基于神经网络和活动轮廓的图像分割研究

发布时间：2021-03-29 17:42

　　在快速发展的当代社会,由于科技的不断进步,图像成为人们快速获取信息的重要途径之一。图像分割作为图像处理中最棘手的一方面,也是对生活、工作、学习极为重要的一方面。传统的图像分割主要分为区域分割和边界分割两种,在近几年兴起的神经网络中,将图像分割分为语义分割和实例分割两大类。本文利用深度神经网络对图像进行区域分割,得到目标所在大致位置,作为边界分割的初始位置,最后得到精确的分割结果。在医学图像分割中比较主流的神经网络叫做U-net神经网络,形状酷似英文字母U,左侧使用卷积层来学习图像特征,同时使用下采样层来增大感受野,右侧使用上采样层的同时,复制左侧的图像特征再进行新特征的学习。由于下采样层会破坏图像的细节信息,所以本文提出了一种不损失图像信息并且可以增大感受野的扩展卷积神经网络。主要思想是利用扩展卷积来代替下采样层对心脏右心室进行分割,并在中间层对前一层的信息进行复制,使网络可以学习到更多的图像信息。由于医学图像的精确性,我们使用U-net神经网络,D-net神经网络以及阈值分割法来进行粗略的区域分割,给出心脏右心室的大致位置,为下面的精确边缘分割提供初始位置。我们在图像的边界分给中提出... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

神经网络单元结构

哈尔滨工业大学理学硕士学位论文 卷积层：在数学中所定义的卷积与神经网络中所用到的卷积有所不同，在泛函分析[16]中，卷积是一种运算符，它使用两个不同的或两个相同的函数 f 和g 并获得第三个函数。在深度学习中应用卷积层的目的主要是用来进行特征提取操作，更复杂，更多的网络将会在不断的迭代中学习到更加复杂的特征。我们在图像的卷积过程中使用点积计算来代替数学上真正的卷积。也就是说卷积核中的值与图像中的像素值进行点积运算来完成卷积过程。 扩展卷积[17]：扩展卷积是卷积的一种，利用扩展因子来增大感受野，目前扩展卷积在图像处理中大受欢迎，而在自然语言处理方面应用却不是十分广泛。

图 2-3 卷积后图像大小eLu 层[18]：卷积操作之后都要经过激活函数的作用。目的在于卷积操作只线性操作，在经过 ReLu 层的激活作用之后，为结构引入非线性特征。所的输入都将经过函数f ( x ) max ( 0,x)作用，将所有的负激活变成 0。采样层[19]：下采样层也可以称为池化层，一般在进行卷积操作之后，图像特征的维度就会变得很大，需要将特征分割开，得到一些新的并且维度比小的特征，这时池化层开始发挥作用。在神经网络中应用比较广泛的就是大池化层，也就是在所相邻的区域内，取最大特征的那一个作为新的特征。采样层[20]：在经过卷积和池化的作用之后，图像会越来越小，分辨率会越越低，因此，本文采用上采样操作逐层增加图像的大小和图像的分辨率。igmoid 激活函数：( )-11xxe


本文编号：3107921