基于深度学习的车道线与绿植分割算法

本文为解决因光照强度变化,路面行人机动车以及绿植遮挡导致车道线检测精度不高的问题,提出了一种将增强后的图像与实例分割网络Deeplabv3相结合的车道线和绿植检测方法。首先,使用图像增强网络对待检测图像进行图像增强,提高图像对比度和清晰度,然后,使用一个基于编码器、解码器架构的实例分割网络Deeplabv3进行车道线和绿植检测并进行分割。实验结果表明,该算法提出的方法在道路环境多变和夜晚中能很好的将车道线和绿植的分割,其车道线正检率最高可达98.7%,较直接采用Deeplabv3网络和U-Net网络,检测精度提高了2.6%。     

基于CUDA的图像分割并行算法设计与实现

图像分割技术是计算机视觉领域中对图像进行分析和模式识别的基础,无论在理论研究还是实际应用中都得到了人们的广泛重视.本文在对现有图像分割算法进行分析的基础上,针对串行图像分割算法代次数多、运算效率低的问题,提出了一种适用于CUDA架构的新型图像分割并行算法,该算法与OpenCV实现的cvBlob算法相比,该算法具有更高效率.     

基于BP神经网络评价的图像闭环控制迭代分割算法

论文在分析闭环控制分割原理与OTSU算法基础上提出了一种新的分割算法.通过监督训练BP网络实现了局部分割结果评价,并根据评价结果对每个目标区域进行了平滑与擦除处理,同时增加先验目标点出现的最小最大频度参数,实现OTSU算法的闭环参数控制,然后引入迭代机制实现图像的综合分割.最后论文将算法用于显微镜细胞图像分割,试验表明该算法可以大大改善分割效果.     

基于逻辑校准的多分类残差网络的肺分割算法

针对图像噪声以及血管、支气管等因素引起的肺分割困难的问题,提出了一种基于逻辑校准的多分类残差网络分割算法.该算法将图像区域划分为肺、背景及边界三类,通过扩大不同类型间的差异来提升分割准确率.算法先将图像分割为固定尺寸区域,然后利用残差网络提取纹理特征进行分类训练与测试,实现粗分割.最后对边界区域阈值处理实现细分割.利用公开数据集对该算法进行了测试,实验结果表明,此分割算法在召回率、精确率以及交并比等方面均优于当下前沿的分割网络之一的U-Net,分别达到99.79％,98.13％和97.83％,可为后续的肺部疾病临床诊断提供参考依据.     

一种基于密集深度分离卷积的SAR图像水域分割算法

SAR图像的水域分割在舰船目标检测、灾害监测等军事和民用领域具有重要意义。针对传统水域分割算法鲁棒性差、难以准确进行分割等问题,该文首先建立了基于高分三号的SAR图像水域分割数据集,并基于深度学习技术提出了基于密集深度分离卷积的分割网络架构,该网络以SAR图像作为输入,通过密集分离卷积和扩张卷积提取图像高维特征,并构造基于双线性插值的上采样解码模块用于输出分割结果。在水域分割数据集上的实验结果表明,与传统方法相比,该方法不仅在分割准确度上有大幅提高,在算法的鲁棒性和分割速度上也具有部分优势,具备较好的工程实用价值。      

一种改进的红外图像分割算法

针对红外图像的特点,提出了一种改进的红外图像分割算法.该算法综合应用模糊熵、遗传算法和数学形态学等技术,从算法流程上对传统的分割算法进行了改进.仿真结果表明,文中提出的算法能快速准确地实现红外图像分割,鲁棒性好,自适应性强,能够针对不同的复杂地面背景,给出较为理想的分割效果:克服了传统分割算法的过分割和欠分割问题.     

基于遗传算法的图像分割的研究

遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模拟来计算最优解的方法。遗传算法具有众多的优点,如鲁棒性、并行性、自适应性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。图像分割是图像处理技术的研究对象之一,它对于图像特征提取、图像识别等图像处理技术等有着重要意义。主要研究基于遗传算法的图像分割效果,采用Matlab软件进行仿真实验,对不同图像分割算法的效果进行比较。实验表明,遗传算法是处理图像分割的优秀算法,图像分割效果相比于传统的图像分割算法更加优秀。     

红外图像阈值分割算法的研究

目标分割是图像处理、计算机视觉及人工智能领域中的一项基本而关键的技术,其目的是为后续的识别、分类、跟踪和检索提供依据.由于红外图像具有对比度低、噪音大,图像模糊等特点,故将遗传算法应用到红外图像阚值分割中.本文对红外图像阈值分割算法进行了综述,对遗传算法在红外图像分割中应用的研究方法,研究现状及其新技术进行了介绍.该算法被用在红外图像处理中,并取得较好效果.     

