【摘要】：隨著計算機視覺的發(fā)展,圖像語義分割技術(shù)逐漸映入人們的眼簾,因其廣泛的應(yīng)用性而備受人們的重視。傳統(tǒng)的圖像語義分割模型通過神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等方法訓(xùn)練像素。雖然該模型在像素特征中加入了局部特征,但忽略了圖像對象的整體性,將對圖像對象的識別轉(zhuǎn)化為對像素識別。該模型的識別過程過于機器式,導(dǎo)致語義分割結(jié)果中容易出現(xiàn)圖像對象的丟失以及圖像對象輪廓的缺失,并影響最終語義分割結(jié)果的精確度,造成無法勝任進一步的圖像處理工作。針對上述問題,本文模仿生物視覺對物體的識別過程,首先對圖像對象的整體性進行認識操作,再從對象的整體出發(fā)進行識別,提出一種基于圖像對象候選區(qū)語義分割思想。基于這種思想,本文主要工作如下:(1)鑒于傳統(tǒng)圖像分割技術(shù)對圖像對象輪廓具有良好的表達能力,本文在傳統(tǒng)分割方法的基礎(chǔ)上,將圖像分割生成的分割塊作為圖像對象候選區(qū),提出一種新型分割塊模型的圖像語義分割方法。為了提高算法的實用性,新型分割塊模型首先采用高效的結(jié)構(gòu)森林方法生成基于像素的邊緣概率圖,再通過改進的分水嶺算法生成初始分割塊。為了提高分割塊作為圖像對象候選區(qū)對圖像對象整體的輪廓描述能力、避免過分分割以及減少訓(xùn)練開支,我們通過選取適當(dāng)?shù)拈撝岛喜⑷哂嗟姆指顗K,達到優(yōu)化分割塊輪廓的效果,以獲取更精準(zhǔn)的圖像對象的輪廓信息。最后通過構(gòu)造隨機森林和支持向量機模型訓(xùn)練分割塊,獲得具有良好輪廓信息的語義分割結(jié)果。(2)針對新型分割塊模型的圖像語義分割方法僅對單一尺度的分割塊進行預(yù)測,無法保證分割塊對圖像對象輪廓把握的正確性,本文進行進一步研究并加以改進,提出了一種基于圖像分層樹的語義分割方法。圖像分層樹模型在新型分割塊的基礎(chǔ)上,通過超度量輪廓圖算法得到多尺度圖模型,然后利用支持向量機訓(xùn)練多尺度圖模型生成分層樹,再通過訓(xùn)練隨機森林模型精煉分層樹,最終輸出圖像語義分割結(jié)果。實驗結(jié)果表明,在復(fù)雜的室外環(huán)境下,對圖像語義分割的精確度、魯棒性和速率均有明顯改善。
【圖文】：

覺概要覺(Computational Vision，簡稱 CV)是通過計算機代替人眼去算機對客觀世界的三維場景的感知、識別與理解的過程。通擴展出許多具有重要價值的研究方向，圖像語義分割就是在覺是一個指示前沿的領(lǐng)域。首先通過相機等機器收集圖像，對象進行識別與理解。從出發(fā)點的不同，計算機視覺既可以算領(lǐng)域中一個帶有巨大挑戰(zhàn)與實踐價值的研究領(lǐng)域。覺作為一門綜合性的學(xué)科，它涉及各個學(xué)科的方方面面，其信號處理、物理學(xué)、應(yīng)用數(shù)學(xué)和統(tǒng)計學(xué)，神經(jīng)生理學(xué)和認知個科學(xué)學(xué)科并研究相關(guān)的理論和技術(shù)，，目的是為了建立能夠能系統(tǒng)。在工程領(lǐng)域，計算機視覺也同樣應(yīng)用到生活的各駛系統(tǒng)，醫(yī)療診斷等�？梢韵胂螅嬎銠C視覺的應(yīng)用前景是有各個相關(guān)領(lǐng)域關(guān)系如圖 2-1 所示：

空間建立每個圖像塊的索引。通過比較圖像顏色集中的距離和圖像塊之間的空成圖像匹配操作。 局部二值特征局部二值(簡稱 LBP)特征[43]是局部信息提取中的一種方法。不但能夠很好的表周圍鄰域像素之間的關(guān)系，而且對圖像的物理變化有很強的抗噪性，對圖像的都有很好的表現(xiàn)。所以在實際應(yīng)用中得到廣泛使用，比如：人臉識別、表情識點檢測等。BP 特征的描述最初的 LBP 算子首先確定一個固定大小的圖像塊，假設(shè)圖像塊大小為 3*3，)所示，其中圖像塊的值表示為對應(yīng)像素的灰度值，以圖像塊中心像素為基的 8 個像素進行灰度值比較，大于中心像素灰度值的像素的對應(yīng)位置標(biāo)記為記為 0，如圖 2-2(右)所示。通過比較，每一個圖像塊內(nèi)部就可以生成一個 8 位數(shù)，該數(shù)即為圖像塊中心像素的原始 LBP 值�？梢酝ㄟ^改變標(biāo)記值來改變 LB改變權(quán)重的目的。
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 李威;王鵬杰;宋海玉;;基于統(tǒng)計分類的行人檢測方法綜述[J];系統(tǒng)仿真學(xué)報;2016年09期

2 馬成虎;董洪偉;;一種基于深度學(xué)習(xí)的多尺度深度網(wǎng)絡(luò)的場景標(biāo)注算法[J];計算機工程與科學(xué);2016年07期

3 隋然;潘點飛;;基于改進遺傳算法的最佳閾值分割方法及其性能評價[J];微型機與應(yīng)用;2015年14期

4 耿利川;成運;蘇松志;林賢明;李紹滋;;RBFD:一種魯棒的圖像局部二值特征描述子[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2015年05期

5 張少博;全書海;石英;楊陽;李云路;程姝;;基于顏色矩的圖像檢索算法研究[J];計算機工程;2014年06期

6 毛凌;解梅;;基于高階CRF模型的圖像語義分割[J];計算機應(yīng)用研究;2013年11期

7 傅紅普;鄒北驥;;方向梯度直方圖及其擴展[J];計算機工程;2013年05期

8 鈕圣哠;王盛;楊晶晶;陳更生;;完全基于邊緣信息的快速圖像分割算法[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2012年11期

9 王志瑞;閆彩良;;圖像特征提取方法的綜述[J];吉首大學(xué)學(xué)報(自然科學(xué)版);2011年05期

10 鄭美珠;趙景秀;;基于區(qū)域一致性測度的彩色圖像邊緣檢測[J];計算機應(yīng)用;2011年09期

相關(guān)博士學(xué)位論文 前1條

1 李林;基于概率圖模型的圖像整體場景理解方法研究[D];電子科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前4條

1 陳鴻翔;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D];浙江大學(xué);2016年

2 張珂;圖像語義分割算法研究[D];復(fù)旦大學(xué);2014年

3 張曉雪;基于概率圖模型的圖像語義分割技術(shù)研究[D];廈門大學(xué);2014年

4 付云鳳;基于閾值的圖像分割研究[D];重慶大學(xué);2013年

本文編號：2529917