發(fā)布時(shí)間：2019-02-12 08:01

【摘要】：數(shù)字圖像處理是指通過計(jì)算機(jī)對(duì)圖像進(jìn)行處理加工、理解分析的方法和技術(shù),也被稱為計(jì)算機(jī)圖像處理。目前已經(jīng)成功應(yīng)用于包括機(jī)器視覺、醫(yī)療和航空航天在內(nèi)的許多重要領(lǐng)域。圖像分割作為數(shù)字圖像處理中至關(guān)重要的一環(huán),其得到結(jié)果的優(yōu)劣以及分割出區(qū)域的意義直接影響著后續(xù)工作的進(jìn)行。一個(gè)有效的圖像分割算法的提出以及實(shí)現(xiàn)對(duì)各行各業(yè)的發(fā)展具有重要的實(shí)際意義。近年來,深度學(xué)習(xí)的相關(guān)理論與計(jì)算機(jī)視覺技術(shù)相結(jié)合而產(chǎn)生的圖像分割方法不斷涌現(xiàn),其中卷積神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域都取得了成功。傳統(tǒng)的圖像分割算法都是基于圖像自身特征的提取,首先利用相關(guān)方法將圖像劃分成互不相同的區(qū)域,然后再對(duì)區(qū)域進(jìn)行分類、合并等后處理操作,最終得到有意義分割結(jié)果。這一過程繁瑣復(fù)雜,有著很大的提升空間。卷積神經(jīng)網(wǎng)絡(luò)(CNN)能夠自動(dòng)提取圖像特征,這一特點(diǎn)使得該方法更適合圖像的處理工作,使用CNN方法改進(jìn)圖像分割技術(shù)成為了重要的研究方向。全卷積神經(jīng)網(wǎng)絡(luò)(FCN)的提出掀開了圖像語義分割領(lǐng)域的新的研究序幕,通過對(duì)CNN全連接層的改變,使得該模型更適合圖像分割,與傳統(tǒng)的分割方法相比有著更加明顯的優(yōu)勢,但是只能分割出感興趣目標(biāo)的近似區(qū)域,無法對(duì)感興趣目標(biāo)的細(xì)節(jié)進(jìn)行刻畫。眾所周知,細(xì)致準(zhǔn)確的目標(biāo)區(qū)域在圖像的理解和分析中有著舉足輕重的地位,分割結(jié)果不夠精細(xì)成為了全卷積神經(jīng)網(wǎng)絡(luò)(FCN)亟需解決的問題。本文經(jīng)過充分調(diào)研相關(guān)工作,討論了全卷積神經(jīng)網(wǎng)絡(luò)方法在圖像分割算法領(lǐng)域的應(yīng)用,并針對(duì)全卷積神經(jīng)網(wǎng)絡(luò)分割結(jié)果不夠細(xì)致,忽略目標(biāo)邊緣細(xì)節(jié)等問題提出了改進(jìn),采用了與傳統(tǒng)算法相結(jié)合的方式,對(duì)全卷積神經(jīng)網(wǎng)絡(luò)(FCN)的分割結(jié)果進(jìn)行進(jìn)一步的處理。由于分水嶺算法具有對(duì)微弱邊緣有良好感應(yīng)的特性,故將分水嶺算法與全卷積神經(jīng)網(wǎng)絡(luò)(FCN)相結(jié)合,利用全卷積神經(jīng)網(wǎng)絡(luò)(FCN)分割出的感興趣目標(biāo)的近似區(qū)域作為先驗(yàn)知識(shí),改進(jìn)標(biāo)記點(diǎn)的獲取方式從而完成對(duì)目標(biāo)邊緣的細(xì)化,得到分割效果更好的感興趣目標(biāo)區(qū)域。最終通過與全卷積神經(jīng)網(wǎng)絡(luò)(FCN)及其他分割算法分割結(jié)果作比較,證明了該方法的優(yōu)勢。
[Abstract]:Digital image processing refers to the method and technology of image processing and analysis by computer, which is also called computer image processing. It has been successfully applied in many important fields, including machine vision, medical science and aerospace. As an important part of digital image processing, image segmentation has a direct impact on the future work. An effective image segmentation algorithm is of great practical significance to the development of various industries. In recent years, image segmentation methods based on the combination of depth learning theory and computer vision technology have been emerging, among which convolution neural networks have been successful in many fields. The traditional image segmentation algorithms are based on the extraction of the image's own features. Firstly, the image is divided into different regions by using the correlation method, then the regions are classified, combined and other post-processing operations, finally the meaningful segmentation results are obtained. The process is cumbersome and complex, and there is a lot of room for improvement. The convolutional neural network (CNN) can automatically extract image features, which makes the method more suitable for image processing. Improving image segmentation technology by using CNN method has become an important research direction. The full convolutional neural network (FCN) has opened a new research prologue in the field of image semantic segmentation. By changing the full join layer of CNN, the model is more suitable for image segmentation and has more obvious advantages than the traditional segmentation method. But the approximate region of the object of interest can only be segmented, and the details of the object of interest can not be described. As we all know, the precise target region plays an important role in the image understanding and analysis, and the segmentation result is not precise enough, which is an urgent problem to be solved in full convolutional neural network (FCN). In this paper, the application of full convolution neural network method in image segmentation is discussed, and some improvements are put forward to solve the problem that the segmentation result of full convolutional neural network is not detailed enough and the details of target edge are ignored. The segmentation results of full convolutional neural network (FCN) are further processed by combining with the traditional algorithm. The watershed algorithm is combined with the full convolution neural network (FCN) because of its good sensitivity to weak edges. Using the approximate region of the object of interest segmented by the full convolutional neural network (FCN) as the prior knowledge, the method of obtaining the mark points is improved to refine the edge of the target, and the region of interest with better segmentation effect is obtained. Finally, compared with the segmentation results of (FCN) and other segmentation algorithms, the advantages of this method are proved.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李仲;圖像分割的妙法[J];電腦知識(shí)與技術(shù);2000年S2期

2 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學(xué)院學(xué)報(bào);2007年02期

3 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

4 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動(dòng)化;2009年11期

5 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國科學(xué)技術(shù)大學(xué)學(xué)報(bào);2010年02期

6 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

7 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國圖象圖形學(xué)報(bào);2011年05期

8 張甫;李興來;陳佳君;;淺談圖像分割方法的研究運(yùn)用[J];科技創(chuàng)新與應(yīng)用;2012年04期

9 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年06期

10 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計(jì)算機(jī)工程與應(yīng)用;2013年16期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國高校通信類院系學(xué)術(shù)研討會(huì)論文集（下冊(cè)）[C];2009年

2 楊暄;郭成安;李建華;;改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國學(xué)術(shù)大會(huì)論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進(jìn)展[A];中華中醫(yī)藥學(xué)會(huì)中醫(yī)診斷學(xué)分會(huì)第十次學(xué)術(shù)研討會(huì)論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測繪通報(bào)》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學(xué);2014年

2 黃萬里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學(xué);2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學(xué);2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學(xué);2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學(xué);2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學(xué);2015年

7 李偉斌;圖像分割中的變分模型與快速算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

8 鄧曉政;基于免疫克隆選擇優(yōu)化和譜聚類的復(fù)雜圖像分割[D];西安電子科技大學(xué);2014年

9 帥永e，

本文編號(hào)：2420234