一、基于四叉树和交叉熵的面向对象图像分割方法（论文文献综述）
王叶斐[1]（2021）在《多模型联合优化的图像视频编码关键技术研究》文中进行了进一步梳理随着如4K直播,远程会议,监控视频系统等应用的快速发展,图像视频数据量的爆炸式增长,海量图像视频数据的高效存储和传输给编码压缩技术带来前所未有的挑战。因此,探索更高效的图像视频压缩技术,进一步提升压缩的效率,是图像视频编码的根本目标。而编码问题本质是一个率失真优化问题。传统的编码方法主要采用了混合编码框架,这种方法依据图像处理以及计算机视觉的相关经验,通过人工设计算法如预测编码算法,变换编码算法,以及熵编码算法等一步步去除视频图像中的信息冗余,从而实现压缩。并在每一步通过多个不同压缩模式的优选来解率失真优化问题。但这种方法存在两个问题,一方面它首先高度依赖人工设计算法和参数调优,由于人工经验的局限性,在一些复杂或特殊场景下,算法的效率往往较低。另一方面不同模块的优化都是独立的,而没有考虑每个模块之间的联动,理论上会导致率失真优化处于局部最优。本文针对过去编码框架中多模型应用过程中存在的问题,首先研究在传统编码框架下的精准模型设计与多模型组合优选算法;然后将端到端压缩方法和传统框架结合,研究基于集成学习的端到端压缩算法;最后在此基础上将多模型编码代价也引入多模型训练,研究多模型率失真的联合优化。论文主要的研究工作与贡献如下:（1）本文针对传统编码框架下多模型精度差的问题,研究面向复杂场景的精准模型设计和多模型组合优化算法。对全景视频中存在的复杂运动畸变,首先从数学理论推导的角度设计一种基于球坐标变换的帧间预测运动模型,该运动模型可以更好刻画全景视频中的运动畸变。随后设计新运动模型的帧间编码算法,包括运动补偿算法和运动估计算法,并通过一些巧妙的方法简化算法并将其集成到现有编码框架。最后将新模型与现有框架中的多种运动模型相互融合,实现多运动模型的组合和快速优选算法。实验表明新运动模型和多模型组合优化方法可以有效提升帧间预测精度,提高对全景视频的压缩率,并降低解码复杂度。（2）本文针对传统编码框架中模块间无法联合优化问题,尝试进一步突破传统框架,将端到端网络压缩方法与传统框架相结合,并借助传统框架多模型优选的率失真优化方法的思想,解决端到端网络模型自适应差,复杂度高的问题,从而提出一种基于集成学习的端到端图像压缩框架。该框架采用分块自适应模型优选,本文为此框架的模型设计了多种模型生成算法,并采用如改进的提升方法,几何自集成等模型生成方法解决模型训练代价过高的问题,并同时保证模型的多样性。实验表明,基于集成学习的端到端图像压缩方法可以在不增加解码复杂度的情况下,有效提升压缩效率,反过来也可以在保证压缩效率情况下,减小解码复杂度。进一步的实验还证明了本文的方法具有良好的泛化能力。（3）本文针对多模型训练中并没有考虑多模型编码代价的问题,尝试将模型编码代价引入多模型训练,提出一种多模型率失真的联合优化方法,应用场景面向深度神经网络图像环路滤波。首先采用一种多模型联合训练的方法训练多个滤波网络,随后设计了一种在不同码率约束下控制模型的编码码率的方法。并通过基于退火的训练方法,解决模型训练中的坍缩问题。进一步地,设计了依据失真幅度的模型组优选+模型优选的两步优选方法,从而实现了比仅仅采用模型优选更优的率失真性能。在解码端通过图像块级自适应的两步模型优选,完成整个深度神经网络环路滤波的框架的构建。实验表明,该方法可以有效实现对多模型的编码码率控制,并且有效抑制模型坍缩,提高多模型深度神经网络滤波的率失真性能。
周爽[2]（2021）在《基于多准则直方图阈值集成与区域合并的高分影像分割方法研究》文中进行了进一步梳理随着对地观测技术的发展,高空间分辨率遥感影像（高分影像）获取越来越方便,应用越来越广泛,传统的基于像素的分类方法已经不能满足高分影像的处理需要,面向对象的方法逐渐变得更为重要,并在高分影像的分析中具有重要的地位。图像分割是面向对象分析中基本的也是最关键的环节。多数图像分割方法需要进行人工调参来获取最优分割结果,主观性较强且需要耗费大量时间。传统阈值分割方法在图像分割中应用广泛,但是直接采用直方图阈值分割遥感影像容易出现分割不足、分割结果中孤立像素多等问题,导致分割结果不理想,这很大程度上限制了直方图阈值分割方法在高分影像中的应用。基于以上两点,论文提出了基于多准则直方图阈值集成与区域合并的分割方法,并以WorldView-2正射影像的两个研究区为代表,采用支持向量机（SVM）分类器进行典型地表覆盖的监督分类,进行了方法的验证。主要内容和结论如下:（1）多准则直方图阈值集成分割方法的构建多准则直方图阈值集成方法包含单图像特征的分割集成和多图像特征的分割集成,后者在前者基础上进行。论文选用12种直方图阈值分割方法对图像原始特征进行阈值分割,首先分别将单图像特征的不同阈值分割结果进行叠加,构建单图像特征的同质区,并进行连通域分析和单像素处理,得到单图像特征的分割集成结果,然后将多个单图像特征分割集成结果相互叠置后进行连通域分析,得到多图像特征的分割集成结果。（2）适用于多准则直方图阈值集成的区域合并方法通过两级合并策略进行区域合并,两级合并均采用均方误差作为区域合并准则。第一级合并去除了初始分割结果中的孤立像素并减少第二级合并时间,因此当不存在像素数为1的区域时,合并终止;第二级合并采用自适应方法确定最佳合并尺度,基于逐步演化分析框架,通过区域合并过程中面积加权方差的逐步演化并结合一元线性回归确定了最佳区域合并尺度。（3）多准则直方图阈值集成分割方法在地表覆盖分类中的应用验证基于研究区1和研究区2,使用SVM分类器对典型的地表覆盖进行监督分类,对比基于本文方法分割对象的分类结果与基于像素分类、基于简单线性迭代聚类算法（SLIC）分割对象的分类、基于多分辨率（MRS）分割对象的分类结果。结果表明,两个研究区中基于本文方法分割对象的分类总体精度和Kappa系数分别为89.32%、89.28%和0.81、0.79,与基于像素分类、基于SLIC分割对象的分类、基于MRS分割对象的分类相比,基于本文方法分割对象的分类总体精度在第一个研究区分别提高了2.01%、8.15%、3.18%,在第二个研究区分别提高了9.17%、12.1%、2.83%,Kappa系数分别提高了0.03、0.14、0.06和0.13、0.2、0.05。本文方法可以在单一尺度上较好地分割出不同尺寸大小的地物,且在分割较小区域的植被中本文方法的分割效果最好。综上所述,本文提出的基于多准则直方图阈值集成与区域合并分割方法在地表覆盖分类中表现了良好的应用价值,总体精度优于基于像素的分类、基于简单线性迭代分割对象和基于多分辨率分割对象的分类。论文研究结果为面向对象的高分影像分割提供了参考和支持。
