基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法研究

查志華 鄧紅濤 田敏

摘? ?要：隨著科技的快速發(fā)展，在人們的日常生活中，圖像信息所占的比重越來越大，帶動(dòng)了圖像處理領(lǐng)域的發(fā)展，其中，圖像分割屬于理解圖像內(nèi)容的一個(gè)重要條件，因而在該領(lǐng)域備受關(guān)注和重視。未來，與某些領(lǐng)域相結(jié)合的圖像分割技術(shù)，尤其是基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法，將會(huì)為圖像分割開辟全新的方向。文章介紹了圖像分割算法的現(xiàn)狀，并提出基于卷積神經(jīng)網(wǎng)絡(luò)圖像分割算法的改進(jìn)策略，以改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，優(yōu)化卷積網(wǎng)絡(luò)圖像分割算法。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);圖像分割;分割算法

在生活中，越來越多的領(lǐng)域應(yīng)用到圖像分割，特別是醫(yī)學(xué)圖像。圖像分割算法有助于準(zhǔn)確地判斷患者的病變部位，為醫(yī)生更好地診治提供便利。不過因?yàn)槿菀资艿酵饨缭肼暤母蓴_，加之醫(yī)療儀器的缺陷，醫(yī)學(xué)圖像成像受到影響。當(dāng)前圖像分割算法尚未滿足任何圖像分割需求，傳統(tǒng)的圖像分割方法受圖像本身限制嚴(yán)重，因而未來圖像分割技術(shù)與某些領(lǐng)域結(jié)合，成為一個(gè)新的探索方向。

1? ? 圖像分割算法的現(xiàn)狀

1.1? 圖像分割算法的重要意義

隨著計(jì)算機(jī)信息技術(shù)的快速發(fā)展，人們?nèi)粘Ｉ钆c工作，越來越依賴計(jì)算機(jī)獲取信息和解決問題。因此，在應(yīng)用計(jì)算機(jī)過程中，圖像信息的處理成為一個(gè)重要的研究方向。人類的視覺處理系統(tǒng)功能強(qiáng)大，周圍環(huán)境的圖像信息都是由眼睛來獲取，這種方式既簡單又有效率。

數(shù)字圖像是圖像展示方式之一，將圖像信息以像素或者二維碼的形式保存。數(shù)字圖像信息量大、內(nèi)容豐富、抽象復(fù)雜[1]，如何從中獲取有效信息成為重點(diǎn)研究工作。

處理圖像信息的重要手段就是計(jì)算機(jī)技術(shù)，推動(dòng)圖像工程的發(fā)展，其中，圖像分割算法成為處理圖像內(nèi)容的根本條件。

雖然當(dāng)前已發(fā)現(xiàn)多種圖像分割方法，但是卻沒有一個(gè)具有權(quán)威性的分割標(biāo)準(zhǔn)。一些具有特色的方法，也只能在特定的領(lǐng)域與圖像特性下應(yīng)用。隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)條件的發(fā)展成熟，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法也受到更多人的關(guān)注，其不再只局限于單張圖像，而是在圖像數(shù)據(jù)集的基礎(chǔ)上，不斷歸納和總結(jié)，在分割算法過程中逐步修正，最終獲得相似圖像的全部信息。在圖像分割過程中，由于加入了像素和像素的位置關(guān)系，因而有助于圖像噪聲的處理[2]。

隨著圖像分割技術(shù)的不斷成熟發(fā)展，其當(dāng)前被廣泛應(yīng)用在工業(yè)、軍事、交通、醫(yī)學(xué)等多個(gè)領(lǐng)域，特別是在醫(yī)學(xué)領(lǐng)域，圖像分割技術(shù)的應(yīng)用較為廣泛。將圖像根據(jù)已設(shè)定的標(biāo)準(zhǔn)分割成不同的部分，并從圖像中將所需區(qū)域進(jìn)行標(biāo)記，使其最大限度地接近解剖結(jié)果，為醫(yī)生診斷提供準(zhǔn)確的信息依據(jù)。

由此可見，基于卷積神經(jīng)網(wǎng)絡(luò)圖像分割算法的研究，不僅有助于提升技術(shù)發(fā)展，而且對實(shí)際應(yīng)用有著重要作用。

