(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210552914.3 (22)申请日 2022.05.19 (71)申请人 长江大学 地址 434000 湖北省荆州市南环路1号 (72)发明人 苏琳叶　喻思羽　李少华　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 范三霞 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/10(2022.01) G06V 10/26(2022.01) (54)发明名称 一种基于深度特征的非平稳训练图像自动 分区方法及系统 (57)摘要 本发明提供一种基于深度特征的非平稳训 练图像自动分区方法及系统， 方法包括： 对非平 稳训练图像进行裁剪划分为多个训练图像子块； 基于卷积神经网络模型提取每一个训练图像子 块的深度特征； 对所有训练图像子块的深度特征 进行聚类分析， 得到每一个训练图像子块的聚类 标签； 基于每一个训练图像子块的聚类标签， 将 每一个训练图像子块按照在非平稳训练图像中 的位置进行拼接， 得到非平稳训练图像的分区结 果； 基于分区结果， 进行平稳性算法模拟， 输 出所 述非平稳训练图像的模拟实现。 本发 明对非平稳 训练图像进行自动分区， 相比基于未分区非平稳 训练图像的SIMPAT 算法， 基于本发明分区后的多 点地质统计模拟结果更好的再现了非平稳特 征。 权利要求书2页 说明书10页 附图7页 CN 115049867 A 2022.09.13 CN 115049867 A 1.一种基于深度特 征的非平稳训练图像自动分区方法， 其特 征在于， 包括： 对非平稳训练图像进行裁 剪划分为多个训练图像子块； 基于卷积神经网络模型提取每一个训练图像子块的深度特 征； 对所有训练图像子块的深度特征进行聚类分析， 得到每一个训练图像子块的聚类标 签； 基于每一个训练图像子块的聚类标签， 将每一个训练图像子块按照在所述非平稳训练 图像中的位置进行拼接， 得到所述非平稳训练图像的分区结果； 基于所述非平稳训练图像的分区结果， 进行平稳性算法模拟， 输出所述非平稳训练图 像的模拟实现。 2.根据权利要求1所述的非平稳训练图像自动分区方法， 其特征在于， 所述对非平稳训 练图像进行裁 剪划分为多个训练图像子块， 包括： 对所述非平稳训练图像进行预处理， 所述预处理至少包括 图像标准化、 BM3D降噪和图 像增强； 设置滑动窗口 的裁剪尺寸和步长； 基于滑动窗口扫描预处理后的非平稳训练图像， 将所述非平稳训练图像裁剪为多个训 练图像子块。 3.根据权利要求1所述的非平稳训练图像自动分区方法， 其特征在于， 所述对所有训练 图像子块的深度特 征进行聚类分析， 得到每一个训练图像子块的聚类标签， 包括： 基于肘部法则确定所述训练图像子块的深度 特征最佳聚类数， 即非平稳训练图像的最 佳分区数量 k； 基于k均值聚类算法在高维空间内对所有训练图像子块的深度特征进行聚类分析， 得 到每一个训练图像子块的聚类标签； 基于t分布随机邻域嵌入算法对聚类分析后输出的每一个训练图像子块的深度 特征进 行降维可视化。 4.根据权利要求3所述的非平稳训练图像自动分区方法， 其特征在于， 所述基于肘部法 则确定所述训练图像子块的深度特征最佳聚类数， 即非平稳训练图像的最佳分区数量k， 包 括： 手肘法则的计算公式为： 式中， k为聚类数量， 即非平稳训练图像的分区数量， dist为畸变程度， x为样本点， ci为 第i个聚类中心； 将最小SSE对应的k 值作为非平稳训练图像的最佳分区数量。 5.根据权利要求3所述的非平稳训练图像自动分区方法， 其特征在于， 所述基于t分布 随机邻域嵌入算法对聚类分析后输出的每一个训练图像子块的深度特征进 行降维可视化， 包括: 所述t分布随机邻域嵌入算法的计算公式为： 权　利　要　求　书 1/2 页 2 CN 115049867 A 2式中， x1,x2,...,xn为一组N个高维数据， 即剧烈分析后的深度特征， N为数据样本数量， pij为数据xi和xj之间相似的条件概率， y1,y2,...,ym为降维后的一组M个低维数据， qij为yi 和yj之间相似的条件概 率； 对降维后的每一个训练图像子块的深度特 征进行可视化。 6.根据权利要求1所述的非平稳训练图像自动分区方法， 其特征在于， 所述基于卷积神 经网络模型提取每一个训练图像子块的深度特 征， 包括： 基于多个卷积神经网络模型提取每一个训练图像子块的深度特征， 进而得到每一个卷 积神经网络模型对应的所述非平稳训练图像的分区结果； 所述基于所述非平稳训练图像的分区结果， 进行平稳性算法模拟， 输出所述非平稳训 练图像的模拟实现， 之前包括： 对每一个卷积神经网络模型提取的深度特征进行k均值聚类的分类精度评定， 将分类 精度最高的卷积神经网络模型对应的分区结果作为所述非平稳训练图像的最终分区结果。 7.根据权利要求6所述的非平稳训练图像自动分区方法， 其特征在于， 所述对每一个卷 积神经网络模型提取的深度特 征进行k均值聚类的分类精度评 定， 包括： 基于k均值聚类后的分类结果的准确率和精确率， 计算每一个卷积神经网络模型的分 类精度， 所述准确 率是指分类正确的样本数占总样本数 的比例， 所述精确 率是指所有预测 为正例的样本中实际是正例的样本数 所占的比例。 8.根据权利要求1所述的非平稳训练图像自动分区方法， 其特征在于， 所述基于每一个 训练图像子块的聚类标签， 将每一个训练图像子块按照在所述非平稳训练图像中的位置进 行拼接， 得到所述非平稳训练图像的分区结果， 包括： 对聚类标签赋予对应的颜色标签， 基于每一个训练图像子块的颜色标签和聚类标签， 将每一个训练图像子块按照在所述非平稳训练图像中的位置进行拼接， 得到所述 非平稳训 练图像的分区结果。 9.一种基于深度特 征的非平稳训练图像自动分区系统， 其特 征在于， 包括： 裁剪划分模块， 用于对非平稳训练图像进行裁 剪划分为多个训练图像子块； 提取模块， 用于基于卷积神经网络模型提取每一个训练图像子块的深度特 征； 聚类分析模块， 用于对所有训练图像子块的深度特征进行聚类分析， 得到每一个训练 图像子块的聚类标签； 拼接模块， 用于基于每一个训练图像子块的聚类标签， 将每一个训练图像子块按照在 所述非平稳训练图像中的位置进行拼接， 得到所述非平稳训练图像的分区结果； 模拟模块， 用于基于所述非平稳训练图像的分区结果， 进行平稳性算法模拟， 输出所述 非平稳训练图像的模拟实现。权　利　要　求　书 2/2 页 3 CN 115049867 A 3