基于深度卷积神经网络的图像分割研究与应用

发布时间：2021-01-04 01:15

　　作为图像处理和计算机视觉领域中的关键技术,图像分割被广泛应用于工业、医学等各个领域。随着智能工业、智慧医疗的迅速发展,对图像分割准确度和速度的要求也随之增高。传统图像分割方法多依赖于纹理、颜色等低级特征,当场景复杂或图像中存在伪影时,分割效果很难得到提升。近年来,卷积神经网络（Convolutional Neural Network,CNN）凭借其自主提取到图像高层次特征的优势,在多个领域的图像分割任务中取得了突出成绩。本文将从理论和应用出发,针对二维（Two-Dimensional,2D）红外热图像和三维（Three-Dimensional,3D）医学影像,共提出五种基于CNN的改进型图像分割算法,建立多维度图像目标区域分割系统。主要工作如下:（1）提出基于2D全卷积网络（Fully Convolutional Network,FCN）和稠密条件随机场（Dense Conditional Random Field,DCRF）的红外热图像目标区域分割算法。为了解决复杂背景下红外热图像目标区域分割困难的问题,首先,利用FCN进行像素级别特征提取,获得粗分割结果;然后,利用DCRF对粗分割... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图１．１本文结构安排框架图??６??

?第２章相关理论基础???第２章相关理论基础??２．１卷积神经网络??ＣＮＮ是一种深度前馈神经网络，于１９８９年由Ｌｅ?Ｃｕｎ首次提出，其基本组??成单位是人工神经元。作为当下热度最高的深度学习算法之一，ＣＮＮ局部感知??（Ｌｏｃａｌ?Ｃｏｎｎｅｃｔｉｖｉｔｙ）和权值共享（ＷｅｉｇｈｔＳｈａｒｉｎｇ）的特性，大大减少了网络训??练时的参数数目，从而降低了过拟合发生的可能性。与此同时，ＣＮＮ具备强大??的特征提取能力，能够从海量数据中获取有用信息，完成多项图像处理中的模式??识别任务。??神经元模型如下图２．１所示，第ｉ个神经元的输入通过权重与当前神经元连??接，经过激活函数完成非线性变换，得到下－组神经元的输入。??第ｉ个神经扣??丨．＇Ｖ?：ｂ??ｘ＇?ｔｗ＞??綱数?ｒ－．ｉ．??ｘ２?Ｉ?＼????：？?＾?１?Ｙ?／（．）?＿＿？?ｙ??Ｘｊ?—Ａ?＾?ｙ?＿＿．＿??ｘ＂?ｗ＂?＼＼?＂ｎｉｕ＃－?ｒＬ??如个冲打Ｊｌ：??的连接权重??图２．］?ＣＮＮ神经元模型??神经元的计算公式如式２．１所示：??ｎ??ｖ?＝?Ｖ?ｗ，ｘ，?＋?ｂ??＜?台?（２．１）??．ｙ?＝?／（ｖ）??７??

?第２章相关理论基础???１?１１?１１?ｎ?———???１?０?１??１１１０??Ｉ?３?Ｉ?４???０?１０??＾???０?０?１１??４?３???１?１?０?ＩＩ??１１０?１??????图２．２卷积运算示意图??激活函数／（？）的作用是对卷积之后的特征图进行非线性转换，提升ＣＮＮ的??表达能力。常见的激活函数有Ｓｉｇｍｏｉｄ函数［４３］、修正线性单元Ｋ４］?（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ??Ｕｎｉｔｓ，ＲｅＬＵ）、参数化修正线性单元?１４５］（Ｐａｒａｍｅｔｒｉｃ?Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ，ＰＲｅＬＵ）。??ＣＮＮ中比较常用的是ＲｅＬｕ和ＰＲｅＬＵ。??ＲｅＬＵ函数的表达式如下：??ＲｅＬＵ?（少）＝ｍａｘ（０，＿ｙ）?（２．４）??ＰＲｅＬＵ函数的表达式如下：??ＰＲｅＬＵ?（ｊ＾）?＝?ｍａｘ?［ａｙ，?＞＞）?（２．５）??“ｍａｘ（Ｏ＇ｖ）?、ｎａｘ（ｍ＿．?ｒ）??ｕ??（ａ）?（ｂ）??图２．３激活函数图。⑻ＲｅＬＵ函数图；（ｂ）?ＰＲｅＬＵ函数图??（３）池化层??池化层的作用是降低特征维度，减少模型参数量和计算量。ＣＮＮ中比较常??用的是平均池化和最大池化。计算公式如下：??９??

【参考文献】：
期刊论文
[1]图像分割的图论方法综述[J]. 王梅,李玉鑑,全笑梅.  计算机应用与软件. 2014(09)
[2]图像分割方法综述[J]. 杨晖,曲秀杰.  电脑开发与应用. 2005(03)
[3]神经网络学习算法的过拟合问题及解决方法[J]. 李俭川,秦国军,温熙森,胡茑庆.  振动、测试与诊断. 2002(04)
[4]计算机视觉[J]. 林华,敬卿.  国防科技参考. 1995(04)

硕士论文
[1]结合MRI多模态信息与3D-CNNS特征提取的脑肿瘤分割研究[D]. 罗蔓.南方医科大学 2015
[2]基于红外热图像的架空输电线路故障检测软件开发[D]. 彭晔.南京理工大学 2011



本文编号：2955855