基于卷積神經網絡的圖像分割算法

文/鄭文超

近年來，計算機軟件技術有了較大提升，加之人工智能算法與信息技術的深度融合，使得信息技術已經成為現如今炙手可熱的研究領域。人工智能技術已經作為各行各業必須具備的一種常規技術，現已滲透到社會各個領域中。圖像分割是圖像識別過程中的核心流程，分割算法的優劣，嚴重影響圖像識別精度。現如今各行各業都需要用到圖像識別技術，例如交通抓拍、遙感目標定位等。傳統圖像識別技術易受圖像本身質量等其他干擾因素的限制，不適用于所有圖像的識別。國內外學者，借鑒人眼圖像識別的原理，將人工智能技術融入圖像識別過程中，提出了各類基于人工智能算法的圖像分割算法，基于卷積神經網絡的圖像分割算法便是其中一種。因此本文針對卷積神經網絡的圖像分割算法進行研究。對傳統的卷積神經網絡圖像分割算法進行分析，并針對不足研究了全卷積神經網絡。本文所做研究，在眾多方面相較于原來的算法均具有明顯提高。

1 圖像分割技術研究現狀概述

現如今，眾多圖像分割算法中存在分割標準不統一問題。國內外學者研究往往針對與某一領域，此種算法雖然具有本領域的特色，但算法的普適性較差，無法以偏概全。近年來，隨著此種算法的不斷成熟應用，已經被多次應用至交通違章識別、醫學成像、生產制造信息識別等領域，尤其以醫學領域應用最為廣泛，通過卷積神經網絡算法，將圖像根據已經設定的標準進行分割，將不同的分割部分分別標記定位，為醫生最終診斷提供決策支撐。卷積神經網絡通過在對大量圖像進行檢測的過程中，可得到決策函數，此函數首先針對圖像像素進行識別和計算，然后完成圖像分割，這類分割算法既考慮了圖像的整體性，又發揮了神經網絡的優勢點。

表 1：基于全卷積神經網絡和軟硬件配置表

2 算法分析

2.1 傳統算法概述

傳統算法其基本原理如下：

整個卷積神經網絡架構由兩層組成，分別為特征識別層和特征映射層。特征識別層主要負責以最小單元為單位的圖像局部特征識別，特征識別層根據具體算法的不同又細分為許多層級，每一層級作為下一層級的圖像輸入。特征識別層的最終輸出作為特征映射層的信號來源，而在具體算法執行過程中，多個特征映射層構成了算法的計算層。映射層是由多個神經元組成，在計算時若每一神經元的權重不一，計算效率會受影響。因此，應保證特征映射層每一神經元的權重相同，這樣有利于提升計算效率，減少參數。其算法基本架構如圖1所示。

激活函數是卷積神經網絡系統的核心，激活函數可保證卷積層結束至接入池化層之前，在一定限度內降低圖像質量，以減輕下一卷積層的壓力。卷積神經網絡在眾多人工智能算法中可以脫穎而出，不僅取決于其優良的算法結構，還取決于其優秀的自主學習能力。系統每進行一次卷積計算，都是一個自主進化的過程。算法在對原始數據學習的過程中，可自主分析學習。此種模式與各種生物的神經元學習理念較為相似，因此多被用于圖像和聲音處理中。

2.2 傳統算法存在的問題及解決措施

由于傳統算法對于存儲空間的容量要求較高，算法計算效率較低且像素特征的識別精度低等。為了解決以上問題，本文提出了一種全新的卷積神經網絡結構，以滿足實際問題的需要。改進后的卷積神經網絡分割算法設計理念如下：

采用圖分割算法與卷積神經網絡算法結合，解決卷積分割后圖像質量差，模糊不清的問題。首先采用卷積神經網絡對圖像進行分割，并采用改進的圖分割能量函數優化分割后的圖像細節；然后再進行卷積神經網絡是，強調空間上的一致性，采用K-means聚類算法對Gabor濾波器輸出的圖像紋理進行整理和歸納，之后采用隨機森林分類器對其進行分類，并對決策的數量和高度進行調整。輸入圖像首先經卷積神經網絡訓練，得到分割模型，然后利用全卷積網絡以獲取性能更高的圖像分割模型，獲得圖像像素概率圖。

3 實驗及結果分析

本文實驗所選擇當今主流的算法測試和配置環境，其詳細情況如表1所示。

本實驗中選擇的圖像批量大小為4，經過400次計算之后，在結果集的基礎上計算一次準確度，紙質準確度的誤差開始穩定并趨于收斂。由于圖像分割的最終目標是得到較為平滑的圖像預測結果，因此選擇了基于全局的精確率最好的迭代結果作為網絡訓練最終結果。

本文經過實驗分析并對比了不同實驗要素對最終圖像分割精度產生的影響。本文在深度網絡架構方面本文選擇了SegNet-Basic和SegNet兩類原理和邏輯不相同的算法。為快速鑒別訓練過程中圖像分割精確度程序的收斂速度，分析了使用fixed方式時，SegNet網絡訓練過程中精確度的變化趨勢。

經驗證發現，不同架構在均獲得了較高的分割精度值。當使用的網絡結構相同，但學習策略不同時，使用fixed方式的全局精確度要高于step方式；天空和道路在圖像中所占有的整體比例越高，則圖像的分割精度將越高，草皮和行人數量少的圖像，其分割精度相對較低。

為了分析不同的圖像類型對算法最終分割精確度造成的影響，本文在fixed策略下，分析了RGB和RGB-D兩種圖像類型。經比較可知，采用segNet算法得到的全局精確度分別為0.815和0.822，而segNet-Basci算法，其值分別為0.813和0.856。故使用RGB-D格式時，最終圖像分割精確度高，同時精度提升幅度大。

4 結論

隨著計算機技術的不斷發展以及人類對于圖像識別要求的不斷提高，隨著人類對于識別技術要求的不斷提升以及各行各業對于計算機計算效率要求的不斷提高，人工智能算法已經逐步與各行業融合，輔助進行相關問題的解決。本文對基于劍姬神經網絡的圖像分割算法進行了研究。主要取得了以下研究成果：

圖1：卷積神經網絡系統架構

（1）梳理了卷積神經網絡算法在圖像分割中的基本原理、模型、應用過程中存在的問題；

（2）提出了基于圖分割原理和卷積神經網絡融合技術的全卷積神經網絡圖像分割算法，并進行了實驗驗證。實驗結果顯示，本文所提出的算法在分割精度、平均精確度、全局精確度三方面的表現均優于其他算法。

本算法具備一定的推廣和應用價值，可以在多種行業的圖像分割中使用，應用前景比較廣闊。