基于混合分割的图像边缘提取算法研究

卷积神经网络在图像语义分割与边缘提取中得到广泛研究,但是在实际应用中存在传统识别器无法抹除域间差异所产生的误差问题。研究针对鉴别器网络性能对整体图像分割存在结果权重较高的问题,提出基于空洞卷积的域识别网络,并将其应用于图像边缘提取中。结果表明,所提出的模型可以在不增加额外训练参数的前提下明显增大感受视野,有效地提升图像分割与边缘提取性能,在GTA5与SYNTHINA公开数据上mIoU分别为44.1%和44.9%。     

三维点云数据分割研究现状

通过介绍三维点云数据分割的基本原理和特征,以及经典的点云数据集和测试平台,总结、对比现阶段各类点云分割算法的基本原理、特点和适用场景,指出现阶段点云分割算法存在现有算法的自适应能力差、大部分分割算法对异常点和噪声敏感,并且算法的分割效率也有待提升等问题.未来的研究除需解决上述问题外,还应充分利用点云数据的语境信息,进一步结合深度学习理论,从而提升点云分割效果.     

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LZMA的钻杆磁漏检测数据压缩方法研究

钻杆检测过程中需要对大量的已采集数据进行存储和处理.现代的高速数据采集芯片采样频率可达1MHz,现阶段研究通常采用LZMA算法进行数据压缩处理,并进一步进行算法改进实现压缩率的提升.从采样数据分布特点入手,对采样数据进行分割,将信号特征与LZMA算法结合起来进行数据压缩用以提高压缩率.     

高校办公数据分割和格式化输出批处理方案的设计与VBA实现

针对高校办公数据分割和排版批量处理过程中手工操作存在的步骤繁杂、效率低下和格式不一致等问题,以及常用数据处理办公软件在数据分割批处理功能上的不足,结合数据分割、排版等操作的特点和VBA在数据处理上的优势,给出数据分割和格式化输出的一种批处理方案,并运用VBA对其程序实现.试验结果表明,该方案不仅能够提高数据分割和格式化输出操作的便捷性和高效性,还能保障数据操作的安全性和正确度,以及数据输出的规范性和一致性.     

一种结合先验知识的遗传图像分割算法

普通的区域增长的图像分割算法对于分割的顺序过于敏感,且不具备普适性的最优评价机制,而语义增长方法虽然将先验知识结合到图像分割中,但没有估计归并到的新区域性质,试图从部分数据得到全局的最优值。将遗传算法用于图像分割,并将先验知识结合到目标函数中,充分利用了遗传算法的特点,从而有效地解决了图像分割中陷于局部最优的问题。     

基于灰狼算法的室内三维空间图像分割方法研究

研究基于灰狼算法的室内三维空间图像分割方法，提升室内三维空间图像分割结构相似度与效率。通过创建平面直角坐标系、纠正与配准楼层位图和采集三维空间要素图层获取室内三维空间矢量化数据，以该数据为基础利用机器人探索空间，获取三维信息，结合最优点到平面的距离，优化室内三维空间图像帧中所有点，建立最优室内三维空间模型，通过灰狼算法的围捕和攻击等狩猎操作优化K均值聚类函数，形成聚类-灰狼算法的图像分割方法，实现室内三维空间图像分割。实验结果显示：该方法采集的图像要素点比实际位置偏移最多不超过2mm；可以准确建立室内三维空间模型；且分割后的室内三维空间图像信息清晰；与灰狼算法优化前相比，峰值信号比和结构相似度分别提高60.5%和15.5%，运行时间缩短了42.1%。     

三维深度学习网络的几何差异感知能力

在使用深度学习技术处理三角网格等三维数据时,如果网络不具备感知数据位置、朝向、尺寸等几何属性差异的能力,可能导致模型泛化能力不足、准确率偏低的后果。为解决该问题,在变换网络T-Net的基础上,提出名为几何差异感知(geometric difference perception, GDP)的网络模块。其核心思想是通过多样化的样本训练,学习到一个变换矩阵,对高维特征进行规范化。通过以牙齿网格分割为任务的多项实验表明,GDP能够有效应对三维数据的几何差异问题,避免其对模型性能造成的不良影响,对于网格分割等三维任务性能的提升具有重要意义。     

基于粗糙集和遗传算法在锅炉火焰图像分割中的研究

粗糙集善于从不明确数据集中发现有价值信息,锅炉火焰图像不确定信息量较为复杂,利用粗糙集并结合遗传算法对火焰图像进行分割优化,通过Matlab进行仿真,仿真结果表明,粗糙集工具结合遗传算法提高了图像分割的准确性,具有很好应用价值。     

采用MEC的多目标定位与动态分割

本文提出一种新的多目标定位与分割的算法 ,它是把模板匹配思想和性能优异的 MEC结合起来 ,实验结果表明 ,新算法实现了平移、尺度不变 ,对比度不变的目标定位与分割。     

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...     

