# SandFaceSplit

**Repository Path**: li-k-z/sand-face-split

## Basic Information

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

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-18
- **Last Updated**: 2025-11-18

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# SedRockSplit

砂岩截面图像的监督式像素级分割示例项目。

## 1. 项目背景
我们仅有一张已标注的砂岩截面图 `Sandstone_1.tif` 及其对应的分区标签图 `Sandstone_1_segment.tif`，希望“学习”其分区规律，然后对新的砂岩截面图 `Sandstone_2.tif` 进行自动分区，并与“正确答案” `Sandstone_2_segment.tif` 比较评估准确率。

## 2. 方法概述
核心思想：将图像分割问题转换为“每个像素的分类”问题。训练阶段把已标注图的每一个像素视为一个样本，其标签来自分区图对应像素值。由于只有一张训练图，原始灰度强度不足以支撑有效分类，需要通过多种滤波与边缘检测提取额外的纹理 / 结构特征形成多通道特征矩阵，再喂给传统机器学习分类器（示例使用随机森林）。

## 3. 特征工程
对灰度图做多种算子处理，得到若干特征通道（均归一化到 0-1）：
1. 原始灰度 f0
2. 均值滤波 (Blur) f1
3. 高斯滤波 f2
4. Sobel X / Y 梯度组合的幅值 sobel_mag
5. Laplacian 二阶算子 lap
6. Canny 边缘 canny

最终将这些 (H, W) 通道堆叠为 (H, W, C)，再 reshape 为 (N, C) 的特征矩阵，其中 N = H*W。

## 4. 模型训练流程 (`create_clf.py`)
步骤：
1. 读取 `Sandstone_1.tif` 与 `Sandstone_1_segment.tif`
2. 提取多通道特征 -> `X.shape = (N, C)`
3. 标签 `y.shape = (N,)`
4. `train_test_split` 保持标签分布（stratify）
5. 训练 `RandomForestClassifier`
6. 输出验证集准确率 & 保存模型 `clf.pkl`

示例输出：
```
图像形状: (1024, 996)
完成从砂岩截面图1及其对应分区中获取X和y
完成train_test_split
完成随机森林模型clf的训练
准确率:  0.9643431425097722
已保存保存随机森林模型clf到硬盘
```

## 5. 分割与评估 (`segment.py`)
1. 加载已保存模型 `clf.pkl`
2. 对 `Sandstone_2.tif` 提取同样特征
3. 执行 `clf.predict` 得到预测分区图
4. 与 `Sandstone_2_segment.tif` 像素级比对，计算准确率
5. 可视化三个灰度图：原图 / 真值分区 / 预测分区（标题含 acc）

命令行示例输出：
```
Sandstone_2 segmentation accuracy: 0.967123
```

## 6. 项目结构
```
sed-rock-split/
├── create_clf.py              # 训练脚本
├── segment.py                 # 预测与评估脚本
├── requirements.txt           # 依赖列表
├── Sandstone_imgs/            # 图像与标注
│   ├── Sandstone_1.tif
│   ├── Sandstone_1_segment.tif
│   ├── Sandstone_2.tif
│   └── Sandstone_2_segment.tif
├── README.md                  # 中文说明
└── README.en.md               # 英文说明（可补充）
```

## 7. 安装与运行
请确保已安装 Python 3.9+。

安装依赖：
```powershell
python -m pip install -r requirements.txt
```

训练模型：
```powershell
python create_clf.py
```

对第二张图进行分割评估并显示：
```powershell
python segment.py
```

无 GUI 环境或希望保存结果：
```powershell
python segment.py --no-show --save Sandstone_imgs/segmentation_result.png
```