刘佳[3]（2021）在《面向不均衡样本的铝型材表面细微缺陷识别技术研究》文中研究指明铝型材作为工业型材的重要制品,工件缺陷检测是其生产流程中的重要工序,而表面细微缺陷检测作为工件缺陷检测的重要工作,影响着铝型材的实用性、外观性与舒适性。由于细微缺陷图像表征性差,样本难以采集,导致了样本空间的不均衡与细微缺陷的难以识别问题。然而目前并无行之有效的方法对不均衡样本空间的表面细微缺陷完成识别。为提升不均衡样本空间细微缺陷的识别精度,本文以铝型材表面缺陷作为研究对象,对铝型材表面缺陷样本数据进行了分析,并根据铝型材的生产工艺过程对其样本空间与细微缺陷的表征完成了总结,得到了不均衡样本与细微特征对分类精度的影响,提出了对不均衡样本空间与细微图像特征进行研究的必要性。提出了一种面向不均衡样本空间的铝型材表面细微缺陷识别方法,并构建数据均衡化模型与超分辨率融合分类模型,具体研究内容与主要结论如下:（1）针对铝型材工业图像样本空间不均衡问题,提出了基于全样本背景空间的数据均衡方法,该方法包含样本修复、特征判断与提取、均衡化采样,实现铝型材数据原始样本空间的均衡化;（2）针对表面细微缺陷难以识别问题,基于生成式对抗网络完成细微缺陷的超分辨率生成,其中包括细微缺陷的提取、超分辨率复原、特征融合,并构建基于残差机制的注意力分类模型,得到了分类精度更高的缺陷检测模型;（3）在上述研究的基础之上,配置实验软硬件环境平台,首先构建分类网络验证不均衡样本空间的均衡方法,随后对原始样本空间数据实现细微样本的划分与超分辨率特征提取,并搭建注意力机制模型,验证了针对细微缺陷的检测方法的优异性,证明了对分类检测任务来说,该方法可以从样本空间与模型结构两方面协同提升检测效果。
张汪[4]（2021）在《基于深度学习的食道癌分割技术研究与原型实现》文中研究说明食道癌作为生活中常见的一种癌症,其发病率和致死率都已经排在靠前的位置。当前诊断食道癌的影像主要有电子胃镜、超声内镜、计算机断层扫描、核磁共振等。医生在分析医疗影像时依赖于经验和专业技术,在诊断工作中容易出现耗时费力、精确度不高等问题。为了提升食道癌的确诊率,保障患者的生命健康,急需一种高效快捷的方式来辅助医生进行诊断。深度学习在图像处理领域已经取得了良好的成绩,它能够有效地对图像进行识别、分类以及目标区域的提取。利用深度学习来分析医学影像能够给食道癌的临床诊断带来了新的契机。本文的研究目的是基于深度学习的食道癌分割技术研究与实现,本文主要的研究内容如下:（1）针对传统人工对食道癌进行分割提取存在的问题,本文使用深度学习神经网络来进行病灶区域的分割。网络使用了编码器解码器结构作为主干部分,在模型中我们使用了双向循环结构,该结构在不增加模型参数的情况下能够多次提取特征信息。为了加快模型下收敛和增加模型的泛化能力,本文使用了批量归一化层。我们也利用残差结构来避免网络的性能退化。为了重点关注食道癌区域的特征信息,本文使用了注意力模块,该模块能够同时关注通道信息和空间信息。我们也使用多尺度模块提取不同尺度下模型的特征信息。（2）在使用神经网络进行图像分割时,数据的处理对最终的结果影响重大。本文在进行实验时需要从原始的医疗图像文件中提取其中的图像信息和标注信息。对获得的图像信息,使用窗口技术增大食道肿瘤区域和其他组织的对比度。在准备好实验数据之后,本文使用提出的网络模型进行了实验,同时也对比了一些经典的网络模型。实验结果证明,相比于U-Net网络,本文中使用的网络模型在Iou和Dice评价指标下分别提升了5%和9%。（3）本文实现了基于深度学习的食道癌辅助诊断系统。该系统能够利用多个神经网络模型对食道癌进行分割提取。系统使用Spring Boot框架实现,能够辅助医生进行诊断,提升诊断效率。
杨戬峰[5]（2020）在《单景多光谱影像云检测技术研究》文中研究说明遥感卫星是人们探测地球、感知地球的重要手段,光学遥感卫星获取的卫星影像能够直观地反映地表的各类信息,为国情普查、城市规划、农业调查、环境保护等提供信息支撑和保障。但是卫星采集的数据并非都能满足要求,其中一个主要的原因是云层的遮挡。在卫星地面应用系统预处理阶段,需要进行表观质量检测,计算每景影像云含量。在卫星影像实际应用中,需要精准剔除影像中的含云区域。因此准确地在影像上检测识别出云成为了光学遥感影像图像处理的必要过程。大部分光学遥感卫星具有摄影范围广、更新速度快的特点,但受限于卫星较少的波段数量和较窄的波谱范围,以及云层形态、纹理、亮度的复杂变化和地表高亮物体的影响,导致卫星影像产品的自动云检测始终存在一定的问题。基于上述背景,本文聚焦研究在较少波谱信息的单景遥感影像上快速、准确地云检测问题。主要工作概括如下:1、针对缺少高分辨率影像云检测数据集的问题,设计了面向对象的云掩膜提取方法并用于数据集构建。通过研究面向对象的遥感影像云层信息提取技术,并分析薄云、厚云、裸露地表、冰雪等对象在影像上的特征表现,来构建云检测知识库。在e Cognition平台上使用多尺度分割算法对不同下垫面的天绘一号卫星多光谱影像进行对象分割,然后利用最邻近分类法进行对象分类获得初始检测结果,而后结合人工分类编辑完成云掩膜图修正,最后根据数据集制作标准构建了云检测数据集。2、针对传统方法难以有效区分云和雪的问题,研究了基于深度学习的语义分割技术,并将其应用于遥感影像云和雪的检测。在Tensor Flow深度学习平台上,使用云检测数据集进行FCN、Seg Net、Deeplab等深度学习语义分割网络的训练实验,获得了云检测模型。实验结果表明,本文所构建的数据集可用于深度学习云检测模型的训练,训练模型能够区分影像中的云层、冰雪和裸露地面。3、设计了基于深度学习的单景多光谱影像云检测方法,并基于Py Qt5开发平台设计实现了天绘一号卫星多光谱影像云检测系统。该系统集成了数据集制作、基于深度学习的云检测模型训练、单景多光谱影像云检测、检测结果显示等功能模块,并在linux系统上实现了模型训练和效果显示的自动化和可视化。开展了天绘一号卫星多光谱影像云检测系统与天绘e Cognition云判系统对比实验,实验表明,基于深度学习的单景多光谱影像云检测方法相较于面向对象的方法,具有较快的检测速度,云检测正确率较高,在无薄云影响的影像上具有区分云和雪的能力。