三维脑分割中灰度阈值的选取方法

三维人脑体数据分割是医疗图像处理中的一项重要技术,其中阈值的选取最为关键。在介绍了3种具有代表性的图像阈值求取方法的基础上,将它们分别用于分割实验;从实验效果及算法性能两方面对这3种方法进行比较,结果表明模糊最大熵结合遗传算法求取阈值的方法效果较好,受噪声影响小。     

基于改进K-均值与分水岭算法的医学图像分割

传统K-均值基于欧式距离,结果不能真实反映数据,而传统分水岭分割方法存在过分割和敏感性伪边缘的问题。鉴于此,提出一种基于改进K 均值聚类预分割与控制标记分水岭的医学图像分割算法：基于图像空间特征运用改进K 均值聚类对感兴趣区域和背景区域进行初始分割;在扩展最值变换的基础上作形态学开闭处理;利用控制标记分水岭算法在给出内部和外部标记后用强制最小技术修正梯度幅度图像并与形态学图像叠加,以降低过分割和减少伪边缘数量。实验结果表明,该方法相较于传统分水岭算法有显著改善,且具有较强的抗噪性能和边缘定位能力,能够更好地满足医学图像的分割要求。     

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。     

基于谱聚类结合形态学分水岭的MRI图像分割算法

针对NJW算法计算量大和分水岭算法易产生过分割现象且对噪声敏感的问题,提出一种有效且鲁棒的方法,即阈值形态学分水岭结合谱聚类（SC）算法对MRI图像进行分割。使用Frost滤波结合形态学闭运算对输入图像进行去噪和增强处理,采用阈值形态学分水岭算法对灰度图像进行预分割,并采用改进的SC算法进行全局最优聚类,得到分割结果图像。改进的SC算法是用K HarmomcMeans(KHM)取替K means(KM)进行聚类,可提高稳定性和算法性能。实验结果表明,该方法能有效分割MRI图像且具有计算快速的优点。     

结合多信息的概率矩阵分解模型

为了改善传统协同过滤推荐算法的冷启动与数据稀疏问题,基于概率矩阵分解模型,将用户属性、物品关系与时序行为融合到模型中,通过不断调整3种模型所占权重,得到最小的RMSE值。在Movielens数据集上进行实验,并与其它相关算法的RMSE值进行比较。实验结果表明,结合多信息的概率矩阵分解模型的RMSE值低于其它推荐方法,即推荐精度优于其它方法。结合多信息的概率矩阵分解模型,在数据稀疏情况下,也能保持较好的推荐性能,推荐精度得到一定程度提升。     

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。     

基于深度学习的遥感图像目标定位与计数

近年基于深度学习的语义/实例分割技术不断发展,分割性能持续提高,但对物体形状的精确分割仍然不轻松,并且很多任务中(即使不是遥感领域)可能对精确分割并无需求而只需要对目标进行位置估计。在遥感影像中定位物体质心是解决不需要对物体形状进行精确分割的一种简单方法。因此,本文对利用深度神经网络定位遥感图像目标质心的可行性进行了研究,对经典HRNet语义分割架构进行了修改和适应,提出了一种基于HRNet架构的专门用于目标定位和计数的全卷积神经网络Centroid-HRNet,在保持原模型结构的同时实现简单性的质心检测。使用“马萨诸塞州建筑数据集”对模型进行了测试和评估,与其他方法相比,本文评价结果达到了较好的精度,而且简单。     

基于改进U-Net的视网膜血管分割方法研究

针对视网膜血管结构复杂、图像对比度低与细节区域分割不精准问题,提出一种基于改进U-Net分割算法。针对卷积操作时卷积核的感受野范围较小而不能充分提取血管特征的问题,将原始卷积层替换成可变形卷积模块,该模块组合了不同尺度、不同复杂度的分支来丰富特征空间的多样性,增大卷积核的感受野范围,进而提升血管特征提取的效果;针对采样操作时产生的梯度消失问题,在网络上采样的过程引入循环残差卷积模块,有助于训练深层网络架构,解决梯度消失问题,避免冗余特征影响,更好地表示图像特征。将本文方法在DRIVE数据集上进行数据对比实验,实验结果的准确性为95.59%,特异性为97.92%,敏感性为79.63%,与当前主流的视网膜血管分割方法相比,改进的模型性能具有一定优势。     

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。