一种改进的视网膜脱落图像分割算法研究

为实现对超声图像病灶的分割并提高目标分割精度,提出一种残差结构的深层尺度融合的分割网络模型RDFA-Net。使用改进的网络模型并使用可变形卷积来增大采样范围,使用通道和空间注意力机制捕获特征,融入深层尺度特征进行融合以捕获深层次图像特征,成功将视网膜脱落病灶的超声图片进行分割,并有了更好的分割结果。使用合作医院提供的眼底超声图像作为数据自制分割数据集来评价RDFA-Net。通过实验结果对比显示,RDFA-Net是有效的,可以对视网膜脱落进行图像分割,并实现了较好的分割精度。     

基于U-Net的结节分割方法

针对肺结节特征复杂、人工提取特征困难、分割结果不准确的问题,使用一种卷积神经网络模型U-Net对肺结节进行分割。首先对LUNA16数据集提供的肺部CT图像数据和结节标注数据进行预处理,根据结节标注数据,提取对应的肺部CT图像切片,对切片进行归一化、二值化、腐蚀和膨胀从而提取ROI区域,并根据结节位置信息生成掩膜,然后将处理后的肺部CT图像切片与对应的掩膜送入U-Net模型进行训练,最后使用测试数据集对U-Net模型分割效果进行测试。实验结果表明,U-Net模型可以对肺部结节进行有效分割。     

通道注意力联合增强卷积U型网络的图像分割

为提升小目标图像分割性能,提出一种通道注意力联合增强卷积的改进U-Net网络。该网络以增强卷积模块丰富目标特征信息提取,结合通道注意力加强网络对目标特征的专注学习,从而更有效捕捉小目标对象的深层次特征。NIH数据集上的实验结果表明,提出网络在保证计算效率的同时,有效提升了Dice系数、召回率和精确率,能够更好地用于小目标图像分割。     

基于注意力和梯度残差密集块的图像融合

本文提出了一种基于坐标注意力机制和梯度残差密集块的融合算法,利用普通卷积提取源图像的浅层特征,使用梯度残差密集块模块提取源图像深层特征和细粒度细节特征;使用坐标注意力模块捕获特征图中空间位置之间的远程依赖关系重,将融合后的特征利用解码器重建融合图像。实验结果说明本文提出的融合算法具有较好的融合性能。     

基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet 语义分割网络模型。 在传统的UNet 网络结构上将编码部分改进为残差网络ResNet50 并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。 对4 种UNet 网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet 网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

基于深度学习的高分遥感影像建筑物提取研究

传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4?块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。     

基于改进的ResNet50网络的光伏热斑识别算法

为提高样本在分布不均衡情况下的识别精度,提出一种改进的ResNet50卷积神经网络光伏热斑识别算法。首先,为增加初期红外纹理信息流入、调整网络宽度,设计一种头部分组特征提取模块,并将其嵌入到残差网络中,提高网络在图像细微特征方面的提取能力;然后,将通道注意力机制与残差模块相结合,增加网络通道间的热斑特征信息权重,提高模型识别性能和网络收敛速度;最后,通过图像转换HSV颜色空间、平均H分量梯度直方图峰值等数据预处理方法,将负样本转为多分类数据集,并用于热斑识别网络模型,实现热斑识别结果的可视化。实验结果表明,对比其他算法,改进后的ResNet50网络在识别精度上得到显著提高。     

基于噪声估计与引导的低剂量CT图像盲去噪方法

提出了一种基于噪声特征估计与引导的低剂量CT盲去噪方法.首先,采用有监督特征学习的方式对输入图像的辐射剂量进行等级评估,并估计出图像潜在的噪声特征图.其次,提出了一种基于噪声引导的低剂量CT图像盲去噪模型,通过显性噪声特征引导的方式将噪声特征与原始图像进行融合,并采用残差编码-解码卷积神经网络实现CT图像噪声去除.实验结果表明,在真实数据集上噪声估计网络及特征融合网络能够大幅提升去噪网络的性能,并且在未知剂量CT图像去噪任务上取得了较好的去噪效果.     

基于多尺度特征注意的遥感图像语义分割方法

提出了一种基于多尺度特征注意网络的遥感图像语义分割方法,用于精确的像素级分割问题。通过利用由Transformer主干网络的不同层提取的多尺度特征,设计了一个双向聚合特征金字塔网络来捕获长距离依赖关系和细粒度细节。在网络结构中并行加入一个通道注意分支,从通道维度进行注意力增强以提高分割准确性。通过在两个高分辨率遥感数据集上的实验证明了该方法的有效性,实验结果优于其他分割方法。     

基于多模态深度学习的脑肿瘤分割实验研究

针对现有3D U-Net网络在脑肿瘤分割中存在的训练过程中损失函数值难以降低,对增强瘤、肿瘤核分割精度较差等问题,该文提出了某模型网络的优化方案.首先使用残差网络结构降低训练难度;进一步引入注意力机制对多模态MRI的融合权值进行自适应学习,充分利用不同模态特征信息;最后在网络解码器部分采用双路卷积结构,提高了网络的特征...     

