《表4 使用不同特征提取方法进行砂岩颗粒分类效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于语义特征提取的砂岩薄片图像颗粒分割方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表4中，backbone列表示骨干网络所采用的网络结构，RockNet（mp1），RockNet（mp2）和RockNet（mp3）分别表示采用VGG16网络[11]的第一个卷积模块，前两个卷积模块和前三个卷积模块作为骨干网络，其参数均采用在ImageNet上训练过的参数迁移而得到.如前所述，本文设计的RockNet骨干网络采用VGG16（maxpool2）.对于前两种特征提取方法，使用了多种分类器，包括Softmax，SVM（rbf）（支持向量机，核函数使用径向基函数），SVM（linear）（支持向量机，使用线性核函数），Naive Bayes（朴素贝叶斯）及Random Forest（随机森林）.表4第1～10行的结果表明，在所有分类器中，Softmax取得的分类效果最佳.表4第1行的结果表明，Li等[1]设计的统计特征是基于图像区域中每个像素点的灰度值根据指标计算公式得到的数值，一定程度上能够反映图像块（超像素）的特性.但是，这些特征难以描述长石和岩屑颗粒的微结构，如颗粒中的解理、裂理、双晶等.因此，该特征对于石英颗粒有效，对于长石和岩屑颗粒效果不佳.Jiang等[35]中为了加强对矿物微结构的描述，提取图像亮度和纹理特征，表4第6行的实验结果表明该方法对长石和岩屑颗粒的分类效果取得一定的提升.第12行的实验结果表明，相比于前两种人工设计的特征提取方法，RockNet所提取的图像块（超像素）特征包含丰富的图像语义.也即，RockNet通过不同层次的卷积层提取图像从低层到高层的各级特征，这些特征对于判断图像所代表的砂岩类型具有良好的效果.除在石英分类实验结果稍逊于Li等[1]的结果，在长石、岩屑和总体效果均获得最佳结果.表4第11和12行的结果表明，使用VGG16前两个卷积（maxpool2）模块描述矿物颗粒图像低层特征的能力最强，过低层次（maxpool1）和过高层次（maxpool3）均有一定程度的性能下降.