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...     

基于深度学习的高光谱图像多标签分类算法

提出一种基于深度学习的高光谱图像多标签分类算法。采用深度学习算法中的堆叠降噪自动编码器方法对每个像素的深层特征进行抽取,该方法可以有效表现高维特征空间中的非线性混合像素。使用多标签逻辑回归方法为每个像素预测并分配多个类标签。通过对合成数据和实际高光谱数据的大量对比实验,实验结果表明:该算法能够有效地为高光谱图像的像素精确地分配多类标签。     

基于注意力机制的U2-Net图像语义分割

图像语义分割是计算机视觉领域中的一项重要技术,在自动驾驶、医学影像分析、智能家居和安防监控等领域都有广泛的应用。近年,利用深度学习模型进行图像语义分割的方法得到了广泛关注和研究。然而,深度学习模型很容易出现过拟合问题,并且面对一些存在遮挡、噪声的图像时容易预测出错,从而导致模型分割精度下降。针对这个问题,提出了一种联合注意力机制的U²-Net图像语义分割优化方法,在以VGG为主干网络的U²-Net模型中,增加CBAM注意力模块,使网络模型能够更加关注与分割任务相关的区域,忽略掉一些无关或噪声干扰的区域,增强特征图的表征,进而能够有效地提高模型的性能和泛化能力。实验结果表明,在增加CBAM模块后,U²-Net模型的MIoU及准确率分别提高了8.21%和4%。     

基于深度学习的道路语义分割新方法

针对道路图像语义分割效果不够精确的问题,提出一种基于深度学习的道路图像语义分割的改进方法,并与传统的全卷积神经网络模型(FCN)相结合实现道路图像语义分割.先验概率层利用道路图像的先验知识,在所有道路图像训练标签的基础上构建二维数组表示像素点的分类概率,并将它结合传统全卷积神经网络模型对道路图像进行语义分割.实验结果表明:提出的先验概率层的后处理算法能够优化传统全卷积神经网络模型的分割效果,使像素精确度由88.8%提高到91.3%,平均像素精确度由82.9%提高到85.7%,平均交并比值由72.5%提高到77.9%.     

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。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

基于深度学习的心脏MRI图像分割综述

传统图像分割方法在心脏MRI图像上分割效果欠佳,深度学习为该领域带来了新的研究思路.目前使用最广泛且分割效果最好的3种深度学习分割模型为:CNN、FCN和U-NET.针对不同模型网络结构、网络特点、优缺点和分割结果进行比较,总结最新研究进展,介绍两种有潜力应用于心脏MRI分割领域的网络模型,最后指出基于深度学习方法的心...     

高光谱遥感图像矿物填图模块设计

针对光谱仪从野外测得的高光谱遥感数据,提出一种基于IDL的矿物组合填图模块,该模块主要利用光谱角度填图法（SAM）与光谱信息散度法（SID）对高光谱遥感图像进行矿物填图,并通过不同颜色填充能够对矿物进行区别并有选择地进行查看．     

基于判别信息极限学习机的高光谱遥感图像分类

极限学习机（ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用,然而在高光谱遥感图像分类中,极限学习机算法不能较好地利用数据蕴含的判别信息,限制了ELM的分类性能。为此,提出一种基于判别信息极限学习机（IELM）,IELM继承了极限学习机的优势,并在一定程度上解决了极限学习机在有限高光谱遥感图像数据样本中学习不充分的问题。高光谱遥感图像分类实验结果表明,该算法具有较好的分类效果。     

基于热力图像的道路场景稠密多级语义分割方法

语义分割能帮助自动驾驶实现精准感知。为解决彩色图像在模糊或昏暗场景下分割效果差,提出一种基于彩色图像和热力图像的多级融合语义分割网络。将语义分割任务分解为4个阶段,包括稠密多级融合特征提取、前景显著定位、目标分割任务和边界细化。主干网络提取热红外信息,将提取后的信息作为辅助信息与彩色图像信息进行融合,对融合后的特征进行前景和背景区域的区分,并用于目标分割和边界细化。多场景实验仿真表明,本方法能够有效提升模糊和昏暗场景下的道路场景分割效果。     

