基于卷积神经网络的超声图像分割

基于卷积神经网络的超声图像分割

论文摘要

随着海洋测探领域的不断发展,我国对声呐图像探测技术的需求不断提高,如何有效的获取及利用图像信息对后续图像的识别及分析有直接影响。针对声呐图像中目标的识别研究已经成为图像处理领域的重要研究内容。图像分割作为图像识别中的关键步骤,对目标的识别有重要影响。由于声呐图像是通过声呐探测系统在水中获得,因此,声呐图像通常会有严重的散斑噪声存在。声呐图像分割的目的就是从复杂的图像混响噪声中将目标亮区和阴影暗区进行有效提取,同时保留图像原始有效信息。目前,针对声呐图像的分割方法主要是在传统分割方法上的改进,图像分割准确度有待提高。通过分析,已有的声呐图像分割方法无法对各种类型的声呐图像都进行有效的分割,只能有效分割特定类别的声呐图像,而且对于噪声的抑制效果也不理想,最重要的是无法实现图像的自动分割。随着深度学习研究领域不断取得新的进展,人工神经网络越来越受到图像处理领域学者的青睐。卷积神经网络(CNN)在图像分类识别领域不断取得进步的同时,全卷积神经网络(Full convolution neural network,FCN)的出现为图像分割领域开辟了一个全新的发展方向。因此,本文利用全卷积神经网络对声呐图像分割进行了深度的研究,解决了上述传统声呐图像分割所具有的缺陷。文章首先对声呐图像的特性进行分析,得出声呐图像的噪声统计规律。采用双树复小波变换和自适应中值滤波相结合的图像滤波方法,这种滤波方式能够利用双树复小波变换的良好性能以及自适应中值滤波能够很好的去除脉冲噪声的特性,可以有效地去除声呐图像中散斑噪声;其次,声呐图像的散斑噪声统计规律服从瑞利分布,瑞利噪声的实现能够借由平均噪声来表示,以此特性为依据建立声呐图像训练及测试数据集。最后,利用全卷积神经网络完成声呐图像的分割。为了实现声呐图像精准分割,在全卷积神经网络结构基础上进而提出基于相对损失函数的全卷积神经网络模型(Full convolution neural network-Relative loss function)利用FCN在图像分割中具有接受任意尺寸图像输入并保留原始输入图像空间信息的优势,通过卷积神经网络自主学习,可以提高网络提取声呐图像特征的能力。改进基于均方差损失函数的(Full convolution neural network-Mean square error,FCN-MSE)学习规则,网络训练过程将目标区域及非目标区域像素均考虑在内,实现了对声呐图像进行像素级别的分割,从而解决模型训练过程误差过大,分割不够精确的缺陷。分割结果显示,改良后的算法使声呐图像的分割更加准确,而且该模型对声呐图像散斑噪声的抵制具有很好的鲁棒性。本文方法对海洋目标识别特种作业以及海底军事目标快速精准识别有着非常重要的作用。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  •   1.1 课题来源及研究的背景和意义
  •     1.1.1 课题来源
  •     1.1.2 课题研究背景及意义
  •   1.2 国内外研究现状综述
  •     1.2.1 图像分割研究现状
  •     1.2.2 声呐图像分割研究现状
  •   1.3 本文主要研究内容
  • 第2图像分割方法
  •   2.1 引言
  •   2.2 基于阈值的图像分割方法
  •   2.3 基于区域的图像分割方法
  •   2.4 基于边缘的图像分割方法
  •   2.5 基于卷积神经网络的图像分割方法
  •   2.6 本章小结
  • 第3章 神经网络及卷积神经网络理论
  •   3.1 引言
  •   3.2 神经网络基本理论
  •     3.2.1 神经元
  •     3.2.2 感知器与多层网络
  •     3.2.3 误差反向传播算法
  •   3.3 卷积神经网络
  •     3.3.1 卷积神经网络基本结构
  •     3.3.2 卷积神经网络功能层
  •     3.3.3 卷积神经网络学习规则
  •   3.4 本章小结
  • 第4章 全卷积神经网络声呐图像分割改进方法
  •   4.1 全卷积神经网络功能层
  •     4.1.1 卷积化
  •     4.1.2 上采样
  •     4.1.3 跳跃结构
  •   4.2 全卷积神经网络结构的建立
  •     4.2.1 全卷积神经网络具体结构
  •     4.2.2 全卷积神经网络模型参数设置
  •   4.3 全卷积神经网络学习算法及其改进
  •     4.3.1 基于均方差损失函数的FCN学习算法
  •     4.3.2 基于相对损失函数的FCN学习算法
  •   4.4 本章小结
  • 第5章 基于FCN声呐图像分割的对比研究
  •   5.1 声呐图像预处理及数据集建立
  •     5.1.1 声呐图像噪声统计分析
  •     5.1.2 声呐图像预处理
  •   5.2 声呐图像数据集建立
  •   5.3 基于全卷积神经网络的声呐图像分割及对比实验
  •     5.3.1 FCN最优参数确定
  •     5.3.2 FCN训练结果
  •     5.3.3 声呐图像特征提取
  •     5.3.4 实验评价指标
  •     5.3.5 声呐图像分割实验结果及分析
  •   5.4 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表的论文及其他成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 赵春宇

