基于光流網(wǎng)絡(luò)模型的巖心CT序列圖像裂縫分割

謝楊灝 滕奇志

(四川大學(xué)電子信息學(xué)院圖像信息研究所 四川 成都 610065)

0 引 言

巖心CT序列圖是對(duì)真實(shí)巖心進(jìn)行CT掃描得到的，使用巖心CT序列圖并通過一系列算法可以重構(gòu)出數(shù)字巖心，進(jìn)而研究巖心的孔隙微觀結(jié)構(gòu)[1]。巖心CT序列圖的分割是數(shù)字巖心重構(gòu)的關(guān)鍵步驟，主要目的是提取孔隙、顆粒和裂縫等感興趣的區(qū)域，分割的優(yōu)劣直接決定了數(shù)字巖心的重構(gòu)質(zhì)量。巖心中的微裂縫對(duì)于研究巖心連通性和滲流特性具有重要意義，但由于目前CT成像的對(duì)比度往往不夠理想，且易受到噪聲影響，導(dǎo)致分割難度增大，一些細(xì)的裂縫提取困難，且容易斷裂。

常用的圖像分割方法主要有基于閾值的分割方法、基于區(qū)域的分割方法和基于邊緣的分割方法。由于CT序列圖的目標(biāo)具有多樣性，往往無法使用一種單一的方法來實(shí)現(xiàn)分割。常用的裂縫分割流程需要首先進(jìn)行邊緣增強(qiáng)，然后進(jìn)行閾值分割[2]，最后通過區(qū)域生長來實(shí)現(xiàn)最終的提取。這類方法在處理巖心CT序列圖時(shí)無法很好地解決對(duì)比度低以及噪聲干擾等問題，得到的裂縫很容易出現(xiàn)過分割或者欠分割的情況，如果要得到好的分割結(jié)果，則需要大量的手工修補(bǔ)。

而在實(shí)際應(yīng)用中，CT序列圖往往以數(shù)以千計(jì)的形式出現(xiàn)，如果每一幅圖都需要人工進(jìn)行修補(bǔ)，將會(huì)耗費(fèi)大量的時(shí)間。找到一種分割效果好且自動(dòng)化程度高的分割方法則成為解決裂縫分割的重要目標(biāo)。

文獻(xiàn)[3]提出了一種利用層間相關(guān)性的半自動(dòng)分割方法，該方法利用相鄰圖像直方圖的相似性，選取分割區(qū)間并使用區(qū)域生長對(duì)分割區(qū)域進(jìn)行修復(fù)，在一定范圍內(nèi)能夠高效、自適應(yīng)地分割。該方法主要針對(duì)孔隙目標(biāo)進(jìn)行分割，分割效果取得了進(jìn)步，但相對(duì)孔隙而言，裂縫在圖像中的對(duì)比度更差，且目標(biāo)形態(tài)較細(xì)，容易斷裂，因此該方法在裂縫目標(biāo)的分割上效果并不理想。

由于CT序列圖的層間相關(guān)性較強(qiáng)，本文把巖心CT序列圖看作一個(gè)連續(xù)變化的視頻序列，利用光流進(jìn)行幀間像素運(yùn)動(dòng)的預(yù)測，通過疊加光流網(wǎng)絡(luò)模型獲取光流數(shù)據(jù)，使用首幀標(biāo)定、位置迭代、區(qū)域聚類和光流閾值分割實(shí)現(xiàn)目標(biāo)區(qū)域更新以及噪聲抑制。實(shí)驗(yàn)結(jié)果表明，本文方法在分割效果以及自動(dòng)化上均有較大提升。

1 算法描述

將巖心CT序列圖看作一個(gè)連續(xù)變化的視頻序列后，主要的問題是如何實(shí)現(xiàn)對(duì)幀間關(guān)系的檢測以及通過像素的移動(dòng)實(shí)現(xiàn)目標(biāo)區(qū)域的分割。

