[发明专利]一种用于多孔介质显微CT图像的分割方法

摘要

本发明提供了一种用于多孔介质显微CT图像的分割方法，结合了传统的图像处理算法与基于深度学习的全卷积神经网络语义分割方法，完成对多孔介质显微CT图像的阈值分割，只需要训练好的网络模型，同时保证训练数据和测试数据的图像灰度分布相似即可。本发明步骤简单，无需调节复杂的超参数，可以很好地避免之前的阈值分割算法中流程复杂、通用性差的问题；同时在网络模型训练时，将多通道数据作为输入，避免了输出的图像序列在纵向上孔隙不连续的问题。

主权项

1.一种用于多孔介质显微CT图像的分割方法，其特征在于，包括如下步骤：第一步、使用显微CT在设定分辨率下采集多孔介质样品的CT灰度图像序列，作为训练图像序列；针对训练图像序列，得到二值化图像，作为分割真值图像；第二步、全卷积神经网络训练，具体包括：S21、将全卷积神经网络的输入通道修改为2k+1个输入通道；将全卷积神经网络中的卷积核大小修改为(2k+1)k_c×k_s×k_s；其中，k_c×k_s×k_s表示只有一个输入通道时全卷积神经网络的卷积核大小；S22、初始化卷积核中各元素的初值后，训练图像序列中第n‑k至n+k帧灰度图像输入到全卷积神经网络中，将第n帧图像的分割真值图像作为全卷积神经网络的目标输出；经过网络模型的处理后，得到第n帧图像的概率热图，完成一次图像分割；S23、完成一组2k+1个图像的分割后，将n加1，再在训练图像序列中获取第n‑k至n+k帧图像，得到另一组图像序列，输入到全卷积神经网络模型中，当前第n帧图像的分割真值图像作为网络的目标输出进行训练，完成后再将n加1，以此类推，直到将训练图像序列中图像取完，则完成一次网络模型的迭代；S24、按照S23方法再利用训练图像序列中图像进行下一次迭代，直到迭代次数达到设定值，得到训练好的全卷积神经网络模型；第三步、利用训练好的全卷积神经网络模型对输入的待分割CT图像序列进行分割。