基于特征增强神经网络的图像语义分割研究
发布时间：2022-02-24 08:40
随着自动化和智能化技术的飞速发展,图像语义分割这项重要的计算机视觉技术被应用到医学图像处理、自动驾驶、航空航天等众多领域当中。传统的图像分割方法仅能完成简单的语义提取,如区分目标和背景,划分目标边界等,而复杂应用场景任务则需要更多的目标定位和分类信息。伴随着深度学习方法的崛起,大量基于卷积神经网络的方法接替传统处理方法完成对图像的语义分割任务,通过对图像素进行分类标记实现对图像不同语义区域的分割。复杂的图像场景中目标种类多,尺度变化很大,具有小尺度的非显著目标存在分割不细致甚至漏分割的现象,成为精细化语义分割任务的一个难题。采用卷积神经网络的语义分割方法面临图像分辨率重建过程,其中简单的特征图融合可能导致较大尺度的目标间像素分割混淆问题。针对以上问题,本文提出一种特征增强U形卷积神经网络（Feature Enhanced U shape Networks,FEUNet）,基于编码器-解码器这样的U形网络框架进行图像特征提取和图像分辨率重建,主要贡献点为:（1）在编码阶段设计局部特征增强模块（Local Feature Enhancing Module,LFE）,通过空洞卷积差值突出用于...
【文章来源】：重庆邮电大学重庆市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图像语义
重庆邮电大学硕士学位论文绪论2(a)(b)图1.1 图像语义分割示例 众多领域对精细化图像语义分割有着非常大的需求，在自动驾驶领域中，图像语义分割是非常关键的技术，随着卷积神经网络的发展和计算机算力的增强，通过对车载摄像头获取的图像进行语义分割来感知周围环境，替代了传统自动驾驶依靠雷达等设备来感知环境。不同级别的自动驾驶对分割技术的要求也不同，较低级别的自动驾驶需要分割车道线，可行驶区域等技术。再高一级别的自动驾驶则需要分割出行人和车辆等不规则的目标。更高级别则需要对行驶道路上的全景进行更细致的分割；医疗领域中，智慧医疗概念中很重要的一部分是采用计算机处理和识别大量的数字化图像，人体结构的复杂性增加了医疗影像分析的困难，任务医院引进高科技医疗设备，其中的图像分割技术可以提取出心脏造影图像中心血管等细节；分析出眼底图像中黄斑病变等区域；对人体组织切片中的细胞进行病变区域的分割和标注。实现了机器配合人工的方式保证医疗影像分析的准确性；在航天航空和人造卫星领域，道路和建筑等地表设施的提取都需要精细化的分割技术。手机中的美图软件利用语义分割识别等技术进行人脸的识别，实现局部区域美化。一些未来概念应用如智慧商场中智能试衣和智慧超市中零售货架商品分类等，都将随着图像语义分割技术的发展陆续被完善并得到广泛的应用。由此可见对图像语义分割技术的研究可以推动其在各个领域的落地，加快社会各行业的发展和繁荣。随着任务场景复杂度的增加，进一步改善语义分割技术仍存在很多挑战。场景中目标相互遮挡，与背景的混淆增加了从环境中识别出物体的难度。差异性很小的目标之间存在混淆分割。像素级的分类和标签要求对物体边界进行更准确的划分。另外图像语义分割要学习到物体
重庆邮电大学硕士学位论文第2章卷积神经网络理论基础14维信号处理公式如(2.20)所示：(2.20)其中滤波器尺寸和常被设置为奇数，所以，。在CNN卷积层的卷积操作中，滤波器被称为卷积核。如图2.2所示，卷积核每次在输入图像矩阵Feature1滑动时，选取中间黄色卷积核3×3大小的数据进行卷积操作，即对应像素位置的乘机和，得到卷积后特征矩阵Feature2中对应Feature1位置f5的卷积值res，计算如公式(2.21)所示：(2.21)其中为图像矩阵i位置像素值，是卷积核中对应i位置的权值。卷积后特征图在前两个维度上的尺寸主要取决于上一层特征图尺寸，以及卷积核大小和卷积核每次的滑动步长。计算关系如公式(2.22)所示：(2.22)卷积操作后图像的第三个维度即特征图通道个数主要取决于卷积核个数，单个卷积核的层数对应该层特征图的通道数，多个卷积核之间具有不同的参数，用来提取不同方面的图像特征，从颜色，纹理，边缘等共有的细节特征到不同类别目标间的区分性特征。图2.2卷积操作示意图(,)(,)(,)(,)absatbfxywxywstfxsyt=-=-=--mna=(m-1)/2b=(n-1)/291iiiresfw==′ifiw0S1S2S3S()0123S=S-S+1/Sw1w2w3w4w5w6w7w8w9resFeature1Feature2f1f2f3f4f5f6f7f8f9
【参考文献】：
期刊论文
[1]基于边缘检测和区域生长的自然彩色图像分割[J]. 翁秀梅,肖志涛,杨洪薇. 天津工业大学学报. 2008(01)
