隨著自動化和智能化技術的飛速發(fā)展,圖像語義分割這項重要的計算機視覺技術被應用到醫(yī)學圖像處理、自動駕駛、航空航天等眾多領域當中。傳統(tǒng)的圖像分割方法僅能完成簡單的語義提取,如區(qū)分目標和背景,劃分目標邊界等,而復雜應用場景任務則需要更多的目標定位和分類信息。伴隨著深度學習方法的崛起,大量基于卷積神經網絡的方法接替?zhèn)鹘y(tǒng)處理方法完成對圖像的語義分割任務,通過對圖像素進行分類標記實現(xiàn)對圖像不同語義區(qū)域的分割。復雜的圖像場景中目標種類多,尺度變化很大,具有小尺度的非顯著目標存在分割不細致甚至漏分割的現(xiàn)象,成為精細化語義分割任務的一個難題。采用卷積神經網絡的語義分割方法面臨圖像分辨率重建過程,其中簡單的特征圖融合可能導致較大尺度的目標間像素分割混淆問題。針對以上問題,本文提出一種特征增強U形卷積神經網絡（Feature Enhanced U shape Networks,FEUNet）,基于編碼器-解碼器這樣的U形網絡框架進行圖像特征提取和圖像分辨率重建,主要貢獻點為:（1）在編碼階段設計局部特征增強模塊（Local Feature Enhancing Module,LFE）,通過空洞卷積差值突出用于... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

圖像語義

重慶郵電大學碩士學位論文緒論2(a)(b)圖1.1 圖像語義分割示例 眾多領域對精細化圖像語義分割有著非常大的需求，在自動駕駛領域中，圖像語義分割是非常關鍵的技術，隨著卷積神經網絡的發(fā)展和計算機算力的增強，通過對車載攝像頭獲取的圖像進行語義分割來感知周圍環(huán)境，替代了傳統(tǒng)自動駕駛依靠雷達等設備來感知環(huán)境。不同級別的自動駕駛對分割技術的要求也不同，較低級別的自動駕駛需要分割車道線，可行駛區(qū)域等技術。再高一級別的自動駕駛則需要分割出行人和車輛等不規(guī)則的目標。更高級別則需要對行駛道路上的全景進行更細致的分割；醫(yī)療領域中，智慧醫(yī)療概念中很重要的一部分是采用計算機處理和識別大量的數(shù)字化圖像，人體結構的復雜性增加了醫(yī)療影像分析的困難，任務醫(yī)院引進高科技醫(yī)療設備，其中的圖像分割技術可以提取出心臟造影圖像中心血管等細節(jié)；分析出眼底圖像中黃斑病變等區(qū)域；對人體組織切片中的細胞進行病變區(qū)域的分割和標注。實現(xiàn)了機器配合人工的方式保證醫(yī)療影像分析的準確性；在航天航空和人造衛(wèi)星領域，道路和建筑等地表設施的提取都需要精細化的分割技術。手機中的美圖軟件利用語義分割識別等技術進行人臉的識別，實現(xiàn)局部區(qū)域美化。一些未來概念應用如智慧商場中智能試衣和智慧超市中零售貨架商品分類等，都將隨著圖像語義分割技術的發(fā)展陸續(xù)被完善并得到廣泛的應用。由此可見對圖像語義分割技術的研究可以推動其在各個領域的落地，加快社會各行業(yè)的發(fā)展和繁榮。隨著任務場景復雜度的增加，進一步改善語義分割技術仍存在很多挑戰(zhàn)。場景中目標相互遮擋，與背景的混淆增加了從環(huán)境中識別出物體的難度。差異性很小的目標之間存在混淆分割。像素級的分類和標簽要求對物體邊界進行更準確的劃分。另外圖像語義分割要學習到物體

重慶郵電大學碩士學位論文第2章卷積神經網絡理論基礎14維信號處理公式如(2.20)所示：(2.20)其中濾波器尺寸和常被設置為奇數(shù)，所以，。在CNN卷積層的卷積操作中，濾波器被稱為卷積核。如圖2.2所示，卷積核每次在輸入圖像矩陣Feature1滑動時，選取中間黃色卷積核3×3大小的數(shù)據進行卷積操作，即對應像素位置的乘機和，得到卷積后特征矩陣Feature2中對應Feature1位置f5的卷積值res，計算如公式(2.21)所示：(2.21)其中為圖像矩陣i位置像素值，是卷積核中對應i位置的權值。卷積后特征圖在前兩個維度上的尺寸主要取決于上一層特征圖尺寸，以及卷積核大小和卷積核每次的滑動步長。計算關系如公式(2.22)所示：(2.22)卷積操作后圖像的第三個維度即特征圖通道個數(shù)主要取決于卷積核個數(shù)，單個卷積核的層數(shù)對應該層特征圖的通道數(shù)，多個卷積核之間具有不同的參數(shù)，用來提取不同方面的圖像特征，從顏色，紋理，邊緣等共有的細節(jié)特征到不同類別目標間的區(qū)分性特征。圖2.2卷積操作示意圖(,)(,)(,)(,)absatbfxywxywstfxsyt=-=-=--mna=(m-1)/2b=(n-1)/291iiiresfw==′ifiw0S1S2S3S()0123S=S-S+1/Sw1w2w3w4w5w6w7w8w9resFeature1Feature2f1f2f3f4f5f6f7f8f9

【參考文獻】：
期刊論文
[1]基于邊緣檢測和區(qū)域生長的自然彩色圖像分割[J]. 翁秀梅,肖志濤,楊洪薇.  天津工業(yè)大學學報. 2008(01)
[2]基于顏色信息與區(qū)域生長的圖像分割新算法[J]. 趙欽佩,姚莉秀,程建,何虎翼,楊杰.  上海交通大學學報. 2007(05)
[3]基于雙線性插值算法的圖像放縮技術與實現(xiàn)[J]. 馮慧君,陶素娟,李隆.  計算機應用與軟件. 2004(07)
[4]梯度下降法[J]. 劉穎超,張紀元.  南京理工大學學報(自然科學版). 1993(02)

碩士論文
[1]基于RGB和深度信息的語義分割[D]. 王超男.天津理工大學 2017
[2]基于閾值的圖像分割研究[D]. 付云鳳.重慶大學 2013



本文編號：3642367