圖像分割已廣泛應用于汽車無人駕駛、醫(yī)療影像診斷、安防視頻監(jiān)控等領域�；谙袼鼐嚯x、顏色,或紋理,對復雜場景圖像分割的精度有限;圖像語義分割難以實現(xiàn)對圖像像素語義標簽的準確標注。論文以全卷積神經(jīng)網(wǎng)絡FCN-8s模型為基礎,研究基于超像素分類的圖像語義分割方法。針對SLIC算法存在欠分割和實時性差的問題,提出一種快速的SLIC超像素圖像分割算法,即“F-SLIC算法”。采用基于紋理特征的K-means聚類,修正欠分割,并改進像素抽樣,降低計算復雜度。實驗表明,與SLIC算法相比,“F-SLIC算法”的計算速度提高了22%,欠分割錯誤率降低,邊界召回率提高。針對FCN-8s模型存在圖像語義分割準確率不高的問題,提出一種改進的FCN-8s模型,即“C-FCN模型”。用組合空洞卷積核替換FCN網(wǎng)絡的部分卷積層,在不增加模型參數(shù)的前提下獲得較大的感受野,從而達到提高語義分割結(jié)果精度的目的。為進一步提高“C-FCN模型”對目標邊界的分割精度,將“F-SLIC算法”與“C-FCN模型”結(jié)合。利用“F-SLIC算法”得到訓練集圖像的目標邊界,并以此訓練“C-FCN模型”,以提高模型對目標邊界的敏感度;引... 

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于超像素的圖像分割方法
        1.2.2 基于深度學習的圖像語義分割
    1.3 主要內(nèi)容及結(jié)構(gòu)安排
第二章 超像素分割及全卷積神經(jīng)網(wǎng)絡
    2.1 SLIC超像素分割
    2.2 K-means聚類
    2.3 圖像特征表示
        2.3.1 顏色空間
        2.3.2 紋理特征
        2.3.3 形狀特征
    2.4 FCN-8s模型
        2.4.1 FCN-8s模型基本結(jié)構(gòu)
        2.4.2 跳躍結(jié)構(gòu)
    2.5 卷積神經(jīng)網(wǎng)絡
        2.5.1 隨機丟失dropout
        2.5.2 數(shù)據(jù)增強
        2.5.3 反向傳播算法
第三章 快速SLIC超像素分割算法
    3.1 間隔像素抽樣
    3.2 基于紋理特征的K-means聚類修正
    3.3 雙向鄰域圖區(qū)域合并
    3.4 區(qū)域間的相似性度量
    3.5 “F-SLIC算法”描述
    3.6 實驗結(jié)果與分析
        3.6.1 實驗結(jié)果
        3.6.2 結(jié)果分析
    3.7 本章小結(jié)
第四章 超像素圖像語義分割
    4.1 “C-FCN模型”
    4.2 “FC-FCN模型”
    4.3 建模算法描述
    4.4 實驗設計
    4.5 實驗結(jié)果及分析
        4.5.1 實驗環(huán)境配置及數(shù)據(jù)集選用
        4.5.2 實驗結(jié)果及分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 未來展望
參考文獻
致謝
作者簡介及讀研期間科研成果



本文編號：3669311