# 分割砂岩截面图

**Repository Path**: bone-zzz/asd

## Basic Information

- **Project Name**: 分割砂岩截面图
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-27
- **Last Updated**: 2025-11-27

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 砂岩图像像素级分类与分割

## 项目简介
本项目演示如何对砂岩截面灰度图进行像素级分类，从而生成分区（不同化学成分/矿物区域）掩模图。核心思路：将每个像素的局部邻域（例如 5x5）作为特征输入到监督学习模型（随机森林），学习像素值模式与区域类别之间的映射，然后对新图像进行逐像素预测，得到分割结果并与真实分区图比较。

## 数据文件（需自行放置到仓库根目录）
```
Sandstone_1.tif              # 训练用灰度图
Sandstone_1_segment.tif      # 训练标签掩模图（不同颜色或灰度表示不同类别）
Sandstone_2.tif              # 待预测灰度图
Sandstone_2_segment.tif      # 真实标签（用于评估，可选）
```

若你的数据在压缩包 `Sandstone_imgs.zip` 中，请先解压到仓库根目录，使上述四个文件与脚本同级。

## 主要脚本
- create_clf.py : 读取第一组图像与标签，构建邻域特征，训练随机森林分类器并用 pickle 保存。
- segment.py : 加载已训练模型，对第二张图生成预测分割；若提供真实标签则计算像素级准确率，并可选生成彩色可视化。

## 安装依赖
推荐使用 Python >= 3.9。

```bash
pip install numpy scikit-image scikit-learn matplotlib pillow
# 如出现 LZW 压缩 TIFF 报错 (requires the 'imagecodecs' package)，再安装：
pip install imagecodecs
# 若安装困难可尝试精简版：
pip install imagecodecs-lite
```

如果需要加速或减少内存，可考虑：
- 使用 `--max-samples` 在训练阶段随机下采样像素。
- 减小 `--window-size` （例如从 7 改为 5 或 3）。

## 特征提取说明
对每个像素取其上下左右以及斜对角等组成的 N×N 邻域（反射填充边缘），展平成长度 N^2 的特征向量。这样模型能利用局部纹理与过渡而不是单点灰度。

## 使用步骤
1. 放置四个 TIF 文件于仓库根目录。
2. 训练模型（脚本已支持默认文件名，直接运行即可，或显式传参）：
   ```bash
   python create_clf.py
   # 或显式指定：
   python create_clf.py --image Sandstone_1.tif --mask Sandstone_1_segment.tif \
      --model sandstone_rf.pkl --window-size 5 --n-estimators 300
   ```
3. 预测分割（并计算准确率与输出彩色图；同样支持默认文件名）：
   ```bash
   python segment.py --gt Sandstone_2_segment.tif --color-output Sandstone_2_pred_color.png
   # 或显式指定：
   python segment.py --model sandstone_rf.pkl --image Sandstone_2.tif \
      --gt Sandstone_2_segment.tif --output Sandstone_2_pred.tif \
      --color-output Sandstone_2_pred_color.png
   ```
4. 仅预测不评估：
   ```bash
   python segment.py
   # 或显式指定：
   python segment.py --model sandstone_rf.pkl --image Sandstone_2.tif \
      --output Sandstone_2_pred.tif
   ```

## 参数说明（create_clf.py）
- --window-size        邻域补丁尺寸，必须为奇数（默认 5）。
- --n-estimators       随机森林树数量（默认 300）。
- --max-samples        训练时随机抽取的最大像素数（默认不限）。
- --random-state       随机种子，保证可复现。

## 参数说明（segment.py）
- --model              训练生成的 pickle 模型文件路径。
- --image              待分割灰度图路径。
- --gt                 （可选）真实标签图，用于计算准确率。
- --output             输出预测标签图（单通道，类别 id）。
- --color-output       （可选）彩色可视化 PNG（使用训练标签的颜色映射）。

## 结果与评估
若提供 `--gt`，脚本会：
- 将真实标签映射到训练时的类别索引。
- 计算像素级准确率 (accuracy)。
- 使用 matplotlib 显示输入、预测、与真实标签三图对比。

## 常见问题
1. 内存不足：尝试降低 `--window-size` 或设置 `--max-samples`。
2. 类别颜色不一致：训练阶段会记录颜色映射，预测彩色图统一使用训练映射。
3. 速度慢：降低 `--n-estimators` 或减少样本，或改用更快模型（如轻量梯度提升）。
4. 读取 TIFF 报错 `requires the 'imagecodecs' package`：执行 `pip install imagecodecs`；若仍失败，脚本已自动回退使用 PIL 读取，但建议安装 imagecodecs 获得更好的兼容与性能。

## 后续可改进方向
- 引入多尺度特征（组合 3x3,5x5,7x7）。
- 使用卷积神经网络取代传统随机森林（需更多代码与 GPU 支持）。
- 加入类别不均衡处理（如 class_weight 或重采样）。

## 贡献方式
欢迎提交改进：Fork 仓库 -> 新建分支 -> 提交 PR。

## 许可证
（如有需要请在此处补充项目许可证说明）

---
英文说明参见 README.en.md
学号：202352320213
班级：2班
专业：智能科学与技术