基于卷積神經網絡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，帶動了圖像處理領域的發展，其中，圖像分割屬于理解圖像內容的一個重要條件，因而在該領域備受關注和重視。未來，與某些領域相結合的圖像分割技術，尤其是基于卷積神經網絡的圖像分割算法，將會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狀，并提出基于卷積神經網絡圖像分割算法的改進策略，以改進卷積神經網絡的準確性，優化卷積網絡圖像分割算法。

關鍵詞：卷積神經網絡;圖像分割;分割算法

在生活中，越來越多的領域應用到圖像分割，特別是醫學圖像。圖像分割算法有助于準確地判斷患者的病變部位，為醫生更好地診治提供便利。不過因為容易受到外界噪聲的干擾，加之醫療儀器的缺陷，醫學圖像成像受到影響。當前圖像分割算法尚未滿足任何圖像分割需求，傳統的圖像分割方法受圖像本身限制嚴重，因而未來圖像分割技術與某些領域結合，成為一個新的探索方向。

1? ? 圖像分割算法的現狀

1.1? 圖像分割算法的重要意義

隨著計算機信息技術的快速發展，人們日常生活與工作，越來越依賴計算機獲取信息和解決問題。因此，在應用計算機過程中，圖像信息的處理成為一個重要的研究方向。人類的視覺處理系統功能強大，周圍環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。數字圖像信息量大、內容豐富、抽象復雜[1]，如何從中獲取有效信息成為重點研究工作。

處理圖像信息的重要手段就是計算機技術，推動圖像工程的發展，其中，圖像分割算法成為處理圖像內容的根本條件。

雖然當前已發現多種圖像分割方法，但是卻沒有一個具有權威性的分割標準。一些具有特色的方法，也只能在特定的領域與圖像特性下應用。隨著人工神經網絡技術條件的發展成熟，基于卷積神經網絡的圖像分割算法也受到更多人的關注，其不再只局限于單張圖像，而是在圖像數據集的基礎上，不斷歸納和總結，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系，因而有助于圖像噪聲的處理[2]。

隨著圖像分割技術的不斷成熟發展，其當前被廣泛應用在工業、軍事、交通、醫學等多個領域，特別是在醫學領域，圖像分割技術的應用較為廣泛。將圖像根據已設定的標準分割成不同的部分，并從圖像中將所需區域進行標記，使其最大限度地接近解剖結果，為醫生診斷提供準確的信息依據。

由此可見，基于卷積神經網絡圖像分割算法的研究，不僅有助于提升技術發展，而且對實際應用有著重要作用。

1.2? 圖像分割算法的現狀

當前，圖像分割算法在我國實際發展中，尚未形成一個適用于所有圖像的分割方法，也沒有一個滿足所有領域要求的分割標準。圖像分割技術目前還沒有被廣泛接受的理論。基于卷積神經網絡的圖像分割算法，通過神經網絡從大量的圖像數據獲得一個決策函數，針對圖像像素的類別進行判斷，最后實現圖像分割。基于卷積神經網絡的圖像分割算法，既注重圖像集的整體性，又結合了神經網絡的優勢[3-4]。

1.3? 未來圖像分割算法的發展方向

基于技術發展分析，未來圖像分割算法的研究方向有4個。

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

2? ? 現階段圖像分割方法

當前，圖像分割算法涵蓋閾值分割、區域分割、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用在數字圖像本身，具有性能穩定的特點。

閾值分割算法，在灰度圖像中選取一個或多個灰度值作為閾值，根據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，進而實現圖像的分割。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性的局限性，在區域分割算法中加入像素之間的空間關系，將某異形之下相同或相似的像素劃分到同一個區域中。區域分割算法分為區域生長法和分裂合并法兩種，通過單個像素合并周圍像素，最后，形成一個區域。

