基于深度学习的显著性区域的图像检索研究

利用神经网络提取的图像全局特征包含图像上的冗余信息,影响检索的精度,为了解决这个问题,提出了一种基于VGG16的改进网络结构、保留图像空间信息、提取图像显著性区域局部特征的算法。首先利用改进的网络对数据进行训练,得到准确率较高的模型,利用训练好的模型对所有图像使用类激活映射(CAM)的方法定位出图像的显著性区域;然后利用相同的模型提取局部显著性区域特征,构建图像数据库;最后对查询图像使用距离比较函数(L2)计算相似度,按相似度大小排列返回相似图像。在Corel数据集上,对比提取神经网络全局特征以及使用传统SIFT特征构建的K-means模型,使用局部显著性区域特征有较高的检索精度。实验结果表明,该模型有较好的检索效果。     

基于三支决策粗糙集的迭代量化的图像检索算法

由于基于全图的图像检索算法提取的特征存在噪声,而且只具备低层的描述能力,所以基于显著性检测的图像检索算法中,图像显著部分的不确定性会使显著性检测和图像分割后所得到的显著区域容易丢失重要信息,导致检索准确率低.提出一种基于三支决策粗糙集的图像检索算法.为了提取出图像的有用信息,忽略无关信息,该算法利用三支决策粗糙集理论将图像划分为显著区域、非显著区域和模糊区域,分别对显著区域和模糊区域提取特征,并共同参与检索.实验结果表明,该算法在Corel-1000数据集下,与现有先进算法相比,能有效地提高检索的准确率.     

多特征混合的流形排序及其在三维模型草图检索中的应用

为了解决现有基于流形排序的三维模型的草图检索方法特征提取过程中特征描述不准确,且需要对检索草图进行人工标注的问题,本文提出了一种基于改进特征描述符和深度学习的方法用于三维模型草图检索。该方法首先综合考虑了整体形状及局部细节对检索性能的影响,提出用于描述草图和三维模型投影视图的多特征视觉描述符。然后利用深度学习的方法实现草图语义标注。最后在包含7200幅草图和1258个三维模型的公开数据集上进行了实验验证。结果表明：本文方法不仅降低了人为标注所带来的干扰,而且显著提高了三维模型检索的准确率。研究结果将为三维影视动画的自动化检索及编辑重用等相关应用提供设计思路与技术支撑。     

多轮廓三维立体视景图像的投影检测算法

针对多轮廓三维立体模型进行高精度建模中,因为视觉切换和光线强度衰减产生斑点和投影,需要进行投影检测分离,提高图像品质的问题,提出一种基于相似度特征纹理分割的多轮廓三维立体视景图像的投影检测算法.该算法先根据已知的多轮廓三维模型雏形对所有的建模点进行遍历建模分析,再对遍历后的建模点进行模型重构,构造含积分递推多项式的平面起控基函数,最后采用多轮廓图像的曲线混合函数初始化检测模型,得到改进的三维立体视景图像投影检测迭代方程,用相似度特征纹理分割方法实现对视景图像的投影检测改进,解决了图像投影检测不准确的问题.仿真结果表明,该算法能有效实现对图像的投影检测分离,图像成像保持度更好,提高了图像成像品质.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于多任务学习的青光眼智能诊断

为了提高青光眼检测的准确率,降低青光眼的危害,本文提出一种基于多任务学习的青光眼智能诊断方法,将U-Net网络和VGG16网络结合,U-Net网络和VGG16网络共用U-Net网络的编码器部分,通过U-Net网络得到杯盘比(cup-to-discratio,CDR),并且将CDR作为眼底图像的特征之一输入VGG16网络,实现眼底图像的青光眼分类。实验使用REFUGE挑战数据集进行验证,网络模型在训练后得到的工作特性曲线下面积为0.978 8,且视盘和视杯的分割准确率分别达到0.874 5和0.962 4,对比其他使用相同数据集的方法,本方法具有更高的青光眼分类准确率。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

基于统计投影法的图像检索

提出一种基于统计投影法的图像检索方法．首先把图像转换为HSI颜色模型,把网像分块并提取分块的主色调和主灰度,然后将图像的主色调和主灰度分别在水平和垂直2个方向上投影,得到4个投影直方图、最后使用这4个投影直方图的的前三阶中心距作为特征,计算图像相似度．     

