基于像素分类的图像语义分割方法及其应用研究

为了提高药片外观缺陷检测效率,提出一种使用深度学习进行药片外观缺陷检测的基于像素分类的图像语义分割方法 .首先,利用全卷积神经网络对预处理后的样本数据集进行训练,提取药片外观的缺陷特征,然后,采用像素精度和交并比来评估模型分割的精确度,最后,使用训练得到的模型分割出药片的缺陷位置并加以语义的描述.实验结果 表明,该方法...     

基于DCNN的图像语义分割综述

图像的语义分割是计算机视觉中重要的基本问题之一,其目标是对图像的每个像素点进行分类,将图像分割为若干个视觉上有意义的或感兴趣的区域,以利于后续的图像分析和视觉理解.近年来,深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的出现,极大地推动了语义分割的发展.本文从语义分割的基本定义出发,对语义分割中存在的困难和挑战进行了分析和描述.总结了目前用于评测语义分割算法的典型数据库,并以PASCAL VOC数据库为主线对近年来基于DCNN的语义分割算法进行了梳理和总结.最后对语义分割未来的研究重点进行了探讨和预测.     

基于混合神经网络的脑部MRI图像语义分割算法

针对传统医学图像对缺乏标注的数据进行自动分割时存在分割精度不高、边缘模糊等问题,提出了一种利用混合神经网络对脑部核磁共振成像(magnetic resonance imaging,MRI)的图像进行语义分割的算法。利用仿射网络对脑部MRI图像进行线性几何变换,基于卷积神经网络进行3D医学图像仿射变换,加入稠密模块减轻梯度消失和加强特征传递问题; 通过空间转换网络对脑部MRI进行空间转换,基于图谱的分割法获得脑部图像的分割结果。采用MICCAI的公共数据集BraTs2019进行实验验证,结果表明,算法可由脑部肿瘤MRI图像获得较好的分割精度和分割效率,为脑部MRI图像语义分割的研究提供一种新的实验方案。     

基于Debseg-Net的岩屑图像语义分割

岩屑的岩性识别是地质工作中的一项重要内容。为解决传统人工鉴别岩性的低效问题和通用机器学习模型在岩屑岩性识别上的不适用性,包括准确率欠佳、网络参数冗杂、网络效率低下,针对岩屑图像的特征设计了一种岩屑图像的语义分割网络Debseg-Net,该网络采用编解码结构,卷积与转置卷积结合实现对岩屑图像特征的提取与像素级分类,采用深度可分离卷积减少参数量从而可进一步加深网络,使用跳级连接避免迭代过程中的信息丢失。同时提出了一种高效的岩屑图像自标记方法。经多次实验,Debseg-Net在10口探井收集的640张共计5类岩屑图像数据集上,识别准确率达到98.43%,平均交并比达到90.01%,领先同类型分割网络2.59%～7.04%,在实现数字化岩屑录井进程中提供了方法。     

基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础,广泛应用于影视后期制作和日常生活.基于深度学习的图像抠图网络,通过输入的原图和三元图来估计每个像素的α值.在原下、上采样的图像抠图技术基础上,针对抠图数据集图像差异较大容易造成网络收敛较慢的问题,在每个卷积层后加入了批量标准化(batch normalization,BN)层,对输入数据进行归一化操作,加快模型收敛速度,同时参数更新方向更符合数据集整体特性;针对抠图任务需要更关注物体边缘部分的特点,使用可变形卷积(deformable convolution)层替换普通卷积层.可变形卷积层会根据不同输入数据自适应学习卷积核形状,有效扩大感受野范围,在细节部分有更好的预测效果.     

基于深度学习的SPECT图像关节炎病灶分割

SPECT骨显像是辅助医生诊断疾病的重要手段.医生依靠手工勾画提取病灶区域的方法效率低且具有一定的主观性.针对这一问题,提出R_U-Net网络模型分割关节炎病灶,不仅能节省医生的诊断时间,还能为患者争取最佳治疗时间.为了检测模型分割效果,使用测试集中含有关节炎病灶的图像分割测试,与Mask R-CNN网络和原U-Net...     

基于语义分割深度学习的地基云图分割方法

随着深度学习技术的迅速发展,更复杂更先进的语义分割深度学习模型在地基云图检测分割任务中得到广泛研究和应用。首先开创性地对新发布的地基云图数据集进行整理概括;然后阐述了基于深度学习语义分割模型在地基云图分割方面的研究进展,详细地介绍了典型的语义分割网络模型;接着选取了部分优秀性能的语义分割模型在标准的数据集上训练和验证,系统性评估其在地基云图分割的性能,验证了语义分割模型在地基云图分割领域的适用性;最后提出对基于语义分割的自适应地基云图像素级分割研究的总结和展望。     

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.     

基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础, 广泛应用于影视后期制作和日常生活. 基于深度学习的图像抠图网络, 通过输入的原图和三元图来估计每个像素的 $\alpha$ 值. 在原下、上采样的图像抠图技术基础上, 针对抠图数据集图像差异较大容易造成网络收敛较慢的问题, 在每个卷积层后加入了批量标准化(batch normalization, BN)层, 对输入数据进行归一化操作, 加快模型收敛速度, 同时参数更新方向更符合数据集整体特性; 针对抠图任务需要更关注物体边缘部分的特点, 使用可变形卷积(deformable convolution)层替换普通卷积层. 可变形卷积层会根据不同输入数据自适应学习卷积核形状, 有效扩大感受野范围, 在细节部分有更好的预测效果.     

