一、一种图像分割算法的选择方法（论文文献综述）
张洪博[1]（2021）在《基于群智能优化算法的带钢表面缺陷图像处理方法研究》文中提出带钢在机械制造、汽车工业、航空航天和仪器仪表等行业应用广泛。近年来,随着生产设备的升级、改造,带钢的尺寸精度、形状精度和力学性能均得到了较好的控制,然而带钢表面缺陷引起的质量事故时有发生,给生产企业造成了严重的经济损失。机器视觉技术能够实现带钢表面缺陷快速、全面的检测,已成为保证带钢表面质量的重要手段。作为该技术的核心环节,带钢表面缺陷图像处理方法性能的优劣直接影响最终检测结果,因此受到了相关学者和工程技术人员的高度关注。目前,群智能优化算法已经在带钢表面缺陷图像处理中得到了成功的应用,但普遍存在算法探索能力差、收敛速度慢及搜索精度低等问题,进而影响图像处理效果。因此,本文对蚁狮算法（Ant Lion Optimizer,ALO）、蝙蝠算法（Bat Algorithm,BA）和蝗虫算法（Grasshopper Optimization Algorithm,GOA）进行了深入、系统的分析,并提出了改进蚁狮算法（Improved Ant Lion Optimizer,IALO）、自适应蝙蝠算法（Adaptive Bat Algorithm,ABA）和主成分蝗虫算法（Grasshopper Optimization Algorithm with Principal Component Analysis,PCA-GOA）,分别应用于带钢表面缺陷图像增强、图像分割和图像分类领域。本文主要研究内容包括以下几个方面:（1）提出了一种基于IALO算法的带钢表面缺陷图像增强方法。针对ALO算法探索能力差、搜索精度低的问题,提出了三种策略进行改进。首先,设计了一种Lagrange惯性权重,更好地平衡了算法探索搜索和挖掘搜索之间的关系;其次,提出了一种随机扰动入侵杂草策略,通过分段作用的方法与ALO算法结合,既避免了计算量的过度增加,又提升了算法的搜索性能;最后,提出了一种自适应局部搜索策略,提高了算法的收敛速度。通过IALO算法与局部/全局图像增强模型（Local/global Enhancement,LGE）结合,完成了带钢表面缺陷图像增强任务。实验结果表明,与常用图像增强方法相比,本文提出的带钢表面缺陷图像增强方法能够较好地提高图像对比度、凸显缺陷细节;与同类算法相比,IALO算法在解决带钢表面缺陷图像增强问题中优势明显。（2）提出了一种基于ABA算法的带钢表面缺陷图像分割方法。针对BA算法自适应性差、搜索精度低的问题,提出了四种策略进行改进。首先,设计了一种智能惯性权重,该权重可以根据迭代次数和适应度值,智能地调节蝙蝠的飞行速度;其次,提出了一种Beta分布策略,通过蝙蝠搜索频率的自适应调整,实现了算法搜索性能的提升;再次,对局部搜索策略进行了改进,只有适应度值较差的蝙蝠,才能以一定的概率进入局部搜索,进一步提升了算法的搜索性能;最后,提出了一种精英交叉策略,通过对当前迭代最优解和全局最优解的交叉操作,实现了算法挖掘能力的提升。通过ABA算法与最大类间方差法（Otsu）结合,完成了带钢表面缺陷图像分割任务。实验结果表明,与常用图像分割方法相比,本文提出的带钢表面缺陷图像分割方法可以较好地分割出缺陷目标;与同类算法相比,ABA算法在解决带钢表面缺陷图像分割问题中具有更好的搜索性能。（3）提出了一种基于PCA-GOA算法的带钢表面缺陷图像分类方法。针对GOA算法探索能力差、越界蝗虫处理方式不合理的问题,提出了三种策略进行改进。首先,提出了一种改进自适应参数,使适应度值较差的蝗虫具有较长的移动距离,并通过参数补偿机制,实现了算法探索能力的灵活调整;其次,通过主成分分析法（Principle Component Analysis,PCA）生成不相关的蝗虫个体取代低质量个体,提升了算法的搜索性能;最后,设计了一种指数边界变异策略,该策略可以将越界蝗虫逐渐放置到边界附近,提升了越界蝗虫的处理水平。通过PCA-GOA算法与支持向量机（Support Vector Machine,SVM）结合,完成了带钢表面缺陷图像分类任务。实验结果表明,与常用图像分类方法相比,本文提出的带钢表面缺陷图像分类方法具有更高的分类准确率;与同类算法相比,PCA-GOA算法在解决带钢表面缺陷图像分类问题中具有显着优势。（4）为测试本文提出的带钢表面缺陷图像处理方法在真实环境下的使用效果,搭建了带钢表面缺陷图像处理方法性能测试系统,分别对基于IALO算法的带钢表面缺陷图像增强方法,基于ABA算法的带钢表面缺陷图像分割方法和基于PCA-GOA算法的带钢表面缺陷图像分类方法进行性能测试。测试结果表明,在真实环境下本文提出的带钢表面缺陷图像处理方法较其它对比方法具有显着优势。最后,结合本文的研究成果,开发了基于群智能优化算法的带钢表面缺陷图像处理系统。
龙晓东[2]（2021）在《基于最小生成树的图像分割方法研究》文中指出图像分割是将图像分割成各具特性的区域,并将目标区域从中提取的过程。同时图像分割也是后续图像处理的关键步骤,是实现图像理解和高级应用的基础。图像分割技术经过不断发展已经应用到各个领域,如:生物医学,军事公安,工业工程等,并都取得了不错的效果。在图像分割领域中,由于图与图像之间有很好的一一对映关系,将图像的分割问题转为图的分割问题,利用图论的理论知识来进行图像分割,既避免了由于图像离散化所造成的误差,还优化了分割步骤。基于图论的图像分割方法因为简单高效而备受欢迎,本文就基于图论的图像分割方法展开研究,主要工作有以下方面:1.本文首先分析了基于图论的图像分割方法领域的研究背景及其发展现状,并回顾了图论的基本知识,阐述了图与图像的关系。在此基础上分析了基于图论的图像分割模型的算法理论,包括基于最小生成树的图像分割模型,基于最短路径的图像分割模型,基于割集准则的图像分割模型,基于图割理论的图像分割模型,并讨论其中具有代表性算法的原理及其性能,指出了这些算法的适用范围和应用前景。2.在基于图论的图像分割模型中,着重分析了基于最小生成树的图像分割方法,讨论了该领域中现有的分割算法,并指出该分割模型在进行图像分割时选取的权值判断标准存在的不足,导致在使用该分割模型所得到的分割结果时常会出现欠分割和过分割情况,从而分割精度不高,并在图像细节处理方面无法达到理想结果,影响后续的图像分析。针对该问题,本文提出一种新颖的权值判断标准,该权值公式不仅考虑了人眼对RGB值变化的敏感性,还考虑到了两个像素之间的空间距离和矢量关系,能很好的表示像素之间的相似关系,具备良好的应用价值。故本文结合最小生成树的图像分割模型,提出了一种新的基于最小生成树的图像分割算法。3.通过实验分析,本文提出的基于最小生成树的图像分割模型减弱了以往图像分割出现的欠分割和过分割情况,提高了图像分割精度,并且该方法在对噪声方面具有很好的鲁棒性,能较好的保留图像的细节特征,保证了区域的一致性。同时将该分割方法应用到医学影像领域中,也取得了不错的效果,通过实验证明了该方法的有效性,并具有一定的实际应用价值。但是在处理复杂图像时,会出现分割时间过长,产生错误边界的情况,需要进一步研究改进。
