使用九点双三次卷积插值方法改进的DeepLab-v3模型

针对DeepLab-v3模型中双线性插值方法只能从邻近的四个抽样点提取信息,导致图像分割的精确度下降问题,提出两个改进的DeepLab-v3模型,即IDL-v3-1（improved DeepLab-v3-1 model）和IDL-v3-2（improved DeepLab-v3-2 model）。两个改进的模型使用九点双三次卷积插值方法替换DeepLab-v3模型的双线性插值方法,以获得更精确的分割图像。在PASCAL VOC 2012数据集上检验发现,与DeepLab-v3模型相比,IDL-v3-1和IDL-v3-2的精确度分别提升了0.43%和0.59%,分割每张图像的耗时量分别增加了0.002 s和0.005 s。实验结果表明,改进的DeepLab-v3模型可以在比DeepLab-v3模型相近的时间成本内达到更高的图像分割精度。     

带H1正则项的C-V模型

C-V模型(CHAN T F, VESE L A. Active contours without edges. IEEE Transactions on Image Processing, 2001, 10(2): 266-277)是一个著名的基于区域的图像分割模型。它对活动轮廓的初始化和噪声不敏感,但分割的图像的范围不够广泛。因此,运用理论分析与实验相结合的方法,在C-V模型中添加H1正则项,对其进行了改进,提出了一个新颖的图像分割的能量泛函,并推导出了以偏微分方程形式表示的基于区域的自适应插值拟合的活动轮廓模型。实验表明：该模型能够分割某些原来C-V模型不适用的图像,它对初始轮廓的大小、位置的敏感性较小,抗噪性较强。     

基于深度学习的轻量级道路图像语义分割算法

针对深度学习中道路图像语义分割模型参数量巨大以及计算复杂,不适合于部署在移动端进行实时分割的问题,提出了一种使用深度可分离卷积构建的轻量级对称U型编码器-解码器式的图像语义分割网络MUNet。首先设计出U型编码器-解码器式网络;其次,在卷积块之间设计稀疏短连接;最后,引入了注意力机制与组归一化（GN）方法,从而在减少模型参数量以及计算量的同时提升分割精度。针对道路图像CamVid数据集,在1 000轮训练后,MUNet模型分割结果在测试图像裁剪为720×720大小时的平均交并比（MIoU）为61.92%。实验结果表明,和常见的图像语义分割网络如金字塔场景分析网络（PSPNet）、RefineNet、全局卷积网络（GCN）和DeepLabv3+相比较,MUNet的参数量以及计算量更少,同时网络分割性能更好。     

自适应权重CV模型在超声相控阵图像分割中的应用

图像分割是超声相控阵无损检测图像三维重建的关键环节,分割精度和效率是图像三维重建准确性与实时性的重要保障。由于超声相控阵无损检测图像中含有大量噪声且灰度不均匀,在使用传统的CV模型分割检测图像时采用固定迭代步长,这导致分割效率较低且精度不高。本文利用分水岭算法过分割的特性,在对图像做分水岭变换后,统计各区域中的像素数目与灰度信息,从而得到一个权重矩阵并引入CV模型中,得到一种自适应权重CV模型。在水平集函数迭代过程中,权重矩阵可以根据图像信息自适应调整迭代步长。实验表明,与CV模型和LBF模型相比,本文提出的权重CV模型在分割超声相控阵无损检测图像时,具有更高的效率和分割精度。     

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。     

基于局部图像拟合偏差的活动轮廓分割模型

针对灰度不均匀图像的分割问题,提出一个基于区域的活动轮廓模型。通过构造包含图像局部信息的局部图像拟合偏差能量泛函,度量真实图像与拟合图像的偏差,并在全局凸分割的基础上,将分裂Bregman技术应用到模型能量泛函的最小化问题中,以提高分割速率。同时引入边界检测函数更加准确地探测边界位置,以提高模型的分割准确性。实验结果表明,该模型不仅可以正确分割灰度不均匀图像和受噪声干扰的图像,而且对于多目标图像以及灰度分布均值相同、方差不同的图像,也能快速、准确地得到分割结果。     