韦玥[6]（2020）在《尿液细胞图像分割与识别算法研究与实现》文中研究指明尿液有形成分细胞分析对作为医学三大常规检查项目之一的尿液检测具有重要的参考价值,其分析方法主要有相差显微镜人工镜检以及各种类型的分析仪自动分析,但分别存在效率低和误差较大的问题,难以处理尿液检测中出现的海量有形成分细胞图像。目前,随着深度卷积神经网络的快速发展,越来越多的人将这些技术应用到尿液有形成分细胞分析中,为提高其分析结果的准确率提供了新的方法。尿液有形成分细胞分析识别的主要内容包括尿液图像中的红细胞、白细胞、结晶、管型等12类病理成分。该过程分为两个重要步骤,分割和识别,首先对尿液图像中的各类细胞分割提取,然后对提取出来的结果进行识别分类。由于分割算法和识别算法在尿液图像的具体应用方面研究较少,本文将针对尿液图像和细胞形态特点,围绕这两个方面工作进行研究。具体如下:（1）在尿液图像分割方面,针对尿液细胞形态复杂多变、灰度值相差大且细胞与背景之间梯度不一致的特点,设计了一种基于边缘检测自适应种子区域生长的尿液图像分割算法。该算法给出了进行种子区域生长时种子的选取方案和生长判决条件及生长过程,通过边缘检测的方法将种子选取在尿液图像的背景上并进行自适应阈值选取,能够对尿液图像中的有形成分细胞进行有效的分割。实验结果表明,与其他的分割算法相比,该算法具有更好的的分割效果和更高的鲁棒性。（2）在尿液有形成分图像识别方面,针对细胞个体相似性较高的特点,结合Goog Le Net网络的特征提取能力和SENet的特征通道学习能力,提出了一种压缩激励机制驱动的尿液细胞图像分类算法SE-Goog Le Net。该算法通过压缩操作和激励操作来学习细胞特征通道之间的依赖关系,并采用特征重标定提升重要特征在当前任务中的权重,能够获取更好的分类效果。针对各类细胞数量分布不平衡的问题,采用改进的类别重组法进行数据预处理,并提出了一种更适用于尿液细胞图像识别的损失函数Gauss Loss,该损失函数可以让模型将更多的注意力聚焦在中高等难度样本上,减少误标样本带来的影响,同时也保证易分类样本的权重不至于太低,也可以参与到损失函数的梯度优化中。通过对比实验表明,该算法在保证运行速度的情况下可以有效提升识别分类的准确率。结合所提出的尿液图像分割算法和有形成分细胞识别算法,设计并开发了尿液有形成分细胞分析软件,通过对软件功能的设计、实现和测试,可以分别完成对尿液图像的分割任务和对分割出的有形成分细胞图像的识别任务并进行结果展示,具有一定的灵活性和很好的应用价值。
陈强[7]（2020）在《基于图像块的空间域多聚焦图像融合方法研究》文中研究指明多聚焦图像融合是图像融合领域的一个重要研究方向,其能有效克服光学镜头聚焦范围有限的缺陷,将目标场景中处于不同距离的所有景物都清晰地呈现在一幅图像中。这不仅能有效提升图像信息的利用率,增强系统识别和目标探测的可靠性,还为图像的进一步处理如图像分割、目标识别、特征提取等提供良好的基础。目前,多聚焦图像融合已经广泛应用于目标识别、机器视觉等领域。在多聚焦图像融合中,基于空间域的融合方法直接在图像的像素空间上进行融合,可以更多地保留图像中的原始像素信息,具有图像像素一致性好等优点,是近年来国内外研究学者在该领域展开研究的重点。在现有的国内外研究基础上,本论文围绕基于图像块的空间域多聚焦图像融合展开研究。主要研究内容如下:（1）为提高基于空间域的多聚焦图像融合中对源图像聚焦程度度量的准确性,提出一种基于加权多尺度形态学梯度与均匀分块的图像融合方法。在获得源图像聚焦程度度量图的过程中,首先通过多尺度的形态学操作得到多尺度形态学梯度,然后分别通过尺度加权和距离加权获得加权多尺度形态学梯度。在图像分块过程中,为减少图像块同时包含聚焦区域像素和散焦区域像素的情况,将图像均匀分割为2?2大小图像块;并采用图像块与领域像素组成的6?6大小范围的值作为该图像块聚焦程度值。实验结果表明,此方法可以提高对图像中平滑区域聚焦程度度量的准确性。（2）为解决图像分块方法中图像块大小不容易确定的问题,提出一种基于密集SIFT描述符与自适应分块的图像融合方法。在获得源图像聚焦程度度量图的过程中,首先获得源图像的密集SIFT描述符图,然后将其作为聚焦程度度量图。在图像分块过程中,采用四叉树图像分块方法,根据图像聚焦分布情况决定图像块的分割,实现图像块大小的自适应选取。实验证明,此方法可以减少融合过程中“块效应”的产生,在主观视觉和客观评价指标方面可与现有多聚焦融合方法媲美。
翟磊[8]（2020）在《基于飞爬机器人平台的桥梁底部裂缝检测系统》文中研究说明近年来,随着基础设施建设迅猛发展,我国的桥梁建设不断向大跨度、重荷载、新材料方向发展。其中高铁桥梁、大跨公路桥梁、跨海大桥的建设都在不断地刷新着世界记录。伴随着桥梁设计、施工技术难点的逐步突破,桥梁的结构健康检测及状态评估也越来越受到重视。近年来,随着桥梁的服役时间和运营荷载压力的增加,导致桥梁垮塌事故频发,对我国的经济和人民生命安全造成了巨大的损失。目前我国的桥梁发展规划已经由大规模建设进入了建养并重的阶段。针对传统的桥梁检测中存在的自动化程度低、检测效率低、检测成本高和检测人员的生命安全缺乏保障等问题,本文提出了一种基于系留式飞爬机器人的桥梁底部裂缝检测系统。在分析了裂缝图像特点及桥梁底部裂缝检测工作的工程需求后,论文以飞爬机器人的机构设计、裂缝全景图像的拼接、裂缝目标的自动识别、桥梁底部裂缝自动识别和测量等关键技术进行了研究,设计了能自动检测桥底裂缝的视觉检测装置,并通过实验分析了其有效性和测量误差。论文绪论部分介绍了国内外现有的桥梁裂缝检测技术,在此基础上制定了通过系留式飞爬机器人平台获取桥梁底部图像,结合深度学习和图像处理技术识别裂缝的检测方案。正文部分主要工作内容包括:1、根据无人机和系留绳缆的动力学特性,从动力系统、爬行系统、图像采集系统三个方面出发,设计了适用于桥梁裂缝检测的飞爬机器人平台。2、对于获取的桥梁底部图像,提出了一种通过均匀化的ORB算子提取特征点,并通过随机抽样一致性和LM优化仿射变换矩阵的裂缝图像拼接算法,以实现桥梁底部裂缝图像的拼接。3、针对拼接后的裂缝全景图像提出了一种两段式的深度学习模型,能够完成裂缝图像的分割并判断该图像是否包含裂缝目标。4、最后基于深度学习得到的包含裂缝目标的图像,通过MSRCR增强和双边滤波处理后,提出了一种通过深度学习结果为灰度图像加权的自适应阈值分割方法和裂缝参数计算方法,并通过实验比较了该方法与人工测量结果,验证了其有效性和准确度。
