基于CT图像的黑土大孔隙精细分割与重构方法研究.pdfVIP

摘要 摘 要 黑土作为全球公认最肥沃资源，是我国东北商品粮基地的重要基础。而大孔隙是 水分和溶质运移的主要路径，能为植物根系生长、微生物活动等提供充足营养和空间。 探索大孔隙结构有助于理解黑土生态过程的发生发展，也对黑土结构改良、灌溉制度 制定具有指导意义。由于大孔隙复杂不规则性和时空变异性，受现有图像处理方法限 制，大孔隙获取存在自动化程度弱、精度低、鲁棒性差的问题。因此，大孔隙精准分 割和重构是当下黑土结构研究的一个难点。 本文从大孔隙结构表达和可视化这一目标入手，提出了自动化、智能化分割与重 构方法，实现了大孔隙精细分割和三维特征准确描述，对因含水率、物理状态导致的 图像变化具有自适应性。具体包括： 1 C （）提出了自适应模糊 均值大孔隙分割方法 C 针对现有分割方法自动化程度弱和精度低的问题，本文提出了自适应模糊 均 AFCM CT 值法 （ ）大孔隙分割法。该方法基于黑土 图像特征自动选择聚类数目，并 ImageJ 依据大孔隙分割准则实现分割目标的灵活表达。通过与经典大孔隙分割方法（ IPP AFCM 和 ）比较证明， 法具有自动化程度高和大孔隙分割能力强的特点。 （2）提出了基于灰度-梯度特征的模糊C 均值大孔隙分割方法 针对AFCM 法隶属度矩阵初始化的局限性，提出了基于灰度-梯度特征的模糊C 均值大孔隙分割方法 （GGFCM）。该方法能够根据图像灰度-梯度信息，完成隶属度 矩阵自动分区赋值，实现像素点预分类。实验结果表明，GGFCM 法分割错误率在第 10 次迭代时已低至FFCM 法和AFCM 法的9%和6%，证明了GGFCM 法具有最高分 割精确度和最快分割效率。 3 C （）提出了基于邻域约束的模糊 均值大孔隙分割方法 受黑土非均质性和部分容积效应影响，大孔隙具有邻域相似性；而且上述两种方 法仅考虑单独像素点会错误分割大孔隙结构。因此，本文将八邻域信息引入目标函数， C GGFCM-N 提出了基于邻域约束的模糊 均值大孔隙分割方法 （ ）。实验结果表明， GGFCM-N / 2.98% 5.46% 0.8118 法具有最小平均面积周长相对误差（ 和 ）、分配熵（ ）、 0.1640 0.1120 GGFCM-N 类间关联性 （ ）和最大分配系数 （ ），证明了 法对不同形态 大孔隙具有更佳分割性能。 I 摘要 4 （）提出了简化卷积网络大孔隙分割方法 受大孔隙复杂多变性和细小不规则性影响，上述三种方法均存在过分割和欠分割 CT 现象；而且考虑到实际应用中，分割方法应对不同黑土 图像具有强鲁棒性，本文 SCN 提出了简化卷积网络法 （ ）。该方法能够通过多重卷积实现大孔隙多维特征的全 SCN