韩丽丽[3]（2021）在《基于机器视觉的高压铜触指毛刺图像分析与定位方法研究》文中研究说明高压断路器是高压电路中的重要电器元件之一,广泛应用千发电、输屯、变电等系统中,高压铜触指是高压断路器上重要接触元件..,承担通断高压电路以及负载电流的任务。高压铜触指在加工过程中产生的毛刺,在使用过程中容易产生尖端放电,造成电弧烧蚀,不仅缩短其使用寿命,同时屯弧烧蚀会产生金属粉末和蒸气,充斥在灭弧室或空气中,降低介质绝缘强度,从而对电力系统装置造成极大安全隐患。因此,成品的高压铜触指要求无毛刺,表面光滑,质戳好。另外,巾于高丿玉铜触指的材料属性,对加工过的表面要求没有其他物质残留,因此只能选择物理方法进行加工,由千体积小、批撇小、种类多等特点,大部分工厂目前仍采用手工方法去毛刺,导致效率低,表面一致性差,从而影响产品使用性能。本文提出基千机器视觉高压铜触指毛刺图像分析与定位方法,通过对高压铜触指图像的分析和处理获得工件边缘特征点的准确位置,从而为工业机器人自动去毛刺提供位置信息,为机器人手眼协同完成同类上作奠定了基础。本文基于工业以太网连通FANUC工业机器人和海康威视工业相机,通过在上位机上安装ROS操作系统,实现工业机器人和相机之间的通讯,完成基千机器视觉的手眼协同机器人去毛刺的平台构建。在此平台上,完成以下工作:研究基于块稀疏过完备学习变换的毛刺图像去噪方法。创建了高压铜触指毛刺图像数据集,并且根据图像内容及图像尺寸对该图像数据集进行分类,针对带毛刺高压铜触指工件图像真实噪声以及加性高斯噪声,对高压铜触指图像进行去噪处理,利用无参考和全参考图像质厘评估方法对所提出的算法与传统算法及深度学习模型进行图像去噪质量评估,结果表明,所提出的符法达到目前图像去噪的先进水平。块稀疏过完备学习变换毛刺图像去噪算法完成对高压铜触指毛刺图像的消晰化,但是由于单幅或者多幅相似性小的图像很难用千后续的工件边缘特征点提取与匹配工作,因此,提出基于在线稀疏变换的毛刺视频去噪算法。根据可调式夹具的不同旋转方向及俯仰角度,将商压铜触指毛刺视频从分为4种不同类序。符法利川一个临时滑动窗口策略提取任恁时刻含噪视频帧中图像块信息,采川基千块的在线3D去啋机制,按顺序生成带有可控延时的这些帧的去噪估计。完成了对采集视频的清晰化处理。对获取的清晰图像和视频帧进行毛刺图像分割,得到高压铜触指工件边缘像素位置信息。本文提出基于块稀疏过完备聚类变换学习毛刺图像分割算法,该算法由一组变换构成,将k-means聚类方法用于初始化聚类结果,离散余弦变换用于初始化稀疏过完备变换矩阵,通过毛刺参数影响该图像分割算法中的稀疏水平常量和正则化系数,实验结果表明,该算法在高压铜触指毛刺图像分割结果中很好的保留了工件的弱边信息,极大地避免了三维结构对分割结果产生的影响。基于上述理论分析,利用图像分割获得的高压铜触指工件边缘像素位置,与特征点提取与匹配获取的像素位置取交集,得到工件边缘特征点对像素位置信息,利用对极几何和三角测量方法,通过计算获得高压铜触指工件边缘三维坐标,利用平均欧氏距离相似度对其进行误差分析,实验结果表明,基于机器视觉的高压铜触指工件边缘定位结果可以满足工业机器人加工精度的需求,从而实现机器人对工件边缘的三维定位。
刘天利[4]（2021）在《基于复杂网络的图像分割与运动目标检测算法研究》文中研究表明图像分割和目标检测一直是图像分析与计算机视觉领域的重点研究课题。随着近几十年来复杂网络理论的快速发展,将复杂网络理论应用到图像分析与计算机视觉领域成为研究人员关注的问题之一。本文以复杂网络理论中的社团检测和节点度分布理论为中心,对图像网络的构建、图像分割和视频中运动目标检测算法进行了研究。具体研究内容如下。（1）提出了一种基于局部网络模块度增量的超像素分割算法（LocalNet）。以像素点颜色相似性建立图像的邻接加权网络,以模块度增量作为判断准则,对邻接网络进行社团划分,完成图像的超像素分割。该算法克服了经典的SLIC超像素分割算法分割精度不足,易出现欠分割的缺点。同时应用超像素分割算法对图像进行分割,以超像素区域为单位作为网络节点,构建图像网络结构。与以像素点为节点构建图像网络相比,可以提高图像处理的效率。实验结果表明LocalNet算法与SLIC及其改进算法VASLIC和MMTDSLIC相比,具有更高的分割精度。（2）提出了一种结合局部度中心性的图像分割算法（LDCS）。对图像应用LocalNet算法进行超像素分割,以超像素区域为单位作为网络节点,区域间的颜色、纹理相似性作为连边权值,构建图像邻接加权网络结构,结合局部度中心性,计算图像网络的局部度中心节点作为图像网络社团的中心,进行网络的社团划分,完成图像分割。实验表明该算法的图像分割精度高于应用复杂网络理论进行图像分割的框架算法GFCNIS。（3）提出了一种基于图像网络节点度变化量的运动目标检测算法（IN-MOD）。对视频中每帧图像应用LocalNet算法进行超像素分割,以区域颜色、纹理相似性建立图像的邻接加权网络结构,按照时间顺序建立视频网络节点的时间序列,寻找每帧图像网络节点度变化节点作为候选运动目标,应用本文LDCS图像分割算法以及K-means聚类算法对检测出的运动目标候选区域进行修正。实验结果表明,本文IN-MOD算法在检测运动目标发生镜头抖动、光照变化等特殊情况时,具有较好的检测效果。
雷雨萌[5]（2021）在《基于图像识别的土石坝坝料级配检测方法研究》文中研究指明土石坝坝料级配为研究土石坝性能的基本参数,其合理性对坝体质量控制意义重大。当前,工程实践中的级配检测主要采用筛分法,通过随机取样与人工筛分计算级配数据,方法较为耗时且结果代表性不足。随着计算机技术的发展,图像识别技术已在各领域中广泛使用,为级配检测提供了新的手段。针对土石料图像,传统图像识别算法采用数学与拓扑学等方法对像素灰度值进行处理,其理论成熟但精度难以满足需求。深度学习图像识别算法通过神经网络提取图像标注区域的特征,其精度更高但模型复杂计算耗时。故一种基于图像的高效、准确的级配检测方法成为当前土石坝施工过程中的迫切需求。本文以土石坝填筑料为研究对象,通过现场采集与室内试验建立了土石料图像样本数据集,对比分析了基于灰度准则的传统图像识别方法以及基于深度学习的图像识别模型对土石料图像的处理效果。在对不同粒径范围土石料颗粒形状量化分析的基础上,研究了土石料二维轮廓特征与级配数据之间的转换关系。结合传统图像识别算法与深度学习数据分析模型建立了基于图像的土石料级配检测模型,并通过试验验证了模型的准确性。