郭宇[9]（2019）在《结合梯度与非局部均值的图像分割方法研究》文中认为图像分割是依据一定的相似性准则将图像分为几个有意义的、互不重叠的区域的一种图像处理办法。在同一区域内,图像的特征（如灰度、纹理、色彩）是相似的,而在不同的区域内,图像的特征则明显有所不同。阈值法因其简单实用的优点成为最常用的图像分割方法,但是它只利用了图像的灰度信息,在某些情况不能得到理想的分割结果。研究表明,同时考虑图像的灰度信息和像素间的空间相关性有助于改善分割结果,将像素之间的空间相关性引入阈值选择过程中,有利于改善分割结果,提高分割性能。在这方面,本论文利用非局部均值滤波和像素的局部梯度均值比率（Ratio）信息,通过构建二维直方图的方法,将像素间的空间邻域信息引入阈值分割过程中,具体来说,做了以下研究工作:首先,针对传统二维直方图忽略边缘信息的不足之处,提出了一种新的灰度-Ratio梯度二维直方图。灰度-Ratio梯度二维直方图由像素的局部梯度均值比率和灰度构成,它刻画了邻域内像素的灰度变化情况,同时,局部梯度均值比率只与比值有关而与均值大小无关,因此局部梯度均值比率可用一个全局阈值（T）与之进行比较,将两个参数结合到一起,从而提出一个新的二维直方图——一个关于灰度和均值比率的同时包含边缘信息的二维直方图——基于灰度-Ratio梯度二维直方图。然后在此基础上,本文给出了二维最小交叉熵阈值分割方法,获得了较好的分割效果。另外,针对传统的灰度-局部均值直方图会使图像模糊,丢失较多细节这一问题,提出了一种新的非局部均值二维直方图。该方法用图像像素邻域的非局部均值与图像灰度共同构造二维直方图。非局部均值滤波方法在保持更多的图像结构信息的同时,突破了传统滤波方法仅在图像局部较小邻域内加权平均的限制,与局部均值滤波相比,该方法可以在反映图像灰度的离散程度的同时较完整的保持图像中的细节信息。之后分析了相对熵的优点,在此基础上,进而提出基于灰度-非局部均值直方图的相对熵阈值分割方法,该方法在图像分割结果准确性上取得很好的效果。
孟祥海[10]（2019）在《基于改进Unet的脑腹部多模态影像分割》文中进行了进一步梳理深度学习是人工智能领域的基础,近几年,在图像处理中深度学习的应用广泛,基于图像的任务有很多,比如图像识别、目标检测、目标分割等……,本文主要研究医学影像分割。本文中我们的研究对象为核磁共振医学影像（MRI）和正电子发射型计算机断层扫描影像（PET）,分别为低场强的腹部MRI影像和脑部MRI和PET多模态医学影像。其中腹部MRI影像中的分割目标是胃部区域,属于人体自身器官,由于本文中腹部MRI影像主要辅助放疗过程中放疗仪聚焦,所以采用低场强MRI,使得影像质量较差,对比度低,胃部边缘模糊,不利于胃部分割,为得到良好的分割结果,本文提出了基于迁移自编码网络约束的全卷积神经网络分割方法。脑部影像的分割目标是癫痫病灶区域,属于脑组织病变区域。脑部影像主要包含MRI影像和PET影像,针对脑部MRI/PET多模态影像,本文提出了多模态特征融合的全卷积神经网络（Ynet）,该网络能够同时利用MRI和PET影像对癫痫病灶进行学习,并结合了前景背景互补的分割思想。综上,本文具体研究了以下三方面。（1）提出了一种基于胃部标签的自编码网络约束的全卷积神经网络迁移学习方法。采用全卷积神经网络U-net作为基本网络,并构造一个自编码网络用于学习胃部区域标签的结构信息,将训练好的自编码网络分别作用于腹部MRI影像的标签图和U-net网络对腹部MRI影像的分割结果图,分别生成两个重构图img1、img2,利用img1和img2构造一个Dice损失来引导U-net基本网络的优化方向。U-net网络结构是完全对称的,网络结构简单描述如下:四次下采样层,下采样层之间包含卷积核数目不同的卷积层,四次上采样层,上采样层之间同样包含卷积核数目不同的卷积层,下采样结构层又称作编码层,上采样结构层又称解码层,在编码层和解码层之间有跳跃连接层,跳跃连接层用来将浅层卷积特征和深层卷积特征融合,联合了高层语义和底层的细粒度表层信息,能够很好的符合分割对高层语义信息和底层细粒度表层信息的依赖。用U-net网络首先在高质量的腹部MRI影像上学习胃部区域的纹理信息,并且使用低质量影像的标签训练自编码网络,以学习胃部区域的轮廓、形状信息,再将学习好的网络在低质量的腹部影像上进行fine-tuning。（2）提出了一种基于多模态特征融合的前背景互补癫痫病灶分割方法。该多模态网络的两个支网络分别用于学习MRI影像特征和PET影像特征,支网络的网络结构采用U-net的编码解码结构。多模态网络的深层结构用于将支网络提取的MRI影像特征和PET影像特征进行特征融合,融合的方法我们采用了特征层叠加、特征层加权求和,实验表明特征叠加的方法更适用于癫痫病的多模态影像特征的融合和分割。另外,我们采用以上模型着重学习非癫痫病灶的背景区域,采用基于背景学习的模型和基于癫痫病灶的学习模型在决策级进行分割结果融合,实验表明结合基于背景的分割方法能够对仅基于前景分割的方法进行一个补充和改善。（3）对于医学影像数量少,不足以使网络充分学习影像数据分布规律的问题,前两个工作中我们采用了简单的图像处理方法进行图像扩充,这样扩充的数据与原始数据相似性较高。为了进一步充分利用有限的影像数据,我们提出了基于CycleGAN进行影像模态转换的癫痫病灶分割方法。首先利用CycleGAN训练学习MRI和PET影像之间的映射关系,从而能够实现两种模态之间的相互转换获取更多的样本。实验表明从MRI到PET的转换更具有真实性,使用生成的PET影像能够改善分割结果。
二、基于四叉树和交叉熵的面向对象图像分割方法（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、基于四叉树和交叉熵的面向对象图像分割方法（论文提纲范文）
（1）多模型联合优化的图像视频编码关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 简介 |
| 1.1 研究背景和意义 |
| 1.2 研究历史与现状 |
| 1.3 论文主要工作和内容安排 |
| 第2章 视频图像编码与深度学习基础 |
| 2.1 图像与视频编码的概念与框架 |
| 2.2 传统图像视频编码框架 |
| 2.2.1 JPEG |
| 2.2.2 JPEG 2000 |
| 2.2.3 HEVC标准 |
| 2.3 深度学习编码 |
| 2.3.1 深度学习基础 |
