[发明专利]一种岩心CT裂纹识别与分割方法

权利要求书

1.一种岩心CT裂纹识别与分割方法，其特征在于：该方法包括以下步骤：

S1：将样本图像按1:6的比例分为测试样本和训练样本，并对所有图片做自适应中值滤波与Hessian矩阵线状滤波，实现样本图像的降噪与增强；

S2：将S1中的训练集图像分割为32×32的图像块并将图像块分类为背景子图、工件边缘子图、无裂纹工件内部子图和有裂纹工件内部子图，再对每类子图提取特征矩阵，并分别命名为data0、data1、data2和data3；

S3：用S2中得到的特征矩阵训练三个SVM模型：SVM1、SVM2和SVM3；

SVM1用于区分图像工件区域和背景区域，其正样本为工件区域子图data1+data2+data3，负样本为背景区域子图data0；

SVM2用于区分工件的边缘区域和工件内部区域，其正样本为工件内部区域子图data2+data3，负样本为工件边缘子图data1；

SVM3用于区分有裂纹工件子图与无裂纹工件子图，其正样本为有裂纹工件子图data2，负样本为无裂纹工件子图data3；

S4：将测试图像分割为与S2中相同尺寸的图像块并提取特征矩阵；

S5：用S3得到的SVM1模型对S4得到的特征矩阵做预测，区分出工件区域与背景区域；

再用SVM2模型将非背景区域图像块分类为工件边缘子图与工件内部子图；

再用SVM3模型将工件内部子图分类为有裂纹区域和无裂纹区域；

S6：保留S5中预测为有裂纹工件子图的图像块，将其余的图像块像素置为0，得到缩小裂纹范围的图像P1；

S7：为防止裂纹刚好出现在子图边缘位置的情况，为尽可能多的将图像的裂纹保留，将S4中的测试图像的初始次采样位置分别向下、向右和向右下平移半个窗宽，并重复S5和S6，得到图像P2、P3和P4；

S8：将前面得到的图像P1、P2、P3和P4相加，得到包含裂纹的图像区域；

S9：利用活动轮廓分割方法，分割出S8中的裂纹。

2.根据权利要求1所述的一种岩心CT裂纹识别与分割方法，其特征在于：所述S3中，构建SVM分类器采用每行有14个元素的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，测试集为[N×14]的特征矩阵，其中N为训练集子图的总数，其中每一行中的14个元素分别为所对应子图的14个特征参数。

3.根据权利要求2所述的一种岩心CT裂纹识别与分割方法，其特征在于：所述S4中，每幅子图提取的特征参数共有14个：特征1～特征14；

特征1为图像的灰度均值：

灰度均值：反应图像的平均灰度，是图像中所有像素值的平均值；

其中，mean表示图像像素的平均值，x表示原始图像像素的行，y表示原始图像像素的列，f表示原始图像矩阵，N表示图像矩阵中的像素点数；

特征2～7为图像的灰度共生矩阵特征：

对比度：反映图像的清晰程度，是图像矩阵值的分布情况和图像的局部变化，其值越大表示纹理基元对比度越强、沟纹越深、图像越清晰；

其中，CON表示图像的对比度，i表示共生矩阵的行，j表示共生矩阵的列，p表示原图像矩阵灰度级压缩后得到的灰度共生矩阵，N_g表示灰度级，d表示i和j差的绝对值，n表示当前迭代次数；

相关性：反应局部灰度相关性，用来度量图像的灰度级在行或列方向上的相似程度，其值越大相关性也越大；

其中，CORRLN表示图像相关性，μ_i表示p_i的均值，μ_j表示p_j的均值，表示p_i的方差，表示p_j的方差，为共生矩阵第i行数据的和，为共生矩阵第j列数据的和；

能量：反映图像灰度分布均匀程度和纹理粗细度；若灰度共生矩阵的元素值相近，则能量小，表示纹理细致；若其中一些值大，而其它值小，则能量值大；

其中，ASM为角二阶矩，表示图像的能量；

逆方差：度量图像的纹理局部变化；其值越大则图像纹理越规则；

式中：IDM表示逆方差；

方差：反映纹理的周期，值越大，则纹理的周期越大；

式中：m表示p(i,j)的均值；

均值和：反映图像的明暗深浅，它是图像区域内像素点平均灰度值的度量；

其中i+j＝k

式中：k表示下标i和j的和；

特征8～14是图像的Hu不变矩特征。