技术特征：
1.基于机器学习的页岩sem图像分割方法，其特征在于，包括如下步骤：s1、获取页岩的sem二次电子灰度图像；s2、根据页岩的成分特征，建立需要分割的成分类别；s3、在获取的灰度图像中，人工选取具有各个成分类别的灰度特征的图像区域作为训练像素，并标注类别标签；s4、对训练像素分别通过高斯滤波函数、膜投影滤波函数、双边滤波函数、kuwahara滤波函数和均值滤波函数进行滤波处理，获取若干个基于像素点灰度的特征值构建训练数据集，通过每个滤波函数至少获取1个特征；s5、利用训练数据集训练随机森林分类器；s6、采用训练好的随机森林分类器对需要分割的页岩sem图像进行分割。2.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，通过高斯滤波函数处理原始图像时，使用高斯函数计算出呈正态分布的3
×
3卷积核，将卷积核与原始图象中各像素的灰度值做卷积运算，得到高斯滤波后各像素的特征值；高斯函数中σ值分别取1、2、4、8、16共5个值，分别对各个σ值对应的卷积核与原图像做卷积运算，获取5个特征值。3.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，通过膜投影滤波函数处理原始图像时，使用19
×
19的矩阵为初始矩阵，初始矩阵中间列全部设置为1，其余设置为零，每次将初始矩阵旋转6
°
直到180
°
来创建30个卷积核；分别使用30个卷积核与原始图像做卷积运算，得到30个图像，分别通过以下6种方式将30个图像投影到单个图像中，获取6个特征值；(1)每个图像中同一位置像素点的灰度的总和；(2)每个图像中同一位置像素点灰度的平均值；(3)每个图像中同一位置像素点灰度的标准偏差；(4)每个图像中同一位置像素点灰度的中位数；(5)每个图像中同一位置像素点的最大灰度；(6)每个图像中同一位置像素点的最小灰度。4.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，通过双边滤波函数处理时，邻域像素点分别选择与当前像素点的空间半径为5和10内的像素点，邻域像素点灰度值与当前像素点灰度值的接近度分别设置为50和100，即分别设定空间半径和接近度值为5&50、5&100、10&50、10&100四种情况，计算平均值，获取4个特征值。5.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，通过kuwahara滤波函数处理原始图像时，使用19
×
19的矩阵为初始矩阵，初始矩阵中间列全部设置为1，其余设置为零；每次将初始矩阵旋转6
°
直到180
°
来创建30个模板，分别使用30个模板对原始图像中的像素点进行掩膜处理，得到30个区域，对所得30个区域计算方差和均值，分别选择“方差”、“方差/均值”和“(方差/均值)
2”最小的区域作为目标区域，模板中心像素点的灰度值等于目标区域中像素点的平均值，获取3个特征值。6.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，通过均
值滤波函数处理原始图像时，将目标像素点的灰度值分别设置为距离目标像素分别为1、2、4、8、16个像素点半径内的像素点灰度的平均值，获取5个特征值。7.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，所述成分类别包括孔隙、有机质、无机质骨架和黄铁矿中的一种或多种。8.根据权利要求7所述的基于机器学习的页岩sem图像分割方法，其特征在于，所述人工选取具有各个成分类别的灰度特征的训练像素包含孔隙边缘灰度异常的部分，将孔隙边缘灰度异常的部分划分到与该区域相邻的非孔隙的成分类别。9.根据权利要求1所述的基于机器学习的页岩sem图像分割方法，其特征在于，步骤s5中，随机森林分类器的参数设置为：每批处理像素点数量的大小为100-500；分类树的个数为100-500；随机使用的特征变量的数量为5-20。