导读:本文包含了图像的精细分割论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,卷积神经网络,条件随机场
图像的精细分割论文文献综述
陈岩,张承明,高帅,于西占,于晓妍[1]（2019）在《一种适合警用的精细图像语义分割方法》一文中研究指出图像分割是雪亮工程和警用机器人系统控制研究中的关键技术,利用全卷积神经网络和条件随机场建立一种能够对图像进行精细分割的模型(EdgeCNN)。EdgeCNN使用全卷积网络结构提取像素级的颜色特征、纹理特征和语义特征;通过上采样得到图像每个像素位置的特征向量,使用SoftMax分类器对图像进行粗分割;利用条件随机场描述相邻像素的约束关系,对图像粗分割结果的边缘进行精细处理。利用公开数据集Pascal VOC进行训练,选择SegNet, DeepLab, RefineNet作为对比模型进行实验,以满足安防等场景下的图像处理工作要求。(本文来源于《警学研究》期刊2019年03期）
周理琛[2]（2019）在《基于深度学习与半监督学习的图像语义精细化分割关键技术研究》一文中研究指出随着智能化、自动化的迅速发展,图像语义分割作为一项基本的计算机视觉技术,在自动驾驶避障、卫星图像识别、医疗造影图像识别等诸多应用场景中显现其关键作用。其提供丰富的定位信息和类别信息,是后续诸多任务的基础。随着深度学习的崛起,图像语义分割领域涌现出诸多的以神经网络为基础的分割模型。图像语义分割任务需要为图像的每个像素分配标签,因而对于定位的精准有着十分高的要求,因此需要设计一种精准识别与细化定位齐头并进的方法。同时图像语义分割标签具有较高的标注成本,通常现实的数据集中都包含有大量无语义标签的数据以及少量具有语义标签的数据,利用大量无标签、弱标签数据中的信息量十分重要。本文立足于全卷积结构的神经网络,设计精细化语义分割模块,结合弱、半监督、迁移学习、数据扩增等多种方法,对以上两个问题进行多组实验和深度研究。本文创新性地提出了一种名为D-Link的空洞卷积组合模块,用于实现网络的感受野扩增以及多尺度特征融合,并设计以D-Link结构为核心的D-LinkNet、D-Unet,在多种数据集上的实验结果证明该结构对提升网络分割精度有显着作用。在D-LinkNet的基础上,本文进一步设计包含注意力模块的D-LinkBranch,使用全局池化信息对不同层次、不同通道的语义信息进行融合。本文探索弱、半监督学习及数据扩增方法对神经网络性能的影响,利用虚标签法让无标签数据与有标签数据共同参与训练;利用D-LinkBranch的分支结构实现弱监督学习与强监督学习的联合训练。随后将这两种方法进行综合,实现弱、半监督联合的网络训练方法,得到更优分割结果。本文总结普适性图像形态与色彩扩增及测试时扩增方法,对有语义标签的数据进行更加充分的利用。(本文来源于《北京邮电大学》期刊2019-05-20）
姜禹泽,张宇昕[3]（2019）在《多门限图像重迭目标区域精细分割方法仿真》一文中研究指出研究有效的目标区域精细分割方法,能够降低分割消耗时间、提高分割目标区域内部的均匀性和目标区域间对比度,增强目标区域分割质量,在实际应用中具备一定使用价值。为了减少图像出现模糊、重影及分割误差较大等问题,提出基于Otsu法的多门限图像重迭目标精细分割方法,该方法是通过利用高斯函数平滑灰度直方图内的白噪声,利用平滑的灰度直方图来计算灰度平均值,获取多门限值;运用多门限值计算目标区域类之间总方差的离散度测度,获得最优有限门值,对该门限值进行赋值,将图像重迭目标区域像素值与该门限值进行对比,得到最优的分割重迭目标区域结果。实现多门限图像重迭目标区域精细分割。仿真结果证明,所提方法可以增强目标区域分割对比度,提高目标区域内部均匀性,减小分割距离误差率,提高消耗时间,增强图像分割质量,具一定的应用价值。(本文来源于《计算机仿真》期刊2019年02期）
赵凯旋,李国强,何东健[4]（2017）在《基于机器学习的奶牛深度图像身体区域精细分割方法》一文中研究指出奶牛目标各区域的精细分割和识别能够提供精确的奶牛形体细节信息,是奶牛体形评价、姿态检测、行为分析和理解的前提和基础。为实现深度图像中奶牛头、颈、躯干和四肢等身体区域的精确分割,提出一种基于深度图像特征和机器学习的奶牛目标各区域精细分割方法。该方法以每个像素点在不同采样半径下的带阈值LBP序列为深度特征值,设置分类约束条件,用决策树森林机器学习方法实现奶牛各区域的精细分类。对10头奶牛的288幅侧视深度图像进行试验,结果表明,当采样半径分段数为30,决策树训练至20层时,奶牛整体各像素点的平均识别率为95.15%,较传统深度图像特征值有更强的细节信息提取能力,可以用较少参数实现对复杂结构的精确识别。(本文来源于《农业机械学报》期刊2017年04期）
