10.11975/j.issn.1002-6819.2019.02.017
基于全卷积网络的土壤断层扫描图像中孔隙分割
针对土壤断层扫描图像中存在部分容积效应及因孔隙成分复杂、结构不规则等引起的分割精度低的问题,该文提出一种全卷积网络(fully convolutional network,FCN)土壤孔隙分割方法,为土壤科学研究提供技术支持.该文以黑土土壤断层扫描图像为研究对象,通过卷积和池化运算输出不同尺度的孔隙特征图;将孔隙的深层特征和浅层特征相融合,采用上采样算子对融合特征进行插值操作,从而输出孔隙的二值图.与大津法、分水岭法、区域生长法和模糊C均值聚类法(Fuzzy C-means,FCM)4种常用孔隙分割方法的对比结果表明,FCN法在低,中,高3种孔隙密度的土壤图像中优于其他4种方法.FCN法的平均分割正确率为98.1%,比4种常用方法分别高25.6%,48.3%,55.7%和9.5%;FCN法的平均过分割率和欠分割率分别为2.2%和1.3%,仅为次优方法(FCM法)的33.8%和23.6%.通过融合土壤孔隙结构的多重特征,FCN法能够实现土壤孔隙整体和局部信息的精准判断,为土壤学的研究提供了一种更加智能化的技术手段.
土壤、图像分割、全卷积网络、土壤孔隙、深度学习
35
S152(土壤学)
国家重点研发计划项目2017YFD0600901;北京市共建项目专项、中央高校基本科研业务费专项资金项目2015ZCQ-GX-04;河北省创新能力提升计划工作类项目18827408D
2019-04-09(万方平台首次上网日期,不代表论文的发表时间)
共6页
128-133