1.1 光流網(wǎng)絡(luò)模型

光流指的是時(shí)變圖像中像素點(diǎn)的瞬時(shí)運(yùn)動(dòng)速度。光流根據(jù)需要檢測的像素個(gè)數(shù)可以分為稀疏光流和稠密光流，稀疏光流是對(duì)指定的一組像素點(diǎn)進(jìn)行跟蹤，一般是特征明顯的點(diǎn)，如角點(diǎn)；而稠密光流則是對(duì)整個(gè)圖像的像素點(diǎn)進(jìn)行跟蹤。如果要實(shí)現(xiàn)對(duì)移動(dòng)目標(biāo)的分割，則必須實(shí)現(xiàn)像素級(jí)的光流預(yù)測，即上述的稠密光流。目前，稠密光流的求解方法主要有Gunnar Farneback算法[4]、Horn-Schunck算法[5]等傳統(tǒng)方法和基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法[6-8]。由于近年神經(jīng)網(wǎng)絡(luò)的高速發(fā)展，在很多方面深度神經(jīng)網(wǎng)絡(luò)已經(jīng)超越了傳統(tǒng)算法，本文在FlowNet[6-7]的基礎(chǔ)上，根據(jù)巖心CT序列圖的分割進(jìn)行了優(yōu)化。

FlowNet依據(jù)的是傳統(tǒng)的CNN網(wǎng)絡(luò)模型框架，采用端到端的訓(xùn)練模式。目前根據(jù)輸入的方式有兩種基本模型，分別是FlowNet Simple(FlowNetS)和FlowNet Correction(FlowNetC)。FlowNetS將圖片先疊加再輸入網(wǎng)絡(luò)，F(xiàn)lowNetC則是將圖片直接輸入網(wǎng)絡(luò)再在第三級(jí)卷積后再進(jìn)行融合，兩個(gè)網(wǎng)絡(luò)的卷積層數(shù)相同，只是圖像合并的網(wǎng)絡(luò)層不同。網(wǎng)絡(luò)結(jié)構(gòu)的差異導(dǎo)致了兩種網(wǎng)絡(luò)結(jié)構(gòu)在光流估計(jì)的表現(xiàn)也不完全相同，通過大量的實(shí)驗(yàn)可以得出：FlowNetS在全局光流估計(jì)上有較大的優(yōu)勢(shì)，F(xiàn)lowNetC在對(duì)特征點(diǎn)的光流估計(jì)上有較大的優(yōu)勢(shì)。圖1和圖2分別為兩種FlowNet的網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 FlowNetS網(wǎng)絡(luò)結(jié)構(gòu)

圖2 FlowNetC網(wǎng)絡(luò)結(jié)構(gòu)

從理論上來說，網(wǎng)絡(luò)深度的增加可以提高網(wǎng)絡(luò)學(xué)習(xí)能力[8]。文獻(xiàn)[6，8]通過疊加網(wǎng)絡(luò)的形式提升了光流場的檢測精度?？紤]到兩種FlowNet模型在光流估計(jì)上的不同表現(xiàn)，本文使用了FlowNetC和FlowNetS構(gòu)成的兩層疊加網(wǎng)絡(luò)，以同時(shí)發(fā)揮兩種網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢(shì)，實(shí)現(xiàn)更好的估計(jì)效果，結(jié)構(gòu)示意圖如圖3所示。為了實(shí)現(xiàn)兩個(gè)網(wǎng)絡(luò)的疊加，需要在兩個(gè)網(wǎng)絡(luò)中間增加一個(gè)扭曲層，扭曲層將輸入圖像的后幀圖像按照前級(jí)網(wǎng)絡(luò)輸出的光流估計(jì)場進(jìn)行位置變換，再輸入到下一級(jí)網(wǎng)絡(luò)，依此類推可進(jìn)行多次疊加。但是考慮到訓(xùn)練的效率以及應(yīng)用的復(fù)雜度，本文采用了兩級(jí)疊加網(wǎng)絡(luò)。

圖3 兩級(jí)疊加網(wǎng)絡(luò)結(jié)構(gòu)

扭曲層的操作是通過將光流的移動(dòng)疊加到i+1幀上完成的：

(1)

1.2 分割算法描述

光流網(wǎng)絡(luò)模型得到的光流數(shù)據(jù)不能直接用于裂縫分割，另外在進(jìn)行裂縫分割之前需對(duì)裂縫的形態(tài)進(jìn)行分析以設(shè)計(jì)出相應(yīng)的分割策略。

裂縫在巖心中通?？煞譃榇怪笨p和水平縫。垂直縫主要是由于地質(zhì)運(yùn)動(dòng)引起的地層斷裂產(chǎn)生的，如圖4(a)中垂直于底面的切面；在巖心CT圖像一個(gè)切片上表現(xiàn)為一條細(xì)長的線條，如圖4(b)所示；水平縫通常是在地層受到擠壓后形成的地層縫，如圖4(a)中平行于底面的切面；在CT序列中的表現(xiàn)為線條較粗的區(qū)域，如圖4(b)所示的右上角區(qū)域。

