没有合适的资源?快使用搜索试试~ 我知道了~
首页多特征融合提升岩心图像半自动颗粒提取精度与效率
多特征融合提升岩心图像半自动颗粒提取精度与效率
1 下载量 10 浏览量
更新于2024-09-01
收藏 323KB PDF 举报
基于多特征融合的半自动岩心图像颗粒提取是一种创新的图像处理技术,它在传统的最大相似度区域合并算法基础上进行了改进。MSRM算法原先是通过单一的图像特征,如颜色或纹理,进行区域间的相似度比较,用于半自动地识别和提取图像中的特定目标。然而,这种方法存在计算量大和精度不高的问题,因为依赖单一特征可能导致分割效果不够精确。 作者们针对这些局限性,提出了一个综合多特征的区域最大相似度图像分割方案。他们首先使用超像素图像作为分割的基本单元,这有助于减少计算复杂性,同时捕捉到更大尺度上的视觉特性。在这个过程中,他们计算相邻区域的纹理和颜色特征的相似度,这两个特征被认为是决定岩石颗粒的重要视觉属性。 为了进一步提高精度和效率,他们引入了矩阵变换算法来降低颜色特征矢量的维度,这样可以减少处理的数据量,加速计算过程。接着,他们设计了一个自适应加权机制,根据两种特征的重要性动态分配权重,确保不同特征的融合能够更加精确地反映区域间的相似性。 在区域合并阶段,综合考虑纹理和颜色特征的相似度以及相应的权重后,算法能够进行更为精细的区域合并,从而得到更加清晰和准确的颗粒轮廓。实验结果显示,这种改进后的算法不仅提高了颗粒轮廓的提取精度,边缘细节也优于传统MSRM算法,而且在执行效率上也有所提升。 该研究工作对于岩心图像分析至关重要,尤其是在沉积储层研究中,自动化和高效地提取颗粒信息可以大大提高研究的可行性和效率。关键词包括颜色直方图、矩阵变换、自适应加权和多特征融合,这些都反映了研究的核心技术和方法。本文发表在《微型机与应用》杂志上,可供相关领域的研究人员参考和进一步探讨。
资源详情
资源推荐
基于多特征融合半自动岩心图像颗粒提取基于多特征融合半自动岩心图像颗粒提取
基于最大相似度的区域合并算法是一种半自动的图像处理方式,可根据用户提供的交互信息,利用图像特征作
为区域相似度进行准确的目标提取。但传统的MSRM算法计算量大,使用单一的图像特征使得分割不够精确。
针对这些问题,文章对MSRM算法进行改进,提出一种基于多特征的区域最大相似度图像分割算法,并采用矩
阵变换算法来降低计算量。该方法使用超像素图像作为分割基础,首先计算图像相邻区域纹理和颜色特征相似
度,并使用矩阵变换算法降低颜色特征矢量维度,然后计算两种特征的权重,最后根据综合后的相似度对图像进
行区域合并,得到最终的颗粒提取结果。实验结果表明,该方法可以有效提取颗粒的轮廓,提取的轮廓边缘细
节较传统MSRM算法更优,算法执行效率也得到了提高。
侯情缘,卿粼波,滕奇志
(四川大学 电子信息学院,四川 成都 610000)
摘要摘要:基于最大相似度的区域合并算法是一种半自动的图像处理方式,可根据用户提供的交互信息,利用图像特征作为区
域相似度进行准确的目标提取。但传统的MSRM算法计算量大,使用单一的图像特征使得分割不够精确。针对这些问题,文
章对MSRM算法进行改进,提出一种基于多特征的区域最大相似度图像分割算法,并采用矩阵变换算法来降低计算量。该方
法使用超像素图像作为分割基础,首先计算图像相邻区域纹理和颜色特征相似度,并使用矩阵变换算法降低颜色特征矢量维
度,然后计算两种特征的权重,最后根据综合后的相似度对图像进行区域合并,得到最终的颗粒提取结果。实验结果表明,该
方法可以有效提取颗粒的轮廓,提取的轮廓边缘细节较传统MSRM算法更优,算法执行效率也得到了提高。
关键词 关键词:颜色直方图;矩阵变换;自适应加权;多特征融合
中图分类号 中图分类号:TP751文献标识码:ADOI: 10.19358/j.issn.1674-7720.2017.01.016
引用格式 引用格式:侯情缘,卿粼波,滕奇志.基于多特征融合半自动岩心图像颗粒提取[J].微型机与应用,2017,36(1):52-
55.