主要研究内容和成果如下:（1）本文针对土石料图像,对比了传统图像识别方法,最大类间方差阈值化算法与基于标记的分水岭算法的检测效果,确定了基于图像的土石料级配检测基本原理和流程。（2）建立了多状态下的土石料图像数据集,分析了基于深度学习的图像识别模型Mask R-CNN实例分割模型与U-Net语义分割模型对土石料图像的分割效果。（3）对多粒径范围内的土石料颗粒形态进行了量化分析,结果表明同料场同批次的土石料颗粒在形态特征上具有较高的相似性。在此基础上,通过二维形态分析与三维体积重建两种方法,建立了土石料颗粒轮廓与级配数据之间的转换关系模型,验证了基于颗粒二维形态特征实现级配检测的可行性。（4）结合最大类间方差阈值化算法与卷积神经网络,建立了土石料图像级配检测模型——深度阈值卷积模型（DO-CNN）,并设计搭建了基于图像的土石料级配快速检测系统样机,通过18组筛分试验表明,模型最大平均绝对百分比误差为2.45%,准确率较高,对5mm以下颗粒含量,模型检测精度同样较高。
孙雅慧[6]（2021）在《基于非局部各向异性结构张量的图像分割方法研究》文中研究表明图像分割作为图像处理领域的一项基础性任务,也是计算机视觉领域三大分类任务之一,其重点是对图像中的每个像素点分类,已在遥感、医学等领域得到广泛应用。然而,对于遥感领域的SAR图像分割问题来说,其结果常受相干斑噪声影响,使得SAR图像的分割质量下降。其次,在医学图像分割过程中,常受各种伪影,如噪声、信号强度不均匀等问题的影响,以及普通图像在拍摄及传输过程中常受高斯噪声影响,导致图像分割性能下降。针对以上提出的问题,论文着重研究非局部各向异性结构张量在各类分割方法中的应用,主要工作安排如下:1)提出一种基于非局部各向异性结构张量的分层学生t混合模型。在学生t混合模型中引入基于非局部各向异性结构张量的自适应加权模板,从而获取更多的图像先验知识,增强对SAR图像分割的鲁棒性。其次,结合分层思想提出分层学生t混合模型,将全局SAR图像分割问题分为几个子问题,一方面降低问题的复杂性,另一方面分层思想可以使得模型更好的拟合数据。最后,在SAR图像数据集上与现有的部分图像分割方法作比较,表明该算法在SAR图像分割问题上性能更佳,具有更强的鲁棒性。2)提出一种基于非局部各向异性结构张量的模糊C均值聚类算法。在模糊C均值聚类算法中引入具有图像内容分析能力的非局部各向异性结构张量的平滑模板,保证在分割的过程中保留图像细节并更好的应对各类噪声,克服模糊C均值聚类对于噪声图像分割效果不佳的问题。其次,使用基于图像灰度直方图拟合的初始聚类点选取算法,通过学生t混合模型提前获取初始点及聚类数,解决需要人工定义聚类数,以及因初始点选取不当导致的迭代步数过多、目标函数收敛慢的问题,从而加快分割速度。最后,在医学图像及普通图像数据集中与目前现有的部分图像分割方法作对比,验证此方法在含噪图像的分割问题上鲁棒性更强。
赵甜雨[7]（2021）在《基于模糊理论的图像分割算法改进与应用》文中研究表明图像分割是图像处理的主要环节之一,主要是基于灰度、颜色相关的特征对图像进行划分,从而形成一定连续区域,提取出目标物体的一种行为。由于图像通常会表现出不确定性,尤其是遥感图像的“同物异谱、同谱异物”问题、噪声干扰问题,使得传统的分割方法往往不能获得理想的分割效果,对其后续的目标识别产生不良影响。为解决图像像素归属的模糊性和不确定性问题,一些学者引入了模糊数学方法。模糊C-均值聚类（FCM）方法在图像分割领域有明显的优势,如收敛速度快,操作简单,受到广泛关注,但仍受噪声影响敏感,分割精度仍需进一步提高。卷积神经网络作为深度学习代表算法之一,可以从大数据中进行大规模任务驱动的特征学习。然而,典型的深度学习是一个完全确定性的模型,它受数据不确定性的影响较大。因此,稳定、鲁棒和准确的图像分割依然具有较大的挑战。目前已有模糊理论与深度学习结合的图像处理算法,但鲜少用于图像分割领域,且这些算法仍有众多问题需要研究和解决。为此,本文主要研究了图像分割过程中图像数据不确定性的描述、模糊聚类算法的改进以及将深度学习中的卷积神经网络与模糊理论相关算法相结合。主要研究工作概括如下:（1）由于像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,因此本文引入空间上下文的可靠性度量,建立了一种改进的模糊C均值聚类算法:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平衡细节保留和去噪,从而获得更加准确的分割结果。实验选取人工合成图像、脑磁共振图像、含噪交通标志图像和遥感图像四类数据测试聚类算法性能,结果表明,所提算法在图像分割过程中能有效地抑制椒盐噪声和高斯噪声引起的类内异构及类间同构问题,能提高图像的像素可分性,并有效地保留了图像的边缘细节。（2）将模糊学习的概念引入到深度学习中以克服固定表示的缺点,实现提高分割精度。图像数据通常具有很大的不确定性,这与成像设备等多种因素有关,使得传统的分割方法受到很大的限制。以深度学习为代表的现有语义分割方法取得了突破性进展。深度卷积神经网络,是一个完全确定性的模型,无法很好地描述遥感图像的不确定性。因此提出了一种新的结合模糊逻辑单元的深度神经网络,该网络集成了卷积单元和模糊逻辑单元。卷积单元用于提取具有不同比例的判别特征,从而为像素级图像分割提供全面的信息。模糊逻辑单元用于处理各种不确定性并提供更可靠的分割结果,并且每个单元都通过高斯模糊函数在特定的图像比例下处理特征图。通过在高光谱遥感数据集上进行实验,结果表明,所提算法具有更高的分割精度和更好的性能。
边珍珠[8]（2021）在《基于联合显着性检测的遥感图像机场目标分割》文中进行了进一步梳理遥感图像中目标信息复杂,如何快速、准确地识别目标一直都是遥感图像分析中极具挑战性的研究课题。目前的遥感图像检测方法和公开数据集主要针对轮船、汽车、飞机等小型目标,研究遥感图像中的机场目标分割方法也很少,但机场目标检测一直在军事领域中扮演着重要的角色,现有的单一分割算法难以准确分割出机场目标,分割的精确度还需进一步提高,因此对遥感图像机场目标分割算法进行改进和创新值得深入研究。本文针对遥感图像机场目标分割算法进行研究,结合机场的结构和跑道特征,分别提出了平行直线分割方法、联合显着性检测模型和轮廓提取模型。通过实验,分别从主观和客观两个方面将本文分割结果与其他方法进行对比,证明了本方法的有效性。本文的主要研究内容包括以下三个方面:（1）用于机场目标分割任务的遥感图像含有较多的干扰信息,现有的直线分割方法能够检测出遥感图像中的所有直线信息,但不适用于机场跑道分割的问题,针对该问题,本文结合跑道的特征对其进行改进,提出了平行直线分割方法。（2）现有的遥感图像机场目标分割方法通常利用跑道特征来定位机场,然后使用支持向量机进行分类,最终得到机场目标,但是该方法提取的机场目标存在边缘模糊的现象。针对该现象,本文提出了轮廓提取模型,改善了遥感图像机场目标分割时边缘模糊的问题。（3）单个图像的显着性检测忽视了相似图像之间的一致性,对于遥感图像的机场目标来说,所有的机场主要是由细、长、呈现规则的跑道和建筑群两部分构成,虽然每个地区的机场占地面积大小、结构有所不同,但是它们又有相似性,根据机场的上述特征,本文提出基于联合显着性检测的遥感图像机场目标分割方法。本文数据集中的图像均来自Google Earth,通过精准定位,共收集325张不同机场的遥感图像,以及30张干扰图像,将所提方法在该数据集上进行实验。本文采用MAE、DR、FAR三种评价指标评估实验结果,实验结果表明了本文提出的方法领先于现有方法,且易于实现和理解,现实意义很大。
