2026《图像分割与识别的原理分析综述》3600字.docxVIP

PAGE

PAGE31

图像分割与识别的原理分析综述

目录

TOC\o1-3\h\u2055图像分割与识别的原理分析综述 1

15101.1图像分割 1

222971.2.3对网络参数的理解 7

78061.2.3.1BatchSize 7

12801.2.3.2学习率 7

46961.2.3.3卷积核大小 8

1.1图像分割

下面简单介绍一下在实际应用开发中，几类主要的图像分割方法。

1.1.1基于阈值的分割方法

阈值分割算法基本原理是把图像转化为灰度图像，设定好特征阈值，使其与图像像素点的灰度值进行比较，根据情况确定分类，从而把图像像素点分为若干类，实质上是一种基于区域的图像分割技术。由于阈值分割法有着计算简单、性能稳定、效率高速度快的优点，它被广泛应用与重视效率的场合。同时，阈值的选择也是完成算法的关键一步。在处理差异性较大的不同图像时，使选择的某个阈值尽可能的胜任多种所需要的分割情况。

1.1.2基于区域的分割方法

区域分割法，利用了对象与背景灰度分布的相似性，以直接寻找区域为基础。常用的区域分割法有两大类：区域生长法、区域分裂合并法。下面用表格来简单的介绍一下两种方法。

表1.1区域分割法

区域生长法

区域分裂合并法

原理

基于某种“一致性”（如灰度级、纹理、色彩、梯度等特性）的原则，将图像像素点划分到相应的区域，逐渐附加，达到该区域的最大化

无穷分割（类似于微分）后将满足相似度准则的区域进行合并。

特点

关键是选取合适的生长准则。计算开销较大，但节省了分裂的过程。

在一个较大的相似区域内基础上，仍能再进行相似合并。

近年来，区域生长分割算法的思想一直是科研工作者们的研究热点。其实两种算法有着异曲同工之妙，它们在一定程度上相辅相成、互相促进。

1.1.3基于边缘的分割方法

基于边缘的分割主要有以下几种方法：基于点的检测、基于线的检测以及基于边缘检测。边缘检测也是图像分割中的一种重要方法。图像的边缘在视觉上表现明显，很容易被感知，边缘检测利用边缘处图像灰度级的突变，找到该区域的边缘，且该区域中边缘像素处的灰度值不连续，不连续性大多用求导来检测。通过检测出的边缘，我们可以看到一个区域的结束、一个区域的开始。边缘检测可以分为四个步骤：滤波、增强、检测、定位。通常情况下，我们把三维结构的实际物体转化为使用二维空间数据表示的图像，这一过程往往会存在信息遗漏等现象，除此主要因素影响之外，噪声、光照不均也会对该过程造成影响。

1.1.4基于特定理论的分割方法

近年来，随着图像分割研究领域的不断深入，各种理论与技术相互结合，新的方法和思路不断涌现。例如以下几种基于不同理论的图像分割方法。

表1.2基于不同理论的图像分割方法

名称

分类

算法说明

基于特定理论的分割方法

基于模糊理论的分割

引入模糊理论

基于活动轮廓的分割

利用图像自身的物理特性

基于人工神经网络的分割

模仿神经网络的工作模式

基于遗传算法的分割

利用遗传搜索方法选择参数，实现自动化

1.2图像识别

1.2.1卷积神经网络

1.2.1.1卷积神经网络的引入

全连接神经网络中，任两个相邻层之间的神经元都有边来连接，这种情况下训练参数过多，计算量过大。举个例子，识别一张字迹歪斜的黑白手写数字图片，16*16像素，输入层的神经元有256个；若是RGB格式的图片，则输入层的神经元有256*3=768个。

卷积神经网络相比于全连接神经网络，更适合处理二维图像。它表达能力强，大大减少了需要训练参数的数量。卷积层的神经元只与前一层的神经元并没有全部相连，且处于同一层中某些神经元，它们之间的连接权重和偏移是相同的，从而使得神经网络结构变得更简单，适应性更强。

1.2.1.2卷积神经网络的结构

卷积神经网络包括卷积层、降采样层和全连接层，是一种通过卷积将各层神经元相连的网络，也是一种多层的监督学习神经网络。

图1.1卷积神经网络结构

输入层：将图像输入。

卷积层：通过卷积运算，使所需特征增强，降低噪声，得到对应的特征图。

降采样层：也称池化（pooling）操作。局部统计和输出卷积层的结果，从而增强上一层特征的鲁棒性。

全连接层：用于减小特征信息的损失，通常在卷积神经网络的末尾进行重新拟合，与传统神经网络结构类似，如下图。

图SEQ图\*ARABIC2.2全连接示意

输出层：输出结果，便于学习和训练。

CNN特性：

1）局部感受野（localreceptivefields）只感受局部特征，所以局部连接输入单元，大小即为感受野。由于只连接了一部分，参数量得以减少，计算效率提高。

2）参数共享，相同层的卷积核共享同一组权重和偏置，减少了需要求解的参数，提高了模型的可训练能力