基于注意力密集连接Unet的磁瓦表面孔洞和裂痕缺陷分割算法

针对检测磁瓦孔洞和裂痕时容易丢失缺陷特征等问题，本文在Unet网络的基础上添加注意力模块CBAM来提取更受关注的特征，并在Unet网络的编码部分使用密集连接来充分利用特征.同时，为了减少Unet网络的过多池化下采样操作导致小物体特征消失，还使用膨胀率为[1,2,5,1,2,5]的混合空洞卷积取代池化操作.最后设置加权交叉熵损失函数解决磁瓦数据集当中样本分布不均的问题.实验证明，本文算法在磁瓦孔洞和裂痕缺陷分割时，MIoU分别提高了2.696%和2.739%,Dice系数分别提高了3.342%和2.602%.本文算法在一定程度上提升了磁瓦缺陷分割精确度，还改善了Unet网络边界分割模糊等问题.     

融合Swin Transformer的虫害图像实例分割优化方法研究

【目的】为了实现对虫害的精准监测，提出了一种融合Swin Transformer的图像实例分割优化方法，以期有效解决复杂真实场景下多幼虫个体图像识别分割困难的问题。【方法】选用Swin Transformer模型，改进Mask R-CNN实例分割模型的主干网部分，对黄野螟幼虫虫害图像进行识别分割。针对不同结构参数的Swin Transformer模型与ResNet模型，调整各层的输入输出维度，将其分别设置为Mask R-CNN的主干网进行对比实验，从定量与定性两个角度分析不同主干网的Mask R-CNN模型对黄野螟幼虫的识别分割精度与效果，确定最佳模型结构。【结果】(1)该方法在虫害识别框选方面的测度(F1)分数可达89.7%,平均精度(A_P)可达88.0%;在虫害识别分割方面的F1分数可达84.3%,A_P可达82.2%。相较于Mask R-CNN,在目标框选与目标分割方面分别提升8.75%与8.40%。(2)对于小目标虫害识别分割任务，该方法在虫害识别框选方面的F1分数可达88.4%,A_P可达86.3%;在虫害识别分割...     

基于双任务一致性的半监督深度学习医学图像分割方法

【目的】医学图像分割是医学图像分析中的一个重要内容。现有的大部分图像分割算法都是基于监督学习,而实际应用中医学图像标签难以获取,大量标注需依赖领域专家,费时费力。因此,提出一种双任务一致性的半监督医学图像分割模型。【方法】该模型采用一个编码器,两个解码器的网络结构,其中编码器和一个解码器实现图像分割,与另一个解码器实现图像重建。无标签数据通过一致性分割与重建任务得到的两个不同图像背景计算损失并优化网络参数。同时在网络的编码器部分加入注意力模块以更好地获取分割区域的空间位置信息,并使用锐化操作增加无标签数据重建输出的置信度。【结果】在肝脏和细胞数据集上IOU分别为0.953 6和0.821 0,相较于U Net提高了1.5%和4.82%;在眼底血管数据集上,SP值为0.983 0,与第二名相比提升了0.18%。【结论】本文模型与有监督方法和半监督方法相比,在医学图像分割的有效性和泛化性上有一定的性能提升,能有效解决数据集数量少、小病灶分割难度大的问题。     

基于Unet++网络的数字岩心图像分割泛化能力

图像分割是数字岩心技术的重要组成部分,深度学习为数字岩心图像分割提供了新方法。在优选的深度学习模型的基础上确定网络结构、训练数据量来平衡计算效率,进一步在不同类型的岩心数据集上讨论网络的泛化能力及其影响因素。结果表明：Unet、Segnet和Unet++网络中,Unet++网络可以在保证分割精度的同时具有最好的物性参数预测效果;Unet++网络在训练数据量和预测数据量为1∶1,网络结构设计2次采样的条件下,Unet++网络的分割精度可以达到98%;基于多类岩心训练的Unet++网络分割不同岩心图像的平均分割精度达95%,相较于岩心的类型,岩心图像的质量更能影响Unet++网络的识别效果。     

基于改进DenseUnet的腹膜后淋巴CT分割方法

针对腹部CT图像中淋巴与周围结构相似、对比度低、难识别导致淋巴分割精度较低的问题,提出一种基于空洞卷积和双通道注意力机制的改进密集U型对称语义分割模型D-DenseUnet。将空洞卷积和双通道注意力机制嵌入密集块连接的U型网络结构中,提升模型提取整体特征的能力;为了缓解数据不平衡问题,采用复合损失函数作为改进的密集U型模型D-DenseUnet的损失函数,结合数据扩增和早停法防止过拟合,通过余弦退火衰减学习策略进行优化,最终实现腹膜后淋巴分割。实验结果表明,所提的分割模型在腹膜后淋巴CT图像中能够较好分割淋巴,平均相似系数、交并比和召回率分别为0.796,0.804,0.679,优于传统的Unet网络和密集U型DenseUnet网络。     

