隨著大數(shù)據(jù)與人工智能技術(shù)應(yīng)用的發(fā)展,圖像分割已成為計(jì)算機(jī)視覺(jué)研究的主要方向,并成功應(yīng)用于醫(yī)學(xué)、安防等多個(gè)領(lǐng)域。以機(jī)器學(xué)習(xí)為基礎(chǔ)發(fā)展出了一系列圖像分割算法,并在理論和應(yīng)用方向取得了很大的進(jìn)展和突破性成功。但是,傳統(tǒng)的圖像分割方法集中于分析單模態(tài)圖像,由于單模態(tài)信息有限,影響分割精度有限,且無(wú)法實(shí)現(xiàn)多場(chǎng)景環(huán)境下的信息融合,從而限制了圖像分割的應(yīng)用。本文從應(yīng)用研究和算法研究出發(fā),以紅外熱圖像與腦部磁共振成像(Magnetic Resonance Imaging,MRI)作為研究對(duì)象,借助多模態(tài)融合及機(jī)器學(xué)習(xí)算法在特征表達(dá)上的優(yōu)勢(shì),提出了三種改進(jìn)型多模態(tài)融合圖像分割算法,并應(yīng)用于實(shí)際采集數(shù)據(jù)與現(xiàn)有公開(kāi)數(shù)據(jù)集,取得良好的實(shí)驗(yàn)結(jié)果。本文主要從以下幾個(gè)方面進(jìn)行了研究:(1)提出了一種基于多模態(tài)特征融合的紅外熱圖像太陽(yáng)能板區(qū)域分割方法,實(shí)現(xiàn)紅外熱圖像目標(biāo)區(qū)域的精準(zhǔn)分割。針對(duì)紅外熱圖像干擾復(fù)雜造成誤分割問(wèn)題,首先提取對(duì)比度、熵和梯度特征圖,再構(gòu)建多模態(tài)特征融合圖,最后進(jìn)行區(qū)域填充實(shí)現(xiàn)目標(biāo)區(qū)域的分割。將算法應(yīng)用于實(shí)際采集的光伏太陽(yáng)能板紅外熱圖像中。結(jié)果表明,本義算法查準(zhǔn)率高(0.9306)、查全率高(0....

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 機(jī)器學(xué)習(xí)及其在圖像分割的研究現(xiàn)狀
        1.2.2 紅外熱圖像分割的研究現(xiàn)狀及存在的問(wèn)題
        1.2.3 腦腫瘤MRI影像分割的研究現(xiàn)狀及存在的問(wèn)題
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 圖像分割算法理論基礎(chǔ)
    2.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)的圖像分割算法
        2.1.1 基于閾值的分割算法
        2.1.2 基于聚類的分割算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法
        2.3.1 全卷積神經(jīng)網(wǎng)絡(luò)模型
        2.3.2 U型網(wǎng)絡(luò)模型
    2.4 本章小結(jié)
第3章 基于多模態(tài)特征融合的紅外熱圖像分割
    3.1 問(wèn)題描述
    3.2 實(shí)驗(yàn)數(shù)據(jù)集
    3.3 基于多模態(tài)特征融合的紅外熱圖像分割算法
        3.3.1 算法流程
        3.3.2 特征圖提取
        3.3.3 多模態(tài)特征融合
        3.3.4 預(yù)浸沒(méi)與區(qū)域填充
    3.4 算法評(píng)價(jià)指標(biāo)
    3.5 實(shí)驗(yàn)與結(jié)果分析
        3.5.1 實(shí)驗(yàn)內(nèi)容
        3.5.2 實(shí)驗(yàn)平臺(tái)
        3.5.3 實(shí)驗(yàn)結(jié)果及分析
    3.6 本章小結(jié)
第4章 基于3D ResU-Net的多模態(tài)融合MRI腦腫瘤病灶分割
    4.1 問(wèn)題描述
    4.2 腦腫瘤自動(dòng)分割系統(tǒng)
    4.3 實(shí)驗(yàn)數(shù)據(jù)集及預(yù)處理
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 數(shù)據(jù)預(yù)處理
    4.4 基于3D ResU-Net的多模態(tài)融合MRI腦腫瘤分割算法
        4.4.1 算法流程圖
        4.4.2 殘差網(wǎng)絡(luò)
        4.4.3 基于3D ResU-Net的多模態(tài)融合算法
    4.5 算法評(píng)價(jià)指標(biāo)
    4.6 實(shí)驗(yàn)與結(jié)果分析
        4.6.1 實(shí)驗(yàn)內(nèi)容
        4.6.2 實(shí)驗(yàn)平臺(tái)
        4.6.3 分割結(jié)果與分析
    4.7 本章小結(jié)
第5章 基于CycleGAN-MRI的多模態(tài)影像生成及分割
    5.1 問(wèn)題描述
    5.2 基于CycleGAN-MRI的多模態(tài)影像生成與分割算法
    5.3 算法評(píng)價(jià)指標(biāo)
    5.4 實(shí)驗(yàn)與結(jié)果分析
        5.4.1 實(shí)驗(yàn)平臺(tái)
        5.4.2 實(shí)驗(yàn)內(nèi)容
        5.4.3 實(shí)驗(yàn)結(jié)果及分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3796813