基于超像素分类的图像语义分割方法研究

发布时间：2022-08-02 21:48

　　图像分割已广泛应用于汽车无人驾驶、医疗影像诊断、安防视频监控等领域。基于像素距离、颜色,或纹理,对复杂场景图像分割的精度有限;图像语义分割难以实现对图像像素语义标签的准确标注。论文以全卷积神经网络FCN-8s模型为基础,研究基于超像素分类的图像语义分割方法。针对SLIC算法存在欠分割和实时性差的问题,提出一种快速的SLIC超像素图像分割算法,即“F-SLIC算法”。采用基于纹理特征的K-means聚类,修正欠分割,并改进像素抽样,降低计算复杂度。实验表明,与SLIC算法相比,“F-SLIC算法”的计算速度提高了22%,欠分割错误率降低,边界召回率提高。针对FCN-8s模型存在图像语义分割准确率不高的问题,提出一种改进的FCN-8s模型,即“C-FCN模型”。用组合空洞卷积核替换FCN网络的部分卷积层,在不增加模型参数的前提下获得较大的感受野,从而达到提高语义分割结果精度的目的。为进一步提高“C-FCN模型”对目标边界的分割精度,将“F-SLIC算法”与“C-FCN模型”结合。利用“F-SLIC算法”得到训练集图像的目标边界,并以此训练“C-FCN模型”,以提高模型对目标边界的敏感度;引... 

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于超像素的图像分割方法
        1.2.2 基于深度学习的图像语义分割
    1.3 主要内容及结构安排
第二章 超像素分割及全卷积神经网络
    2.1 SLIC超像素分割
    2.2 K-means聚类
    2.3 图像特征表示
        2.3.1 颜色空间
        2.3.2 纹理特征
        2.3.3 形状特征
    2.4 FCN-8s模型
        2.4.1 FCN-8s模型基本结构
        2.4.2 跳跃结构
    2.5 卷积神经网络
        2.5.1 随机丢失dropout
        2.5.2 数据增强
        2.5.3 反向传播算法
第三章 快速SLIC超像素分割算法
    3.1 间隔像素抽样
    3.2 基于纹理特征的K-means聚类修正
    3.3 双向邻域图区域合并
    3.4 区域间的相似性度量
    3.5 “F-SLIC算法”描述
    3.6 实验结果与分析
        3.6.1 实验结果
        3.6.2 结果分析
    3.7 本章小结
第四章 超像素图像语义分割
    4.1 “C-FCN模型”
    4.2 “FC-FCN模型”
    4.3 建模算法描述
    4.4 实验设计
    4.5 实验结果及分析
        4.5.1 实验环境配置及数据集选用
        4.5.2 实验结果及分析
    4.6 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 未来展望
参考文献
致谢
作者简介及读研期间科研成果



本文编号：3669311