刘建鑫[9]（2021）在《基于深度学习的图像语义分割算法及应用研究》文中研究表明图像语义分割是计算机理解图像、处理图像的一种重要方法,在医学图像处理、卫星地理信息系统、机器人视觉等方面都具有广泛应用。深度学习是对人类神经系统的进一步模仿,其关键内容是使用卷积运算整合输入数据,提取出更具代表性的特征数据,再从高维特征中发现数据分布的规律,进而完成多种任务。受益于卷积神经网络优秀的计算能力,基于深度学习的方法在高效处理大批量数据的同时,也能保证更好的分割结果,这为图像语义分割带来了新的解决方案。然而,目前的深度学习解决方案还存在很多不足之处。神经网络在使用之前要经过长时间的训练,而训练网络的效果取决于网络结构以及参数设置。除此之外,神经网络的训练要使用大量经过精细标注的数据作为标签,而这种精细标注数据并不容易获得,不仅需要大量专业人士和工具,还会消耗大量的时间和精力。基于上述原因,本文主要做了以下工作:（1）针对特征图中不包含长距离的像素依赖关系,提出了一种基于特征融合的多阈值概率分割方法,可以有效地提高图像分割精度。本文在Mask Scoring R-CNN的基础上,提出了一个可以整合高维和低维特征的特征融合方法,并加入到特征金字塔网络中,优化特征提取过程;还在网络中加入了多阈值分割架构,以提高对样本的筛选,同时用概率模型对算法的分割分支做出进一步优化,提高算法对图像边缘的分割准确度。实验表明,本文提出的算法提高了最终的分割精度。（2）针对弱监督网络需要更多空间位置信息以及弱监督标签包含信息较少的问题,提出了一种基于注意力机制的弱监督图像语义分割算法,该算法可以使用边界框作为标签实现对图像的语义分割。为了强化特征提取过程,在该方法提出了可以聚合空间域和通道域依赖关系的注意力模型。该算法的基本步骤分为生成临时语义分割标签和训练神经网络模型两步,之后按照设定步数迭代以上步骤。我们在PASCAL VOC 2012上的实验验证了此算法能在弱监督条件下取得较高的分割精度,接近相应的全监督网络的性能。（3）利用Python语言及Pytorch深度学习框架,本文在城市景观分割以及医学图像分割场景中对提出的两种算法进行了实际的应用验证,验证结果表明本文提出的算法可以达到较高水平的分割效果。
乔颖婧[10]（2021）在《结合引导滤波和改进FCM的脑MR图像分割算法研究》文中研究表明近年来,脑疾病逐渐成为影响我国国民身体健康的一大隐患,据统计,每年我国有超过百万级国民因脑部疾病而死亡。随着医学影像技术的发展,磁共振（Magnetic Resonance,MR）成像因其高效性和安全性,被广泛应用在脑功能和脑部病变的检测中。脑MR图像成为深入研究和分析脑组织以及脑部疾病的重要媒介。其中对脑MR图像的分割作为后续脑图像分析的预处理环节,其分割效果直接决定了后续研究的结果,是对脑组织进行研究和临床诊断的关键步骤。因此,提出一种高效的脑MR图像分割方法是十分必要的。本文在深入学习现有脑MR图像分割算法的基础上,结合脑MR图像自身的特点,对模糊C均值（Fuzzy C-means,FCM）算法进行研究。FCM算法是一种可将图像中各像素点分配到两个或多个类别中的软聚类算法。FCM算法的模糊性使其被广泛应用在脑MR图像的分割工作中。但是该算法在分割脑MR图像时也存在易受噪声干扰、初始参数随机生成以及分割结果边缘信息缺失的问题。基于此,本文提出结合引导滤波和改进FCM的脑MR图像分割算法。首先将图像的纹理特征与灰度特征结合构成融合特征。然后综合考虑像素点的邻域密度和距离关系自适应选取初始聚类中心。之后使用融合特征作为算法聚类迭代的特征约束。最后,使用引导滤波算法对聚类后的像素进行修正处理,弥补损失的边缘细节信息。本文包括以下两个创新点:（1）针对基于FCM的脑MR图像分割算法存在噪声敏感性和初始聚类中心随机性的问题,提出融合Tamura纹理特征的改进FCM脑MR图像分割算法。该算法首先将图像的Tamura纹理特征与灰度特征进行线性加权融合构成融合特征,增加图像锐度;然后利用像素点的模糊邻域密度和像素点间的距离关系自适应选取初始聚类中心;最后使用融合特征作为像素点间相似性计算的特征约束,对图像进行分割。该算法在提高算法抗噪性和分割精度的同时,减少迭代次数,有效降低算法运行耗时。（2）针对模糊聚类算法分割脑MR图像存在边缘细节信息缺失的问题,提出一种基于引导滤波算法的像素修正方法。该方法以原始图像作为引导滤波算法的导频信息,将分割图像获得的最优隶属度进行拆分,对拆分后的隶属度矩阵进行边缘增强和像素点修正处理,进一步提高了算法的分割精确度。实验用本文所提算法对模拟脑MR图像和真实脑MR图像两个数据集进行分割,并从算法抗噪性、分割准确性和运行效率三个维度分析其性能。实验结果表明,在噪声和灰度不均匀水平较高的模拟脑MR图像中,本文算法的分割精度能够达到90.73%;在真实脑MR图像中,本文算法的分割精度达到了92%。本文所提算法能获得与聚类结果更为接近的初始聚类中心,在处理噪声和灰度不均匀图像时表现出更好的鲁棒性,能在减少算法运行耗时的同时获得较高的图像分割精度。综上所述,本文所提算法能够快速有效地实现对脑MR图像的精确分割。
二、一种图像分割算法的选择方法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一种图像分割算法的选择方法（论文提纲范文）
（1）基于群智能优化算法的带钢表面缺陷图像处理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 群智能优化算法研究现状 |
| 1.3 带钢缺陷图像处理研究现状 |
| 1.3.1 带钢表面缺陷图像增强研究现状 |
| 1.3.2 带钢表面缺陷图像分割研究现状 |
| 1.3.3 带钢表面缺陷图像分类研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 群智能优化算法及带钢表面缺陷图像处理基础理论 |