基于三维卷积神经网络的肝脏静脉血管的分割

针对传统的血管分割算法需人工参与且分割效果不佳,神经网络的方法存在设计特征量的数量有限等诸多问题,提出了一种基于三维卷积神经网络的血管分割的算法,可以利用多层卷积神经网络获取三维图像的特征,与传统的二维分割有很大的不同。通过正负样本训练后得到的模型,可以对CT图像分割后的三维子块V_i中心位置的像素点进行分类实现血管的自动分割。使用正负样本各14 976个来进行训练和测试所提出的三维卷积神经网络算法,最终,三维卷积神经算法的准确率能够达到86.11%,Dice相似系数为92.43%,召回率为99.76%。实验结果表明了基于三维卷积神经网络的血管分割算法的有效性,可以获得比二维输入数据更好的实验结果。     

基于多尺度特征提取的图像语义分割

指出了基于深度学习的图像语义分割中,如何充分利用图像上下文信息以达到更好的分割效果,是当前图像语义分割研究的关键问题.为解决这一问题,提出了一种基于多尺度特征提取的图像语义分割方法,通过构建深层卷积神经网络,并利用不同尺度图像作为网络的输入来提取不同尺度图像的特征,最后经过特征融合得到了分割图.在公开数据集Stanford background dataset 8类数据集上进行训练和验证,实验结果达到了84.33%的准确率.实验表明:通过提取和融合多尺度特征,可以达到更好的图像语义分割效果.     

基于委员会查询和自步多样性学习的医学图像分割

由于拥有像素级标记的医学图像数量非常少,制约了卷积神经网络在医学图像分割任务上的应用,因此,该文提出了一种基于委员会查询的自步多样性学习算法,在训练数据有限的情况下提升医学图像分割模型的性能。该文所提算法结合了基于委员会查询的数据选择方法,实现动态地从易到难选择样本,对模型进行训练。同时,该算法通过应用仿射传播聚类,保证了数据选择的多样性,提升了图像分割模型的性能。为了验证所提算法框架的有效性,分别在3类医学图像分割任务的5个不同数据集任务上进行了实验,实验结果表明,该文所提算法可以显著提升分割性能。在使用相同数据的训练的情况下,相比于全监督学习,使用该文算法可以得到更高的Dice评估指标、表面距离和平均交并比值。     

基于改进Multi-ResUnet算法的黏结集料图像分割方法

为提高黏结集料图像的分割精度，提出了基于Inception网络与残差连接优化的黏结集料图像分割模型（Multi-ResUnet模型）。利用实验室自主研发的集料三维特性分析系统V3.0对黏结集料图像进行采集，并建立图像分割模型样本集，然后采用图像分割模型对样本集进行训练。结果表明：相较于分水岭算法和Unet模型，该图像分割模型的精确率分别提升了30.46%和2.11%，召回率分别提升了4.68%和1.85%，准确率分别提升了25.95%和2.47%。     

一种有效的全景图像自动拼接算法

图像拼接是基于图像绘制技术中的一种常用方法。该文用特征提取算子得到2幅图像的特征点,根据特征点邻域灰度的归一化相关性得到初始的匹配点集,利用特征点与其周边特征点之间的关系来获得更加精确匹配;利用随机采样一致性方法对匹配点集进行优化,以具有最多内点数的模型作为投影矩阵的系数。     

基于高层先验语义的显著目标检测

为解决图像低级特征不能够均匀进行显著目标检测的问题,将高层先验语义和低级特征进行结合,提出一种新颖的基于高层先验语义的显著目标检测算法模型。利用深度卷积神经网络对输入图像以及显式显著性先验信息分别进行语义分割提取,得到显式显著性检测图;通过将图像中隐含的先验显著性特征与显著性值进行映射得到训练模型计算隐式显著性图;将显式显著性检测图和隐式显著性检测图进行自适应融合,形成均匀覆盖显著目标像素的精确显著检测图。为验证算法模型的有效性,将算法在具有挑战性的ECSSD和DUT-OMRON图像数据集进行实验仿真,实验结果表明,该算法的显著目标检测效果较其他方法有较为显著的提升。     