(a) 巖心裂縫示意(b) 巖心CT圖像圖4 水平縫與垂直縫展示

垂直縫大多能夠貫穿整個(gè)CT序列圖，以細(xì)小的線條為主，而水平縫往往只出現(xiàn)在CT序列圖中的某些區(qū)段中，主要表現(xiàn)是位置變化迅速。本文通過對(duì)比光流和裂縫的變化規(guī)律后，整合了垂直縫和水平縫的分割流程，通過位置迭代實(shí)現(xiàn)垂直縫的分割，利用光流劇變解決水平縫的分割，設(shè)計(jì)出如圖5所示的分割流程。其中，垂直縫的初始位置通過首幀標(biāo)定實(shí)現(xiàn)，標(biāo)定位置由傳統(tǒng)分割方法并輔以人工手段得到，標(biāo)定目標(biāo)的判斷即為首幀標(biāo)定的判斷，用來確定垂直縫是否存在。

圖5 分割算法流程

現(xiàn)假設(shè)Ti(m,n)為當(dāng)前幀分割目標(biāo)的集合，(m，n)表示目標(biāo)出現(xiàn)的位置，i為當(dāng)前幀號(hào)。首幀標(biāo)定即i=0時(shí)的分割目標(biāo)。

在前幀分割目標(biāo)已知的情況下，根據(jù)光流信息進(jìn)行位置迭代：

(2)

式中：u和v分別代表m和n方向的光流向量變化量，進(jìn)行疊加后可以得到新的目標(biāo)位置。由于目標(biāo)位置更新后，部分目標(biāo)點(diǎn)已經(jīng)移出了圖像區(qū)域，同時(shí)又有新的目標(biāo)引入，因此區(qū)域聚類實(shí)現(xiàn)了目標(biāo)區(qū)域的更新。區(qū)域聚類使用2×2的模板，首先將目標(biāo)位置映射到原始圖片中：

Ii+1(m1,n1)=f(Ti+1(m1,n1))

(3)

然后按照模板大小通過式(4)計(jì)算臨近點(diǎn)的灰度差值，以圖6的聚類示例圖為例，白色表示未知目標(biāo)，灰色表示已知目標(biāo)。

(4)

圖6 聚類示例圖

式(4)的后半部即當(dāng)前區(qū)域的類心，再通過灰度閾值判斷是否為目標(biāo)，如果為目標(biāo)則歸并到Ti+1中，隨后再次進(jìn)行迭代，直到目標(biāo)不再增加為止。經(jīng)過大量實(shí)驗(yàn)可得，灰度閾值設(shè)為5時(shí)能夠滿足大部分情況，但是對(duì)于一些較特殊的圖像則需要重新進(jìn)行設(shè)定。區(qū)域聚類算法的具體描述如算法1所示。

算法1區(qū)域聚類算法。

輸入：已進(jìn)行位置的迭代的目標(biāo)Ti+1，當(dāng)前幀Ii+1(w,h)，w、h分別為圖像的長和寬。

輸出：區(qū)域聚類后的目標(biāo)Ti+1。

1. 初始化停止標(biāo)志flag=TRUE，迭代次數(shù)cnt_iterate=0。

2. WHILE(flag){

3. 初始化更新計(jì)數(shù)cnt_update=0。

4. FOR(i=0;i

5. FOR(j=0;j

6. IF(Ti+1(i,j)是目標(biāo)){

7. 根據(jù)式(4)計(jì)數(shù)臨近區(qū)域差值。

8. IF(區(qū)域需要更新){

9. 更新區(qū)域Ti+1。

10. cnt_update++;

11. }

12. }

13. }

14. }

15. cnt_iterate++;

16. IF((cnt_update==0)||(cnt_iterate>100)){

17. flag=FALSE;

18. }

19. }

光流位置迭代和區(qū)域聚類是用于垂直縫的分割，而水平縫的分割主要采用光流閾值進(jìn)行分割。使用光流閾值進(jìn)行分割可以很好地抑制噪聲對(duì)分割造成的影響，得到的水平縫的分割結(jié)果有顯著提升。閾值分割計(jì)算光流的變化量，將兩個(gè)方向光流變化量的絕對(duì)值進(jìn)行疊加。