一种紫色土图像的分割与提取方法

【目的】研究紫色土的图像分割与提取，为将来实现机器视觉识别紫色土打下基础。【方法】利用在RGB颜色空间的像素值分布特点，计算多变量条件概率，通过建立优化模型提取颜色特征值的边界，结合分段函数构建分割测度；然后，使用构建的分割测度建立基于密度峰值思想的优化模型，按照两次迭代差异最小化原则，优化局部分割阈值，从多个局部分割阈值中利用类内方差最小化模型获得优化的分割阈值，实现紫色土的图像分割；最后，以像素四邻域连通标记递归算法标记包含空洞的紫色土区域图像的连通区域以消除分割结果中的背景离散区域。同理，标记背景连通区域以填充紫色土区域图像空洞实现图像中紫色土区域的提取。【结果】计算综合评价指标F1、调整的兰德系数ARI和归一化互信息NMI来评价分割提取的结果。试验表明，提出的方法平均分割准确率达96.01%,97.16%和82.02%；与对比方法比较，提出的算法可以更加准确完整地分割与提取紫色土区域图像，最终实现紫色土图像土壤区域的完整分割。【结论】提出的算法是有效的。     

改进型DeepLabV3+的糖尿病眼底病变分割

针对糖尿病视网膜眼底病变多类分割难及小病灶识别率低的问题,提出一种融合注意力机制与改进型DeepLabV3+的糖尿病视网膜眼底病变多类病症分割方法．该方法首先通过使用MobileNetV2网络提取病灶特征,减少参数量并提高算法训练速度;接着通过优化空洞空间卷积金字塔池化中的空洞卷积层数与空洞率,以提高捕获小病灶特征的能力;然后基于DeepLabV3+网络模型进行改进,借助坐标注意力机制感知病灶方向和位置信息,从而提高识别精度;最后采用FGADR和IDRiD数据集分别训练和测试所提出的模型．实验结果表明：所提出方法的平均交并比(MIoU)指标为73.75%,具有较高的分割精度,验证了模型有效性．     

基于VGG16预编码的遥感图像建筑物语义分割

深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F_1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。     

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CNN-Transformer网络在皮肤镜图像分割上的应用

【目的】针对皮肤病变图像存在皮损形状不规则、边界模糊以及毛发伪影等问题，提出了一种将CNN和Transformer相结合的图像分割算法。【方法】首先对皮肤病变图像进行去毛发预处理，减少毛发噪声对结果的影响，然后构建CNN和Transformer结合的分割模型，采用Resnet作为特征提取主干网络，将提取到的特征图序列作为Transformer的输入，在Transformer中加入了新的结构边界注意门以提取足够的局部细节来处理模糊边界，最后采用DenseASPP模块增强特征表示和处理多尺度信息，并且提出一种改进了的损失函数，以便在计算损失函数的同时使得模型能关注边界区域部分。【结果】提出的算法在ISIC2017数据集上的Dice指数值以及Jaccard指数值分别为0.854 534和0.767 901，在ISIC2018数据集上的Dice指数值以及Jaccard指数值分别为0.908 548和0.843 689，与其他算法相比提出的算法对图像的分割效果相对较好。【结论】实验结果证明了所提算法在皮肤病变图像上进行的图像分割是有效的。     

紫色土彩色图像的H阈值分割

【目的】将研究对象紫色土自然断面图像从复杂背景中分割出来,以消除复杂背景的影响,为对紫色土视觉图像进一步分析处理、识别打下基础。【方法】通过对紫色土自然断面图像统计分析,证明它的H域有良好的聚集特征,且在95%和97%置信点近似于正态分布;因此,根据正态分布确定紫色土壤自然断面的H阈值,分割紫色土壤自然断面图像。【结果】用获得的二值分割图像与原图像计算哈达玛积,分割提取出了完整的紫色土自然断面区域图像。【结论】算法分析及仿真实验显示:相对于对比算法,新的算法分割速度更快,分割提取出的紫色土自然断面图像更完整;该算法有效。     

颅骨图像的阈值分割算法研究

针对颅骨CT图像中灰度值范围变化较大的特点,阐述了两种图像的分割方法,一种是基于边缘信息的分割,一种是基于区域信息的图像分割,提出了在颅骨CT图像分割中采用基于区域的阈值分割算法,并通过软件编程实验证明了它具有算法简单、识别效果好、效率高的特点．     