基于多期MR影像的肾脏自动定位与分割方法

肾脏自动定位和分割是肾脏功能分析流程中的重要一步,针对此提出了一种基于多期MR影像的肾脏自动定位及分割方法,即利用肾脏在多期MR扫描影像中表现出的特性,通过三维配准减影及最大密度投影方法,得到数据体在x,y,z方向的投影图像,并利用最大密度分布曲线的特性,得到肾脏区域的三维定位;在定位区域内利用水平集方法对实质期影像进行肾脏提取,然后将分割结果映射到其余多期影像上.实验结果表明,该方法得到的肾脏定位结果准确,且在定位区域内完成的肾脏分割执行效率高,分割结果较好.     

基于神经网络的古钱币图像检索研究

古钱币是我国重要的文化遗产,具有较高的文化和艺术价值,为了加强对古钱币的保护,需要对其进行识别和检索。针对古钱币图像的检索问题,该文提出了一种基于卷积神经网络和二进制编码的方法,该方法的基本思想是在卷积神经网络架构中增加编码层,同时学习古钱币图像的特征表示和编码。使用卷积神经网络提取古钱币图像的特征,随后对提取的特征进行激活和阈值化处理,离散化为二进制编码,随后待检索的古钱币图像输入该框架得到二进制编码,从而可以在海明空间中完成古钱币图像的有效检索。在数据集上的实验结果表明,利用该文方法的检索性能优于传统检索方法。     

基于多特征融合的海洋生物图像检索方法的研究

基于内容的图像检索技术主要是通过提取图像的颜色、形状、纹理等可视特征作为图像检索依据,对图像库进行近似检索.针对海洋生物图像的特点,将离散余弦变换技术应用到图像检索中,计算基于圆环分割的图像块的DCT能量矩得到图像的纹理信息.在此基础上,提出了一种综合DCT能量矩和不变矩的多特征融合的图像检索方法,并将其应用到海洋生物图像检索中.实验结果表明,使用该方法可以提高海洋生物图像检索的准确率,且对图像的旋转、缩放和平移具有不变性.     

基于形状相似的三维模型检索方法研究

在基于内容的三维模型检索方法中,基于形状的检索方法由于其视觉上的直观性和效果上的稳定性,得到了广泛的研究,本文提出了一种基于模型视觉投影图相似的形状检索方法,对任意模型通过坐标规范化,方向投影,提取其二维投影图像的Fourier描述符和Zernike矩描述符作为模型特征,在数据库中进行匹配检索.解决了该类方法中的投影图最优匹配的问题,并在检索效果和效率上取得了很好的结果.     

基于卷积神经网络的图书页面检索方法

针对现有图书页面检索方法检索精度低的问题,利用任务无关数据集训练卷积神经网络,提出了一种基于卷积神经网络的图书页面检索方法.首先将待检图书页面图像进行图像分割和畸变校正,降低背景的干扰和几何畸变的影响;然后将校正后的图像输入卷积神经网络提取图像特征;最后使用夹角余弦距离来度量待检图像和候选图像的相似度.实验结果表明:本方法在测试数据集上的Top-5命中率为97.31%,而直接使用任务无关数据集训练的卷积神经网络的Top-5命中率仅为58.47%.本方法避免了耗费大量的时间和精力去收集大规模图书页面图像数据库,而且利用卷积神经网络强大的图像特征描述能力,取得了优异的图书页面检索精度.     

基于活动轮廓模型的在线铁谱图像分割研究

为了准确分割磨粒区域以得到油液中铁谱磨粒的含量，从而获取设备油品及故障信息，以图像可视在线铁谱传感器获取的磨粒图像为对象，引入了基于曲线演化理论和水平集方法的两个区域几何轮廓模型，即LBF模型及IR模型。通过对比这2种模型的分割效果发现：IR模型具有更高的分割准确率和更快的收敛速度。然后进一步分析了模型参数对分割结果的影响，得出不同磨粒浓度条件下对应最优分割效果和最短运算时间的分割参数值，为在线监测中磨粒图像分割参数的自适应选择提供了依据。实验结果表明，研究所采用的分割模型对于磨粒图像具有更高的分割准确率和收敛速度，为后续快速、准确计算油液中铁谱磨粒含量提供了保证。