S(x,y)=|U(x,y)|+|V(x,y)|

(5)

式中：U(·)、V(·)為圖像在(x，y)處的像素點(diǎn)沿水平方向和垂直方向的光流變化。根據(jù)大量實(shí)驗(yàn)，光流閾值設(shè)定為10時(shí)分割效果較好，也可根據(jù)特定的情況設(shè)置光流閾值。得到的閾值分割目標(biāo)為Ti+1(m2,n2)。

將新得到的兩個(gè)目標(biāo)區(qū)域進(jìn)行合并便得到新的目標(biāo)區(qū)域，目標(biāo)區(qū)域即為裂縫的分割圖像。

Ti+1(m,n)=Ti+1(m1,n1)+Ti+1(m2,n2)

(6)

2 模型的訓(xùn)練與評(píng)價(jià)

2.1 數(shù)據(jù)集

光流網(wǎng)絡(luò)模型的參數(shù)更新是通過比較網(wǎng)絡(luò)得到的估計(jì)光流值與真實(shí)光流值的誤差來實(shí)現(xiàn)的。本文模型訓(xùn)練的數(shù)據(jù)集選取了FlyingChairs數(shù)據(jù)集[6]，以及為了能夠適用于巖心CT序列制作的巖心CT序列數(shù)據(jù)集，從FlyingChairs數(shù)據(jù)集選取了10 000幅圖像，以椅子為檢測目標(biāo)，巖心序列數(shù)據(jù)集共制作了1 000幅圖像，以裂縫為檢測目標(biāo)，圖像大小均為 512×384，灰度級(jí)為256級(jí)的灰度圖像。巖心CT序列數(shù)據(jù)集選取的圖片以低噪聲為主且主要噪聲來源為高斯噪聲，并進(jìn)行了對(duì)比度提升和平滑濾波處理。最終數(shù)據(jù)集的分配為：訓(xùn)練集占90%，驗(yàn)證集占5%，測試集占5%。

由于真實(shí)光流值的獲取具有一定的難度，在制作光流數(shù)據(jù)時(shí)使用了遷移學(xué)習(xí)的方式進(jìn)行生成，用已訓(xùn)練完成的網(wǎng)絡(luò)直接生成光流數(shù)據(jù)。然后通過對(duì)光流的可視化進(jìn)行光流數(shù)據(jù)的驗(yàn)證，并對(duì)偏離嚴(yán)重的數(shù)據(jù)進(jìn)行修正。在經(jīng)過多次修正后，得到的數(shù)據(jù)集基本滿足訓(xùn)練要求。

2.2 網(wǎng)絡(luò)訓(xùn)練參數(shù)及環(huán)境描述

網(wǎng)絡(luò)所有層的權(quán)重使用均值為0、方差為2/n的高斯分布進(jìn)行初始化，衰減系數(shù)為0.000 4，偏執(zhí)衰減系數(shù)為0[9]。網(wǎng)絡(luò)參數(shù)的更新方法為Adam自適應(yīng)優(yōu)化算法[10]，學(xué)習(xí)率采用0.000 1，一階矩估計(jì)的指數(shù)衰減率(beta1)和二階矩估計(jì)的指數(shù)衰減率(beta2)分別為0.9和0.999。由于顯存限制，每批次讀取8組圖片，使用8個(gè)線程進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束條件為1 000個(gè)Epoch，并在訓(xùn)練過程中記錄最佳訓(xùn)練結(jié)果。

實(shí)驗(yàn)的硬件環(huán)境為 Intel i7- 7700K 4.2 GHz的CPU、16 GB內(nèi)存和單塊GIGABYTE GTX1060顯存6 GB的顯卡，操作系統(tǒng)為版本Ubuntu16.04的Linux操作系統(tǒng)，模型的搭建使用0.4.1版本的PyTorch框架。

2.3 訓(xùn)練質(zhì)量評(píng)價(jià)

本文選取平均端點(diǎn)誤差(average end point error，AEPE)作為網(wǎng)絡(luò)訓(xùn)練的質(zhì)量評(píng)價(jià)，即通過比對(duì)計(jì)算網(wǎng)絡(luò)的最終輸出光流估計(jì)與實(shí)際光流估計(jì)的差異實(shí)現(xiàn)對(duì)訓(xùn)練結(jié)果的評(píng)價(jià)，并給出如下定義：

|vr(x,y)-vc(x,y)|)

(7)

