图像语义分割研究

发布时间：2019-08-27 18:33

【摘要】：随着计算机视觉的发展,图像语义分割技术逐渐映入人们的眼帘,因其广泛的应用性而备受人们的重视。传统的图像语义分割模型通过神经网络、深度学习等方法训练像素。虽然该模型在像素特征中加入了局部特征,但忽略了图像对象的整体性,将对图像对象的识别转化为对像素识别。该模型的识别过程过于机器式,导致语义分割结果中容易出现图像对象的丢失以及图像对象轮廓的缺失,并影响最终语义分割结果的精确度,造成无法胜任进一步的图像处理工作。针对上述问题,本文模仿生物视觉对物体的识别过程,首先对图像对象的整体性进行认识操作,再从对象的整体出发进行识别,提出一种基于图像对象候选区语义分割思想。基于这种思想,本文主要工作如下:(1)鉴于传统图像分割技术对图像对象轮廓具有良好的表达能力,本文在传统分割方法的基础上,将图像分割生成的分割块作为图像对象候选区,提出一种新型分割块模型的图像语义分割方法。为了提高算法的实用性,新型分割块模型首先采用高效的结构森林方法生成基于像素的边缘概率图,再通过改进的分水岭算法生成初始分割块。为了提高分割块作为图像对象候选区对图像对象整体的轮廓描述能力、避免过分分割以及减少训练开支,我们通过选取适当的阈值合并冗余的分割块,达到优化分割块轮廓的效果,以获取更精准的图像对象的轮廓信息。最后通过构造随机森林和支持向量机模型训练分割块,获得具有良好轮廓信息的语义分割结果。(2)针对新型分割块模型的图像语义分割方法仅对单一尺度的分割块进行预测,无法保证分割块对图像对象轮廓把握的正确性,本文进行进一步研究并加以改进,提出了一种基于图像分层树的语义分割方法。图像分层树模型在新型分割块的基础上,通过超度量轮廓图算法得到多尺度图模型,然后利用支持向量机训练多尺度图模型生成分层树,再通过训练随机森林模型精炼分层树,最终输出图像语义分割结果。实验结果表明,在复杂的室外环境下,对图像语义分割的精确度、鲁棒性和速率均有明显改善。
【图文】：

计算机视觉,领域

觉概要觉(Computational Vision，简称 CV)是通过计算机代替人眼去算机对客观世界的三维场景的感知、识别与理解的过程。通扩展出许多具有重要价值的研究方向，图像语义分割就是在觉是一个指示前沿的领域。首先通过相机等机器收集图像，对象进行识别与理解。从出发点的不同，计算机视觉既可以算领域中一个带有巨大挑战与实践价值的研究领域。觉作为一门综合性的学科，它涉及各个学科的方方面面，其信号处理、物理学、应用数学和统计学，神经生理学和认知个科学学科并研究相关的理论和技术，，目的是为了建立能够能系统。在工程领域，计算机视觉也同样应用到生活的各驶系统，医疗诊断等。可以想象，计算机视觉的应用前景是有各个相关领域关系如图 2-1 所示：

图像块,算子,有效提取,局部特征

空间建立每个图像块的索引。通过比较图像颜色集中的距离和图像块之间的空成图像匹配操作。局部二值特征局部二值(简称 LBP)特征[43]是局部信息提取中的一种方法。不但能够很好的表周围邻域像素之间的关系，而且对图像的物理变化有很强的抗噪性，对图像的都有很好的表现。所以在实际应用中得到广泛使用，比如：人脸识别、表情识点检测等。BP 特征的描述最初的 LBP 算子首先确定一个固定大小的图像块，假设图像块大小为 3*3，)所示，其中图像块的值表示为对应像素的灰度值，以图像块中心像素为基的 8 个像素进行灰度值比较，大于中心像素灰度值的像素的对应位置标记为记为 0，如图 2-2(右)所示。通过比较，每一个图像块内部就可以生成一个 8 位数，该数即为图像块中心像素的原始 LBP 值。可以通过改变标记值来改变 LB改变权重的目的。
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【参考文献】