| 【中文题名】 | 砂岩薄片图像分割关键技术研究 |
| 【英文题名】 | Study on Key Techniques for Sandstone Slice Image Segmentation |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-1-23 |
| 【中关键词】 | 砂岩薄片图像,图像分割,边缘流,尺度空间,水平集,支持向量机 |
| 【英关键词】 | sandstone slice image,image segmentation,edge flow,scale space,level set method,support vector machine, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 | 砂岩是我国分布最广的储集层之一，它所包含的油气成分是现代能源与化工原料的主要来源，所以研究砂岩颗粒的结构及颗粒之间的孔隙对油气的勘探开发有着重要的意义。通过显微镜观察和分析砂岩切片样本，是从微观结构方面研究储集层的一种重要方法。而通过显微成像，对砂岩薄片图像进行分析，可使薄片的孔隙结构和粒度分析达到定量化，得到准确的微观特征基础数据。砂岩薄片图像分析最大的难点是图像分割问题，即如何将图像中的孔隙和颗粒准确提取出来，这方面国内外的相关报道都很少，论文力图解决这个问题。
论文首先介绍了边缘流的概念，研究了如何构造灰度边缘流、纹理边缘流和相位边缘流，提出了如何在L~*a~*b~*色彩空间将这些边缘流进行集成。
其次，介绍了尺度空间的概念以及它的重要性质，因果性、对比不变性和转换不变性等。提出了累加不同尺度下边缘流向量场的方法。
接着，研究了用于实现曲线演化的水平集算法，它能较好地处理曲线的拓扑变化。研究了它的数值计算和常用的快速算法以及实现它需要注意的问题。提出了如何利用边缘流来控制曲线演化进而检测出孔隙和颗粒的边缘。
然后，研究了统计学习理论和支持向... |
| 【论文题纲】 |
|
摘要 |
2-3 |
|
Abstract |
3-8 |
|
1 绪论 |
8-14 |
|
1.1 课题背景 |
8-10 |
|
1.2 研究现状 |
10-11 |
|
1.3 主要工作 |
11-12 |
|
1.4 论文结构 |
12-14 |
|
2 边缘流 |
14-29 |
|
2.1 常用的边缘检测算法 |
14-17 |
|
2.1.1 一阶导数边缘检测算子 |
14-15 |
|
2.1.2 二阶导数边缘检测算子 |
15-16 |
|
2.1.3 基于小波的边缘检测方法 |
16-17 |
|
2.2 边缘流 |
17-23 |
|
2.2.1 边缘流的定义 |
17-18 |
|
2.2.2 灰度边缘流 |
18-19 |
|
2.2.3 纹理边缘流 |
19-21 |
|
2.2.4 相位边缘流 |
21-23 |
|
2.3 均匀色彩空间L~*A~*B~* |
23-24 |
|
2.4 各种边缘流的集成及实验结果 |
24-28 |
|
2.5 本章小结 |
28-29 |
|
3 尺度空间 |
29-39 |
|
3.1 尺度空间的定义 |
29 |
|
3.2 尺度空间的性质 |
29-32 |
|
3.2.1 因果性 |
29-31 |
|
3.2.2 对比不变性 |
31 |
|
3.2.3 转换不变性 |
31-32 |
|
3.3 构造多尺度边缘流向量场及实验结果 |
32-38 |
|
3.4 本章小结 |
38-39 |
|
4 曲线演化的水平集算法和图像分割 |
39-60 |
|
4.1 曲线演化理论和图像分割 |
39-44 |
|
4.1.1 曲线演化理论 |
39-42 |
|
4.1.2 基于曲线演化的图像分割 |
42-44 |
|
4.2 水平集理论 |
44-47 |
|
4.2.1 水平集方法的提出与应用 |
44-45 |
|
4.2.2 水平集方法 |
45-47 |
|
4.3 水平集方法的数值计算 |
47-49 |
|
4.4 水平集函数演化的快速算法 |
49-53 |
|
4.4.1 窄带法 |
49-51 |
|
4.4.2 快速行进法 |
51-53 |
|
4.5 关于水平集的其它问题讨论 |
53-56 |
|
4.5.1 符号距离函数的构造 |
53-55 |
|
4.5.2 速度场的扩展 |
55 |
|
4.5.3 迭代时间间隔的选取 |
55-56 |
|
4.6 基于边缘流控制曲线演化的图像分割方法及实验结果 |
56-59 |
|
4.7 本章小结 |
59-60 |
|
5 利用支持向量机进一步改善分割效果 |
60-82 |
|
5.1 统计学习理论的引出 |
60-62 |
|
5.1.1 机器学习问题描述 |
60-61 |
|
5.1.2 经验风险最小化 |
61-62 |
|
5.2 统计学习理论的核心内容 |
62-65 |
|
5.2.1 学习机器的VC维 |
62-63 |
|
5.2.2 推广性的界 |
63-64 |
|
5.2.3 结构风险最小化 |
64-65 |
|
5.3 支持向量机 |
65-74 |
|
5.3.1 硬间隔支持向量机 |
65-69 |
|
5.3.2 软间隔支持向量机 |
69-70 |
|
5.3.3 非线性支持向量机 |
70-72 |
|
5.3.4 多类问题的支持向量机 |
72-74 |
|
5.4 对分割算法的进一步改进 |
74-75 |
|
5.5 分割砂岩薄片图像实验 |
75-81 |
|
5.6 本章小结 |
81-82 |
|
6 与其它分割算法的比较及本文算法的通用性分析 |
82-91 |
|
6.1 与常用分割算法的比较 |
82-88 |
|
6.1.1 分割结果比较 |
82-86 |
|
6.1.2 分割目的比较 |
86-88 |
|
6.2 通用性分析 |
88-90 |
|
6.3 本章小结 |
90-91 |
|
7 总结及建议 |
91-92 |
|
参考文献 |
92-97 |
|
科研成果 |
97-99 |
|
致谢 |
99 |
|
| 【DOI】 | LunWen.ID:2.2008.366073 |
