基于深度特征的海底矿物图像分割算法研究

论文摘要

随着自动驾驶,视觉等技术的飞速发展,图像有效处理的重要性日益凸显,对于图像分割速度以及分割精度的要求也越来越高,图像分割结果的优劣对于更高层次的图像处理任务,例如图像语义理解起到重要作用。伴随着深度学习技术的迅猛发展,诸如谱聚类、分水岭等传统的图像分割方法的不足逐渐显现,基于图像深度特征的图像分割算法逐渐成为主流。采用深度特征描述图像的纹理、形状、颜色等基本属性,不仅在表征能力以及效果上超过传统方法,在处理速度以及精度方面上也有着较大的潜力,同时在图像处理性能上有着更广阔的发展空间。因此,如何构建深度神经网络模型,代替传统技术解决计算机视觉问题是当前重点关注的课题,对于未来计算机视觉的发展具有深远的意义。本文重点研究如何针对海底矿物图像进行有效分割,主要工作有以下几个方面:（1）探索了传统分割方法在海底矿物图像的应用研究,并基于分水岭算法开发了相应的应用系统。（2）研究了基于编码器-解码器结构的卷积神经网络的端到端分割算法,我们将不同尺度的解码结构卷积特征图融合,通过在公有数据集上进行测试,选取了适合海底矿物质图像分割的网络激活函数,并将改进后的基于深度神经算法与传统分割算法及典型编码器-解码器结构进行了对比,验证了算法的有效性。基于数字图像处理的海底矿物图像处理将计算机应用技术与矿产资源监测进行有效结合,解决了传统基于人工方式效率低下,准确率不高的问题,该课题的研究具有一定的理论意义和现实应用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 本文研究背景及意义
•   1.2 国内外研究现状
•     1.2.1 图像分割概述
•     1.2.2 基于传统方法的图像分割
•     1.2.3 基于深度特征的图像分割
•     1.2.4 图像分割数据集
•   1.3 本文主要内容与安排
•     1.3.1 主要研究内容
•     1.3.2 本文章节安排
• 第二章 图像分割相关理论基础
•   2.1 传统图像分割技术
•     2.1.1 基于阈值的分割方法
•     2.1.2 基于图论的分割方法
•     2.1.3 基于能量泛函的分割方法
•     2.1.4 传统图像分割方法小结
•   2.2 卷积神经网络
•     2.2.1 卷积神经网络组成结构
•     2.2.2 卷积神经网络经典模型
•     2.2.3 卷积神经网络小结
•   2.3 小结
• 第三章 基于阈值信息的海底矿物图像分割算法
•   3.1 引言
•   3.2 深海矿物图像概述
•   3.3 海底矿物质图像处理系统
•     3.3.1 图像增强
•     3.3.2 图像闭运算
•     3.3.3 分水岭阈值分割
•   3.4 实验结果分析
•     3.4.1 图像增强实验结果
•     3.4.2 图像闭运算结果分析
•     3.4.3 分水岭阈值分割实验结果
•   3.5 小结
• 第四章 基于神经网络的海底矿物图像分割算法
•   4.1 U型结构网络
•   4.2 海底矿物图像数据集
•     4.2.1 海底矿物数据集标注
•     4.2.2 数据增强技术
•   4.3 改进的U型结构网络
•   4.4 实验结果分析
•     4.4.1 数据增强结果分析
•     4.4.2 细胞分割数据集的实验结果分析
•     4.4.3 海底矿物颗粒数据集的实验结果分析
•   4.5 小结
• 第五章 总结与展望
•   5.1 总结
•   5.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录

文章来源

类型: 硕士论文

作者: 郑男

导师: 宋伟

关键词: 海底矿物图像,图像分割,编码器解码器结构神经网络,多尺度特征融合

来源: 中央民族大学

年度: 2019

分类: 基础科学,信息科技

专业: 海洋学,计算机软件及计算机应用

单位: 中央民族大学

分类号: TP391.41;P74

总页数: 83

文件大小: 13020K

下载量: 57