本發(fā)明涉及一種地震相干體斷層識別領(lǐng)域，尤其涉及基于adaboost算法的地震相干體圖像斷層自動識別方法及系統(tǒng)。

背景技術(shù)：

地震相干解譯是實現(xiàn)地質(zhì)斷層位置及屬性分析的最主要技術(shù)。然而，由于地震數(shù)據(jù)野外采集過程中不可避免的會存在由于設(shè)備、環(huán)境及人為等外在因素，以及這些外在因素對不同地質(zhì)結(jié)構(gòu)的作用所產(chǎn)生的復(fù)雜干擾及噪聲等影響，而這些影響造成的數(shù)據(jù)降質(zhì)往往是非線性的。為此，地震斷層圖像中地層背景及斷層目標(biāo)數(shù)據(jù)往往為不規(guī)則分布的復(fù)雜數(shù)據(jù)。面對這種復(fù)雜數(shù)據(jù)，傳統(tǒng)的基于圖像邊緣檢測/輪廓提取、圖像分割/目標(biāo)提取等方法很難實現(xiàn)斷層的準(zhǔn)確識別及定位，往往需要較多的人工編輯工作。另外,地震相干體圖像中斷層與背景類數(shù)據(jù)比例不平衡,背景數(shù)據(jù)稀疏性像對較好,而斷層相對較復(fù)雜,為自動斷層識別帶來了一定的困難。

考慮到機器學(xué)習(xí)等人工智能方法已經(jīng)在信號與信息處理相關(guān)的各個學(xué)科及領(lǐng)域中都得到了較好的應(yīng)用。特別是，集成學(xué)習(xí)方法對訓(xùn)練數(shù)據(jù)的先驗分布沒有進行任何假設(shè)，對數(shù)據(jù)分布情況具有很強的魯棒性。該類方法通過直接工作于輸入數(shù)據(jù)的概率空間，能夠有效解決類別不平衡、屬性不均勻的分類任務(wù)。顯然，有必要從分類的角度開展集成學(xué)習(xí)方法在地震相干體斷層識別中的應(yīng)用技術(shù)。

因此，現(xiàn)有技術(shù)中的缺陷是，現(xiàn)有的地震相干體圖像中地震斷層方法，由于斷層分布不規(guī)則、斷層形狀復(fù)雜多變、斷層與背景數(shù)據(jù)比例不平衡等造成斷層的自動識別與提取的結(jié)果不準(zhǔn)確。

技術(shù)實現(xiàn)要素：

針對上述技術(shù)問題，本發(fā)明提供一種基于adaboost算法的地震相干體圖像斷層自動識別方法及系統(tǒng)，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，運用分類網(wǎng)絡(luò)對圖像塊進行分類，可使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案是：

第一方面，本發(fā)明提供一種基于adaboost算法的地震相干體圖像斷層自動識別方法，包括：

步驟s1，獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

步驟s2，通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；

步驟s3，根據(jù)所述分類結(jié)果，實現(xiàn)對所述地震相干體斷層圖像的自動識別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動識別方法，其技術(shù)方案是：獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；根據(jù)所述分類結(jié)果，實現(xiàn)對所述地震相干體斷層圖像的自動識別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動識別方法，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，運用分類網(wǎng)絡(luò)對圖像塊進行分類，可使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

進一步地，所述分類網(wǎng)絡(luò)的訓(xùn)練過程為：

選取n個離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對所述第一訓(xùn)練樣本的學(xué)習(xí)得到第一個弱分類器，所述離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將所述第一個弱分類器中分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個訓(xùn)練樣本，通過對所述第二個訓(xùn)練樣本的學(xué)習(xí)得到第二個弱分類器，所述第二個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成；

將所述第一個弱分類器和第二個弱分類器中都分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個訓(xùn)練樣本，通過對所述第三個訓(xùn)練樣本的學(xué)習(xí)得到第三個弱分類器，形成三個二類分類器構(gòu)成的分類網(wǎng)絡(luò)，所述第三個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成。

