基于卷积神经网络的图像分割算法研究
来源:用户上传
作者:查志华 邓红涛 田敏
摘 要：随着科技的快速发展，在人们的日常生活中，图像信息所占的比重越来越大，带动了图像处理领域的发展，其中，图像分割属于理解图像内容的一个重要条件，因而在该领域备受关注和重视。未来，与某些领域相结合的图像分割技术，尤其是基于卷积神经网络的图像分割算法，将会为图像分割开辟全新的方向。文章介绍了图像分割算法的现状，并提出基于卷积神经网络图像分割算法的改进策略，以改进卷积神经网络的准确性，优化卷积网络图像分割算法。
关键词：卷积神经网络;图像分割;分割算法
在生活中，越来越多的领域应用到图像分割，特别是医学图像。图像分割算法有助于准确地判断患者的病变部位，为医生更好地诊治提供便利。不过因为容易受到外界噪声的干扰，加之医疗仪器的缺陷，医学图像成像受到影响。当前图像分割算法尚未满足任何图像分割需求，传统的图像分割方法受图像本身限制严重，因而未来图像分割技术与某些领域结合，成为一个新的探索方向。
1 图像分割算法的现状
1.1 图像分割算法的重要意义
随着计算机信息技术的快速发展，人们日常生活与工作，越来越依赖计算机获取信息和解决问题。因此，在应用计算机过程中，图像信息的处理成为一个重要的研究方向。人类的视觉处理系统功能强大，周围环境的图像信息都是由眼睛来获取，这种方式既简单又有效率。
数字图像是图像展示方式之一，将图像信息以像素或者二维码的形式保存。数字图像信息量大、内容丰富、抽象复杂[1]，如何从中获取有效信息成为重点研究工作。
处理图像信息的重要手段就是计算机技术，推动图像工程的发展，其中，图像分割算法成为处理图像内容的根本条件。
虽然当前已发现多种图像分割方法，但是却没有一个具有权威性的分割标准。一些具有特色的方法，也只能在特定的领域与图像特性下应用。随着人工神经网络技术条件的发展成熟，基于卷积神经网络的图像分割算法也受到更多人的关注，其不再只局限于单张图像，而是在图像数据集的基础上，不断归纳和总结，在分割算法过程中逐步修正，最终获得相似图像的全部信息。在图像分割过程中，由于加入了像素和像素的位置关系，因而有助于图像噪声的处理[2]。
随着图像分割技术的不断成熟发展，其当前被广泛应用在工业、军事、交通、医学等多个领域，特别是在医学领域，图像分割技术的应用较为广泛。将图像根据已设定的标准分割成不同的部分，并从图像中将所需区域进行标记，使其最大限度地接近解剖结果，为医生诊断提供准确的信息依据。
由此可见，基于卷积神经网络图像分割算法的研究，不仅有助于提升技术发展，而且对实际应用有着重要作用。
1.2 图像分割算法的现状
当前，图像分割算法在我国实际发展中，尚未形成一个适用于所有图像的分割方法，也没有一个满足所有领域要求的分割标准。图像分割技术目前还没有被广泛接受的理论。基于卷积神经网络的图像分割算法，通过神经网络从大量的图像数据获得一个决策函数，针对图像像素的类别进行判断，最后实现图像分割。基于卷积神经网络的图像分割算法，既注重图像集的整体性，又结合了神经网络的优势[3-4]。
1.3 未来图像分割算法的发展方向
基于技术发展分析，未来图像分割算法的研究方向有4个。
（1）针对传统分割算法的不足之处寻找改进方法。（2）新理论、新工具及新方法为图像算法提供了更多的技术支持，通过多种方法融合，提升图像分割的效果。（3）重視加强交互式分割的应用，在图像分割中融入主观指导理念，解决传统图像分割算法中遇到的问题。（4）对特殊领域图像分割算法的研究。
2 现阶段图像分割方法
当前，图像分割算法涵盖阈值分割、区域分割、边缘分割以及基于能量泛函分割等方法。这些分割方法主要应用在数字图像本身，具有性能稳定的特点。
阈值分割算法，在灰度图像中选取一个或多个灰度值作为阈值，根据介于最低灰度值与最高灰度值之间的选取原则，按照此阈值划分图像的像素，进而实现图像的分割。阈值分割法适合分割物体与背景对比度较大的图像[5]。
基于阈值分割算法中缺乏像素相关性的局限性，在区域分割算法中加入像素之间的空间关系，将某异形之下相同或相似的像素划分到同一个区域中。区域分割算法分为区域生长法和分裂合并法两种，通过单个像素合并周围像素，最后，形成一个区域。
边缘分割算法，是对边缘的分割，运用某种方法寻找区域的边界从而实现分割图像，这些图像的边缘多处于图像中不连续的位置。
基于能量泛函的分割，是指利用活动轮廓模型进行图像的分割，将图像边界以一条连续的曲线替代，并用定义能量函数的自变量表达曲线，由此将图像分割演化成不断求取能量函数值的过程。
3 基于卷积神经网络的图像分割算法
卷积神经网络（Convolution Neural Network，CNN）[6]领域当前备受学者关注。CNN在图像处理方面具有优化预处理操作的优势。
卷积神经网络组织结构分为特征提取层和特征映射层。其中，特征提取层用以提取图像中的局部特征，将上一层局部接受域输出，作为这一层神经元的输入。特征映射层在卷积神经网络中，以若干个特征映射构成计算层。特征映射层的神经元使用同一权值，有助于减少参数，提升效率。基于卷积神经网络的运行离不开激活函数，卷积神经网络的卷积层逐渐接入池化层，降低图像的分辨率，同时，减轻对下一个卷积层计算的压力。
在计算过程中，基于卷积神经网络需要经过一个训练过程，这属于一个自动进化的过程，需要从原始数据上直接学习，不需要特别标记，且CNN的特征映射层共享权值，可通过网络学习。由于CNN的网络结构和生物神经元十分接近，所以在语音和图像处理上有着很大的优势。 CNN圖像分割法将每一个像素与周围像素点形成像素块，再输入神经网络中，日常图像分割算法存在诸多问题，例如存储空间成倍增长、计算效率低下及特征提取的精确度不高等。