| 2.1 引言 |
| 2.2 群智能优化算法及算法改进基础理论 |
| 2.2.1 蚁狮算法 |
| 2.2.2 入侵杂草算法 |
| 2.2.3 蝙蝠算法 |
| 2.2.4 蝗虫算法 |
| 2.2.5 算法改进基础理论 |
| 2.3 带钢表面缺陷图像处理基础理论 |
| 2.3.1 局部/全局图像增强 |
| 2.3.2 最大类间方差法 |
| 2.3.3 局部二值模式 |
| 2.3.4 支持向量机 |
| 2.3.5 图像质量评价 |
| 2.4 带钢表面缺陷数据集 |
| 2.5 本章小结 |
| 第3章 基于改进蚁狮算法的带钢表面缺陷图像增强方法 |
| 3.1 引言 |
| 3.2 蚁狮算法及应用分析 |
| 3.3 改进蚁狮算法 |
| 3.3.1 Lagrange惯性权重 |
| 3.3.2 随机扰动入侵杂草策略 |
| 3.3.3 自适应局部搜索策略 |
| 3.3.4 算法时间复杂度分析 |
| 3.4 基于改进蚁狮算法的带钢表面缺陷图像增强方法实现 |
| 3.5 实验及结果分析 |
| 3.5.1 带钢表面缺陷图像增强实验 |
| 3.5.2 改进策略有效性分析 |
| 3.6 本章小结 |
| 第4章 基于自适应蝙蝠算法的带钢表面缺陷图像分割方法 |
| 4.1 引言 |
| 4.2 蝙蝠算法及应用分析 |
| 4.3 自适应蝙蝠算法 |
| 4.3.1 智能惯性权重 |
| 4.3.2 Beta分布策略 |
| 4.3.3 选择性局部搜索策略 |
| 4.3.4 精英交叉策略 |
| 4.3.5 算法时间复杂度分析 |
| 4.4 基于自适应蝙蝠算法的带钢表面缺陷图像分割方法实现 |
| 4.5 实验及结果分析 |
| 4.5.1 自适应蝙蝠算法参数选择 |
| 4.5.2 带钢表面缺陷图像分割实验 |
| 4.6 本章小结 |
| 第5章 基于主成分蝗虫算法的带钢表面缺陷图像分类方法 |
| 5.1 引言 |
| 5.2 蝗虫算法及应用分析 |
| 5.3 主成分蝗虫算法 |
| 5.3.1 改进自适应参数 |
| 5.3.2 主成分分析策略 |
| 5.3.3 指数边界策略 |
| 5.3.4 算法时间复杂度分析 |
| 5.4 基于主成分蝗虫算法的带钢表面缺陷图像分类方法实现 |
| 5.5 实验及结果分析 |
| 5.6 本章小结 |
| 第6章 带钢表面缺陷图像处理方法的性能测试及应用 |
| 6.1 引言 |
| 6.2 测试系统搭建 |
| 6.3 方法性能测试 |
| 6.3.1 基于改进蚁狮算法的带钢表面缺陷图像增强方法性能测试 |
| 6.3.2 基于自适应蝙蝠算法的带钢表面缺陷图像分割方法性能测试 |
| 6.3.3 基于主成分蝗虫算法的带钢表面缺陷图像分类方法性能测试 |
| 6.4 带钢表面缺陷图像处理系统开发 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 论文中提出的创新点 |
| 7.3 后续研究工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读博士学位期间研究成果 |
（2）基于最小生成树的图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 图像分割的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于图论的图像分割方法 |
| 1.2.2 基于阈值的图像分割方法 |
| 1.2.3 基于边缘检测的图像分割方法 |
| 1.2.4 基于区域的图像分割方法 |
| 1.2.5 其他分割方法 |
| 1.3 本文的主要工作及内容安排 |
| 第二章 图论及其图的分割 |
| 2.1 图论的基本概念 |
| 2.1.1 基础知识 |
| 2.1.2 最短路径与Dijkstra算法 |
| 2.1.3 网络流及其最大流 |
| 2.2 图与图像 |
| 2.2.1 图与图像的关系 |
| 2.2.2 图的分割标准 |
| 2.3 本章小节 |
| 第三章 基于图论的图像分割 |
| 3.1 基本原理 |
| 3.2 图像分割的图论模型 |
| 3.2.1 基于最小生成树的图像分割模型 |
| 3.2.2 基于最短路径的图像分割模型 |
| 3.2.3 基于割集准则的图像分割模型 |
| 3.2.4 基于图割理论的图像分割模型 |
| 3.3 本章小节 |
| 第四章 基于新权值的最小生成树图像分割方法 |
| 4.1 现有的RGB色差公式及其性能 |
| 4.2 准备工作 |
| 4.2.1 最小生成树理论 |
| 4.2.2 构造最小生成树 |
| 4.3 基于最小生成树的图像分割方法 |
| 4.3.1 图像预处理 |
| 4.3.2 分割方法 |
| 4.4 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 分割评价指标 |
| 5.2 实验分析 |
| 5.2.1 实验环境配置 |
| 5.2.2 实验结果分析 |
| 5.3 医学图像分割 |
| 5.3.1 模糊C均值聚类算法 |
| 5.3.2 实验分析 |
| 5.4 本章小节 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 进一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间已发表的论文 |
（3）基于机器视觉的高压铜触指毛刺图像分析与定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 毛刺去除技术 |
| 1.3 国内外研究现状 |
| 1.3.1 图像分析研究现状 |
| 1.3.2 视觉定位研究现状 |
| 1.3.3 图像分析评价方法 |
| 1.3.4 视觉定位评价方法 |
| 1.4 图像分析与视觉定位现存问题 |
| 1.5 本文主要研究内容及章节安排 |
| 2 基于机器视觉的工业机器人去毛刺实验平台 |
| 2.1 基于ROS的 FANUC M-10i A工业机器人运动控制实现 |
| 2.1.1 机器人仿真环境搭建 |
| 2.1.2 机器人实际环境搭建 |
| 2.2 基于ROS的海康威视MV-CH120-10UM工业相机触发 |
| 2.3 基于ROS的 FANUC工业机器人和海康威视工业相机数据通讯 |
| 2.4 基于机器视觉的工业机器人去毛刺实验平台搭建 |
| 2.5 本章小结 |
| 3 基于块稀疏过完备学习变换的毛刺图像去噪方法研究 |
| 3.1 建立毛刺模型 |
| 3.1.1 常见毛刺定义与分类 |
