一种基于卷积神经网络的砂岩显微图像特征表示方法

来源：软件学报杂志2020年第11期北京时间：

作者：李娜，顾庆，姜枫，郝慧珍，于华，倪超

单位：李娜，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002311,顾庆，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002302,姜枫，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023;南京理工大学 泰州科技学院 移动互联网学院, 江苏 泰州 22530003,郝慧珍，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023;南京工程学院 通信工程学院, 江苏 南京 21116704,于华，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002305,倪超，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002306

摘要：砂岩显微图像分类是地质学研究中一项基本工作，在油气储集层评估等方面有重要意义.在实现自动分类时，由于砂岩显微图像具有复杂多变的显微结构，人工定义特征对砂岩显微图像的表示能力有限.此外，由于样本采集和标注成本高昂，带标记的砂岩显微图像很少.提出一种面向小规模数据集的基于卷积神经网络的特征表示方法FeRNet，以便有效地捕获砂岩显微图像的语义信息，提高对砂岩显微图像的特征表示能力.FeRNet网络结构简单，可降低网络对带标记图像数据量的要求，防止参数过拟合.针对带标记砂岩显微图像数量不足的问题，提出了图像扩增预处理方法及基于卷积自编码网络的权重初始化策略，降低了因数据不足造成的过拟合风险.基于采自西藏地区的砂岩显微图像数据集设计并进行实验，实验结果表明，在带标记砂岩显微图像数据不足的情况下，图像扩增和卷积自编码网络可以有效地改善FeRNet网络的训练效果，通过FeRNet网络提取的特征对砂岩显微图像的表示能力优于人工定义特征.

关键词：特征表示;砂岩显微图像;卷积神经网络;图像扩增;卷积自编码

基金资助：国家自然科学基金（61373012，61321491，91218302）；国家重点研发计划（2018YFB1003800）；软件新技术与产业化协同创新中心