一种小波域K-Means遥感图像分类标注算法

由于合成孔径雷达图像（遥感）的相干斑噪声数据丰富,导致传统的遥感图像分割方法分割效果不佳,采用学习理论和神经网络改善图像处理性能。根据图像统计特征,采取神经网络语义提出一种高效的图像纹理特征分割方法。首先,利用K-means聚类提取遥感图像的纹理特征,然后根据遥感图像在小波域中的分布特征对其进行滤波,最后利用语义对滤波后的遥感图像纹理特征和灰度组成的矢量进行分割归类,在遥感图像分割中快速标注分类以便于视觉分析。利用区域一致性分割分类,由聚类样本特征匹配进行图像分类标注,对变化检测进行统计分析,过分割或欠分割误差聚类样本不做标注,选取最佳样本聚类k值标注分类结果。     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

基于多分支网络的图像分类算法

为提高卷积神经网络在图像分类中的泛化性,提出基于多分支深度神经网络结构。使用ResNet（残差网络）的跨层连接结构构造多分支网络,各分支网络共享中浅层特征提取,深层网络使用不同卷积核尺寸。分别使用独立损失函数产生多梯度对中浅层特征权值进行同步调整。与ResNet的单重网络进行对比实验,结果表明,在具有相同收敛性的前提下,各个分支网络的泛化性都得到一定提高,在多类别数据集中表现出更优性能。     

基于正交矩的纹理分割

在识别一幅图像中的界面或物体时，一般先要进行纹理分割．本提出了基于勒让得矩的纹理分割方法．首先在图像的小窗口中计算矩值，然后用一个非线性转换器把它转化成纹理特征．再用这些特征组成特征向量作为输入数据．接着采用RBF人工神经网络对提取的特征进行分割．用k均值算法训练RBF人工神经网络的隐层．输出层的训练是采用基于LMS的监督式数学模型．该算法成功地分割了许多灰度级图像．和基于几何矩的纹理分割相比，用正交矩可以降低分割错误率．     

基于深度学习的图像语义分割技术综述

图像分割是计算机视觉领域的一个重要方向,是图像处理的核心环节。伴随深度学习技术的发展,结合深度学习的图像分割技术在精确度上远超传统图像分割方法。卷积神经网络（CNN）与全卷积神经网络（FCN）的提出极大促进了图像语义分割技术发展,研究人员提出了很多新型网络模型,分割精准度大幅度提升。从传统语义分割方法、深度学习与传统方法相结合的图像语义分割、基于深度学习的语义分割3个方面阐述图像语义分割技术研究进展,为基于深度学习的图像语义分割技术研究提供参考。     

A flower image retrieval method based on ROI feature

Flower image retrieval is a very important step for computer-aided plant species recognition.In this paper,we propose an efficient segmentation method based on color clustering and domain knowledge to extract flower regions from flower images.For flower retrieval,we use the color histogram of a flower region to characterize the color features of flower and two shape-based features sets,Centroid-Contour Distance(CCD)and Angle Code Histogram(ACH),to characterize the shape features of a flower contour.Experimental results showed that our flower region extraction method based on color clustering and domain knowledge can produce accurate flower regions.Flower retrieval results on a database of 885 flower images collected from 14 plant species showed that our Region-of-Interest(ROD based retrieval approach using both color and shape features can perform better than a method based on the global color histogram proposed by Swain and Ballard(1991)and a method based on domain knowledge-driven segmentation and color names proposed by Das et al.(1999).     

融合谱聚类和多特征的遥感图像分割

为解决传统谱聚类算法在图像分割时计算量大、使用单一特征分割的局限性问题,设计一种融合谱聚类和多特征的图像分割算法。首先进行超像素分割以减少计算量,分别提取每个超像素的颜色特征和纹理特征,构建超像素相似度矩阵|然后采用特征加权方法线性融合颜色和纹理特征的超像素相似度矩阵|最后采用谱聚类算法进行聚类分割。在UCMerced_LandUse和Berkeley数据集上进行实验测试,并与现有方法进行比较。实验结果表明,大多数实验图像IOU指标均在90%以上,相比于传统方法有了显著提高。     

基于Radarsat-1数据的北极海冰SAR图像自动分割研究

基于Radarsat-1数据提出了一种集成Gibbs采样标记步骤的北极海冰SAR图像分割算法,该算法综合考虑了斑点噪声、纹理特征等不确定因素,经由像素到区域再到大尺度区域这一途径,把区域化标识、Gibbs采样标记以及区域合并等操作组合起来,实现对海冰SAR图像的分割,针对S.Laurence Bay和Beaufort海冰图像的测试实验表明,与基于区域的MRF分割算法相比提出的算法可有效提高图像分割的准确性。     

一种基于深度学习的夜间车流量检测方法

当车流量较少时,降低路灯亮度可以达到能源节约目的。为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务。R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好。为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络。同时,对NMS（非极大值抑制）算法进行修改,从而可以更好地筛选重叠目标,降低网络漏检率。实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89%。