| 3.1.2 高压铜触指常见毛刺及分类 |
| 3.1.3 高压铜触指毛刺模型 |
| 3.2 块稀疏过完备学习变换毛刺图像去噪算法 |
| 3.2.1 块稀疏过完备学习变换算法 |
| 3.2.2 块稀疏过完备学习变换毛刺图像去噪算法 |
| 3.3 实验结果与分析 |
| 3.3.1 图像数据集及评价标准 |
| 3.3.2 图像去噪实验 |
| 3.3.3 对比实验结果及分析 |
| 3.3.4 可视化结果及分析 |
| 3.4 本章小结 |
| 4 基于在线稀疏变换的毛刺视频去噪方法研究 |
| 4.1 在线稀疏变换毛刺视频去噪算法 |
| 4.1.1 在线稀疏变换视频去噪算法 |
| 4.1.2 在线稀疏变换毛刺视频去噪算法 |
| 4.2 实验结果与分析 |
| 4.2.1 视频数据集及评价标准 |
| 4.2.2 视频去噪实验 |
| 4.2.3 对比实验结果及分析 |
| 4.2.4 可视化结果及分析 |
| 4.3 本章小结 |
| 5 基于块稀疏过完备聚类变换学习毛刺图像分割方法研究 |
| 5.1 块稀疏过完备聚类变换学习毛刺图像分割算法 |
| 5.1.1 稀疏编码和聚类算法 |
| 5.1.2 块稀疏过完备聚类变换学习毛刺图像分割算法 |
| 5.2 实验结果与分析 |
| 5.2.1 图像数据集及评价标准 |
| 5.2.2 图像分割实验 |
| 5.2.3 对比实验结果及分析 |
| 5.2.4 可视化结果及分析 |
| 5.3 本章小结 |
| 6 基于机器视觉的工件边缘毛刺定位方法研究 |
| 6.1 基于机器视觉的工件边缘毛刺三维定位方法 |
| 6.1.1 相机标定 |
| 6.1.2 图像采集 |
| 6.1.3 特征点提取与匹配 |
| 6.1.4 对极几何 |
| 6.1.5 三角测量 |
| 6.2 数值实验及分析 |
| 6.2.1 机器人与相机协同实验硬件平台 |
| 6.2.2 相机标定和图像采集 |
| 6.2.3 特征点提取与匹配 |
| 6.2.4 工件边缘三维定位 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.1.1 结论 |
| 7.1.2 创新点 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
（4）基于复杂网络的图像分割与运动目标检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割算法研究现状 |
| 1.2.2 传统目标检测算法研究现状 |
| 1.2.3 基于深度学习的目标检测算法研究现状 |
| 1.3 本文内容安排 |
| 2 基于局部网络模块度增量的超像素分割算法 |
| 2.1 复杂网络理论和社团检测算法 |
| 2.2 SLIC超像素分割算法及其改进算法 |
| 2.3 LocalNet超像素分割算法 |
| 2.3.1 图像局部网络的构建 |
| 2.3.2 LocalNet算法 |
| 2.4 实验结果及分析 |
| 2.4.1 LocalNet超像素分割算法分析 |
| 2.4.2 计算复杂性分析 |
| 2.5 本章小结 |
| 3 结合局部度中心性的图像分割算法 |
| 3.1 复杂网络进行图像分割的一般框架 |
| 3.2 局部度中心性 |
| 3.3 LDCS算法 |
| 3.4 实验结果及分析 |
| 3.4.1 算法评估指标 |
| 3.4.2 算法有效性验证 |
| 3.5 本章小结 |
| 4 基于图像网络的运动目标检测算法 |
| 4.1 基于区域的运动目标检测算法 |
| 4.2 运动目标候选区域选择 |
| 4.3 运动目标区域的修正 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（5）基于图像识别的土石坝坝料级配检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 土石料级配检测方法研究进展 |
| 1.2.2 土石料图像识别技术研究进展 |
| 1.2.3 土石料形状量化分析与级配转换研究进展 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 基于灰度准则的传统土石料图像识别 |
| 2.1 基于灰度准则的图像识别与土石料图像特征分析 |
| 2.1.1 图像识别的预处理 |
| 2.1.2 土石料图像特征分析与特征提取 |
| 2.1.3 基于灰度准则的土石料图像识别基本原理 |
| 2.2 基于阈值化的土石料图像分割 |
| 2.2.1 图像阈值分割原理 |
| 2.2.2 土石料图像的形态学处理 |
| 2.2.3 土石料图像的边缘检测 |
| 2.2.4 基于阈值化算法的土石料图像分割 |
| 2.3 基于分水岭算法的土石料图像分割 |
| 2.3.1 分水岭算法基本原理 |
| 2.3.2 基于标记的分水岭算法 |
| 2.3.3 基于改进分水岭算法的土石料图像分割 |
| 2.4 本章小结 |
| 3 基于深度学习的土石料图像识别 |
| 3.1 基于深度学习的图像识别基本原理 |
| 3.1.1 神经网络基本原理 |
| 3.1.2 迁移学习 |
| 3.1.3 基于深度学习的土石料图像识别基本原理 |
| 3.2 基于Mask R-CNN的土石料图像分割 |
| 3.2.1 Mask R-CNN模型框架与基本原理 |
| 3.2.2 数据集准备 |
| 3.2.3 基于Mask R-CNN土石料图像分割模型实现 |
| 3.3 基于U-Net的土石料图像分割 |
| 3.3.1 U-Net模型框架与基本原理 |
| 3.3.2 基于U-Net的土石料图像分割模型实现 |
| 3.4 本章小结 |
| 4 土石料颗粒形态分析与级配转换研究 |
| 4.1 土石料颗粒形状特征量化分析 |
| 4.1.1 轮廓特征量化指标 |
| 4.1.2 棱角特征量化指标 |
| 4.1.3 土石料形状参数分析 |
| 4.2 基于二维形状特性的土石料级配分析 |
| 4.2.1 基于二维形状特性的级配分析原理 |
| 4.2.2 基于二维形状特性的级配分析实现 |
| 4.3 基于三维体积重建的土石料级配分析 |
| 4.3.1 基于三维体积重建的土石料级配分析原理 |
| 4.3.2 基于三维体积重建的土石料级配分析实现 |
| 4.4 本章小结 |
| 5 土石料级配检测系统原理与实现 |
| 5.1 基于图像的土石料级配检测系统 |
| 5.1.1 级配检测系统结构设计 |
| 5.1.2 级配检测系统模型样机 |
| 5.2 土石料级配检测系统原理——DO-CNN模型 |