1.2? 圖像分割算法的現(xiàn)狀

當(dāng)前，圖像分割算法在我國實(shí)際發(fā)展中，尚未形成一個(gè)適用于所有圖像的分割方法，也沒有一個(gè)滿足所有領(lǐng)域要求的分割標(biāo)準(zhǔn)。圖像分割技術(shù)目前還沒有被廣泛接受的理論。基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法，通過神經(jīng)網(wǎng)絡(luò)從大量的圖像數(shù)據(jù)獲得一個(gè)決策函數(shù)，針對圖像像素的類別進(jìn)行判斷，最后實(shí)現(xiàn)圖像分割。基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法，既注重圖像集的整體性，又結(jié)合了神經(jīng)網(wǎng)絡(luò)的優(yōu)勢[3-4]。

1.3? 未來圖像分割算法的發(fā)展方向

基于技術(shù)發(fā)展分析，未來圖像分割算法的研究方向有4個(gè)。

（1）針對傳統(tǒng)分割算法的不足之處尋找改進(jìn)方法。（2）新理論、新工具及新方法為圖像算法提供了更多的技術(shù)支持，通過多種方法融合，提升圖像分割的效果。（3）重視加強(qiáng)交互式分割的應(yīng)用，在圖像分割中融入主觀指導(dǎo)理念，解決傳統(tǒng)圖像分割算法中遇到的問題。（4）對特殊領(lǐng)域圖像分割算法的研究。

2? ? 現(xiàn)階段圖像分割方法

當(dāng)前，圖像分割算法涵蓋閾值分割、區(qū)域分割、邊緣分割以及基于能量泛函分割等方法。這些分割方法主要應(yīng)用在數(shù)字圖像本身，具有性能穩(wěn)定的特點(diǎn)。

閾值分割算法，在灰度圖像中選取一個(gè)或多個(gè)灰度值作為閾值，根據(jù)介于最低灰度值與最高灰度值之間的選取原則，按照此閾值劃分圖像的像素，進(jìn)而實(shí)現(xiàn)圖像的分割。閾值分割法適合分割物體與背景對比度較大的圖像[5]。

基于閾值分割算法中缺乏像素相關(guān)性的局限性，在區(qū)域分割算法中加入像素之間的空間關(guān)系，將某異形之下相同或相似的像素劃分到同一個(gè)區(qū)域中。區(qū)域分割算法分為區(qū)域生長法和分裂合并法兩種，通過單個(gè)像素合并周圍像素，最后，形成一個(gè)區(qū)域。

邊緣分割算法，是對邊緣的分割，運(yùn)用某種方法尋找區(qū)域的邊界從而實(shí)現(xiàn)分割圖像，這些圖像的邊緣多處于圖像中不連續(xù)的位置。

基于能量泛函的分割，是指利用活動(dòng)輪廓模型進(jìn)行圖像的分割，將圖像邊界以一條連續(xù)的曲線替代，并用定義能量函數(shù)的自變量表達(dá)曲線，由此將圖像分割演化成不斷求取能量函數(shù)值的過程。

3? ? 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法

卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）[6]領(lǐng)域當(dāng)前備受學(xué)者關(guān)注。CNN在圖像處理方面具有優(yōu)化預(yù)處理操作的優(yōu)勢。

卷積神經(jīng)網(wǎng)絡(luò)組織結(jié)構(gòu)分為特征提取層和特征映射層。其中，特征提取層用以提取圖像中的局部特征，將上一層局部接受域輸出，作為這一層神經(jīng)元的輸入。特征映射層在卷積神經(jīng)網(wǎng)絡(luò)中，以若干個(gè)特征映射構(gòu)成計(jì)算層。特征映射層的神經(jīng)元使用同一權(quán)值，有助于減少參數(shù)，提升效率?；诰矸e神經(jīng)網(wǎng)絡(luò)的運(yùn)行離不開激活函數(shù)，卷積神經(jīng)網(wǎng)絡(luò)的卷積層逐漸接入池化層，降低圖像的分辨率，同時(shí)，減輕對下一個(gè)卷積層計(jì)算的壓力。

