基于粗标定的深度学习图像分割模型研究

发布时间：2021-09-02 02:23

　　图像分割是将感兴趣的区域与图像的其他区域进行精确分离,是图像处理中重要的一部分,是医疗上的计算机辅助诊断、解剖结构研究等方面的重要工具。准确有效的分割图像一直是人们的研究热点,也是为后续的图像处理例如图像检测,图像识别等提供有力支持。因此,我们不仅需要研究如何准确地将目标从图像分割出来,而且需要研究在细节上也能有效分割,针对上述问题,本文主要做了以下研究工作:首先,本文主要研究了基于粗标定的深度学习图像分割U-net模型,通过粗略的勾勒出目标所在位置,制作相应的数据集来训练U-net模型,利用模型对图像进行粗分割,然后再通过U-net模型对上述结果进一步细分割,通过对比实验验证基于粗标定的U-net的模型比U-net模型有更好的分割效果,而且模型取得了更好的分割边界。其次,为了在细节上取得更好的分割结果,本文将基于粗标定的U-net模型的分割结果作为初始分割,结合水平集方法,提出了图像分割模型I。然后利用梯度下降流对模型I进行求解,再使用有限差分方法数值离散模型I,通过数值实验验证了模型的有效性,在基于粗标定的U-net模型基础上,获得了更好的分割细节。最后,本文将基于粗标定的U-ne... 

【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】：50 页

【学位级别】：硕士

【部分图文】：

U-net的网络结构

哈尔滨工业大学理学硕士学位论文-8-()()211;NiiiLWNetIWsN==其中，N是训练样本的数量，,iiIs是给定的一组训练图像和相应的地面实况分割，W为网络的参数。ResUnet的网络结构为：图1-2ResUnet的网络结构这种网络对比残差网络有更少的参数，而且在分割效果方面也表现的很好，但是，网络对于没有标签的道路，例如停车场等，会将其视为背景不进行分割。除了上述文献[38]外，Iglovikov和Shvets[39]也对U-net提出了改进，他们通过预训练的方式改善了U-net的性能，预训练的网络大大减少了训练时间，这也有助于防止过度拟合。其网络结构为：图1-3以Vgg11作为编码器的U-net的网络结构

哈尔滨工业大学理学硕士学位论文-8-()()211;NiiiLWNetIWsN==其中，N是训练样本的数量，,iiIs是给定的一组训练图像和相应的地面实况分割，W为网络的参数。ResUnet的网络结构为：图1-2ResUnet的网络结构这种网络对比残差网络有更少的参数，而且在分割效果方面也表现的很好，但是，网络对于没有标签的道路，例如停车场等，会将其视为背景不进行分割。除了上述文献[38]外，Iglovikov和Shvets[39]也对U-net提出了改进，他们通过预训练的方式改善了U-net的性能，预训练的网络大大减少了训练时间，这也有助于防止过度拟合。其网络结构为：图1-3以Vgg11作为编码器的U-net的网络结构


本文编号：3378118