進一步地，所述步驟s2，具體為：

通過所述分類網(wǎng)絡(luò)中的分類器對圖像塊進行分類，得到經(jīng)每個分類器處理后的圖像塊；

計算所述圖像塊與所述經(jīng)每個分類器處理后的圖像塊之間的相似度，得到多個相似度；

根據(jù)所述多個相似度，計算每個分類器的投票結(jié)果；

根據(jù)所述投票結(jié)果，得到分類結(jié)果，所述分類結(jié)果為多次累積投票結(jié)果最大的類。

進一步地，所述圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

進一步地，所述圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

第二方面，本發(fā)明提供了一種基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)，包括：

圖像塊獲取模塊，用于獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

圖像塊分類模塊，用于通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；

斷層圖像自動識別模塊，用于根據(jù)所述分類結(jié)果，實現(xiàn)對所述地震相干體斷層圖像的自動識別。

本發(fā)明提供的基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)，其技術(shù)方案為：先通過圖像塊獲取模塊，用于獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

接著通過圖像塊分類模塊，用于通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；最后通過斷層圖像自動識別模塊，用于根據(jù)所述分類結(jié)果，實現(xiàn)對所述地震相干體斷層圖像的自動識別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，運用分類網(wǎng)絡(luò)對圖像塊進行分類，可使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

進一步地，所述圖像塊分類模塊，具體用于訓(xùn)練分類網(wǎng)絡(luò)，具體為：

選取n個離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對所述第一訓(xùn)練樣本的學(xué)習(xí)得到第一個弱分類器，所述離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將所述第一個弱分類器中分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個訓(xùn)練樣本，通過對所述第二個訓(xùn)練樣本的學(xué)習(xí)得到第二個弱分類器，所述第二個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成；

將所述第一個弱分類器和第二個弱分類器中都分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個訓(xùn)練樣本，通過對所述第三個訓(xùn)練樣本的學(xué)習(xí)得到第三個弱分類器，形成三個二類分類器構(gòu)成的分類網(wǎng)絡(luò)，所述第三個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成。

進一步地，所述圖像塊分類模塊，具體用于：

通過所述分類網(wǎng)絡(luò)中的分類器對圖像塊進行分類，得到經(jīng)每個分類器處理后的圖像塊；

計算所述圖像塊與所述經(jīng)每個分類器處理后的圖像塊之間的相似度，得到多個相似度；

根據(jù)所述多個相似度，計算每個分類器的投票結(jié)果；

根據(jù)所述投票結(jié)果，得到分類結(jié)果，所述分類結(jié)果為多次累積投票結(jié)果最大的類。

進一步地，所述圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

進一步地，所述圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹。

圖1示出了本發(fā)明實施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動識別方法的流程圖；

圖2示出了本發(fā)明實施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動識別方法的多類分類網(wǎng)絡(luò)示意圖；

圖3示出了本發(fā)明實施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)的示意圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明技術(shù)方案的實施例進行詳細(xì)的描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來限制本發(fā)明的保護范圍。

實施例一

圖1示出了本發(fā)明實施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動識別方法的流程圖；如圖1所示，實施例一提供的一種基于adaboost算法的地震相干體圖像斷層自動識別方法，包括：

步驟s1，獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

步驟s2，通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個分類器構(gòu)成，分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；

步驟s3，根據(jù)分類結(jié)果，實現(xiàn)對地震相干體斷層圖像的自動識別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動識別方法，其技術(shù)方案是：獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個分類器構(gòu)成，分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；根據(jù)分類結(jié)果，實現(xiàn)對地震相干體斷層圖像的自動識別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動識別方法，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，adaboost是一種迭代算法，其核心思想是針對同一個地震相干體圖像形成的訓(xùn)練集，訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個分類網(wǎng)絡(luò)，分類網(wǎng)絡(luò)的分類能力更強。

通過分類網(wǎng)絡(luò)，改變斷層分布不規(guī)則、斷層形狀復(fù)雜多變、斷層與背景數(shù)據(jù)的分布，根據(jù)每次訓(xùn)練集中每個樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，并放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。通過不斷的訓(xùn)練，可以提高對數(shù)據(jù)的分類能力。本發(fā)明運用經(jīng)adaboost訓(xùn)練得到的分類網(wǎng)絡(luò)對圖像塊進行分類，可使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

參見圖2，分類網(wǎng)絡(luò)的訓(xùn)練過程為：

選取n個離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對第一訓(xùn)練樣本的學(xué)習(xí)得到第一個弱分類器，離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將第一個弱分類器中分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個訓(xùn)練樣本，通過對第二個訓(xùn)練樣本的學(xué)習(xí)得到第二個弱分類器，第二個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成；

