作為圖像處理和計算機視覺領(lǐng)域中的關(guān)鍵技術(shù),圖像分割被廣泛應(yīng)用于工業(yè)、醫(yī)學(xué)等各個領(lǐng)域。隨著智能工業(yè)、智慧醫(yī)療的迅速發(fā)展,對圖像分割準(zhǔn)確度和速度的要求也隨之增高。傳統(tǒng)圖像分割方法多依賴于紋理、顏色等低級特征,當(dāng)場景復(fù)雜或圖像中存在偽影時,分割效果很難得到提升。近年來,卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）憑借其自主提取到圖像高層次特征的優(yōu)勢,在多個領(lǐng)域的圖像分割任務(wù)中取得了突出成績。本文將從理論和應(yīng)用出發(fā),針對二維（Two-Dimensional,2D）紅外熱圖像和三維（Three-Dimensional,3D）醫(yī)學(xué)影像,共提出五種基于CNN的改進型圖像分割算法,建立多維度圖像目標(biāo)區(qū)域分割系統(tǒng)。主要工作如下:（1）提出基于2D全卷積網(wǎng)絡(luò)（Fully Convolutional Network,FCN）和稠密條件隨機場（Dense Conditional Random Field,DCRF）的紅外熱圖像目標(biāo)區(qū)域分割算法。為了解決復(fù)雜背景下紅外熱圖像目標(biāo)區(qū)域分割困難的問題,首先,利用FCN進行像素級別特征提取,獲得粗分割結(jié)果;然后,利用DCRF對粗分割... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１本文結(jié)構(gòu)安排框架圖??６??

?第２章相關(guān)理論基礎(chǔ)???第２章相關(guān)理論基礎(chǔ)??２．１卷積神經(jīng)網(wǎng)絡(luò)??ＣＮＮ是一種深度前饋神經(jīng)網(wǎng)絡(luò)，于１９８９年由Ｌｅ?Ｃｕｎ首次提出，其基本組??成單位是人工神經(jīng)元。作為當(dāng)下熱度最高的深度學(xué)習(xí)算法之一，ＣＮＮ局部感知??（Ｌｏｃａｌ?Ｃｏｎｎｅｃｔｉｖｉｔｙ）和權(quán)值共享（ＷｅｉｇｈｔＳｈａｒｉｎｇ）的特性，大大減少了網(wǎng)絡(luò)訓(xùn)??練時的參數(shù)數(shù)目，從而降低了過擬合發(fā)生的可能性。與此同時，ＣＮＮ具備強大??的特征提取能力，能夠從海量數(shù)據(jù)中獲取有用信息，完成多項圖像處理中的模式??識別任務(wù)。??神經(jīng)元模型如下圖２．１所示，第ｉ個神經(jīng)元的輸入通過權(quán)重與當(dāng)前神經(jīng)元連??接，經(jīng)過激活函數(shù)完成非線性變換，得到下－組神經(jīng)元的輸入。??第ｉ個神經(jīng)扣??丨．＇Ｖ?：ｂ??ｘ＇?ｔｗ＞??綱數(shù)?ｒ－．ｉ．??ｘ２?Ｉ?＼????：？?＾?１?Ｙ?／（．）?＿＿？?ｙ??Ｘｊ?—Ａ?＾?ｙ?＿＿．＿??ｘ＂?ｗ＂?＼＼?＂ｎｉｕ＃－?ｒＬ??如個沖打Ｊｌ：??的連接權(quán)重??圖２．］?ＣＮＮ神經(jīng)元模型??神經(jīng)元的計算公式如式２．１所示：??ｎ??ｖ?＝?Ｖ?ｗ，ｘ，?＋?ｂ??＜?臺?（２．１）??．ｙ?＝?／（ｖ）??７??

?第２章相關(guān)理論基礎(chǔ)???１?１１?１１?ｎ?———???１?０?１??１１１０??Ｉ?３?Ｉ?４???０?１０??＾???０?０?１１??４?３???１?１?０?ＩＩ??１１０?１??????圖２．２卷積運算示意圖??激活函數(shù)／（？）的作用是對卷積之后的特征圖進行非線性轉(zhuǎn)換，提升ＣＮＮ的??表達能力。常見的激活函數(shù)有Ｓｉｇｍｏｉｄ函數(shù)［４３］、修正線性單元Ｋ４］?（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ??Ｕｎｉｔｓ，ＲｅＬＵ）、參數(shù)化修正線性單元?１４５］（Ｐａｒａｍｅｔｒｉｃ?Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ，ＰＲｅＬＵ）。??ＣＮＮ中比較常用的是ＲｅＬｕ和ＰＲｅＬＵ。??ＲｅＬＵ函數(shù)的表達式如下：??ＲｅＬＵ?（少）＝ｍａｘ（０，＿ｙ）?（２．４）??ＰＲｅＬＵ函數(shù)的表達式如下：??ＰＲｅＬＵ?（ｊ＾）?＝?ｍａｘ?［ａｙ，?＞＞）?（２．５）??“ｍａｘ（Ｏ＇ｖ）?、ｎａｘ（ｍ＿．?ｒ）??ｕ??（ａ）?（ｂ）??圖２．３激活函數(shù)圖。⑻ＲｅＬＵ函數(shù)圖；（ｂ）?ＰＲｅＬＵ函數(shù)圖??（３）池化層??池化層的作用是降低特征維度，減少模型參數(shù)量和計算量。ＣＮＮ中比較常??用的是平均池化和最大池化。計算公式如下：??９??

【參考文獻】：
期刊論文
[1]圖像分割的圖論方法綜述[J]. 王梅,李玉鑑,全笑梅.  計算機應(yīng)用與軟件. 2014(09)
[2]圖像分割方法綜述[J]. 楊暉,曲秀杰.  電腦開發(fā)與應(yīng)用. 2005(03)
[3]神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的過擬合問題及解決方法[J]. 李儉川,秦國軍,溫熙森,胡蔦慶.  振動、測試與診斷. 2002(04)
[4]計算機視覺[J]. 林華,敬卿.  國防科技參考. 1995(04)

碩士論文
[1]結(jié)合MRI多模態(tài)信息與3D-CNNS特征提取的腦腫瘤分割研究[D]. 羅蔓.南方醫(yī)科大學(xué) 2015
[2]基于紅外熱圖像的架空輸電線路故障檢測軟件開發(fā)[D]. 彭曄.南京理工大學(xué) 2011



本文編號：2955855