岩心作为石油勘探与地质研究等领域获取地下岩层信息的关键实物资料,其图像蕴含着丰富的地质信息。准确分析岩心图像(岩心铸体薄片数字图像)对于了解地下地质结构和储层特征至关重要。传统岩心图像分割方法存在精度低、效率差等问题,难以满足日益增长的应用需求。本文结合深度学习语义分割技术,提出了基于多尺度特征融合的岩心图像分割算法。具体研究工作如下: (1)研究实现一种基于DCA-UNet的岩心图像分割算法。针对UNet语义分割模型简单的跳跃连接导致部分语义信息丢失,且对于小目标边缘分割不准确,以及在岩心图像分割任务中存在过拟合等问题,以UNet网络为基础模型展开研究。引入双重交叉注意力模块,该模块利用交叉注意力机制,有效地提取编码器多尺度特征在通道和空间维度上的依赖关系,能够更好地融合低级特征,以减少语义信息的丢失;在UNet网络的瓶颈处加入了一个空间注意力模块,该模块通过空间维度的特征分析生成注意力权重图,并将其与输入特征进行加权融合,这种自适应特征优化方法能够引导模型关注到岩心图像的更多细节信息,从而提升特征提取的精度;使用结构化Dropout卷积模块替换掉UNet中的标准卷积单元,有效缓解了过拟合现象,同时提高了模型的收敛速度。 (2)研究实现一种基于STF-UNet的岩心图像分割算法。针对卷积运算无法有效捕获全局语义信息和长距离依赖关系,导致模型分割性能难以提升的问题,提出了一种新的U型网络架构STF-UNet。该模型采用Swin Transformer模块作为核心单元构建编码器和解码器,其中编码路径用于提取多尺度上下文特征,解码路径则通过补丁扩展层实现特征图的上采样操作。此外,该模型采用跳跃连接机制将编码路径中的多层次特征与解码路径中的上采样特征进行融合,有效整合了浅层细节信息和深层语义信息。这种设计不仅弥补了下采样过程中的信息损失,还实现了局部特征与全局特征的协同学习,从而显著提升了模型的分割性能。 (3)研究实现一种基于CMRF-UNet的岩心图像分割算法。针对岩心图像语义分割模型过大导致计算资源不足以及无法有效应用和部署等问题,研究适用于岩心图像分割场景的轻量化模型。引入CMRF模块,该模块利用特征图中多个通道的冗余信息,通过一种成本友好的级联策略在特征图中探索不同的感受野,并通过在一层中融合来自不同感受野的信息以增强特征表示,极大的减少了参数量和计算复杂度。同时,针对岩心图像类别分布不均衡等特性,结合Dice和交叉熵损失函数,提出更适用于训练岩心图像数据集的混合损失函数,以优化模型训练的性能和效率,从而提高分割性能。 综合实验结果表明,所提出的算法在岩心图像数据集上均取得了良好的分割效果,分割精度和泛化能力均优于传统方法。本研究为岩心图像分割提供了一种高效可靠的解决方案,对推动石油勘探等相关领域的发展具有重要意义。