將第一個弱分類器和第二個弱分類器中都分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個訓(xùn)練樣本，通過對第三個訓(xùn)練樣本的學(xué)習(xí)得到第三個弱分類器，形成三個二類分類器構(gòu)成的分類網(wǎng)絡(luò)，第三個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成。

通過不斷的訓(xùn)練，得到如圖2所示的三個二類分類器，構(gòu)成分類網(wǎng)絡(luò)，對斷層圖像塊進行分類，得到更準(zhǔn)確的分類結(jié)果，進而使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

具體地，步驟s2具體為：

通過分類網(wǎng)絡(luò)中的分類器對圖像塊進行分類，得到經(jīng)每個分類器處理后的圖像塊；

計算圖像塊與經(jīng)每個分類器處理后的圖像塊之間的相似度，得到多個相似度；

其中，計算圖像塊與經(jīng)每個分類器處理后的圖像塊之間的相似度的具體過程為：

在概率論和統(tǒng)計理論中，hellinger距離被用來度量兩個概率分布的相似度，因此計算圖像塊到各類樣本平均圖像塊灰度高斯分布擬合的hellinger距離來表示圖像塊與經(jīng)每個分類器處理后的圖像塊之間的相似度，其hellinger距離的計算公式為：

其中為當(dāng)前圖像塊灰度高斯分布擬合參數(shù)；為第i類樣本平均圖像塊灰度高斯分布擬合參數(shù)。

根據(jù)多個相似度，計算每個分類器的投票結(jié)果；

通過以下公式計算得到投票結(jié)果：

其中vk＝{vk(i)}為第k個二類分類器的投票值；

根據(jù)投票結(jié)果，得到分類結(jié)果，分類結(jié)果為多次累積投票結(jié)果最大的類。

具體地，圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

根據(jù)相關(guān)研究發(fā)現(xiàn)地震相干體圖像中斷層邊緣像素的最小描述尺度為3*3，而圖像邊緣的完整表示往往需要9*9的圖像塊尺度，為此，本發(fā)明中分別選取了3*3、5*5、7*7和9*9幾個尺度來選取樣本圖像塊。

優(yōu)選地，經(jīng)實驗進一步對比結(jié)果可知，如果圖像塊過小，如3*3，則分類結(jié)果中會出現(xiàn)連續(xù)斷層被分裂開的現(xiàn)象，而如果圖像塊過大，如9*9，則實驗結(jié)果中會出現(xiàn)斷層邊緣及斷層體均有膨脹的效果。只有在圖像塊大小選擇適中，如5*5或7*7的情況下，最終的分類結(jié)果才能準(zhǔn)確識別斷層體和斷層邊緣。因此本發(fā)明中優(yōu)選的圖像塊的尺寸為5*5或7*7。

優(yōu)選地，圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

考慮樣本數(shù)據(jù)的代表性和對應(yīng)類別的稀疏度問題，即背景數(shù)據(jù)稀疏性像對較好,而斷層相對較復(fù)雜的情況，本發(fā)明圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。這樣可解決斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊數(shù)量不平衡，導(dǎo)致斷層的自動識別與提取的結(jié)果不準(zhǔn)確的問題。

圖3示出了本發(fā)明實施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)的示意圖。如圖3所示，本發(fā)明提供了一種基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)10，包括：

圖像塊獲取模塊101，用于獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

圖像塊分類模塊102，用于通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個分類器構(gòu)成，分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；

斷層圖像自動識別模塊103，用于根據(jù)分類結(jié)果，實現(xiàn)對地震相干體斷層圖像的自動識別。

本發(fā)明提供的基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)10，其技術(shù)方案為：先通過圖像塊獲取模塊，用于獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

接著通過圖像塊分類模塊，用于通過預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對圖像塊進行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個分類器構(gòu)成，分類網(wǎng)絡(luò)通過adaboost算法學(xué)習(xí)獲得；最后通過斷層圖像自動識別模塊，用于根據(jù)分類結(jié)果，實現(xiàn)對地震相干體斷層圖像的自動識別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動識別系統(tǒng)，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，adaboost是一種迭代算法，其核心思想是針對同一個地震相干體圖像形成的訓(xùn)練集，訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個分類網(wǎng)絡(luò)，分類網(wǎng)絡(luò)的分類能力更強。