基于CNN上述存在的问题，基于卷积神经网络的基础，工作人员需要研究出一个全新的网络结构，以顺应社会市场的实际发展需求。
4 基于卷积神经网络图像分割算法的改进对策
4.1 设计思想
首先，针对卷积神经网络分割图像分辨率低、输出图像模糊不精细的问题，应引入图割算法，与卷积神经网络结合。第一步，用卷积神经网络对图像进行初始分割，并用改造图割的能量函数优化分割后的图像细节。其次，在卷积神经网络图像分割算法中，注重空间一致性，运用能量函数优化结果，通过概率图了解图像的特征，使用K-means聚类算法归纳和总结Gabor滤波器获取的图像纹理，进而运用随机森林分类器分类处理，调整决策的数量和高度。
4.2 算法模型
基于卷积神经网络进行训练，获得分割模型，并利用网络改进卷积神经网络，以获得更好的分割性能。一方面，通过全卷积网络（Fully Convolutional Networks，FCN）的训练模型初始分割，产生关于图像像素的概率图，使用改造图割算法能量函数提升FCN分割结果的精确度。另一方面，FCN在图像的分割过程中应充分考虑像素点的关系，对此在图像分割算法中加入图像的纹理特征[7-8]。
5 结语
基于卷积神经网络的图像分割算法，在图像的语义分割领域具有优越性。通过改造图割算法的能量函数和引入图像的文体特征改进图像分割算法。本文首先介绍了图像分割算法的现状，并就此提出基于卷积神经网络图像分割算法的改进策略，以不断改进卷积神经网络的准确性。对卷积网络图像分割算法不断优化，发挥图像分割算法在实际应用中的重要作用，为改变生活和工作提供便利。
[参考文献]
[1]刘希.基于深度卷积神经网络的图像语义分割[J].信息技术，2019（2）：79-82.
[2]周俊宇，赵艳明.卷积神经网络在图像分类和目标检测应用综述[J].计算机工程与应用，2017（13）：34-41.
[3]郭田梅.基于卷积神经网络的图像分类算法研究[D].济南：济南大学，2017.
[4]郭呈呈，于凤芹，陈莹.基于卷积神经网络特征和改进超像素匹配的图像语义分割[J].激光与光电子学进展，2018（8）：230-236.
[5]岳晓东.基于卷积神经网络的图像识别算法研究[J].数字通信息世界，2017（9）：272.
[6]刘丹，刘学军，王美珍.一种多尺度CNN的图像语义分割算法[J].遥感信息，2017（1）：57-64.
[7]杨明震.基于深度学习的高光谱图像分类方法的研究[D].南昌：东华理工大学，2018.
[8]高薇，曾健民.基于卷积神经网络算法的图像识别应用研究[J].西安文理学院学报（自然科学版），2019（1）：15-19.
Research on image segmentation algorithm based on convolution neural network
Zha Zhihua， Deng Hongtao， Tian Min
（College of Information Science and Technology， Shihezi University， Shihezi 832003， China）
Abstract：With the rapid development of science and technology， the proportion of image information in people’s daily life is increasing， which leads to the development of image processing. Image segmentation is an important condition for understanding image content， so it has attracted much attention and attention in this field. In the future， the image segmentation technology combined with the end of some fields， especially the image segmentation algorithm based on convolution neural network， opens up a new direction for image segmentation. This paper introduces the present situation of image segmentation algorithm， and puts forward an improved strategy based on convolution neural network image segmentation algorithm in order to improve the accuracy and optimization of convolution neural network.
Key words：convolution neural network; image segmentation; segmentation algorithm
转载注明来源:https://www.xzbu.com/8/view-15019936.htm