最大类间方差耦合分水岭分割的目标定位算法

为了解决当前复杂目标受噪声干扰严重、背景多变且工件型号切换频繁,导致目标分割不准确,影响目标定位与装配的准确度.本文分别从系统软硬件架构和分割算法整合的角度出发,提出了基于最大类间方差与分水岭标记的复杂目标分割与定位算法.首先,搭建网络摄像头、多轴伺服电机和视觉软件系统之间的系统架构,达到可用于现场实际作业要求的目的.然后,根据图像目标与背景的最大类间方差特性,计算最佳分割阈值,达到对工件目标粗分割的目的.最后,构建分水岭分割线特性,提取分割线,优化区域标记准确度,达到对工件精分割,剔除噪声干扰的目的.实验测试结果显示:与当前分割算法相比,本文算法拥有更高的分割准确度与作业稳定性.     

基于可分离空洞卷积与联合归一化的语义分割算法研究

图像语义分割是图像理解的重要一环,已被广泛应用于自动驾驶等场景中.针对信息丢失和语义分割速度慢的问题,本文提出一种基于可分离空洞卷积和联合归一化的语义分割算法.首先结合可分离卷积和空洞卷积提取ResNet101的后三层输出,然后在语义分割中应用实例归一化方法,与应用批量归一化对比,验证了实例归一化的有效性,最后提出了两种联合归一化方法,验证了这两种归一化方法对语义分割效果的提升.本文方法在Pascal VOC 2012数据集进行了实验,结果表明,本文方法加速了网络的训练、验证和预测,交并集之比最高到达了80.62%.     

基于编码-解码神经网络遥感图像语义分割应用研究

图像分割的实现经历了从传统方法到神经网络方法的演变.本文从图像分割的发展过程入手,介绍了图像分割与语义分割的区别,对最近几年传统图像分割方法在遥感图像分割领域的应用进行梳理分析,总结了传统遥感图像分割方法的不足.基于此,归纳了几种经典编码-解码神经网络架构在遥感图像语义分割领域的应用,对其改进方式进行了综合性分析,并对...     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下.深度学习的出现,对计算机视觉领域的发展起到了重要推动作用.计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中.其中最常见的应用场景是医学图像处理.图像分割是医学图像处理任...     

基于红外注意力提升机制的热成像测温区域实例分割

AI+热成像人体温度监测系统被广泛用于人群密集的人体实时温度测量。此类系统检测人的头部区域进行温度测量,由于各类遮挡,温度测量区域可能太小而无法正确测量。为了解决这个问题,该文提出一种融合红外注意力提升机制的无锚点实例分割网络,用于实时红外热成像温度测量区域实例分割。该文所提出的实例分割网络在检测阶段和分割阶段融合红外空间注意力模块(ISAM),旨在准确分割红外图像中的头部裸露区域,以进行准确实时的温度测量。结合公共热成像面部数据集和采集的红外热成像数据集,制作了“热成像温度测量区域分割数据集”用于网络训练。实验结果表明：该方法对红外热成像图像中头部裸露测温区域的平均检测精度达到88.6%,平均分割精度达到86.5%,平均处理速度达到33.5 fps,在评价指标上优于大多数先进的实例分割方法。     

基于改进Mask R-CNN的模糊图像实例分割的研究

Mask R-CNN是现阶段实例分割相对成熟的方法,针对Mask R-CNN算法当中还存在的分割边界精度以及对于模糊图片鲁棒性较差等问题,该文提出一种基于改进的Mask R-CNN实例分割方法。该方法首先提出在Mask分支上使用卷积化条件随机场(ConvCRF)来优化Mask分支对于候选区域进一步分割,并使用FCN-ConvCRF分支来代替原有分支;之后提出新锚点大小和IOU标准,使得RPN候选框能够涵盖所有实例区域;最后使用一种添加部分经过转换网络转换的数据进行训练的方法。总的mAP值与原算法相比提升了3%,并且分割边界精确度和鲁棒性都有一定提高。     

图像分割技术用于印刷电路板检测的研究

图像分割在图像分析、图像识别、图像检测等方面占有非常重要的地位,是从图像处理到图像分析的重要步骤,图像分割的好坏直接影响到图像分析的结果。针对此就印刷电路板检测过程中的图像分割进行研究。阈值分割技术的运算效率高、计算简单等特点非常适应印刷电路板检测的快速性和稳定性要求,因此着重介绍了四种阈值分割技术,并借用软件将各算法分别应用于实际的印刷电路板图像,然后对各个阈值化算法的分割结果做了对比和简要分析。     

基于空洞U-Net网络的乳腺细胞图像分割算法

乳腺细胞的准确分割是乳腺组织切片图像病理分析的关键环节,对乳腺癌的诊治具有重要价值.针对乳腺细胞图像分割中细胞边界不清晰、分割准确率低的问题,提出一种基于空洞U-Net网络的乳腺细胞图像分割算法.在U-Net网络中引入空洞卷积增大卷积层感受野,获得包含更多乳腺细胞边缘信息的特征图,在卷积层和池化层间增加实例归一化层,提...     