| 2.3.2 深度学习编码 |
| 2.4 集成学习基础 |
| 2.4.1 提升法 |
| 2.4.2 装袋法 |
| 第3章 面向全景视频的多运动模型联合优化 |
| 3.1 全景视频压缩概述 |
| 3.1.1 全景视频压缩概述 |
| 3.1.2 现有方法 |
| 3.1.3 本章贡献 |
| 3.2 算法框架 |
| 3.3 基于球坐标变换的运动模型 |
| 3.3.1 经纬图投影格式与球坐标变换 |
| 3.3.2 球坐标变换运动模型的推导与构建 |
| 3.4 球坐标变换运动模型的帧间预测算法 |
| 3.4.1 运动补偿算法 |
| 3.4.2 运动估计算法 |
| 3.4.3 合并模式算法 |
| 3.5 组合优化加速算法 |
| 3.6 编码与语法设计 |
| 3.7 实验 |
| 3.7.1 实验配置 |
| 3.7.2 测试结果分析 |
| 3.7.3 实验总结 |
| 3.8 本章小结 |
| 第4章 基于集成学习的端到端图像压缩 |
| 4.1 端到端图像压缩概述 |
| 4.1.1 动机 |
| 4.1.2 现有方法 |
| 4.1.3 本章贡献 |
| 4.2 框架 |
| 4.3 基于改进提升法的多模型训练 |
| 4.3.1 模型的多样性 |
| 4.3.2 基于改进提升法的模型生成方法 |
| 4.4 几何自集成 |
| 4.5 四叉树块划分 |
| 4.6 多概率分布模型 |
| 4.7 集成融合和模式选择 |
| 4.8 实验 |
| 4.8.1 实验设置 |
| 4.8.2 总体性能 |
| 4.8.3 消融实验 |
| 4.8.4 简化模型实验 |
| 4.8.5 计算复杂度分析 |
| 4.8.6 讨论 |
| 4.8.7 实验总结 |
| 4.9 本章小结 |
| 第5章 多模型率失真联合优化的深度神经网络图像环路滤波 |
| 5.1 研究背景 |
| 5.1.1 动机 |
| 5.1.2 现有方法 |
| 5.1.3 本章贡献 |
| 5.2 框架 |
| 5.3 多模型联合训练方法 |
| 5.4 基于退火思想的模型训练 |
| 5.5 基于残差幅度块级自适应模型组优选 |
| 5.6 实验 |
| 5.6.1 实验设置 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（2）基于多准则直方图阈值集成与区域合并的高分影像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 阈值分割 |
| 1.2.2 基于边缘的分割方法 |
| 1.2.3 基于区域的分割方法 |
| 1.2.4 其他方法 |
| 1.2.5 小结 |
| 1.3 研究目标、研究内容与技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文章节安排 |
| 第2章 研究区、数据与精度评价方法 |
| 2.1 研究区概况 |
| 2.2 遥感数据及预处理 |
| 2.2.1 遥感数据 |
| 2.2.2 数据预处理 |
| 2.3 地表覆盖真值及精度评价方法 |
| 2.3.1 地表覆盖真值 |
| 2.3.2 精度评价方法 |
| 第3章 多准则直方图阈值集成与区域合并分割方法 |
| 3.1 Mean Shift滤波法 |
| 3.2 直方图阈值法 |
| 3.2.1 直方图统计信息 |
| 3.2.2 常用的直方图阈值方法 |
| 3.2.3 本文选取的直方图阈值分割方法 |
| 3.3 多准则阈值集成方法 |
| 3.3.1 单图像特征的分割集成 |
| 3.3.2 多图像特征的分割集成 |
| 3.4 区域合并 |
| 3.4.1 区域合并准则 |
| 3.4.2 合并尺度选择 |
| 3.4.3 区域邻接图 |
| 3.4.4 两级合并 |
| 3.5 本章小结 |
| 第4章 面向对象的地表覆盖监督分类 |
| 4.1 对比方法及参数设置 |
| 4.1.1 基于像素的分类 |
| 4.1.2 分割对比方法及参数设置 |
| 4.2 特征提取和训练样本 |
| 4.2.1 特征提取 |
| 4.2.2 训练样本 |
| 4.3 SVM分类器 |
| 4.3.1 基本原理 |
| 4.3.2 分类器参数设置 |
| 4.4 结果及讨论 |
| 4.4.1 研究区1的结果分析 |
| 4.4.2 研究区2的结果分析 |
| 4.4.3 讨论 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（3）面向不均衡样本的铝型材表面细微缺陷识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 铝型材表面缺陷样本特征分析 |
| 2.1 铝型材生产工艺过程及缺陷成因分析 |
| 2.1.1 铝型材生产工艺过程 |
| 2.1.2 铝型材表面典型缺陷成因分析 |
| 2.2 缺陷图像样本特征分析 |
| 2.3 本章小结 |
| 第三章 面向全样本背景空间的图像数据均衡方法 |
| 3.1 不均衡样本空间数据均衡方法分析 |
| 3.2 基于全样本背景空间的铝型材图像数据均衡化方法构建 |
| 3.2.1 图像样本修复 |
| 3.2.2 缺陷特征判断与提取 |
| 3.2.3 样本均衡化采样 |
| 3.3 本章小结 |
| 第四章 基于超分辨率特征融合的表面细微缺陷分类模型 |
| 4.1 基于神经网络的图像超分辨率 |
| 4.1.1 神经网络分类模型 |
| 4.1.2 图像超分辨率与生成式对抗网络 |
| 4.2 基于超分辨率特征融合的表面细微缺陷分类模型构建 |
| 4.2.1 数据样本预处理 |
| 4.2.2 超分辨率特征提取融合 |
| 4.2.3 基于残差机制的注意力分类网络 |
| 4.2.4 样本表面缺陷分类流程 |
| 4.3 本章小结 |
| 第五章 实例验证 |
| 5.1 实验环境搭建与评价指标 |
| 5.1.1 实验数据准备 |
| 5.1.2 实验环境搭建与模型参数设置 |
| 5.1.3 实验评价指标 |
| 5.2 数据均衡化模型运行结果与分析 |
| 5.3 细微缺陷分类模型运行结果验证与分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士期间科研成果 |