0引言引言
岩心颗粒图像分割作为后续磨圆度、砾径等分析的前提,对沉积储层的研究具有重要意义[1]。传统的手工分割比较精
确,但费时费力,难以满足实际需求,因此需要结合图像分割理论使用计算机实现岩心颗粒目标自动提取。
MSRM算法[2]由NING J等人于2010年提出,该算法基于最大相似度区域融合策略实现区域间合并,通过迭代融合实
现目标与背景的分离。在整个算法执行过程中仅基于区域最大相似度合并规则完成区域合并,无需参数控制,并且分割精度
高,分割性能较好[3]。但传统的MSRM算法使用单一的颜色直方图描述区域相似度,当图像中目标与背景颜色过渡不明显
时算法效果不理想;而且算法计算量大,效率较低[4]。徐杰[5]等人提出先对图像进行细节增强,再运用MSRM算法来
提高图像分割精度。但是该方法可能丢失图像边缘信息,而且算法执行效率更低;徐少平[6] 等人则提出了IMSRM算法,
该算法改用纹理特征直方图描述相邻区域相似度。IMSRM算法提高了算法执行效率,但是分割精度不高。
针对上述问题,本文提出了对MSRM算法的另一种改进算法,即综合使用颜色和纹理特征,并通过数学模型确定不同区
域两种特征的权重,将两种特征加权融合后作为最终的区域相似度,然后根据最终的相似度对待分割图像进行区域之间的合
并,获得较为准确的图像颗粒提取结果。同时,在计算颜色特征矢量矩阵时使用矩阵变换算法降低算法计算量,使得算法效率
也得到有效提高。
本文中,在采用MSRM算法进行目标提取前,首先进行图像预处理和超像素图像构建。完成超像素分割的图像为具有一
致性图像特征的超像素区域的集合。同时,需要用户标出目标与背景的代表区域作为区域合并的先验基础。图像经过交互式操
作被划分为目标、背景和未标记三种区域的集合,使用MSRM算法就是应用其区域融合规则来实现对未标记区域集合的分配
和修正,逐步将未标记区域归并到目标区域和背景区域,当未标记区域全部归并到目标或背景区域时,认为图像分割完成。
1多特征相似度测量多特征相似度测量
在完成超像素图像分割并且标记出主体和背景之后,MSRM算法采用一种自适应于图像内容的区域融合策略,即通过计
算各区域与相邻区域之间的相似度,利用融合规则将未标记区域合并到背景或主体区域[4]。MSRM算法使用颜色特征衡量
两个区域之间的相似度,然后根据融合规则进行区域合并。当图像中目标与背景颜色过渡不明显时,利用单一的颜色直方图计
算区域相似度,图像分割效果不理想,尤其对于色彩相对单调的岩心图像,往往会导致目标提取不够准确。纹理特征不同于颜
色特征,主要反映像素灰度级空间分布特征 [6],是图像另一种重要的属性。因此本文综合使用颜色和纹理特征作为区域相
似度描述符,首先用巴氏系数分别计算颜色和纹理特征矢量矩阵,然后自适应加权融合两种特征得到最终的区域相似度。
1.1特征值计算特征值计算
本文计算区域之间的相似度融合采用颜色特征和纹理特征。MSRM算法中将三通道彩色图像量化为单通道特征矩阵
[2]。3个通道的N阶量化,将整个RGB颜色空间划分为N3种颜色的组合。经过实验,综合考虑时间效率和提取精度,选择
N等于16。首先计算各区域的颜色直方图,然后采用巴氏系数(Bhattacharyya Coefficient)来衡量两个颜色直方图之间的相似度
[7]。如果把区域R的颜色直方图记为HistcR,那么可以定义出区域R和区域Q的相似度ρc(R,Q)为:
下载后可阅读完整内容,剩余3页未读,立即下载
weixin_38641876
- 粉丝: 3
- 资源: 942
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 李兴华Java基础教程:从入门到精通
- U盘与硬盘启动安装教程:从菜鸟到专家
- C++面试宝典:动态内存管理与继承解析
- C++ STL源码深度解析:专家级剖析与关键技术
- C/C++调用DOS命令实战指南
- 神经网络补偿的多传感器航迹融合技术
- GIS中的大地坐标系与椭球体解析
- 海思Hi3515 H.264编解码处理器用户手册
- Oracle基础练习题与解答
- 谷歌地球3D建筑筛选新流程详解
- CFO与CIO携手:数据管理与企业增值的战略
- Eclipse IDE基础教程:从入门到精通
- Shell脚本专家宝典:全面学习与资源指南
- Tomcat安装指南:附带JDK配置步骤
- NA3003A电子水准仪数据格式解析与转换研究
- 自动化专业英语词汇精华:必备术语集锦
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功