# sandstone-segmentation

**Repository Path**: liu-yi-ch-en/sandstone-segmentation

## Basic Information

- **Project Name**: sandstone-segmentation
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-17
- **Last Updated**: 2025-11-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 砂岩图像分割项目

基于随机森林算法的砂岩CT图像自动分割系统，可实现砂岩内部结构（石英、孔隙等不同组分）的精准识别与分割。

## 项目简介

本项目通过机器学习方法对砂岩CT扫描图像进行语义分割，能够自动识别砂岩内部的不同物质成分。使用随机森林分类器，基于像素灰度值特征进行训练和预测。

## 分割效果展示

![砂岩分割结果](Sandstone_2_result.png)

*左：原始CT图像 | 中：人工标注 | 右：模型预测结果（准确率：95.8%）*

## 项目结构

```
sandstone-segmentation/
│
├── create_clf.py              # 分类器训练脚本
├── segment.py                 # 图像分割预测脚本
├── clf                        # 训练好的随机森林模型
│
├── Sandstone_1.tif            # 训练数据：砂岩截面图1
├── Sandstone_1_segment.tif    # 训练数据：人工标注分区图1
│
├── Sandstone_2.tif            # 测试数据：砂岩截面图2
├── Sandstone_2_segment.tif    # 测试数据：人工标注分区图2（用于评估）
├── Sandstone_2_segmentation.tif  # 模型预测结果
└── Sandstone_2_result.png     # 可视化对比图
```

## 技术原理

### 分类方法
- **算法**: 随机森林（Random Forest）
- **特征**: 像素灰度值
- **类别**: 4类（石英、孔隙、基质等）

### 标注色彩映射
| 颜色 | RGB | 类别编号 | 物质类型 |
|------|-----|----------|----------|
| 🔴 红色 | (255, 0, 0) | 0 | 基质材料 |
| 🟢 绿色 | (0, 255, 0) | 1 | 中等密度物质 |
| 🔵 蓝色 | (0, 0, 255) | 2 | 孔隙（最暗） |
| 🟡 黄色 | (255, 255, 0) | 3 | 石英（最亮） |

## 依赖环境

```bash
pip install numpy scikit-learn pillow matplotlib
```

**主要依赖包**:
- `numpy`: 数组运算
- `scikit-learn`: 随机森林算法
- `Pillow`: 图像读写
- `matplotlib`: 结果可视化

## 使用方法

### 1. 训练分类器

使用砂岩截面图1及其标注数据训练模型：

```bash
python create_clf.py
```

**输出**:
- 模型文件: `clf`
- 训练准确率: ~96-98%

### 2. 图像分割预测

对新的砂岩图像进行分割：

```bash
python segment.py
```

**输出**:
- 分割结果: `Sandstone_2_segmentation.tif`
- 可视化图: `Sandstone_2_result.png`
- 分割准确率: 95.8%

### 3. 自定义预测

修改 `segment.py` 中的文件路径：

```python
test_image = 'your_sandstone_image.tif'  # 待分割图像
gt_path = 'your_ground_truth.tif'       # 标注图（可选，用于评估）
```

## 核心功能模块

### create_clf.py - 训练模块

```python
# 主要函数
load_training_data()    # 加载训练数据，提取特征和标签
train_random_forest()   # 训练随机森林分类器
save_classifier()       # 保存模型到磁盘
```

**训练参数**:
- 决策树数量: 100
- 最大深度: 10
- 训练/测试划分: 80/20

### segment.py - 预测模块

```python
# 主要函数
load_classifier()             # 加载训练好的模型
segment_image()               # 执行图像分割
calculate_accuracy()          # 计算分割准确率
convert_labels_to_grayscale() # 标签转灰度图
visualize_results()           # 可视化对比展示
save_segmentation()           # 保存分割结果
```

## 性能指标

| 指标 | 数值 |
|------|------|
| 训练集准确率 | ~96-98% |
| 测试集准确率 | 95.8% |
| 模型大小 | ~2.9 MB |
| 预测速度 | < 5秒（1024×1024图像） |

## 算法流程

```
训练阶段:
砂岩图像1 + 标注图1 → 提取特征(灰度值) → 随机森林训练 → 保存模型(clf)

预测阶段:
砂岩图像2 → 提取特征 → 加载模型 → 像素级分类 → 生成分割结果
```

## 技术特点

✅ **简单高效**: 基于灰度值的单特征分类，计算快速
✅ **无需深度学习**: 使用传统机器学习方法，易于部署
✅ **高精度**: 在测试集上达到95.8%的分割准确率
✅ **可解释性强**: 随机森林模型具有良好的可解释性

## 应用场景

- 🔬 岩石孔隙度分析
- 🛢️ 油气储层评估
- 🏗️ 建筑材料质量检测
- 📊 地质科学研究

## 个人信息
学号: 202352320122
年级: 2023
专业: 智能科学与技术
班级: 1班