（4）基于深度学习的食道癌分割技术研究与原型实现（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 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 相关理论知识 |
| 2.1 图像分割 |
| 2.1.1 图像分割概述 |
| 2.1.2 传统图像分割方法 |
| 2.2 人工神经网络 |
| 2.2.1 神经元 |
| 2.2.2 损失函数 |
| 2.2.3 优化算法 |
| 2.2.4 激活函数 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.4 本章小结 |
| 第三章 食道癌分割模型设计 |
| 3.1 网络结构设计 |
| 3.1.1 基础网络结构 |
| 3.1.2 使用双向循环结构多次提取特征 |
| 3.1.3 模型加速收敛 |
| 3.1.4 网络性能退化的避免 |
| 3.2 卷积注意力结构的模块设计 |
| 3.3 多尺度特征提取模块设计 |
| 3.3.1 多尺度特征融合模块 |
| 3.3.2 双线性插值上采样 |
| 3.3.3 改进的损失函数 |
| 3.4 本章小结 |
| 第四章 实验与分析 |
| 4.1 评价指标 |
| 4.2 实验流程 |
| 4.3 数据处理 |
| 4.3.1 数据集介绍 |
| 4.3.2 DICOM格式分析 |
| 4.3.3 目标区域提取 |
| 4.3.4 基于窗口技术的预处理 |
| 4.3.5 数据归一化 |
| 4.3.6 数据增强 |
| 4.4 实验环境和参数设置 |
| 4.5 实验结果与分析 |
| 4.5.1 双向循环结构对分割结果影响 |
| 4.5.2 残差模块对分割结果影响 |
| 4.5.3 注意力模块对分割结果影响 |
| 4.5.4 多尺度特征融合对分割结果影响 |
| 4.5.5 实验对比 |
| 4.6 本章小结 |
| 第五章 基于深度学习的食道癌辅助诊断系统 |
| 5.1 系统目标 |
| 5.1.1 系统的功能性需求分析 |
| 5.1.2 系统的非功能性需求分析 |
| 5.2 系统设计与实现 |
| 5.2.1 系统总体架构 |
| 5.2.2 系统主要模块 |
| 5.2.3 系统主要流程 |
| 5.2.4 系统数据库设计 |
| 5.2.5 界面设计 |
| 5.3 开发环境 |
| 5.4 系统测试 |
| 5.4.1 系统功能测试 |
| 5.4.2 系统性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的主要成果 |
（5）单景多光谱影像云检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 传统云检测方法 |
| 1.2.2 基于深度学习的云检测方法 |
| 1.2.3 发展动态分析 |
| 1.3 论文技术路线 |
| 1.4 主要研究内容与结构安排 |
| 1.4.1 面向对象的云掩膜提取方法设计 |
| 1.4.2 云检测数据集构建方案 |
| 1.4.3 基于深度学习的云检测实现 |
| 第二章 面向对象的云层信息提取技术 |
| 2.1 图像分割技术 |
| 2.1.1 基于边缘检测的图像分割 |
| 2.1.2 基于阈值的图像分割 |
| 2.1.3 基于区域的图像分割 |
| 2.2 基于面向对象技术的图像分类方法 |
| 2.2.1 阈值分类法 |
| 2.2.2 隶属度函数分类法 |
| 2.2.3 最邻近分类法 |
| 2.3 影像特征分析与描述 |
| 2.3.1 光谱特征 |
| 2.3.2 纹理特征 |
| 2.3.3 几何特征 |
| 2.3.4 自定义特征 |
| 2.4 云检测知识库构建 |
| 2.4.1 云的分类 |
| 2.4.2 云层成像特点 |
| 2.4.3 云对象特征分析 |
| 2.5 本章小结 |
| 第三章 云检测数据集制作方法 |
| 3.1 数据选取与预处理 |
| 3.1.1 天绘一号卫星影像介绍 |
| 3.1.2 含云影像选取 |
| 3.2 标签软件介绍 |
| 3.2.1 Labelme标签软件 |
| 3.2.2 eCognition平台 |
| 3.3 云掩膜提取方法 |
| 3.3.1 流程设计 |
| 3.3.2 数据预处理 |
| 3.3.3 影像分割 |
| 3.3.4 云层粗分类 |
| 3.3.5 分类结果精化 |
| 3.4 数据集构建方案 |
| 3.4.1 图像裁切 |
| 3.4.2 数据增强 |
| 3.4.3 数据集划分 |
| 3.5 本章小结 |
| 第四章 基于深度学习的云检测方法 |
| 4.1 卷积神经网络结构 |
| 4.1.1 卷积层 |
| 4.1.2 激活函数 |
| 4.1.3 池化层 |
| 4.1.4 全连接层与分类 |
| 4.1.5 网络训练 |
| 4.2 全卷积神经网络与语义分割 |
| 4.2.1 FCN |
| 4.2.2 Seg Net |
| 4.2.3 Deeplab |
| 4.3 基于Tensorflow的云检测模型训练 |
| 4.3.1 训练平台Tensor Flow介绍 |
| 4.3.2 TFRecord格式数据介绍 |
| 4.3.3 模型评价标准 |
| 4.3.4 模型训练 |
| 4.4 本章小结 |
| 第五章 天绘一号卫星多光谱影像云检测软件系统 |
| 5.1 单景影像云检测方法设计 |
| 5.2 云检测实验系统设计 |
| 5.2.1 系统总体设计 |
| 5.2.2 系统实现环境 |
| 5.2.3 系统详细设计与实现 |
| 5.3 检测结果对比分析 |
| 5.3.1 分割精度评价标准 |
| 5.3.2 对比分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）尿液细胞图像分割与识别算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割国内外研究现状 |
| 1.2.2 图像识别国内外研究现状 |
| 1.3 本文研究工作及难点 |
| 1.4 本文章节安排 |
| 第二章 图像分割与卷积神经网络相关理论介绍 |
| 2.1 图像分割基本算法 |
| 2.1.1 基于边缘的分割 |
| 2.1.2 基于区域的分割 |
| 2.2 卷积神经网络 |
