数 |
    | ---- | ---- | ---- | ---- | ---- | ---- |
    | 内区域 | 13、649、860 | 2916 | 2819 | 10915 | 6197 |
    | 外区域 | 13、203、334 | 2747 | 4842 | 3951 | 3010 |

• 任务6：在Map - 1和Map - 2上训练，在Map - 2上测试

  • 对新训练的Model - 3在Map