改进DeepLabV3+模型在壁画分割中的应用

针对古代壁画图像分割过程中出现的目标边界模糊、图像分割效率低等问题,提出一种融合轻量级卷积神经网络的多分类图像分割模型MC-DM,该模型将DeepLabV3+结构和MobileNetV2相结合,利用DeepLabV3+特有的空间金字塔结构对壁画的卷积特征进行多尺度融合,从而减少壁画分割时的图像细节损失。首先,通过MobileNetV2对输入图像进行特征提取,从而在确保图像信息准确提取的同时减少耗时;其次,通过空洞卷积处理图像特征,从而扩展感受野,并在不改变参数数量的情况下得到更多的语义信息;最后,采用双线性插值的方法对输出特征图像进行上采样,以得到像素级的预测分割图,从而最大限度保证图像分割的准确性。在JetBrains PyCharm Community Edition 2019环境下,利用以1 000张壁画扫描图片制作而成的数据集进行测试,实验结果表明,MC-DM模型较传统的基于SegNet的图像分割模型在训练精确度上提升了1个百分点,较基于PSPNet的图像分割模型在精确度上提升了2个百分点,且MC-DM模型的峰值信噪比（PSNR）较实验对比模型平均提高了3～8 dB,充分验证了该模型在壁画分割领域的有效性。所提模型为古代壁画图像分割提供了新的思路。     

基于改进的背景模型的图像识别算法研究

当图像亮度不均匀、对比度低时,提取图像前景较困难。为此,提出一种图像分割方法,结合正弦基函数和绝对值距离测度构建背景模型,依据优化理论和迭代法求解背景模型,通过比较背景模型中各像素点亮度与实际图像中各像素点亮度来判别各像素点是背景还是前景。为应对图像亮度不均匀的情况,在图像分割前对图像进行分块,在分块图像中依据背景模型或相邻分块背景相似度进行图像分割。实验结果表明,在普适性方面,相对于经典的模糊C均值法和OTSU法,该方法的分割误差小,尤其是对亮度不均匀和对比度低的图像;在掌纹图像分割应用方面,与迭代线跟踪法和模糊粗糙集法相比,该方法的错误率低、信噪比高、处理时间短。最后将提出的分割算法应用在人脸识别上,实验结果表明了该算法的先进性。     

基于改进HVS的水稻杂草图像分割算法

研究水稻杂草图像分割问题,提高分割的准确性。水稻在颜色和形态上与杂草像素差异很小,造成二维图像像素重叠。传统的基于颜色和形态模型的分割算法,在这种情况下,很难准确的对混合杂草的水稻图像进行准确分割。针对分割效果不准确的问题,提出一种基于改进HVS模型的水稻杂草分割算法。通过在传统模型中加入图像亮度特性、像素频率特性、颜色的感知特性,以改进传统的水稻视觉图像模型。避免了传统分割算法对颜色和形态特征过度依赖的弊端。实验证明,利用改进后的图像视觉模型能够在重叠、间隔的水稻图像中,准确的分割杂草图像,取得了令人满意的结果。     

木材显微图像的局部水平集分割方法

获取木材显微图像中的细胞组织对于分析木材的种类、材性,以及天气变化等均有重要的意义,而这依赖于图像分割技术。针对木材组织的不均匀性,以及标本制作和获取过程中带来的噪声,将水平集方法中边缘型和区域型两种模型引入,同时结合局部图像信息来提高局部不均匀图像的分割性能。在图像初始分割基础上,通过面积阈值去除水泡等杂质,最终提取导管组织。实验结果表明,提出的模型所得到的分割图像较平滑,而且噪声明显减少,可有效分割局部不均匀木材显微图像。