邊緣分割算法，是對邊緣的分割，運用某種方法尋找區域的邊界從而實現分割圖像，這些圖像的邊緣多處于圖像中不連續的位置。

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

3? ? 基于卷積神經網絡的圖像分割算法

卷積神經網絡（Convolution Neural Network，CNN）[6]領域當前備受學者關注。CNN在圖像處理方面具有優化預處理操作的優勢。

卷積神經網絡組織結構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，作為這一層神經元的輸入。特征映射層在卷積神經網絡中，以若干個特征映射構成計算層。特征映射層的神經元使用同一權值，有助于減少參數，提升效率。基于卷積神經網絡的運行離不開激活函數，卷積神經網絡的卷積層逐漸接入池化層，降低圖像的分辨率，同時，減輕對下一個卷積層計算的壓力。

在計算過程中，基于卷積神經網絡需要經過一個訓練過程，這屬于一個自動進化的過程，需要從原始數據上直接學習，不需要特別標記，且CNN的特征映射層共享權值，可通過網絡學習。由于CNN的網絡結構和生物神經元十分接近，所以在語音和圖像處理上有著很大的優勢。

CNN圖像分割法將每一個像素與周圍像素點形成像素塊，再輸入神經網絡中，日常圖像分割算法存在諸多問題，例如存儲空間成倍增長、計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，基于卷積神經網絡的基礎，工作人員需要研究出一個全新的網絡結構，以順應社會市場的實際發展需求。

4? ? 基于卷積神經網絡圖像分割算法的改進對策

4.1? 設計思想

首先，針對卷積神經網絡分割圖像分辨率低、輸出圖像模糊不精細的問題，應引入圖割算法，與卷積神經網絡結合。第一步，用卷積神經網絡對圖像進行初始分割，并用改造圖割的能量函數優化分割后的圖像細節。其次，在卷積神經網絡圖像分割算法中，注重空間一致性，運用能量函數優化結果，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Gabor濾波器獲取的圖像紋理，進而運用隨機森林分類器分類處理，調整決策的數量和高度。

4.2? 算法模型

基于卷積神經網絡進行訓練，獲得分割模型，并利用網絡改進卷積神經網絡，以獲得更好的分割性能。一方面，通過全卷積網絡（Fully Convolutional Networks，FCN）的訓練模型初始分割，產生關于圖像像素的概率圖，使用改造圖割算法能量函數提升FCN分割結果的精確度。另一方面，FCN在圖像的分割過程中應充分考慮像素點的關系，對此在圖像分割算法中加入圖像的紋理特征[7-8]。

5? ? 結語

基于卷積神經網絡的圖像分割算法，在圖像的語義分割領域具有優越性。通過改造圖割算法的能量函數和引入圖像的文體特征改進圖像分割算法。本文首先介紹了圖像分割算法的現狀，并就此提出基于卷積神經網絡圖像分割算法的改進策略，以不斷改進卷積神經網絡的準確性。對卷積網絡圖像分割算法不斷優化，發揮圖像分割算法在實際應用中的重要作用，為改變生活和工作提供便利。

[參考文獻]

[1]劉希.基于深度卷積神經網絡的圖像語義分割[J].信息技術，2019（2）：79-82.

[2]周俊宇，趙艷明.卷積神經網絡在圖像分類和目標檢測應用綜述[J].計算機工程與應用，2017（13）：34-41.

[3]郭田梅.基于卷積神經網絡的圖像分類算法研究[D].濟南：濟南大學，2017.

[4]郭呈呈，于鳳芹，陳瑩.基于卷積神經網絡特征和改進超像素匹配的圖像語義分割[J].激光與光電子學進展，2018（8）：230-236.

[5]岳曉東.基于卷積神經網絡的圖像識別算法研究[J].數字通信息世界，2017（9）：272.

[6]劉丹，劉學軍，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.基于深度學習的高光譜圖像分類方法的研究[D].南昌：東華理工大學，2018.

[8]高薇，曾健民.基于卷積神經網絡算法的圖像識別應用研究[J].西安文理學院學報（自然科學版），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