基于卷积神经网络的超声图像分割

发布时间：2023-03-27 17:36

　　随着海洋测探领域的不断发展,我国对声呐图像探测技术的需求不断提高,如何有效的获取及利用图像信息对后续图像的识别及分析有直接影响。针对声呐图像中目标的识别研究已经成为图像处理领域的重要研究内容。图像分割作为图像识别中的关键步骤,对目标的识别有重要影响。由于声呐图像是通过声呐探测系统在水中获得,因此,声呐图像通常会有严重的散斑噪声存在。声呐图像分割的目的就是从复杂的图像混响噪声中将目标亮区和阴影暗区进行有效提取,同时保留图像原始有效信息。目前,针对声呐图像的分割方法主要是在传统分割方法上的改进,图像分割准确度有待提高。通过分析,已有的声呐图像分割方法无法对各种类型的声呐图像都进行有效的分割,只能有效分割特定类别的声呐图像,而且对于噪声的抑制效果也不理想,最重要的是无法实现图像的自动分割。随着深度学习研究领域不断取得新的进展,人工神经网络越来越受到图像处理领域学者的青睐。卷积神经网络(CNN)在图像分类识别领域不断取得进步的同时,全卷积神经网络(Full convolution neural network,FCN)的出现为图像分割领域开辟了一个全新的发展方向。因此,本文利用全卷积神经网络对...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题来源及研究的背景和意义
        1.1.1 课题来源
        1.1.2 课题研究背景及意义
    1.2 国内外研究现状综述
        1.2.1 图像分割研究现状
        1.2.2 声呐图像分割研究现状
    1.3 本文主要研究内容
第2图像分割方法
    2.1 引言
    2.2 基于阈值的图像分割方法
    2.3 基于区域的图像分割方法
    2.4 基于边缘的图像分割方法
    2.5 基于卷积神经网络的图像分割方法
    2.6 本章小结
第3章 神经网络及卷积神经网络理论
    3.1 引言
    3.2 神经网络基本理论
        3.2.1 神经元
        3.2.2 感知器与多层网络
        3.2.3 误差反向传播算法
    3.3 卷积神经网络
        3.3.1 卷积神经网络基本结构
        3.3.2 卷积神经网络功能层
        3.3.3 卷积神经网络学习规则
    3.4 本章小结
第4章 全卷积神经网络声呐图像分割改进方法
    4.1 全卷积神经网络功能层
        4.1.1 卷积化
        4.1.2 上采样
        4.1.3 跳跃结构
    4.2 全卷积神经网络结构的建立
        4.2.1 全卷积神经网络具体结构
        4.2.2 全卷积神经网络模型参数设置
    4.3 全卷积神经网络学习算法及其改进
        4.3.1 基于均方差损失函数的FCN学习算法
        4.3.2 基于相对损失函数的FCN学习算法
    4.4 本章小结
第5章 基于FCN声呐图像分割的对比研究
    5.1 声呐图像预处理及数据集建立
        5.1.1 声呐图像噪声统计分析
        5.1.2 声呐图像预处理
    5.2 声呐图像数据集建立
    5.3 基于全卷积神经网络的声呐图像分割及对比实验
        5.3.1 FCN最优参数确定
        5.3.2 FCN训练结果
        5.3.3 声呐图像特征提取
        5.3.4 实验评价指标
        5.3.5 声呐图像分割实验结果及分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3772567