[2]基于颜色信息与区域生长的图像分割新算法[J]. 赵钦佩,姚莉秀,程建,何虎翼,杨杰. 上海交通大学学报. 2007(05)
[3]基于双线性插值算法的图像放缩技术与实现[J]. 冯慧君,陶素娟,李隆. 计算机应用与软件. 2004(07)
[4]梯度下降法[J]. 刘颖超,张纪元. 南京理工大学学报(自然科学版). 1993(02)
硕士论文
[1]基于RGB和深度信息的语义分割[D]. 王超男.天津理工大学 2017
[2]基于阈值的图像分割研究[D]. 付云凤.重庆大学 2013
本文编号：3642367
【文章来源】：重庆邮电大学重庆市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图像语义
重庆邮电大学硕士学位论文绪论2(a)(b)图1.1 图像语义分割示例 众多领域对精细化图像语义分割有着非常大的需求，在自动驾驶领域中，图像语义分割是非常关键的技术，随着卷积神经网络的发展和计算机算力的增强，通过对车载摄像头获取的图像进行语义分割来感知周围环境，替代了传统自动驾驶依靠雷达等设备来感知环境。不同级别的自动驾驶对分割技术的要求也不同，较低级别的自动驾驶需要分割车道线，可行驶区域等技术。再高一级别的自动驾驶则需要分割出行人和车辆等不规则的目标。更高级别则需要对行驶道路上的全景进行更细致的分割；医疗领域中，智慧医疗概念中很重要的一部分是采用计算机处理和识别大量的数字化图像，人体结构的复杂性增加了医疗影像分析的困难，任务医院引进高科技医疗设备，其中的图像分割技术可以提取出心脏造影图像中心血管等细节；分析出眼底图像中黄斑病变等区域；对人体组织切片中的细胞进行病变区域的分割和标注。实现了机器配合人工的方式保证医疗影像分析的准确性；在航天航空和人造卫星领域，道路和建筑等地表设施的提取都需要精细化的分割技术。手机中的美图软件利用语义分割识别等技术进行人脸的识别，实现局部区域美化。一些未来概念应用如智慧商场中智能试衣和智慧超市中零售货架商品分类等，都将随着图像语义分割技术的发展陆续被完善并得到广泛的应用。由此可见对图像语义分割技术的研究可以推动其在各个领域的落地，加快社会各行业的发展和繁荣。随着任务场景复杂度的增加，进一步改善语义分割技术仍存在很多挑战。场景中目标相互遮挡，与背景的混淆增加了从环境中识别出物体的难度。差异性很小的目标之间存在混淆分割。像素级的分类和标签要求对物体边界进行更准确的划分。另外图像语义分割要学习到物体
重庆邮电大学硕士学位论文第2章卷积神经网络理论基础14维信号处理公式如(2.20)所示：(2.20)其中滤波器尺寸和常被设置为奇数，所以，。在CNN卷积层的卷积操作中，滤波器被称为卷积核。如图2.2所示，卷积核每次在输入图像矩阵Feature1滑动时，选取中间黄色卷积核3×3大小的数据进行卷积操作，即对应像素位置的乘机和，得到卷积后特征矩阵Feature2中对应Feature1位置f5的卷积值res，计算如公式(2.21)所示：(2.21)其中为图像矩阵i位置像素值，是卷积核中对应i位置的权值。卷积后特征图在前两个维度上的尺寸主要取决于上一层特征图尺寸，以及卷积核大小和卷积核每次的滑动步长。计算关系如公式(2.22)所示：(2.22)卷积操作后图像的第三个维度即特征图通道个数主要取决于卷积核个数，单个卷积核的层数对应该层特征图的通道数，多个卷积核之间具有不同的参数，用来提取不同方面的图像特征，从颜色，纹理，边缘等共有的细节特征到不同类别目标间的区分性特征。图2.2卷积操作示意图(,)(,)(,)(,)absatbfxywxywstfxsyt=-=-=--mna=(m-1)/2b=(n-1)/291iiiresfw==′ifiw0S1S2S3S()0123S=S-S+1/Sw1w2w3w4w5w6w7w8w9resFeature1Feature2f1f2f3f4f5f6f7f8f9
【参考文献】：
期刊论文
[1]基于边缘检测和区域生长的自然彩色图像分割[J]. 翁秀梅,肖志涛,杨洪薇. 天津工业大学学报. 2008(01)
[2]基于颜色信息与区域生长的图像分割新算法[J]. 赵钦佩,姚莉秀,程建,何虎翼,杨杰. 上海交通大学学报. 2007(05)
[3]基于双线性插值算法的图像放缩技术与实现[J]. 冯慧君,陶素娟,李隆. 计算机应用与软件. 2004(07)
[4]梯度下降法[J]. 刘颖超,张纪元. 南京理工大学学报(自然科学版). 1993(02)
硕士论文
[1]基于RGB和深度信息的语义分割[D]. 王超男.天津理工大学 2017
[2]基于阈值的图像分割研究[D]. 付云凤.重庆大学 2013
本文编号：3642367
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3642367.html
最近更新
教材专著