在計(jì)算過程中，基于卷積神經(jīng)網(wǎng)絡(luò)需要經(jīng)過一個(gè)訓(xùn)練過程，這屬于一個(gè)自動(dòng)進(jìn)化的過程，需要從原始數(shù)據(jù)上直接學(xué)習(xí)，不需要特別標(biāo)記，且CNN的特征映射層共享權(quán)值，可通過網(wǎng)絡(luò)學(xué)習(xí)。由于CNN的網(wǎng)絡(luò)結(jié)構(gòu)和生物神經(jīng)元十分接近，所以在語音和圖像處理上有著很大的優(yōu)勢。

CNN圖像分割法將每一個(gè)像素與周圍像素點(diǎn)形成像素塊，再輸入神經(jīng)網(wǎng)絡(luò)中，日常圖像分割算法存在諸多問題，例如存儲(chǔ)空間成倍增長、計(jì)算效率低下及特征提取的精確度不高等。

基于CNN上述存在的問題，基于卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，工作人員需要研究出一個(gè)全新的網(wǎng)絡(luò)結(jié)構(gòu)，以順應(yīng)社會(huì)市場的實(shí)際發(fā)展需求。

4? ? 基于卷積神經(jīng)網(wǎng)絡(luò)圖像分割算法的改進(jìn)對策

4.1? 設(shè)計(jì)思想

首先，針對卷積神經(jīng)網(wǎng)絡(luò)分割圖像分辨率低、輸出圖像模糊不精細(xì)的問題，應(yīng)引入圖割算法，與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合。第一步，用卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行初始分割，并用改造圖割的能量函數(shù)優(yōu)化分割后的圖像細(xì)節(jié)。其次，在卷積神經(jīng)網(wǎng)絡(luò)圖像分割算法中，注重空間一致性，運(yùn)用能量函數(shù)優(yōu)化結(jié)果，通過概率圖了解圖像的特征，使用K-means聚類算法歸納和總結(jié)Gabor濾波器獲取的圖像紋理，進(jìn)而運(yùn)用隨機(jī)森林分類器分類處理，調(diào)整決策的數(shù)量和高度。

4.2? 算法模型

基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分割模型，并利用網(wǎng)絡(luò)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，以獲得更好的分割性能。一方面，通過全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）的訓(xùn)練模型初始分割，產(chǎn)生關(guān)于圖像像素的概率圖，使用改造圖割算法能量函數(shù)提升FCN分割結(jié)果的精確度。另一方面，F(xiàn)CN在圖像的分割過程中應(yīng)充分考慮像素點(diǎn)的關(guān)系，對此在圖像分割算法中加入圖像的紋理特征[7-8]。

5? ? 結(jié)語

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法，在圖像的語義分割領(lǐng)域具有優(yōu)越性。通過改造圖割算法的能量函數(shù)和引入圖像的文體特征改進(jìn)圖像分割算法。本文首先介紹了圖像分割算法的現(xiàn)狀，并就此提出基于卷積神經(jīng)網(wǎng)絡(luò)圖像分割算法的改進(jìn)策略，以不斷改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。對卷積網(wǎng)絡(luò)圖像分割算法不斷優(yōu)化，發(fā)揮圖像分割算法在實(shí)際應(yīng)用中的重要作用，為改變生活和工作提供便利。

[參考文獻(xiàn)]

[1]劉希.基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[J].信息技術(shù)，2019（2）：79-82.

[2]周俊宇，趙艷明.卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測應(yīng)用綜述[J].計(jì)算機(jī)工程與應(yīng)用，2017（13）：34-41.

[3]郭田梅.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D].濟(jì)南：濟(jì)南大學(xué)，2017.

[4]郭呈呈，于鳳芹，陳瑩.基于卷積神經(jīng)網(wǎng)絡(luò)特征和改進(jìn)超像素匹配的圖像語義分割[J].激光與光電子學(xué)進(jìn)展，2018（8）：230-236.

[5]岳曉東.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[J].數(shù)字通信息世界，2017（9）：272.

[6]劉丹，劉學(xué)軍，王美珍.一種多尺度CNN的圖像語義分割算法[J].遙感信息，2017（1）：57-64.

[7]楊明震.基于深度學(xué)習(xí)的高光譜圖像分類方法的研究[D].南昌：東華理工大學(xué)，2018.

[8]高薇，曾健民.基于卷積神經(jīng)網(wǎng)絡(luò)算法的圖像識別應(yīng)用研究[J].西安文理學(xué)院學(xué)報(bào)（自然科學(xué)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 peoples 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