基于条件随机场的图像语义分割算法研究及应用

发布时间：2021-10-23 18:57

　　图像语义分割是将图像分割成几组具有某种特定语义含义的像素区域,并识别出每个区域的类别,从而获得一幅具有像素语义标签的图像。随着互联网技术的快速发展,图像语义分割技术逐渐发展成熟,其研究成果在自动驾驶系统、机器人导航及智能医疗等实际生活中广泛应用。近年来,基于概率图模型的条件随机场（Conditional Random Field,CRF）因其具备以统一的概率框架融合图像多个特征及能够表达上下文信息的能力,在图像语义分割领域得到了广泛的研究与应用。CRF模型是一种判别式的概率无向图模型,可以在不作独立性假设的前提下有效处理多个特征之间的关系。由于现有的基于点对CRF（Pairwise CRF,PCRF）的图像语义分割模型表达能力有限,因此难以获得想要的语义分割结果。但相对于仅考虑局部邻域关系的PCRF模型而言,全连接CRF（Fully Connected CRF,FCCRF）模型则进一步考虑了每个像素和其他所有像素之间的关系,在图像中的所有像素对上建立依赖关系,利用像素间的相互依赖关系引入图像的全局信息,从而获得较好的语义分割结果。因此,本文基于FCCRF模型进行图像语义分割研究,主要研... 

【文章来源】：西安建筑科技大学陕西省

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

gPb边缘

西安建筑科技大学硕士学位论文69将所提模型在道路场景数据库Sowerby-7的整个数据集上进行实验，得到该模型对每一类的分割准确率，图5.6为所提模型在该数据集上统计得到的混淆矩阵。对于道路场景的图像语义分割来说，“道路线”是很关键的一类分割对象，对整个数据集进行统计可知含有“道路线”的图像有32张，其中大部分图像中的“道路线”只占有少量像素点，一般较难准确分割出“道路线”。本章所提模型中77Mx,y=0.58，其表示“道路线”(road1ine)的分割准确率为58％，高于现有的其他分割模型；另外，在“道路线”误分割的像素中，被误分为“道路”(road)的像素占比最高，为10%，这说明所提模型能够很好地捕捉到“道路线”与其类别的关联情况，这在一定程度上也有助于对道路场景分割。图5.6Sowerby-7分割结果的混淆矩阵5.4本章小结道路场景图像的准确分割是对道路场景进一步分析与理解的前提条件，针对更为复杂的室外道路场景，综合第3、4章提出的gPbEC-FCCRF和RHOFCCRF模型优势，提出基于gPbEC-RHOFCCRF的图像语义分割模型，并将其应用到道路场景图像语义分割任务中。在道路场景数据库Sowerby-7上的实验结果表明，所提模型能够有效地提高道路场景语义分割的准确度。

【参考文献】：
期刊论文
[1]一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法[J]. 孟月波,刘光辉,徐胜军,冯峰.  西安交通大学学报. 2019(03)
[2]组合全卷积神经网络和条件随机场的道路分割[J]. 宋青松,张超,陈禹,王兴莉,杨小军.  清华大学学报(自然科学版). 2018(08)
[3]一种基于全连接CRF的前景-背景分割方法[J]. 吴冠辰,詹煜,邓捷.  四川理工学院学报(自然科学版). 2018(04)
[4]基于参考点的改进k近邻分类算法[J]. 梁聪,夏书银,陈子忠.  计算机工程. 2019(02)
[5]基于神经网络的图像弱监督语义分割算法[J]. 顾攀,张烽栋.  计算机应用与软件. 2018(02)
[6]基于完全联系的条件随机场的图像标注[J]. 刘彤,黄修添,马建设,苏萍.  计算机应用. 2017(10)
[7]结合深度学习与条件随机场的遥感图像分类[J]. 夏梦,曹国,汪光亚,尚岩峰.  中国图象图形学报. 2017(09)
[8]基于图像显著轮廓的目标检测[J]. 毕威,黄伟国,张永萍,高冠琪,朱忠奎.  电子学报. 2017(08)
[9]K-means聚类算法中聚类个数的方法研究[J]. 刘飞,唐雅娟,刘瑶.  电子设计工程. 2017(15)
[10]基于交互式条件随机场的RGB-D图像语义分割[J]. 左向梅,赵振,苟婷婷.  计算机应用与软件. 2017(03)

博士论文
[1]面向高分辨率遥感影像分类的条件随机场模型研究[D]. 赵济.武汉大学 2017
[2]面向图像标记的条件随机场模型研究[D]. 徐丽.长安大学 2013
[3]基于概率图模型的场景理解方法研究[D]. 毛凌.电子科技大学 2013
[4]基于条件随机场的目标提取[D]. 张晓峰.华东师范大学 2012

硕士论文
[1]超声图像多目标语义分割方法研究[D]. 孙天炜.哈尔滨工业大学 2018
[2]结合多种特征和条件随机场的显著性区域分割[D]. 李金龙.湖南师范大学 2018
[3]基于深度学习的红外图像飞机目标检测方法[D]. 朱大炜.西安电子科技大学 2018
[4]基于条件随机场的多时相遥感影像分类[D]. 汪光亚.南京理工大学 2018
[5]基于条件随机场的图像语义分割方法研究[D]. 李祎.大连理工大学 2017
[6]智能交互式复杂纹理特征分析与合成[D]. 石华杰.中国科学院大学(中国科学院深圳先进技术研究院) 2017
[7]基于高阶CRFs和稀疏字典学习的场景语义解析[D]. 徐高帮.南京邮电大学 2016
[8]基于概率图模型的图像分割技术研究及工程应用[D]. 钟益群.湘潭大学 2016
[9]基于CRF的图像语义理解算法研究[D]. 蒋应锋.天津理工大学 2016
[10]条件随机场中嵌入先验信息的图像理解算法研究[D]. 李志青.南京师范大学 2016



本文编号：3453722