| 5.2.1 基于双窗自适应的最大类间方差阈值化 |
| 5.2.2 卷积神经网络 |
| 5.2.3 深度阈值卷积模型框架与实现 |
| 5.3 基于图像的土石料级配检测 |
| 5.3.1 试验准备及模型评价指标 |
| 5.3.2 模型参数选择 |
| 5.3.3 模型检测结果及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要成果和结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（6）基于非局部各向异性结构张量的图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关方法研究与发展状况 |
| 1.3 主要研究内容 |
| 1.4 论文主体结构 |
| 第二章 相关分割方法简介 |
| 2.1 引言 |
| 2.2 聚类分割方法 |
| 2.2.1 K均值聚类算法 |
| 2.2.2 模糊C均值聚类算法 |
| 2.3 基于有限混合模型的分割方法 |
| 2.3.1 高斯混合模型 |
| 2.3.2 学生t分布混合模型 |
| 2.3.3 EM算法 |
| 2.4 本章小结 |
| 第三章 联合非局部各向异性结构张量的分层学生t混合模型图像分割 |
| 3.1 引言 |
| 3.2 非局部各向异性结构张量的加权均值模板 |
| 3.2.1 非局部各向异性结构张量 |
| 3.2.2 自适应加权均值模板 |
| 3.3 非局部各向异性结构张量的分层学生t混合模型 |
| 3.3.1 分割模型构建 |
| 3.3.2 模型参数学习 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于非局部各向异性结构张量的模糊C均值聚类图像分割 |
| 4.1 引言 |
| 4.2 基于线积分卷积的非局部各向异性结构张量 |
| 4.2.1 线积分卷积 |
| 4.2.2 非局部各向异性结构张量 |
| 4.3 基于直方图峰值点的聚类中心初始选择 |
| 4.4 基于非局部各向异性结构张量的模糊C均值聚类 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 个人信息 |
（7）基于模糊理论的图像分割算法改进与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 图像分割研究现状及技术难点 |
| 1.2.2 模糊聚类算法图像分割研究现状 |
| 1.2.3 深度学习图像分割算法研究现状 |
| 1.2.4 基于模糊理论与深度学习结合的算法研究现状 |
| 1.3 本文的研究目标和内容安排 |
| 2 相关理论基础及现有算法 |
| 2.1 模糊集理论 |
| 2.2 模糊C均值聚类算法 |
| 2.3 改进的模糊聚类图像分割算法 |
| 2.3.1 带空间信息约束的模糊聚类算法 |
| 2.3.2 增强模糊C均值聚类算法 |
| 2.3.3 模糊局部信息C均值聚类算法 |
| 2.4 卷积神经网络结构及相关基础 |
| 2.5 基于全卷积网络的语义分割算法 |
| 2.6 基于U-Net的高分辨率遥感影像分割 |
| 2.7 图像分割的评价标准 |
| 2.8 本章小结 |
| 3 基于上下文模糊C均值聚类的图像分割算法 |
| 3.1 引言 |
| 3.2 基于可靠度的空间相关性模型 |
| 3.2.1 基于可靠度的空间相关性模型构建 |
| 3.2.2 算法流程及公式推导 |
| 3.2.3 抗噪性能测试 |
| 3.3 实验结果与分析 |
| 3.3.1 合成图像的分割实验 |
| 3.3.2 交通标志图像的分割实验 |
| 3.3.3 脑磁共振图像的分割实验 |
| 3.3.4 遥感图像的分割实验 |
| 3.4 本章小结 |
| 4 基于模糊深度卷积神经网络的遥感图像分割 |
| 4.1 引言 |
| 4.2 模糊深度卷积神经网络框架 |
| 4.2.1 损失函数的选取 |
| 4.2.2 深度卷积子网 |
| 4.2.3 模糊学习模块 |
| 4.3 数据集介绍及实验设置 |
| 4.3.1 数据集介绍 |
| 4.3.2 实验设置 |
| 4.4 实验结果与分析 |
| 4.4.1 基于ISPRS数据集的图像分割实验 |
| 4.4.2 基于CCF数据集的图像分割实验 |
| 4.4.3 模糊模块的有效性验证 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
| 攻读硕士期间参与的会议 |
| 附录一 表目录 |
| 附录二 图目录 |
（8）基于联合显着性检测的遥感图像机场目标分割（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状与发展 |
| 1.2.1 遥感图像分割方法的研究现状 |
| 1.2.2 遥感图像机场目标分割的研究现状 |
| 1.2.3 联合显着性检测的发展和现状 |
| 1.3 存在的难点与挑战 |
| 1.4 研究思路和创新点 |
| 1.5 本文的内容与安排 |
| 第2章 相关理论介绍 |
| 2.1 视觉显着性检测 |
| 2.2 联合显着性检测 |
| 2.3 图像分割 |
| 2.4 数据增强 |
| 2.4.1 现有数据集介绍 |
| 2.4.2 数据集增强 |
| 2.4.3 灰度化 |
| 2.4.4 几何变换 |
| 2.4.5 图像增强 |
| 2.5 本章小结 |
| 第3章 基于跑道特征的遥感图像机场目标检测与分割方法 |
| 3.1 机场目标检测 |
| 3.2 基于显着性的遥感图像机场目标检测 |
| 3.3 Fast Straight Lines Detector算法 |
| 3.4 Hough-line直线检测算法 |
| 3.5 LSD直线分割算法 |
| 3.6 平行直线分割算法 |
| 3.7 本章小结 |
| 第4章 基于联合显着性检测的遥感图像机场目标分割方法 |
| 4.1 模型构建概述 |
| 4.2 联合显着性检测模块 |
| 4.3 超像素分割模块 |
| 4.4 轮廓提取模型 |
| 4.5 实验结果与分析 |
| 4.5.1 实验结果 |
| 4.5.2 消融实验 |
| 4.5.3 主观对比 |
| 4.5.4 客观对比 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
（9）基于深度学习的图像语义分割算法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容及主要工作 |
| 1.5 本文结构安排 |
| 第2章 相关基础理论研究 |