基于图像分割的驾驶员分心行为识别研究

针对驾驶员分心行为对交通安全产生隐患的问题,提出一种结合图像分割与卷积神经网络的驾驶员分心行为检测方法。该方法通过使用图像分割处理后的驾驶员不同分心行为的图像对卷积网络结构模型进行训练,来减轻背景噪声的影响,以提高模型的识别性能。试验中使用未经分割的图像与经过前景分割后图像分别训练卷积神经网络模型,用分割后图像训练的模型识别的准确率达到了93.84%,高于使用原图像训练的模型。试验结果表明,结合图像分割和深度学习的驾驶员分心行为检测方法对驾驶员的分心行为有较好的检测效果。     

修正与融合的肺部分割算法

为了能在适当的计算复杂度下获得较好的分割效果，在总结现有方法优缺点的基础上提出了将简单方法进行修正与融合的肺部分割方法.首先使用聚类的方法将CT图像中的像素点分为亮与暗两类，获得灰度值不同的小区域，然后区分出初始肺部的大致区域，最后根据CT图像的具体特性，使用识别出的初始肺部区域边界附近像素点的梯度以及灰度信息对边界进行修正.使用上述综合方法对CT图像的处理结果表明，在计算复杂度不是太大的情况下能获得较好的分割效果.     

一种新型Mobile Unet网络的肺结节图像分割方法

针对医学图像分辨率小、边缘模糊、感兴趣区域(ROI)边界不明显造成的分割不准确性问题,提出一种新型Mobile Unet网络的肺结节图像分割方法.该方法首先使用MobileNet中bneck模块替换Unet网络的下采样部分,并对输入图像进行特征提取;然后,将下采样提取的特征按照Unet网络连接方式融合到上采样部分;最后...     

车牌识别软件的改进算法

本文介绍了车牌识别软件的实现过程，重点介绍了在车牌图像中分割车牌并进行区域处理的技术及其改进方法，如对传统模板卷积法的改进、颜色信息在车牌分割中的使用以及局部灰度处理技术等。     

融合残差结构与注意力机制的暗光图像增强算法

目的 低光工况或拍摄技巧影响都可能获得低光照图像,为解决此类图像对比度低、噪声大、颜色失真等问 题,提出一种卷积神经网络增强模型 RetKIND,包括分解网络、亮度调整网络和降噪网络。 方法 它借助残差模块 (RB)和跳跃连接,有效抑制分解网络在分解时产生的噪声;融合 U-Net 架构、空洞卷积和 EBAM 高效注意力机制 构建降噪网络,利用空洞卷积扩大感受野,提取更多图像信息,提高 EBAM 在通道和空间上提取反射图的细节、纹 理、颜色等特征的能力,实现图像去噪;由 UC(亮度调整网络中的自定义模块)和普通卷积组成亮度调整网络,旨在 减少光照图细节缺失,提高光照分量对比度。 融合去噪后的反射分量和增强后的光照分量,得到正常光照图像。 结果 仿真结果表明:在 LOL 数据集上,相较 R2RNet,FPSNR 和 FSSIM 值分别上升了 6. 2%和 4. 2%;相较 URetinexNet,FPSNR 和 FSSIM 值分别上升了 5. 9%和 1. 2%;相较 DEANet,FPSNR 和 FSSIM 值分别上升了 2. 9%和 1. 1%。 结论 Ret -KIND 模型既能提升图像亮度,又能降低图像的噪声,有助于推动低光图像增强模型应用到目标检测领域。     

基于CMSA-Unet的脉络膜血管分割

为了自动精准地分割脉络膜血管以辅助眼科治疗,提出一种基于脉络膜形态拉伸增广(choroid morphology stretch, CMS)结合注意力机制的U-Net框架CMSA-Unet(choroid morphology stretch ATT-Unet).模型先通过数据预处理模块和数据增广模块对原始光学相干断层扫描(optical coherence tomography, OCT)图像进行处理,增强脉络膜的形态特征,并扩充有限的数据集;再在每个编码器中设置卷积注意力模块(convolutional block attention module, CBAM),使模型关注目标分割区域,提升分割效果.消融实验表明,CMS可增强脉络膜特征,CMS结合CBAM模块能有效提高模型对脉络膜血管的分割效果,其IoU、F1分数、灵敏度分别比基线模型U-Net提高了2.9%、2.0%、5.6%.相较于同类模型,CMSA-Unet准确率更高,更适用于脉络膜分割任务.     

基于深层卷积网络的单幅图像超分辨率重建模型

【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。