基于对象语义的图像分割和分类方法

提出一种基于对象语义的图像分割和分类方法．建立多层级区域生长算法HRGSeg对图像进行分割,从而去除“弱对象语义”细节,降低过度分割的影响．在此基础上,提取颜色、边缘、纹理等低层次特征作为特征向量,并利用支持向量机建立样本训练机制,实现低层次特征向高层对象语义的映射．实验中,采用层次化分类机制,取得了较理想的结果．     

一种基于深度学习的实时视频图像背景替换方法

针对视频会话业务的实时性需求,提出一种轻量级深度学习网络模型实现视频图像的实时背景替换功能.网络模型包含语义分割和背景替换两个模块.语义分割模块整体架构采用编解码结构,编码端使用编码器模块、空洞卷积金字塔池化模块、注意力模块以及增益模块提取特征;解码端使用解码器模块、调整模块以及编码器模块恢复图像,再传入背景替换模块完成背景替换.该网络模型在本文设定的数据集训练后分割精确度达到94.1%,分割速度达到42.5帧/s,在实时性和准确性上达到较好的平衡,具有很好的实用效果.     

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。     

多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,本文将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。该模型首先利用颜色空间转化、图像均衡化、边缘检测等算法来对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

图像检索中图像分割方法综述

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。针对图像检索中应用的图像分割方法进行了系统论述,分析了各种方法的优缺点并探讨了图像分割技术的发展方向。具体介绍了基于颜色布局的分割方法,基于无监督的分割方法。     

基于深度学习的CT影像肺结节检测

为辅助医生检测大量肺部CT( Computed Tomography) 图像中难以发现的肺结节的问题,提出使用深度U-Net网络对肺部结节进行分割。由于U-Net 网络出自于全卷积网络( FCN: Full Convolution Network) ,特点是端到端,像素到像素,网络对每个像素点进行分类,能将深层特征抽象的特征信息和浅层特征具象的位置信息相结合得到CT 图像的分割掩膜。实验结果表明,该方法对肺结节的检测效果良好。     

基于深度学习的输变电设备紫外放电光斑分割方法

随着紫外成像技术的发展,高压电力设备对于紫外成像图谱的量化分析提出了更高的要求。紫外图谱的量化分析需要用到除紫外成像仪所输出“光子数”额外的紫外光斑图像信息,所以需要将紫外放电光斑从可见光的背景中分割出来。然而,传统紫外图谱光斑分割方法仍存在复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题。基于上述问题,提出了一种基于深度学习的紫外图谱光斑分割提取的方法。首先,采用紫外成像仪拍摄电力设备放电缺陷紫外图谱;其次,分别构建FCN-32s、FCN-16s、FCN-8s 3种全卷积网络(fully convolutional networks, FCN)子模型架构,并利用随机梯度下降法进行模型训练;最后,实现输变电设备放电缺陷紫外图谱主光斑的自主分割提取。经过对FCN 3种子模型架构的训练、测试和对比分析,结果表明：FCN-16s模型为紫外光斑分割提取的最佳模型,测试准确率可达99.34%。结果表明基于深度学习的紫外图谱光斑分割方法准确高效,为紫外光斑的量化提取及电力设备放电缺陷的紫外诊断提供了参考。     

基于特征融合注意力的小样本语义分割算法

针对小样本语义分割任务中对查询图片的信息利用不充分的问题,提出一种基于特征融合注意力的小样本语义分割算法。首先,利用共享主干网络编码支持图片和查询图片,从而获取图片的深度特征;然后,利用注意力机制获取支持特征和查询特征的强关联语义信息,从而构造任务注意力特征图;最后,提出一种多特征注意力融合模块,它能够自适应融合多种特征的深层语义信息并进行特征解码,从而获取目标物体的分割掩码。在PASCAL-5ⁱ和COCO-20ⁱ公开数据集进行了实验,结果表明,所提出模型比当前主流的小样本语义分割模型在1-way 1-shot和1-way 5-shot任务中分割得更加精准,尤其是在更具有挑战性的COCO-20ⁱ数据集上,所提出模型在1-shot的设定下达到了28.8%的mIoU和62.1%的FB-IoU,在5-shot设定下达到了36.9%的mIoU和64.8%的FB-IoU。     

基于深度学习网络的电气设备图像分类

为了对变电站中智能巡检系统采集到的海量图片进行快速分析和识别,提出一种深度学习和支持向量机(support vector machine, SVM)相结合的图像分类模型。首先,运用旋转、翻折等方法对采集到的原始数据进行扩充。然后,合并扩展图像集,并在相同类型的条件下将其随机划分为训练集和测试集。基于实际图像改进卷积神经网络(convolutional neural network, CNN),并提取训练集的图像特征。最后,通过使用训练集图片的深度特征来训练SVM分类器,并且在测试集图片上实现分类测试。利用巡检机器人采集到的8 000张图片对模型精度进行实验验证,结果表明,该模型具有较强的分类性能。