刘锋[5]（2010）在《基于互信息的医学图像精细分割》一文中研究指出本文提出一种基于互信息的医学图像精细分割算法。该方法在图像直方图基础上,模拟形态学流域概念,提出一种水面下降法,对直方图进行划分,并将原图像与分割后图像的互信息作为分割测度,寻求最优直方图划分,完成图像分割。医学图像分割实验证明,该方法可完成复杂图像的精细分割,对噪声不敏感,具有较好的分割效果,可应用于TPS系统中重要器官及病变组织分割。(本文来源于《中外医疗》期刊2010年02期）
周欣[6]（2006）在《图像精细分割算法的改进和优化研究》一文中研究指出图像的精细分割技术是指把任意形状的前景物体从图像中分割出来的一种技术,如今它已经成为影视特效等多媒体制作中不可或缺的关键技术,因此该技术具有巨大的商业价值。但是,现有的分割技术难以同时满足人们在图像精细分割的速度和效果两个方面的需求,同时,它又难以对自然界存在的大量的颜色变化比较剧烈的复杂图像进行分割处理。本文针对现有的图像精细分割存在的问题,就如何提高分割速度和易用性两方面进行了研究,并介绍了作者在这两方面的解决方案。 首先,本文基于Poisson精细分割算法,提出并实现了基于图像的Poisson方程的快速数值解法——Multigrid Solver,并找到该算法的各个可调参数对算法效率和效果产生影响的规律。通过大量实验证明,该算法可以使得求解迭代快速收敛,在相同的求解误差下,求解时间将大大减少。 在图像精细分割的人机交互方式方面,本文提出并实现了两种基于Scribbling(随手绘制曲线段)的算法。相比传统的Trimap方式,这种方式简化了用户和计算机的交互。 此外,不论在传统的人机交互方式,还是Scriblbing的方式,算法实现上都需要进行一个关键步骤的判断——点在多边形内外的判断。本文提出了两种判断算法,分别可以在O(logn)和O(n)的时间复杂度下,解决点在凸多边形或普通多边形内外的问题。程序验证表明,新算法易于实现,具有运行速度快、稳定性高等优点。(本文来源于《浙江大学》期刊2006-05-15）
图像的精细分割论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着智能化、自动化的迅速发展,图像语义分割作为一项基本的计算机视觉技术,在自动驾驶避障、卫星图像识别、医疗造影图像识别等诸多应用场景中显现其关键作用。其提供丰富的定位信息和类别信息,是后续诸多任务的基础。随着深度学习的崛起,图像语义分割领域涌现出诸多的以神经网络为基础的分割模型。图像语义分割任务需要为图像的每个像素分配标签,因而对于定位的精准有着十分高的要求,因此需要设计一种精准识别与细化定位齐头并进的方法。同时图像语义分割标签具有较高的标注成本,通常现实的数据集中都包含有大量无语义标签的数据以及少量具有语义标签的数据,利用大量无标签、弱标签数据中的信息量十分重要。本文立足于全卷积结构的神经网络,设计精细化语义分割模块,结合弱、半监督、迁移学习、数据扩增等多种方法,对以上两个问题进行多组实验和深度研究。本文创新性地提出了一种名为D-Link的空洞卷积组合模块,用于实现网络的感受野扩增以及多尺度特征融合,并设计以D-Link结构为核心的D-LinkNet、D-Unet,在多种数据集上的实验结果证明该结构对提升网络分割精度有显着作用。在D-LinkNet的基础上,本文进一步设计包含注意力模块的D-LinkBranch,使用全局池化信息对不同层次、不同通道的语义信息进行融合。本文探索弱、半监督学习及数据扩增方法对神经网络性能的影响,利用虚标签法让无标签数据与有标签数据共同参与训练;利用D-LinkBranch的分支结构实现弱监督学习与强监督学习的联合训练。随后将这两种方法进行综合,实现弱、半监督联合的网络训练方法,得到更优分割结果。本文总结普适性图像形态与色彩扩增及测试时扩增方法,对有语义标签的数据进行更加充分的利用。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像的精细分割论文参考文献
[1].陈岩,张承明,高帅,于西占,于晓妍.一种适合警用的精细图像语义分割方法[J].警学研究.2019
[2].周理琛.基于深度学习与半监督学习的图像语义精细化分割关键技术研究[D].北京邮电大学.2019
[3].姜禹泽,张宇昕.多门限图像重迭目标区域精细分割方法仿真[J].计算机仿真.2019
[4].赵凯旋,李国强,何东健.基于机器学习的奶牛深度图像身体区域精细分割方法[J].农业机械学报.2017
[5].刘锋.基于互信息的医学图像精细分割[J].中外医疗.2010
[6].周欣.图像精细分割算法的改进和优化研究[D].浙江大学.2006