Page 316 - 《软件学报》2020年第11期

李娜 等:一种基于卷积神经网络的砂岩显微图像特征表示方法 3631

Table 4 Prediction performance (Mean±Std) of different features based on SVM classification model
表 4 基于支持向量机分类模型,不同特征的预测性能(均值±标准差)
精确度 F1
特征
长石砂岩 岩屑砂岩 石英砂岩 长石砂岩 岩屑砂岩 石英砂岩
RGB 0.783±0.080 0.907±0.006 0.825±0.008 0.602±0.139 0.921±0.029 0.886±0.052
HSV 0.866±0.172 0.905±0.052 0.845±0.053 0.653±0.126 0.927±0.023 0.897±0.025
Gray 0.616±0.169 0.880±0.055 0.630±0.125 0.451±0.069 0.889±0.032 0.687±0.084
GLCM 0.550±0.158 0.742±0.073 0.540±0.115 0.370±0.091 0.791±0.048 0.544±0.067
Wavelet 0.716±0.158 0.922±0.032 0.765±0.108 0.683±0.142 0.911±0.017 0.793±0.056
Grain-based 0.166±0.223 0.825±0.048 0.700±0.094 0.142±0.167 0.868±0.030 0.667±0.091
FeRNet 0.916±0.088 0.938±0.035 0.870±0.075 0.805±0.135 0.948±0.015 0.899±0.042
Table 5 Prediction performance (Mean±Std) of different features based on LR classification model
表 5 基于逻辑回归分类模型,不同特征的预测性能(均值±标准差)
精确度 F1
特征
长石砂岩 岩屑砂岩 石英砂岩 长石砂岩 岩屑砂岩 石英砂岩
RGB 0.850±±0.183 0.912±0.024 0.810±0.077 0.678±0.146 0.926±0.032 0.847±0.061
HSV 0.850±0.145 0.885±0.057 0.830±0.054 0.615±0.102 0.915±0.035 0.870±0.044
Gray 0.666±0.176 0.882±0.029 0.610±0.074 0.435±0.071 0.901±0.027 0.687±0.053
GLCM 0.633±0.153 0.710±0.105 0.470±0.132 0.349±0.052 0.775±0.075 0.497±0.111
Wavelet 0.733±0.179 0.857±0.057 0.770±0.082 0.585±0.091 0.879±0.033 0.788±0.071
Grain-based 0.600±0.196 0.825±0.060 0.560±0.107 0.390±0.125 0.863±0.037 0.601±0.095
FeRNet 0.867±0.131 0.933±0.044 0.880±0.042 0.781±0.077 0.940±0.031 0.881±0.038
从表 4 可见,当使用支持向量机作为分类模型时,相比人工定义图像特征,本文 FeRNet 网络提取的特征在所
有砂岩类型及评测指标中均取得最好的预测表现.在人工定义特征中,HSV 颜色特征和基于小波变换的纹理特
征预测表现最佳.具体而言,当使用精确度作为评测指标时,HSV 颜色特征在长石砂岩和石英砂岩类型预测表现
最好,基于小波变换的纹理特征在岩屑砂岩类型获得最高预测性能;当使用 F1 值作为评测指标时,基于小波变
换的纹理特征在长石砂岩类型预测表现最好,HSV 颜色特征在岩屑砂岩和石英砂岩类型获得最高预测性能.然
而,无论使用哪种评测指标,FeRNet 网络提取的图像特征在 3 种类型砂岩的预测表现均优于上述最佳人工定义
特征.特别是在长石砂岩类型,预测性能获得显著提升.相对于人工定义特征获得的最佳性能指标, FeRNet 网络
提取的图像特征在精确度和 F1 评测指标中分别获得 5%和 12.2%的性能提升.
从表 5 可见,当使用逻辑回归作为分类模型时,相比人工定义图像特征,本文 FeRNet 网络提取的特征在所有
砂岩类型及评测指标中同样取得最好的预测表现.在人工定义特征中,RGB 和 HSV 两种颜色特征预测表现最
佳.具体而言,当使用精确度作为评测指标时,RGB 颜色特征在长石砂岩和岩屑砂岩类型中预测表现最好, HSV
颜色特征在长石砂岩和石英砂岩类型获得最高预测性能;当使用 F1 值作为评测指标时,RGB 颜色特征仍在长
石砂岩和岩屑砂岩类型中预测表现最好,HSV 颜色特征在石英砂岩类型获得最高预测性能.然而,与基于 SVM
分类模型的结果一致,FeRNet 网络提取的图像特征在 3 种类型砂岩的预测表现均明显优于最佳人工定义特征.
值得说明的是,在使用其他分类模型时,相比人工定义图像特征,本文 FeRNet 网络提取的特征始终表现出最佳
预测性能.
基于以上分析可得:与人工定义图像特征相比,FeRNet 网络提取的图像特征在砂岩显微图像自动分类中能
够获得最好的预测性能.由此表明,在带标记砂岩显微图像数量不足的情况下,本文提出的 FeRNet 网络能够有
效地提取砂岩显微图像的高级语义特征,为分类模型的训练和预测提供更具判别性的信息,提高模型的预测
性能.
4.2 与面向小规模数据集的深度自学习特征对比
为了探究与面向小规模数据集的深度自学习特征相比,FeRNet 网络提取的特征在砂岩显微图像自动分类
中的预测性能,本文基于 3 种常见的小规模数据集图像特征表示方法,结合支持向量机和逻辑回归分类模型分
别进行实验,比较实验结果.表 6 和表 7 分别列出使用支持向量机和逻辑回归作为分类模型时,不同特征对 3 种