    导师: 焦圣喜

    关键词: 图像分割,全卷积神经网络,损失函数,像素分类

    来源: 东北电力大学

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑,信息科技

    专业: 物理学,工业通用技术及设备,计算机软件及计算机应用,自动化技术

    单位: 东北电力大学

    基金: 国家自然科学基金项目(61661038)

    分类号: TP391.41;TP183;TB566

    总页数: 69

    文件大小: 6386K

    下载量: 207

    相关论文文献

    • [1].基于粒子滤波的声呐图像目标跟踪算法研究[J]. 舰船科学技术 2019(03)
    • [2].基于自适应生长的声呐图像增强算法[J]. 电声技术 2014(06)
    • [3].一种利用迁移学习训练卷积神经网络的声呐图像识别方法[J]. 水下无人系统学报 2020(01)
    • [4].免疫粒子滤波在声呐图像目标跟踪中的应用[J]. 声学技术 2019(04)
    • [5].多波束声呐图像条带中央和边缘残差处理方法[J]. 海洋技术学报 2019(05)
    • [6].基于声呐图像去噪算法的应用分析[J]. 水雷战与舰船防护 2012(01)
    • [7].基于显著性检测的声呐图像快速降噪研究[J]. 西北工业大学学报 2019(01)
    • [8].基于声呐图像的水雷目标检测技术简述[J]. 数字海洋与水下攻防 2020(04)
    • [9].一种基于关联处理的声呐图像去噪技术[J]. 声学技术 2016(06)
    • [10].非下采样轮廓波变换的前视声呐图像融合[J]. 哈尔滨工程大学学报 2017(09)
    • [11].基于模糊增强算法的声呐图像目标增强研究[J]. 舰船科学技术 2020(15)
    • [12].基于声呐图像处理的船用水下目标识别技术研究[J]. 舰船科学技术 2018(04)
    • [13].基于声呐图像的水下目标检测、识别与跟踪研究综述[J]. 控制与决策 2018(05)
    • [14].基于声呐图像的常用滤波算法去噪效果比较[J]. 水雷战与舰船防护 2017(04)
    • [15].形态小波域声呐图像谱聚类去噪算法研究[J]. 传感器与微系统 2011(10)
    • [16].一种新的全变分块匹配声呐图像降噪算法研究[J]. 图学学报 2018(06)
    • [17].声呐图像分割中的改进Otsu算法[J]. 声学与电子工程 2018(02)
    • [18].Contourlet域下基于多尺度特征的声呐图像分割[J]. 计算机工程 2019(09)
    • [19].用于声呐图像处理的侧抑制模型改进算法[J]. 声学技术 2016(06)
    • [20].基于非下采样Contourlet网络的声呐图像重建[J]. 仪器仪表学报 2013(03)
    • [21].三维成像声呐图像重建研究[J]. 声学技术 2015(04)
    • [22].基于声呐图像序列SIFT特征的多目标跟踪方法研究[J]. 声学技术 2019(05)
    • [23].基于小波域多分辨率MRF的声呐图像目标分割[J]. 声学技术 2016(03)
    • [24].一种基于Canny检测算子的声呐图像边缘检测技术[J]. 公安海警学院学报 2019(02)
    • [25].基于海底底质回波特征的多波束声呐图像角度响应影响消除[J]. 武汉大学学报(信息科学版) 2018(08)
    • [26].济州岛南部海域海底声呐图像分析与声学底质分类[J]. 海洋学报(中文版) 2014(07)
    • [27].应用TBD的多波束声呐图像序列SIFT特征追踪[J]. 哈尔滨工程大学学报 2016(08)
    • [28].基于规一化割的声呐图像谱抠图分割[J]. 哈尔滨工程大学学报 2012(03)
    • [29].声呐图像中的混合噪声抑制方法[J]. 电声技术 2011(04)
    • [30].美国海军继续推进无人海上系统支持战略[J]. 舰船科学技术 2014(01)

    标签:;  ;  ;  ;  

    基于卷积神经网络的超声图像分割
    下载Doc文档

    猜你喜欢