| 2.2.1 基本结构 |
| 2.2.2 Inception |
| 2.2.3 SENet |
| 2.3 本章小结 |
| 第三章 基于边缘检测自适应种子区域生长的尿液图像分割算法 |
| 3.1 尿液图像分割算法分析 |
| 3.2 尿液图像分割算法设计 |
| 3.3 基于边缘检测自适应种子区域生长的尿液图像分割算法 |
| 3.3.1 种子区域生长算法 |
| 3.3.2 种子选取条件分析 |
| 3.3.3 边缘检测自适应种子选取方案 |
| 3.3.4 生长判决条件及生长过程 |
| 3.4 实验与分析 |
| 3.4.1 边缘检测自适应种子区域生长算法对比实验 |
| 3.4.2 尿液细胞图像提取实验结果 |
| 3.5 本章小结 |
| 第四章 压缩激励机制驱动的尿液细胞图像识别算法 |
| 4.1 尿液细胞图像识别算法设计 |
| 4.2 尿液细胞图像识别数据集介绍 |
| 4.2.1 数据集分类 |
| 4.2.2 数据集处理 |
| 4.3 压缩激励机制驱动的尿液细胞图像识别算法 |
| 4.3.1 SE-Inception |
| 4.3.2 压缩激励机制驱动的GoogLeNet |
| 4.3.3 损失函数设计 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 对比实验与分析 |
| 4.5 本章小结 |
| 第五章 尿液细胞分析软件设计与实现 |
| 5.1 软件框架设计 |
| 5.2 软件功能设计与实现 |
| 5.2.1 软件功能设计 |
| 5.2.2 软件功能实现 |
| 5.3 软件测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于图像块的空间域多聚焦图像融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 多聚焦图像融合研究现状 |
| 1.2.1 变换域多聚焦图像融合 |
| 1.2.2 空间域多聚焦图像融合 |
| 1.2.3 研究难点 |
| 1.3 研究内容及论文结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构安排 |
| 第2章 空间域多聚焦图像融合理论 |
| 2.1 空间域多聚焦图像融合方法综述 |
| 2.1.1 基于像素的多聚焦图像融合方法 |
| 2.1.2 基于图像块的多聚焦图像融合方法 |
| 2.1.3 基于聚焦区域分割的多聚焦图像融合方法 |
| 2.2 多聚焦图像聚焦特性评价 |
| 2.3 多聚焦融合图像质量检测 |
| 2.3.1 主观评价方法 |
| 2.3.2 客观评价方法 |
| 2.4 本章小结 |
| 第3章 基于加权多尺度形态学梯度与均匀分块的图像融合方法 |
| 3.1 引言 |
| 3.2 算法框架 |
| 3.3 加权多尺度形态学梯度 |
| 3.4 图像分块及融合图像的生成 |
| 3.4.1 图像分块 |
| 3.4.2 融合图像的生成 |
| 3.5 实验结果分析 |
| 3.5.1 加权多尺度形态学梯度性能评价 |
| 3.5.2 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于密集SIFT描述符与自适应分块的图像融合方法 |
| 4.1 引言 |
| 4.2 算法框架 |
| 4.3 密集SIFT描述符 |
| 4.4 改进的四叉树图像分块 |
| 4.5 实验结果分析 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 后续工作及展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（8）基于飞爬机器人平台的桥梁底部裂缝检测系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外桥梁底部裂缝无损检测技术研究现状 |
| 1.2.2 国内外桥检无人机研究现状 |
| 1.2.3 国内外裂缝图像处理研究现状 |
| 1.3 研究内容及关键技术 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要研究内容拟解决关键技术 |
| 1.4 论文安排 |
| 1.5 本章小结 |
| 第二章 系留式飞爬机器人平台结构设计 |
| 2.1 系留式无人机受力分析 |
| 2.2 系留式飞爬机器人平台设计 |
| 2.2.1 总体布局方案 |
| 2.2.2 动力系统设计 |
| 2.2.3 爬行装置设计 |
| 2.2.4 图像采集装置设计 |
| 2.3 无人机样机制作 |
| 2.4 本章小结 |
| 第三章 混凝土裂缝图像拼接算法研究 |
| 3.1 拼接算法流程 |
| 3.2 特征点提取 |
| 3.2.1 SURF算子 |
| 3.2.2 ORB算子 |
| 3.2.3 改进的ORB算子 |
| 3.3 图像配准 |
| 3.3.1 K-NN特征点匹配 |
| 3.3.2 K-D树查询特征点 |
| 3.3.3 RANSAC优化特征点匹配 |
| 3.3.4 LM算法优化 |
| 3.4 拼接图像优化 |
| 3.4.1 光束法平差 |
| 3.4.2 图像融合 |
| 3.5 图像拼接实验 |
| 3.6 本章小结 |
| 第四章 基于深度学习的混凝土裂缝快速识别算法研究 |
| 4.1 整体网络设计 |
| 4.2 特征提取 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 上采样 |
| 4.2.4 激活函数 |
| 4.2.5 批量归一化 |
| 4.3 网络的训练 |
| 4.3.1 损失函数 |
| 4.3.2 训练参数 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境介绍 |
| 4.4.2 分割网络评价 |
| 4.4.3 分类网络实验结果 |
| 4.5 本章小结 |
| 第五章 混凝土表面裂缝测量算法研究 |
| 5.1 图像预处理 |
| 5.1.1 图像增强 |
| 5.1.2 滤波去噪 |
| 5.2 图像二值化 |
| 5.2.1 常规全局阈值方法 |
| 5.2.2 常规局部阈值分割方法 |
| 5.2.3 深度学习结果加权的自适应阈值分割方法 |
