《Applied Sciences》：Improved 3D Fracture Reconstruction Method Based on Superpixel Segmentation and Convolutional Neural Network
Xiuxia Sun,
Yongdong Fan,
Yan Jin,
Yunhu Lu,
Botao Lin and
Xiao Zhang
编辑推荐：
摘要：研究人员提出了一种结合简单线性迭代聚类（SLIC）超像素分割、ResNet50图像识别、阈值分割和高斯混合模型（GMM）去噪的创新方法（简称SRTG模型），用于从工业计算机断层扫描（CT）图像中精确分割和提取裂缝区域。该方法首先通过SLIC将原始CT图像
摘要：研究人员提出了一种结合简单线性迭代聚类（SLIC）超像素分割、ResNet50图像识别、阈值分割和高斯混合模型（GMM）去噪的创新方法（简称SRTG模型），用于从工业计算机断层扫描（CT）图像中精确分割和提取裂缝区域。该方法首先通过SLIC将原始CT图像划分为多个超像素区域，随后利用ResNet50自动识别三类超像素图像（无裂缝、部分裂缝、全裂缝）。针对不同类别采取差异化处理策略：非裂缝图像直接剔除，全裂缝图像直接提取，部分裂缝图像则进行迭代阈值分割以确定内部裂缝区域。在提取超像素图像中的裂缝后，通过逆SLIC操作重建完整裂缝图像。针对图像中可能残留的少量噪声像素，采用GMM将目标像素分类为裂缝区和非裂缝区，从而去除噪声并获得完整的裂缝区域。研究结果表明，SRTG模型能够有效提升CT图像中裂缝分割的精度和鲁棒性，为后续的材料内部结构分析和缺陷检测提供了可靠的技术支持。
研究背景与意义
在工业无损检测领域，基于X射线的工业计算机断层扫描（CT）技术因其能够在不破坏样品的情况下获取物体内部三维结构信息，被广泛应用于材料科学、航空航天及制造业的质量控制中。然而，CT图像中普遍存在的噪声干扰、复杂背景下裂缝与周围介质的低对比度差异，使得传统的人工判读或简单的阈值分割方法面临巨大挑战，往往导致漏检、误检或边界模糊等问题。因此，开发一种高精度、强鲁棒性的自动化CT图像裂缝分割与提取算法具有重要的工程应用价值和学术研究意义。本文发表于国际开源期刊《Applied Sciences》，旨在解决上述痛点，提出了一种集成了超像素分割、深度学习识别与统计建模去噪的综合性解决方案。
关键技术方法
研究人员设计了一套完整的图像处理流程，主要依赖以下四个关键技术模块：
- 1.
简单线性迭代聚类（SLIC）超像素分割：用于将原始CT图像预分割成具有局部相似性的不规则区域，降低后续处理的复杂度。
- 2.
ResNet50深度残差网络：作为图像分类器，自动识别超像素区域的类别（无裂缝、部分裂缝、全裂缝），为后续差异化处理提供依据。
- 3.
迭代阈值分割：针对部分裂缝的超像素区域，自适应地计算最佳阈值以精确分离裂缝像素与背景。
- 4.
高斯混合模型（GMM）去噪：利用期望最大化（EM）算法对像素进行分类建模，有效区分并剔除残留的噪声点，净化最终的裂缝区域。
此外，对于二维切片序列，研究人员沿垂直于切片平面的Z轴方向进行空间堆叠，并结合三维形态学闭运算（先膨胀后腐蚀），实现了裂缝结构的三维连续重建与间隙填充。
研究结果
2.1 简单线性迭代聚类（SLIC）超像素分割
研究人员利用SLIC算法将输入的工业CT图像分解为若干超像素块。由于分割依据的是局部像素的相似性，生成的超像素区域在大小和形状上并不均匀。为了适应数字图像处理的常规矩形输入要求，空白区域被填充为白色，从而将不规则的超像素图像转换为规则矩形。
2.2 基于ResNet50的超像素图像识别
经过SLIC处理后，研究人员将所有超像素图像输入训练好的ResNet50模型。该模型能够高效地将图像分为三类：不含任何裂缝像素的非裂缝图像、包含部分裂缝像素的部分裂缝图像，以及完全由裂缝像素构成的全裂缝图像。这种预分类步骤极大地提高了后续处理的针对性和效率。
2.3 阈值分割
对于被ResNet50判定为“部分裂缝”的超像素图像，研究人员采用了迭代阈值分割法。考虑到每个超像素区域独立计算其分割阈值，且超像素图像的面积相对较小，该方法能够更容易地确定适合裂缝提取的最佳阈值，从而精准定位裂缝所在的具体位置。
2.4 高斯混合模型（GMM）去噪
在完成裂缝区域的初步提取和逆SLIC重建后，图像中仍可能混杂少量噪声伪影。研究人员引入GMM对目标像素进行概率建模。通过初始化高斯分布的均值、协方差和混合系数，并利用期望最大化（EM）算法迭代更新参数，最终根据后验概率将像素精确划分为裂缝类或非裂缝类，成功去除了残余噪声。
2.5 SRTG模型
综合上述步骤，研究人员构建了完整的SRTG（SLIC, ResNet50, Thresholding, GMM）模型。实验验证表明，该模型在处理复杂CT图像时表现出色，能够准确地从背景中剥离出高精度的裂缝区域，为后续的定量分析奠定了坚实基础。
2.6 三维裂缝重建
为了从二维切片序列恢复真实的三维裂缝形态，研究人员沿Z轴方向堆叠处理后的二维二值图像，构建初始三维体数据。为了克服层间可能存在的断裂或不连续性，研究人员应用了三维形态学闭运算。该操作通过先膨胀连接相邻切片中断裂的破碎部分，再腐蚀收缩过度扩张的区域以恢复边界形态，最终实现了连续、完整的三维裂缝结构重建。
讨论与结论
在讨论部分，研究人员指出，传统的单一图像处理方法难以应对CT图像中复杂的噪声环境和多变的裂缝形态。本研究提出的SRTG模型通过多模块协同工作，充分发挥了各算法的优势：SLIC降低了数据维度，ResNet50提供了智能决策，阈值分割实现了精细提取，而GMM则从统计概率角度保证了结果的纯净度。
结论翻译：
综上所述，本研究成功开发了一种基于SRTG模型的工业CT图像裂缝分割与提取新技术。该技术在简单线性迭代聚类（SLIC）超像素分割的基础上，巧妙地融合了ResNet50深度学习识别、自适应阈值分割和高斯混合模型（GMM）去噪算法。通过对超像素图像的智能分类与差异化处理，该技术不仅显著提高了裂缝识别的准确率，还有效抑制了图像噪声的干扰。此外，结合三维形态学重建方法，实现了裂缝结构从二维到三维的精确还原。研究成果证明了所提方法在工业CT无损检测领域的有效性与优越性，为材料内部缺陷的精准分析与评估提供了一套可靠的技术手段。