激光超声结合CNN的铸件缺陷检测方法

检测金属铸件在工程和使用过程中可能存在的缺陷,应用基于热弹机制的激光超声可视化检测仪对铸件进行扫描并将信号制成最大振幅图像,实现对铸件的可视化检测。为了高效、快速地对最大振幅图进行批量处理,结合卷积神经网络图像处理技术对最大振幅图进行识别。针对任务需要设计了一个卷积神经网络架构对最大振幅图进行识别,识别过程中通过改变卷积层和卷积核大小设置了不同的卷积神经网络架构,将预先设计的架构与其他的架构进行横向对比,实验结果表明预设架构综合性能最好。相同实验条件下,该卷积神经网络架构为使用最大振幅图检测铸件缺陷提供了一个有效可行的方案。     

基于双层解耦策略和注意力机制的遮挡目标分割

遮挡目标分割是实例分割中的一个难点,但在多个应用领域有很强的实用价值,例如物流传输线上堆叠快递包裹的分割。针对快递包裹目标遮挡导致难以分割的问题,该文提出一种基于双层解耦策略和注意力机制的遮挡目标分割方法。该方法首先利用带有特征金字塔(FPN)的主干网络提取图像特征;然后,利用双层解耦检测头自动预测实例的重心是否被遮挡并使用不同的分支对两类不同遮挡类型的实例进行检测;接下来,利用注意力改进模块得到无遮挡实例的预测掩模并将这些掩模合成为一个注意力权重图;最后,注意力改进模块利用该注意力权重图帮助有遮挡实例得到分割结果。该研究采集了一个遮挡快递包裹实例分割数据集,并在该数据集上进行实验。实验结果表明,该方法的平均精度(AP)、召回率(Recall)和漏检率(MR^–2)指标分别达到了95.66%, 97.17%和11.78%,较其他方法具有更优的分割性能。     

基于神经网络的有遮挡图像分割方法

人脸作为人类最主要形象特征,具有许多特征的唯一性,而人脸识别的关键在于进行的人脸分割计算。传统的人脸分割算法在有遮挡情况下无法完整的提取人脸信息,导致信息缺失,使得图像检测无法进行。文中算法采用基于神经网络与自适应技术的人脸图像分割计算,对于有遮挡部分的人脸也可进行较好的分割计算,通过多种图片进行实验仿真计算后,有遮挡的图片都可得到有效的分割,实现了对人脸分割85%的分割完成率,远高于传统人脸图像分割算法的78%的分割完成率。因此本算法,在图像识别领域具有对较好的推广意义。     

DB-TASNet for disease diagnosis and lesion segmentation in medical images

Deep learning algorithms have been successfully used in the field of medical image analysis and have greatly improved application of intelligent algorithms to medical diagnosis. However, existing deep-learning-based diagnostic methods still suffer from several drawbacks: (1) In most medical image multi-tasking methods, focus segmentation and disease classification are often performed linearly, resulting in excessive reliance on the final results of focus segmentation. (2) The computational cost of the traditional attention mechanism for performing the segmentation task is very high and the convolutional architecture cannot be used to model long-distance dependencies, which in turn affects the segmentation accuracy. To address these issues, we propose a disease diagnosis and lesion segmentation model, Dual-Branch with Transformer Axial-attention Segmentation Net (DB-TASNet). DB-TASNet is built by the DenseNet-121 classification network and U-Net segmentation network improved using an axial-attention transformer model. Moreover, DB-TASNet also includes a lesion integration module to integrate segmentation results with the classification network in order to increase its attention to lesions and improve the diagnosis results. Experimental results on the Pneumothorax dataset provided by the Society for Imaging Informatics in Medicine (SIIM) show that the average AUC of the DB-TASNet classification task reaches 0.939, and the DICE coefficient of the segmentation task reaches 0.886. Such performance suggests that the proposed model may provide an efficient and effective diagnosis tool for medical personnel.