| 5.3 裂缝细化 |
| 5.4 裂缝宽度计算 |
| 5.5 参数计算实验 |
| 5.5.1 滤波算法对于裂缝参数计算的误差分析 |
| 5.5.2 深度学习结果加权的自适应阈值分割方法对计算结果的误差分析 |
| 5.5.3 裂缝参数计算误差 |
| 5.6 本章小节 |
| 结论与展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）结合梯度与非局部均值的图像分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 图像分割技术研究现状 |
| 1.2.1 传统的图像分割方法 |
| 1.2.2 结合特定理论工具的分割方法 |
| 1.2.3 基于人工智能的图像分割方法 |
| 1.3 图像分割的评价方法 |
| 1.3.1 分析法 |
| 1.3.2 实验法 |
| 1.4 本文的主要工作及结构安排 |
| 第2章 图像直方图和熵阈值法 |
| 2.1 图像直方图 |
| 2.1.1 一维直方图 |
| 2.1.2 二维直方图 |
| 2.2 熵阈值法 |
| 2.2.1 Shannon熵 |
| 2.2.2 交叉熵阈值法 |
| 2.2.3 相对熵阈值法 |
| 2.3 本章小结 |
| 第3章 基于灰度-Ratio梯度二维直方图的分割方法 |
| 3.1 引言 |
| 3.2 灰度-Ratio梯度二维直方图 |
| 3.2.1 Ratio梯度 |
| 3.2.2 灰度-Ratio梯度二维直方图的构造 |
| 3.3 基于最小交叉熵的图像阈值分割 |
| 3.3.1 交叉熵 |
| 3.3.2 基于最小交叉熵的灰度-Ratio二维直方图阈值选择 |
| 3.4 实验结果及讨论 |
| 3.5 本章小结 |
| 第4章 基于非局部均值二维直方图的分割方法 |
| 4.1 引言 |
| 4.2 非局部均值二维直方图 |
| 4.2.1 非局部均值滤波器 |
| 4.2.2 非局部均值直方图(NLMTDH)的构造 |
| 4.3 基于相对熵的图像阈值分割 |
| 4.3.1 相对熵 |
| 4.3.2 基于相对熵的NLMTDH阈值选择 |
| 4.4 实验结果及讨论 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（10）基于改进Unet的脑腹部多模态影像分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文章节安排 |
| 第二章 卷积神经网络的理论基础 |
| 2.1 卷积神经网络的架构原理 |
| 2.1.1 卷积层结构 |
| 2.1.2 激活层 |
| 2.1.3 batch normal层 |
| 2.1.4 池化层 |
| 2.1.5 Dropout层 |
| 2.1.6 全连接层 |
| 2.2 常用损失函数 |
| 2.2.1 0-1损失函数 |
| 2.2.2 平方损失函数 |
| 2.2.3 绝对损失函数 |
| 2.2.4 对数损失函数 |
| 2.2.5 交叉熵损失 |
| 2.3 常见的深度学习框架 |
| 第三章 基于迁移自编码网络约束的MRI胃部区域分割 |
| 3.1 引言 |
| 3.2 相关理论基础 |
| 3.2.1 迁移学习理论基础 |
| 3.2.2 自编码网络理论基础 |
| 3.3 U-net网络 |
| 3.4 基于迁移自编码网络的分割方法 |
| 3.4.1 形状表达模型 |
| 3.4.2 U-net的迁移学习 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据及实验环境 |
| 3.5.2 数据说明及预处理 |
| 3.5.3 对比实验与分割结果 |
| 3.6 本章小结 |
| 第四章 基于多模态特征融合的前背景互补癫痫病灶分割 |
| 4.1 引言 |
| 4.2 癫痫病灶定位的医学手段 |
| 4.2.1 电生理方法 |
| 4.2.2 影像学方法 |
| 4.2.3 核医学方法 |
| 4.3 多模态影像特征融合的前背景互补分割方法 |
| 4.3.1 全卷积神经网络提取影像特征 |
| 4.3.2 全卷积神经网络特征融合实验 |
| 4.3.3 多模态影像特征融合的前背景互补分割方法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据及实验环境 |
| 4.4.2 数据预处理 |
| 4.4.3 对比实验与分割结果 |
| 4.5 本章小结 |
| 第五章 基于Cycle GAN网络跨模态的癫痫病灶分割 |
| 5.1 引言 |
| 5.2 Cycle GAN网络 |
| 5.3 基于Cycle GAN的模态转换 |
| 5.4 Cycle GAN网络模态转换的病灶分割模型 |
| 5.5 实验结果与讨论 |
| 5.5.1 实验环境 |
| 5.5.2 实验结果及对比实验 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、基于四叉树和交叉熵的面向对象图像分割方法（论文参考文献）
- [1]多模型联合优化的图像视频编码关键技术研究[D]. 王叶斐. 中国科学技术大学, 2021(09)
- [2]基于多准则直方图阈值集成与区域合并的高分影像分割方法研究[D]. 周爽. 南京师范大学, 2021
- [3]面向不均衡样本的铝型材表面细微缺陷识别技术研究[D]. 刘佳. 昆明理工大学, 2021(01)
- [4]基于深度学习的食道癌分割技术研究与原型实现[D]. 张汪. 电子科技大学, 2021(01)
- [5]单景多光谱影像云检测技术研究[D]. 杨戬峰. 战略支援部队信息工程大学, 2020(03)
- [6]尿液细胞图像分割与识别算法研究与实现[D]. 韦玥. 西安电子科技大学, 2020(05)
- [7]基于图像块的空间域多聚焦图像融合方法研究[D]. 陈强. 重庆邮电大学, 2020(02)
- [8]基于飞爬机器人平台的桥梁底部裂缝检测系统[D]. 翟磊. 长安大学, 2020(06)
- [9]结合梯度与非局部均值的图像分割方法研究[D]. 郭宇. 燕山大学, 2019(03)
- [10]基于改进Unet的脑腹部多模态影像分割[D]. 孟祥海. 西安电子科技大学, 2019(02)