式中：M×N為圖像的大小；ur(·)、vr(·)為真實(shí)光流數(shù)據(jù)；uc(·)、vc(·)為模型生成光流數(shù)據(jù)。先對(duì)目標(biāo)的所有光流差值絕對(duì)值求和，再除以總像素?cái)?shù)得到平均端點(diǎn)誤差。以此誤差作為損失函數(shù)代入網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)參數(shù)的更新。

另外，為了實(shí)現(xiàn)光流數(shù)據(jù)的可視化，以圖像大小創(chuàng)建一幅空白的RGB圖像，并初始化所有像素點(diǎn)的數(shù)據(jù)為1.0，再進(jìn)行如下操作：

(8)

r、g、b分別代表各通道在(x,y)位置處光流位置的疊加。最后，通過數(shù)據(jù)等長拉伸，使得各通道的數(shù)據(jù)均在[0, 255]內(nèi)，存為通用格式的圖片，即可實(shí)現(xiàn)數(shù)據(jù)的可視化。

2.4 訓(xùn)練結(jié)果分析

圖7為FlowNetS、FlowNetC和本文的兩層疊加光流網(wǎng)絡(luò)在訓(xùn)練過程中AEPE變化圖，疊加網(wǎng)絡(luò)在經(jīng)過600個(gè)Epoch后趨于平穩(wěn)，F(xiàn)lowNetS和FlowNetC在800個(gè)Epoch后趨于平穩(wěn)，因此本文選取了1 000個(gè)Epoch作為訓(xùn)練的結(jié)束條件。

圖7 疊加網(wǎng)絡(luò)和FlowNetS及FlowNetC損失值變化圖

圖8分別展示了連續(xù)的兩幀原始圖片，目標(biāo)光流數(shù)據(jù)以及使用FlowNetS、FlowNetC和疊加光流網(wǎng)絡(luò)生成了光流預(yù)測數(shù)據(jù)的可視化圖像。表1展示了在訓(xùn)練了1 000個(gè)Epoch后的最佳訓(xùn)練結(jié)果和測試結(jié)果。

(a) 原始圖像1(b) 原始圖像2 (c) 目標(biāo)光流

(d) FlowNetS(e) FlowNetC(f) 疊加網(wǎng)絡(luò)圖8 不同網(wǎng)絡(luò)模型生成光流對(duì)比

表1 模型訓(xùn)練測試AEPE結(jié)果

實(shí)驗(yàn)驗(yàn)證網(wǎng)絡(luò)疊加的確可以提升效果，從圖6中可以看出疊加網(wǎng)絡(luò)平均端點(diǎn)誤差比其他兩個(gè)網(wǎng)絡(luò)要低，輸出的光流可視化效果明顯優(yōu)于其他兩個(gè)網(wǎng)絡(luò)，而FlowNetS和FlowNetC的顆粒感比較嚴(yán)重，并且對(duì)噪聲信號(hào)的光流判斷比較混亂，而疊加網(wǎng)絡(luò)的判斷較為準(zhǔn)確，噪聲信號(hào)的光流可以被抑制到一個(gè)較低的水平。由表1可以看出，疊加光流網(wǎng)絡(luò)的表現(xiàn)要明顯優(yōu)于其他兩個(gè)網(wǎng)絡(luò)。在測試集的表現(xiàn)中，疊加光流網(wǎng)絡(luò)的AEPE達(dá)到了2.107，而FlowNetS和FlowNetC的AEPE相對(duì)較高，還無法達(dá)到具體應(yīng)用的水平。通過以上結(jié)果對(duì)比可以得出目前的網(wǎng)絡(luò)已經(jīng)能夠較為精確地得出光流估計(jì)數(shù)據(jù)，為下一步的分割奠定了良好的基礎(chǔ)。

3 實(shí)驗(yàn)結(jié)果分析

針對(duì)傳統(tǒng)分割選用了典型目標(biāo)閾值分割和大津閾值分割。典型目標(biāo)閾值分割是選取對(duì)比度較大的區(qū)域進(jìn)行直方圖統(tǒng)計(jì)，然后再選取分割點(diǎn)，能夠?qū)Φ湫湍繕?biāo)進(jìn)行最大限度的分割。大津閾值分割能夠使用全局最佳閾值進(jìn)行分割，在前景與背景有明顯差異時(shí)分割效果較好。圖9展示了不同方法的分割結(jié)果。