基于语义分割的高速公路天气识别算法

为了实现高速公路场景下天气图像的准确识别,文章提出了一种基于语义分割的高速公路天气识别方法,通过设计一种结合语义分割模型提取道路区域特征的方法,构建了基于语义分割的结合道路天气图像全局特征及道路特征的融合网络,实现对高速公路的天气识别。在道路预处理阶段,应用具有密集连接结构的多尺度特征提取模块DASPP到Deep Labv3+网络,增大模型在不同尺度特征上的分辨率密集程度和特征图在不同维度的感受野,进而有效改善道路提取的效果。在特征提取阶段,基于引入深度可分离卷积层的Xception网络,设计了天气特征提取网络WFCN,分别提取输入图像和道路区域图像的全局天气特征和道路天气特征并进行融合分类,有效降低模型参数量和运算量,并增强模型的性能。在构建的高速公路数据集上,对设计的算法分别进行了消融实验和对比实验,实验结果证明了该算法的有效性及相比现有天气识别算法的优越性。     

一种面向高光谱图像分类的模糊谱聚类算法

提出一种基于模糊相似性度量的谱聚类算法,将其应用于高光谱遥感图像分类,利用模糊相似性度量获取锚点和样本点与锚点之间的模糊相似度,得到相似矩阵,并利用谱聚类进行图像分类.实验结果表明,所提聚类算法能够成功应用于高光谱遥感图像分类,且模糊相似性度量的引入获得了鲁棒性更好的相似矩阵,与现有方法相比,所提算法具有更好的高光谱遥...     

高光谱遥感的应用

高光谱遥感是近二十年发展起来的谱像和一的遥感前沿技术。虽然发展时间不长，但由于其本身的特点，使其获得了广泛的重视和应用。简要介绍了高光谱遥感的特点，然后试对近年来高光谱遥感技术的研究(主要是其数据特点及数据分析方法)和其应用状况作一综合性的阐述。     

基于精确字典稀疏表示算法的高光谱图像目标检测

目标检测是高光谱图像处理领域的主要研究内容之一。目前,稀疏表示算法已经在这方面取得了较好的检测效果。但传统的稀疏表示(SR)算法中的字典既包含目标信息又包含背景信息,且比例不确定,导致数据处理难度很大。针对传统稀疏表示(SR)算法的不足,提出了精确字典稀疏表示算法(ADSR)。该算法通过构造仅包含目标信息的目标字典和仅包含背景信息的背景字典,分别求解稀疏向量并恢复稀疏图像,继而利用目标与背景残差值不同这一特性区分图像中的目标与背景。在保证检测精度的同时,减小了数据处理的复杂度,缩短了运算时间。仿真实验将ADSR算法与RX算法、SR算法进行性能比较,证明了改进算法在检测效率上的优势。     

遗传和差分演化算法的特征选择在高光谱图像降维中的应用

高光谱遥感使宽波段遥感中不可探测的物质可以被探测,成为了遥感界的一场新的革命．由于高光谱遥感图像波段多、光谱分辨率高、数据量庞大,给高光谱遥感数据实际应用分析带来极大不便．以特征选择为目的,以协方差矩阵特征值法为评价算法,设计实现了基于遗传算法和差分演化算法的降维过程．通过与传统的序列向前搜索的特征选择进行对比实验,比照搜索结果和算法耗时,验证了演化算法在特征选择的实现过程中具有良好的性能,证明了演化算法在高光谱图像降维中的实用价值．其中差分演化算法搜索结果十分稳定,可以替代完全搜索来寻找最优解．     

基于冗余字典的高光谱图像的稀疏分解

基于冗余字典的稀疏表示方式能够以较少的数据量,更好地描述高光谱图像中的特征信息,是一种更有效的高光谱图像表示方法。根据高光谱图像自身的特点,使用梯度下降法学习冗余字典,首先固定字典,用梯度下降法训练系数;然后固定系数,再用同样的方法训练字典,以上两步交替进行,直到算法收敛;最后将这个字典用于高光谱图像的重构。实验结果表明,该方法获得了良好的重构效果。     

基于并行四邻域区域生长的遥感图像分割方法

针对当前主流的灰度图像分割算法进行了分析、分类,指出了各类方法的优缺点,提出了并行四邻域区域生长的图像分割算法,将其用于遥感图像的分割,并取得了较好的效果。     

基于改进JSEG算法的图像分割

JSEG算法是一种有效的彩色图像分割方法,传统的JSEG算法主要包含两个部分：颜色量化和空间分割。在颜色量化阶段的阈值是提前预设的,但它并不能满足现实生活中复杂的图像问题。传统JSEG算法的J值计算仅考虑了像素的位置信息和类标志,并没有考虑像素的颜色信息,因此它并不能表示边界强度。提出一种改进的Canny算子检测的边缘信息,对原始的J值进行有效修正,从而构建新的J图,完成最后的区域增长。实验结果表明,图像预期分割效果良好,有着很好的鲁棒性。