通過分類網(wǎng)絡(luò)，改變斷層分布不規(guī)則、斷層形狀復(fù)雜多變、斷層與背景數(shù)據(jù)的分布，根據(jù)每次訓(xùn)練集中每個樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，并放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。通過不斷的訓(xùn)練，可以提高對數(shù)據(jù)的分類能力。本發(fā)明運用經(jīng)adaboost訓(xùn)練得到的分類網(wǎng)絡(luò)對圖像塊進行分類，可使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

參見圖2，圖像塊分類模塊102，具體用于訓(xùn)練分類網(wǎng)絡(luò)，具體為：

選取n個離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對第一訓(xùn)練樣本的學(xué)習(xí)得到第一個弱分類器，離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將第一個弱分類器中分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個訓(xùn)練樣本，通過對第二個訓(xùn)練樣本的學(xué)習(xí)得到第二個弱分類器，第二個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成；

將第一個弱分類器和第二個弱分類器中都分錯的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個訓(xùn)練樣本，通過對第三個訓(xùn)練樣本的學(xué)習(xí)得到第三個弱分類器，形成三個二類分類器構(gòu)成的分類網(wǎng)絡(luò)，第三個訓(xùn)練樣本由n個離線訓(xùn)練樣本構(gòu)成。

通過不斷的訓(xùn)練，得到如圖2所示的三個二類分類器，構(gòu)成分類網(wǎng)絡(luò)，對斷層圖像塊進行分類，得到更準(zhǔn)確的分類結(jié)果，進而使斷層的自動識別與提取的結(jié)果更準(zhǔn)確。

具體地，圖像塊分類模塊102，具體用于：

通過分類網(wǎng)絡(luò)中的分類器對圖像塊進行分類，得到經(jīng)每個分類器處理后的圖像塊；

計算圖像塊與經(jīng)每個分類器處理后的圖像塊之間的相似度，得到多個相似度；

其中，計算圖像塊與經(jīng)每個分類器處理后的圖像塊之間的相似度的具體過程為：

在概率論和統(tǒng)計理論中，hellinger距離被用來度量兩個概率分布的相似度，因此計算圖像塊到各類樣本平均圖像塊灰度高斯分布擬合的hellinger距離來表示圖像塊與經(jīng)每個分類器處理后的圖像塊之間的相似度，其hellinger距離的計算公式為：

其中為當(dāng)前圖像塊灰度高斯分布擬合參數(shù)；為第i類樣本平均圖像塊灰度高斯分布擬合參數(shù)。

根據(jù)多個相似度，計算每個分類器的投票結(jié)果；

通過以下公式計算得到投票結(jié)果：

其中vk＝{vk(i)}為第k個二類分類器的投票值；

根據(jù)投票結(jié)果，得到分類結(jié)果，分類結(jié)果為多次累積投票結(jié)果最大的類。

具體地，圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

根據(jù)相關(guān)研究發(fā)現(xiàn)地震相干體圖像中斷層邊緣像素的最小描述尺度為3*3，而圖像邊緣的完整表示往往需要9*9的圖像塊尺度，為此，本發(fā)明中分別選取了3*3、5*5、7*7和9*9幾個尺度來選取樣本圖像塊。

優(yōu)選地，經(jīng)實驗進一步對比結(jié)果可知，如果圖像塊過小，如3*3，則分類結(jié)果中會出現(xiàn)連續(xù)斷層被分裂開的現(xiàn)象，而如果圖像塊過大，如9*9，則實驗結(jié)果中會出現(xiàn)斷層邊緣及斷層體均有膨脹的效果。只有在圖像塊大小選擇適中，如5*5或7*7的情況下，最終的分類結(jié)果才能準(zhǔn)確識別斷層體和斷層邊緣。因此本發(fā)明中優(yōu)選的圖像塊的尺寸為5*5或7*7。

優(yōu)選地，圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

考慮樣本數(shù)據(jù)的代表性和對應(yīng)類別的稀疏度問題，即背景數(shù)據(jù)稀疏性像對較好,而斷層相對較復(fù)雜的情況，本發(fā)明圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。這樣可解決斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊數(shù)量不平衡，導(dǎo)致斷層的自動識別與提取的結(jié)果不準(zhǔn)確的問題。

最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說明書的范圍當(dāng)中。