(a) 原始圖片(b) 雙閾值分割(c) 大津閾值分割(d) 本文方法圖9 分割結(jié)果對(duì)比

可以看出，原始圖像存在大量的噪點(diǎn)且分辨率較低，而且右上角有一片目標(biāo)區(qū)域跟噪聲混合在了一起。雙閾值分割如果要提取到完整的目標(biāo)，就會(huì)引入大量的噪聲，需要的填孔、去噪、開閉合運(yùn)算操作就會(huì)多很多，如果這些操作過多會(huì)導(dǎo)致裂縫的斷開，而如果操作不足會(huì)導(dǎo)致噪聲過多。要實(shí)現(xiàn)一個(gè)好的分割就需要人為地進(jìn)行嘗試，直到得到一個(gè)較理想的結(jié)果。如果第一幀的分割效果已經(jīng)不理想了，依據(jù)同樣的分割策略進(jìn)行自動(dòng)分割的后續(xù)圖像的分割效果往往會(huì)越來越差。大津閾值分割也存在同樣的問題，由圖9可以看出，在提取到完整的右上角區(qū)域后也會(huì)引入大量的噪聲信號(hào)，但是相對(duì)于雙閾值分割要少一些。本文算法的第一幀也是使用典型目標(biāo)閾值分割的方法，然后通過必要的填孔、去噪、開閉運(yùn)算等操作完成目標(biāo)的提取，把分割目標(biāo)控制在一個(gè)較理想的范圍內(nèi)，最后根據(jù)光流移動(dòng)進(jìn)行分割。從分割效果看，本文算法在圖中的右上角區(qū)域能夠提取到完整的目標(biāo)，并且能夠保證連續(xù)性和較高的性噪比，同時(shí)在小位移目標(biāo)的檢測上也能取得較好的結(jié)果，如圖中間區(qū)域的垂直縫?？傮w來說，本文使用的分割結(jié)果明顯優(yōu)于雙閾值分割和大津閾值分割。

圖10分別展示了兩組CT序列中連續(xù)幀的分割效果，第一組圖首幀使用了典型目標(biāo)分割、去噪濾波、形態(tài)學(xué)變換等操作提取到需要跟蹤的目標(biāo)，輸入到算法中輸出相應(yīng)的分割圖，并且從后續(xù)幀可以看出，分割能夠依據(jù)光流預(yù)測的方向進(jìn)行更新，并在有大范圍變化時(shí)能夠會(huì)將此區(qū)域認(rèn)定為目標(biāo)區(qū)域。圖10(c)、(d)展示了另一組圖，這組圖沒有進(jìn)行首幀分割，由于目標(biāo)運(yùn)動(dòng)范圍較大，通過光流閾值可以直接分割出目標(biāo)區(qū)域，并能在接下來的幀中迭代更新目標(biāo)區(qū)域。

(a) 序列圖一

提取CT序列圖的裂縫其主要目的是重建裂縫的三維模型，并對(duì)三維裂縫的傾角、厚度和波及面積等進(jìn)行數(shù)據(jù)分析。圖11展示了圖10(c)的裂縫三維模型。

圖11 序列圖二的三維模型展示

根據(jù)上述實(shí)驗(yàn)，巖心CT序列圖分割在使用光流模型進(jìn)行幀間運(yùn)動(dòng)預(yù)測后能夠明顯地提高對(duì)噪聲的抑制能力，提升分割的效果和效率，并提高三維裂縫分析的準(zhǔn)確性。

4 結(jié) 語

本文對(duì)巖心CT序列圖的裂縫分割進(jìn)行了深入研究，通過序列圖到視頻幀的思維轉(zhuǎn)換，提出了一種基于光流網(wǎng)絡(luò)尋找?guī)g相關(guān)性的分割方法。本文在光流預(yù)測中使用了疊加光流網(wǎng)絡(luò)模型，并通過對(duì)比FlowNetS、FlowNetC，發(fā)現(xiàn)疊加網(wǎng)絡(luò)在光流預(yù)測的能力有了極大的提高，測試集的平均端點(diǎn)誤差達(dá)到了2.107，驗(yàn)證了光流預(yù)測模型在CT序列圖運(yùn)動(dòng)預(yù)測的可行性。通過對(duì)比傳統(tǒng)的分割方法，發(fā)現(xiàn)本文方法能夠提高裂縫提取的完整度以及對(duì)噪聲的抑制，并提高自動(dòng)化水平和裂縫三維分析的準(zhǔn)確性。