| 2.1 引言 |
| 2.2 深度学习 |
| 2.2.1 深度学习简介 |
| 2.2.2 卷积神经网络基本结构层 |
| 2.3 图像分割 |
| 2.3.1 图像分割简介 |
| 2.3.2 已有的图像分割算法 |
| 2.4 本章总结 |
| 第3章 基于特征融合的多阈值概率分割方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 MS R-CNN介绍 |
| 3.2.2 Cascade R-CNN介绍 |
| 3.3 基于特征融合的多阈值概率图像分割方法 |
| 3.3.1 主干网络 |
| 3.3.2 Region Proposal Network和 Region of Interest Align层 |
| 3.3.3 三个功能性分支 |
| 3.3.4 损失函数设计 |
| 3.4 实验 |
| 3.4.1 实验设置 |
| 3.4.2 使用不同主干网络的Multi-threshold Probabilistic R-CNN |
| 3.4.3 消融实验 |
| 3.4.4 与目前最先进的方法比较 |
| 3.5 本章总结 |
| 第4章 基于注意力机制的弱监督图像语义分割算法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 弱监督学习的图像语义分割简介 |
| 4.2.2 Boxsup算法介绍 |
| 4.3 基于注意力机制的弱监督图像语义分割算法 |
| 4.3.1 生成候选mask |
| 4.3.2 分割网络 |
| 4.3.3 Fill Rate损失以及损失函数设计 |
| 4.3.4 网络训练方法 |
| 4.4 实验 |
| 4.4.1 实验设置 |
| 4.4.2 语义分割的结果 |
| 4.4.3 消融实验 |
| 4.4.4 和最先进方法的比较 |
| 4.5 本章总结 |
| 第5章 改进算法在图像分割中的应用 |
| 5.1 引言 |
| 5.2 自动驾驶场景中图像语义分割 |
| 5.2.1 数据集 |
| 5.2.2 实验设置 |
| 5.2.3 实验结果及分析 |
| 5.3 医学图像分割 |
| 5.3.1 数据集 |
| 5.3.2 实验设置 |
| 5.3.3 实验结果及分析 |
| 5.4 本章总结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其它科研成果 |
| 三、参加项目 |
| 附件 |
（10）结合引导滤波和改进FCM的脑MR图像分割算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 MR成像技术及脑MR图像分割的难点 |
| 1.2.1 MR成像技术 |
| 1.2.2 脑MR图像分割的难点 |
| 1.3 脑MR图像分割研究现状 |
| 1.3.1 基于像素的分割方法 |
| 1.3.2 基于图谱的分割方法 |
| 1.3.3 基于活动轮廓的分割方法 |
| 1.4 研究内容与组织结构 |
| 1.4.1 本文研究内容 |
| 1.4.2 本文组织结构 |
| 1.5 本章小结 |
| 第2章 基于FCM算法的脑MR图像分割技术 |
| 2.1 模糊集与模糊聚类 |
| 2.1.1 模糊集理论 |
| 2.1.2 模糊聚类 |
| 2.2 FCM算法 |
| 2.2.1 FCM算法的基本原理 |
| 2.2.2 FCM算法流程 |
| 2.3 基于FCM的脑MR图像分割算法 |
| 2.4 本章小结 |
| 第3章 结合引导滤波和改进FCM的脑MR图像分割算法概述 |
| 3.1 算法概述 |
| 3.1.1 基于改进FCM的图像分割过程 |
| 3.1.2 结合引导滤波的图像修正过程 |
| 3.2 算法总结 |
| 3.3 本章小结 |
| 第4章 融合Tamura纹理特征的改进FCM脑 MR图像分割算法 |
| 4.1 基于融合特征的相似度计算方法 |
| 4.1.1 医学图像的纹理特征 |
| 4.1.2 Tamura纹理特征的提取 |
| 4.1.3 基于融合特征的相似度计算 |
| 4.2 基于模糊邻域关系的初始参数自适应选取方法 |
| 4.2.1 模糊邻域密度的计算 |
| 4.2.2 初始聚类中心的选择 |
| 4.3 算法总结 |
| 4.4 本章小结 |
| 第5章 基于引导滤波算法的像素修正方法 |
| 5.1 图像边缘保持算法的选择 |
| 5.1.1 非局部边缘保持算法 |
| 5.1.2 局部边缘保持算法 |
| 5.2 像素点修正方法 |
| 5.2.1 引导滤波算法计算过程 |
| 5.2.2 基于引导滤波算法的像素点修正过程 |
| 5.3 算法总结 |
| 5.4 本章小结 |
| 第6章 实验结果与分析 |
| 6.1 实验环境、数据与评价指标 |
| 6.1.1 实验环境与数据 |
| 6.1.2 实验评价指标 |
| 6.2 初始参数自适应选取方法性能分析 |
| 6.3 模拟脑MR图像实验 |
| 6.3.1 算法抗噪性分析 |
| 6.3.2 分割精确性分析 |
| 6.3.3 算法运行效率分析 |
| 6.4 真实脑MR图像实验 |
| 6.4.1 算法抗噪性分析 |
| 6.4.2 分割精确性分析 |
| 6.4.3 算法运行效率分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
四、一种图像分割算法的选择方法（论文参考文献）
- [1]基于群智能优化算法的带钢表面缺陷图像处理方法研究[D]. 张洪博. 长春工业大学, 2021(02)
- [2]基于最小生成树的图像分割方法研究[D]. 龙晓东. 西南大学, 2021(01)
- [3]基于机器视觉的高压铜触指毛刺图像分析与定位方法研究[D]. 韩丽丽. 西安理工大学, 2021
- [4]基于复杂网络的图像分割与运动目标检测算法研究[D]. 刘天利. 西安理工大学, 2021(01)
- [5]基于图像识别的土石坝坝料级配检测方法研究[D]. 雷雨萌. 西安理工大学, 2021
- [6]基于非局部各向异性结构张量的图像分割方法研究[D]. 孙雅慧. 南京信息工程大学, 2021(01)
- [7]基于模糊理论的图像分割算法改进与应用[D]. 赵甜雨. 烟台大学, 2021
- [8]基于联合显着性检测的遥感图像机场目标分割[D]. 边珍珠. 山东工商学院, 2021(12)
- [9]基于深度学习的图像语义分割算法及应用研究[D]. 刘建鑫. 齐鲁工业大学, 2021(10)
- [10]结合引导滤波和改进FCM的脑MR图像分割算法研究[D]. 乔颖婧. 太原理工大学, 2021(01)