宋忠林 闫娇 马韫韬 李保国 周虎
摘要：X射线断层扫描(CT)已成为土壤孔隙结构研究的主要手段，而CT图像分割作为其中关键环节，直接关系到孔隙分析的准确性。因传统的图像分割方法精度有限，近年来深度学习技术被广泛应用于土壤CT图像分割中。NAM(Normalization-based attention module)是一种高效的注意力机制，改进了空间注意力和通道注意力子模块的设计，能够增强深度学习模型分割的效果。本研究采用UNet、UNet++、DeepLabV3以及加入了NAM注意力机制的AttentionUNet 4种深度学习模型，对我国东北地区黑土的CT图像进行分割，并同传统分割方法进行比较。结果表明，AttentionUNet在交并比、F1分数、精确度和召回率4个指标的评估值分别达到88.08%、0.96、96.02%、96.64%，精确度相对于UNet和UNet++分别提升了1.46和0.21个百分比，较传统Watershed方法的精确度和召回率分别提升101.13%和33.54%。本文提出的AttentionUNet模型可有效提高土壤CT图像分割的效率和精度，为土壤CT图像的孔隙分割提供一种更加高效的方法。
关键词：UNet;NAM模块;CT图像;图像分割;注意力机制;
基于改进UNet模型的土壤CT图像分割方法_宋忠林.pdf