标记点自动提取的感兴趣目标分割方法

发布时间：2019-02-12 08:01

【摘要】：数字图像处理是指通过计算机对图像进行处理加工、理解分析的方法和技术,也被称为计算机图像处理。目前已经成功应用于包括机器视觉、医疗和航空航天在内的许多重要领域。图像分割作为数字图像处理中至关重要的一环,其得到结果的优劣以及分割出区域的意义直接影响着后续工作的进行。一个有效的图像分割算法的提出以及实现对各行各业的发展具有重要的实际意义。近年来,深度学习的相关理论与计算机视觉技术相结合而产生的图像分割方法不断涌现,其中卷积神经网络在很多领域都取得了成功。传统的图像分割算法都是基于图像自身特征的提取,首先利用相关方法将图像划分成互不相同的区域,然后再对区域进行分类、合并等后处理操作,最终得到有意义分割结果。这一过程繁琐复杂,有着很大的提升空间。卷积神经网络(CNN)能够自动提取图像特征,这一特点使得该方法更适合图像的处理工作,使用CNN方法改进图像分割技术成为了重要的研究方向。全卷积神经网络(FCN)的提出掀开了图像语义分割领域的新的研究序幕,通过对CNN全连接层的改变,使得该模型更适合图像分割,与传统的分割方法相比有着更加明显的优势,但是只能分割出感兴趣目标的近似区域,无法对感兴趣目标的细节进行刻画。众所周知,细致准确的目标区域在图像的理解和分析中有着举足轻重的地位,分割结果不够精细成为了全卷积神经网络(FCN)亟需解决的问题。本文经过充分调研相关工作,讨论了全卷积神经网络方法在图像分割算法领域的应用,并针对全卷积神经网络分割结果不够细致,忽略目标边缘细节等问题提出了改进,采用了与传统算法相结合的方式,对全卷积神经网络(FCN)的分割结果进行进一步的处理。由于分水岭算法具有对微弱边缘有良好感应的特性,故将分水岭算法与全卷积神经网络(FCN)相结合,利用全卷积神经网络(FCN)分割出的感兴趣目标的近似区域作为先验知识,改进标记点的获取方式从而完成对目标边缘的细化,得到分割效果更好的感兴趣目标区域。最终通过与全卷积神经网络(FCN)及其他分割算法分割结果作比较,证明了该方法的优势。
[Abstract]:Digital image processing refers to the method and technology of image processing and analysis by computer, which is also called computer image processing. It has been successfully applied in many important fields, including machine vision, medical science and aerospace. As an important part of digital image processing, image segmentation has a direct impact on the future work. An effective image segmentation algorithm is of great practical significance to the development of various industries. In recent years, image segmentation methods based on the combination of depth learning theory and computer vision technology have been emerging, among which convolution neural networks have been successful in many fields. The traditional image segmentation algorithms are based on the extraction of the image's own features. Firstly, the image is divided into different regions by using the correlation method, then the regions are classified, combined and other post-processing operations, finally the meaningful segmentation results are obtained. The process is cumbersome and complex, and there is a lot of room for improvement. The convolutional neural network (CNN) can automatically extract image features, which makes the method more suitable for image processing. Improving image segmentation technology by using CNN method has become an important research direction. The full convolutional neural network (FCN) has opened a new research prologue in the field of image semantic segmentation. By changing the full join layer of CNN, the model is more suitable for image segmentation and has more obvious advantages than the traditional segmentation method. But the approximate region of the object of interest can only be segmented, and the details of the object of interest can not be described. As we all know, the precise target region plays an important role in the image understanding and analysis, and the segmentation result is not precise enough, which is an urgent problem to be solved in full convolutional neural network (FCN). In this paper, the application of full convolution neural network method in image segmentation is discussed, and some improvements are put forward to solve the problem that the segmentation result of full convolutional neural network is not detailed enough and the details of target edge are ignored. The segmentation results of full convolutional neural network (FCN) are further processed by combining with the traditional algorithm. The watershed algorithm is combined with the full convolution neural network (FCN) because of its good sensitivity to weak edges. Using the approximate region of the object of interest segmented by the full convolutional neural network (FCN) as the prior knowledge, the method of obtaining the mark points is improved to refine the edge of the target, and the region of interest with better segmentation effect is obtained. Finally, compared with the segmentation results of (FCN) and other segmentation algorithms, the advantages of this method are proved.
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【相似文献】

中国期刊全文数据库 前10条

1 李仲;图像分割的妙法[J];电脑知识与技术;2000年S2期

2 唐伟力;龙建忠;;一种基于降雨模型的图像分割方法在砾岩图像分割中的应用[J];成都信息工程学院学报;2007年02期

3 黄晓莉;曾黄麟;王秀碧;刘永春;;基于脉冲耦合神经网络的图像分割[J];信息技术;2008年09期

4 肖飞;綦星光;;图像分割方法综述[J];可编程控制器与工厂自动化;2009年11期

5 汪一休;;一种交互式图像分割的修正优化方法[J];中国科学技术大学学报;2010年02期

6 李丹;;图像分割方法及其应用研究[J];科技信息;2010年36期

7 龚永义;黄辉;于继明;关履泰;;基于熵的两区域图像分割[J];中国图象图形学报;2011年05期

8 张甫;李兴来;陈佳君;;浅谈图像分割方法的研究运用[J];科技创新与应用;2012年04期

9 汪梅;何高明;贺杰;;常见图像分割的技术分析与比较[J];计算机光盘软件与应用;2013年06期

10 魏庆;卢照敢;邵超;;基于复杂性指数的图像分割必要性判别技术[J];计算机工程与应用;2013年16期

中国重要会议论文全文数据库 前10条

1 杨魁;赵志刚;;图像分割技术综述[A];2008年中国高校通信类院系学术研讨会论文集（下册）[C];2009年

2 杨暄;郭成安;李建华;;改进的脉冲耦合神经网络及其在图像分割中的应用[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

4 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年

5 高岚;胡友为;潘峰;卢凌;;基于小生境遗传算法的SAR图像分割[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

6 孙莉;张艳宁;胡伏原;赵荣椿;;基于Gaussian-Hermite矩的SAR图像分割[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 李盛;;基于协同聚类的图像分割[A];第十四届全国图象图形学学术会议论文集[C];2008年

8 张利;许家佗;;舌象图像分割技术的研究与应用进展[A];中华中医药学会中医诊断学分会第十次学术研讨会论文集[C];2009年

9 秦昆;李振宇;李辉;李德毅;;基于云模型和格网划分的图像分割方法[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

10 高惠琳;窦丽华;陈文颉;谢刚;;图像分割技术在医学CT中的应用[A];中国自动化学会控制理论专业委员会A卷[C];2011年

中国博士学位论文全文数据库 前10条

1 白雪飞;基于视觉显著性的图像分割方法研究[D];山西大学;2014年

2 黄万里;基于高分卫星数据多尺度图像分割方法的天山森林小班边界提取研究[D];福建师范大学;2015年

3 王辉;图像分割的最优化和水平集方法研究[D];电子科技大学;2014年

4 高婧婧;脑部MR图像分割理论研究[D];电子科技大学;2014年

5 潘改;偏微分方程在图像分割中的应用研究[D];东北大学;2013年

6 冯籍澜;高分辨率SAR图像分割与分类方法研究[D];电子科技大学;2015年

7 李伟斌;图像分割中的变分模型与快速算法研究[D];国防科学技术大学;2014年

8 邓晓政;基于免疫克隆选择优化和谱聚类的复杂图像分割[D];西安电子科技大学;2014年

9 帅永e，

本文编号：2420234