隨著自動(dòng)化和智能化技術(shù)的飛速發(fā)展,圖像語義分割這項(xiàng)重要的計(jì)算機(jī)視覺技術(shù)被應(yīng)用到醫(yī)學(xué)圖像處理、自動(dòng)駕駛、航空航天等眾多領(lǐng)域當(dāng)中。傳統(tǒng)的圖像分割方法僅能完成簡(jiǎn)單的語義提取,如區(qū)分目標(biāo)和背景,劃分目標(biāo)邊界等,而復(fù)雜應(yīng)用場(chǎng)景任務(wù)則需要更多的目標(biāo)定位和分類信息。伴隨著深度學(xué)習(xí)方法的崛起,大量基于卷積神經(jīng)網(wǎng)絡(luò)的方法接替?zhèn)鹘y(tǒng)處理方法完成對(duì)圖像的語義分割任務(wù),通過對(duì)圖像素進(jìn)行分類標(biāo)記實(shí)現(xiàn)對(duì)圖像不同語義區(qū)域的分割。復(fù)雜的圖像場(chǎng)景中目標(biāo)種類多,尺度變化很大,具有小尺度的非顯著目標(biāo)存在分割不細(xì)致甚至漏分割的現(xiàn)象,成為精細(xì)化語義分割任務(wù)的一個(gè)難題。采用卷積神經(jīng)網(wǎng)絡(luò)的語義分割方法面臨圖像分辨率重建過程,其中簡(jiǎn)單的特征圖融合可能導(dǎo)致較大尺度的目標(biāo)間像素分割混淆問題。針對(duì)以上問題,本文提出一種特征增強(qiáng)U形卷積神經(jīng)網(wǎng)絡(luò)（Feature Enhanced U shape Networks,FEUNet）,基于編碼器-解碼器這樣的U形網(wǎng)絡(luò)框架進(jìn)行圖像特征提取和圖像分辨率重建,主要貢獻(xiàn)點(diǎn)為:（1）在編碼階段設(shè)計(jì)局部特征增強(qiáng)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(xué)重慶市

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像語義

重慶郵電大學(xué)碩士學(xué)位論文緒論2(a)(b)圖1.1 圖像語義分割示例 眾多領(lǐng)域?qū)?xì)化圖像語義分割有著非常大的需求，在自動(dòng)駕駛領(lǐng)域中，圖像語義分割是非常關(guān)鍵的技術(shù)，隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展和計(jì)算機(jī)算力的增強(qiáng)，通過對(duì)車載攝像頭獲取的圖像進(jìn)行語義分割來感知周圍環(huán)境，替代了傳統(tǒng)自動(dòng)駕駛依靠雷達(dá)等設(shè)備來感知環(huán)境。不同級(jí)別的自動(dòng)駕駛對(duì)分割技術(shù)的要求也不同，較低級(jí)別的自動(dòng)駕駛需要分割車道線，可行駛區(qū)域等技術(shù)。再高一級(jí)別的自動(dòng)駕駛則需要分割出行人和車輛等不規(guī)則的目標(biāo)。更高級(jí)別則需要對(duì)行駛道路上的全景進(jìn)行更細(xì)致的分割；醫(yī)療領(lǐng)域中，智慧醫(yī)療概念中很重要的一部分是采用計(jì)算機(jī)處理和識(shí)別大量的數(shù)字化圖像，人體結(jié)構(gòu)的復(fù)雜性增加了醫(yī)療影像分析的困難，任務(wù)醫(yī)院引進(jìn)高科技醫(yī)療設(shè)備，其中的圖像分割技術(shù)可以提取出心臟造影圖像中心血管等細(xì)節(jié)；分析出眼底圖像中黃斑病變等區(qū)域；對(duì)人體組織切片中的細(xì)胞進(jìn)行病變區(qū)域的分割和標(biāo)注。實(shí)現(xiàn)了機(jī)器配合人工的方式保證醫(yī)療影像分析的準(zhǔn)確性；在航天航空和人造衛(wèi)星領(lǐng)域，道路和建筑等地表設(shè)施的提取都需要精細(xì)化的分割技術(shù)。手機(jī)中的美圖軟件利用語義分割識(shí)別等技術(shù)進(jìn)行人臉的識(shí)別，實(shí)現(xiàn)局部區(qū)域美化。一些未來概念應(yīng)用如智慧商場(chǎng)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(shù)的發(fā)展陸續(xù)被完善并得到廣泛的應(yīng)用。由此可見對(duì)圖像語義分割技術(shù)的研究可以推動(dòng)其在各個(gè)領(lǐng)域的落地，加快社會(huì)各行業(yè)的發(fā)展和繁榮。隨著任務(wù)場(chǎng)景復(fù)雜度的增加，進(jìn)一步改善語義分割技術(shù)仍存在很多挑戰(zhàn)。場(chǎng)景中目標(biāo)相互遮擋，與背景的混淆增加了從環(huán)境中識(shí)別出物體的難度。差異性很小的目標(biāo)之間存在混淆分割。像素級(jí)的分類和標(biāo)簽要求對(duì)物體邊界進(jìn)行更準(zhǔn)確的劃分。另外圖像語義分割要學(xué)習(xí)到物體

重慶郵電大學(xué)碩士學(xué)位論文第2章卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)14維信號(hào)處理公式如(2.20)所示：(2.20)其中濾波器尺寸和常被設(shè)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(dòng)時(shí)，選取中間黃色卷積核3×3大小的數(shù)據(jù)進(jìn)行卷積操作，即對(duì)應(yīng)像素位置的乘機(jī)和，得到卷積后特征矩陣Feature2中對(duì)應(yīng)Feature1位置f5的卷積值res，計(jì)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(duì)應(yīng)i位置的權(quán)值。卷積后特征圖在前兩個(gè)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(dòng)步長(zhǎng)。計(jì)算關(guān)系如公式(2.22)所示：(2.22)卷積操作后圖像的第三個(gè)維度即特征圖通道個(gè)數(shù)主要取決于卷積核個(gè)數(shù)，單個(gè)卷積核的層數(shù)對(duì)應(yīng)該層特征圖的通道數(shù)，多個(gè)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(xì)節(jié)特征到不同類別目標(biāo)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(xiàn)】：
期刊論文
[1]基于邊緣檢測(cè)和區(qū)域生長(zhǎng)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(xué)學(xué)報(bào). 2008(01)
[2]基于顏色信息與區(qū)域生長(zhǎng)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(xué)學(xué)報(bào). 2007(05)
[3]基于雙線性插值算法的圖像放縮技術(shù)與實(shí)現(xiàn)[J]. 馮慧君,陶素娟,李隆.  計(jì)算機(jī)應(yīng)用與軟件. 2004(07)
[4]梯度下降法[J]. 劉穎超,張紀(jì)元.  南京理工大學(xué)學(xué)報(bào)(自然科學(xué)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(xué) 2017
[2]基于閾值的圖像分割研究[D]. 付云鳳.重慶大學(xué) 2013



本文編號(hào)：3642367