团队近期成果--基于机器学习的材料图像分割中心环境特征模型

我们团队在国际期刊《Scientific Report》（IF：4.996）上在线发表论文”Center-environment feature models for materials image segmentation based on machine learning”。该论文上海大学计算机工程与科学学院为第一单位，韩越兴副教授为第一作者及通讯作者。此工作还得到了陈侨川老师、王冰老师和刘轶老师的大力支持，李睿祺、杨珅做了大量工作。

材料的性能不仅取决于它们的成分，而且还取决于它们在各种加工条件下的微观结构。到目前为止，对复杂的微观结构图像的分析主要依靠人类的经验，缺乏自动定量的表征方法。机器学习提供了一个新兴的重要工具，以智能方式识别各种复杂的材料相。在这项工作中，我们提出了一个 “中心环境分割”（CES）特征模型，用于图像分割，该模型基于机器学习方法使用环境特征和领域知识的标注进行分割。CES模型引入了邻域信息作为给定像素的特征，反映了所研究的像素和其周围环境之间的关系。然后，采用迭代的集成机器学习方法来训练和纠正图像分割模型。CES模型被成功地应用于包括钢铁、木材等七种具有复杂纹理的不同材料图像的分割。在对钢铁图像进行分割的研究中，CES方法在确定边界轮廓方面的总体表现优于许多传统方法。这项工作表明，领域知识和环境特征的迭代引入可以提高对各种复杂材料微结构图像分割的准确性。

李睿琪

杨珅

论文链接：Center-environment feature models for materials image segmentation based on machine learning