文/郑文超

近年来，计算机软件技术有了较大提升，加之人工智能算法与信息技术的深度融合，使得信息技术已经成为现如今炙手可热的研究领域。人工智能技术已经作为各行各业必须具备的一种常规技术，现已渗透到社会各个领域中。图像分割是图像识别过程中的核心流程，分割算法的优劣，严重影响图像识别精度。现如今各行各业都需要用到图像识别技术，例如交通抓拍、遥感目标定位等。传统图像识别技术易受图像本身质量等其他干扰因素的限制，不适用于所有图像的识别。国内外学者，借鉴人眼图像识别的原理，将人工智能技术融入图像识别过程中，提出了各类基于人工智能算法的图像分割算法，基于卷积神经网络的图像分割算法便是其中一种。因此本文针对卷积神经网络的图像分割算法进行研究。对传统的卷积神经网络图像分割算法进行分析，并针对不足研究了全卷积神经网络。本文所做研究，在众多方面相较于原来的算法均具有明显提高。

1 图像分割技术研究现状概述

现如今，众多图像分割算法中存在分割标准不统一问题。国内外学者研究往往针对与某一领域，此种算法虽然具有本领域的特色，但算法的普适性较差，无法以偏概全。近年来，随着此种算法的不断成熟应用，已经被多次应用至交通违章识别、医学成像、生产制造信息识别等领域，尤其以医学领域应用最为广泛，通过卷积神经网络算法，将图像根据已经设定的标准进行分割，将不同的分割部分分别标记定位，为医生最终诊断提供决策支撑。卷积神经网络通过在对大量图像进行检测的过程中，可得到决策函数，此函数首先针对图像像素进行识别和计算，然后完成图像分割，这类分割算法既考虑了图像的整体性，又发挥了神经网络的优势点。

表 1：基于全卷积神经网络和软硬件配置表

2 算法分析

2.1 传统算法概述

传统算法其基本原理如下：

整个卷积神经网络架构由两层组成，分别为特征识别层和特征映射层。特征识别层主要负责以最小单元为单位的图像局部特征识别，特征识别层根据具体算法的不同又细分为许多层级，每一层级作为下一层级的图像输入。特征识别层的最终输出作为特征映射层的信号来源，而在具体算法执行过程中，多个特征映射层构成了算法的计算层。映射层是由多个神经元组成，在计算时若每一神经元的权重不一，计算效率会受影响。因此，应保证特征映射层每一神经元的权重相同，这样有利于提升计算效率，减少参数。其算法基本架构如图1所示。

激活函数是卷积神经网络系统的核心，激活函数可保证卷积层结束至接入池化层之前，在一定限度内降低图像质量，以减轻下一卷积层的压力。卷积神经网络在众多人工智能算法中可以脱颖而出，不仅取决于其优良的算法结构，还取决于其优秀的自主学习能力。系统每进行一次卷积计算，都是一个自主进化的过程。算法在对原始数据学习的过程中，可自主分析学习。此种模式与各种生物的神经元学习理念较为相似，因此多被用于图像和声音处理中。

2.2 传统算法存在的问题及解决措施

由于传统算法对于存储空间的容量要求较高，算法计算效率较低且像素特征的识别精度低等。为了解决以上问题，本文提出了一种全新的卷积神经网络结构，以满足实际问题的需要。改进后的卷积神经网络分割算法设计理念如下：

采用图分割算法与卷积神经网络算法结合，解决卷积分割后图像质量差，模糊不清的问题。首先采用卷积神经网络对图像进行分割，并采用改进的图分割能量函数优化分割后的图像细节；然后再进行卷积神经网络是，强调空间上的一致性，采用K-means聚类算法对Gabor滤波器输出的图像纹理进行整理和归纳，之后采用随机森林分类器对其进行分类，并对决策的数量和高度进行调整。输入图像首先经卷积神经网络训练，得到分割模型，然后利用全卷积网络以获取性能更高的图像分割模型，获得图像像素概率图。

3 实验及结果分析

本文实验所选择当今主流的算法测试和配置环境，其详细情况如表1所示。

本实验中选择的图像批量大小为4，经过400次计算之后，在结果集的基础上计算一次准确度，纸质准确度的误差开始稳定并趋于收敛。由于图像分割的最终目标是得到较为平滑的图像预测结果，因此选择了基于全局的精确率最好的迭代结果作为网络训练最终结果。

本文经过实验分析并对比了不同实验要素对最终图像分割精度产生的影响。本文在深度网络架构方面本文选择了SegNet-Basic和SegNet两类原理和逻辑不相同的算法。为快速鉴别训练过程中图像分割精确度程序的收敛速度，分析了使用fixed方式时，SegNet网络训练过程中精确度的变化趋势。

经验证发现，不同架构在均获得了较高的分割精度值。当使用的网络结构相同，但学习策略不同时，使用fixed方式的全局精确度要高于step方式；天空和道路在图像中所占有的整体比例越高，则图像的分割精度将越高，草皮和行人数量少的图像，其分割精度相对较低。

为了分析不同的图像类型对算法最终分割精确度造成的影响，本文在fixed策略下，分析了RGB和RGB-D两种图像类型。经比较可知，采用segNet算法得到的全局精确度分别为0.815和0.822，而segNet-Basci算法，其值分别为0.813和0.856。故使用RGB-D格式时，最终图像分割精确度高，同时精度提升幅度大。

4 结论

随着计算机技术的不断发展以及人类对于图像识别要求的不断提高，随着人类对于识别技术要求的不断提升以及各行各业对于计算机计算效率要求的不断提高，人工智能算法已经逐步与各行业融合，辅助进行相关问题的解决。本文对基于剑姬神经网络的图像分割算法进行了研究。主要取得了以下研究成果：

图1：卷积神经网络系统架构

（1）梳理了卷积神经网络算法在图像分割中的基本原理、模型、应用过程中存在的问题；

（2）提出了基于图分割原理和卷积神经网络融合技术的全卷积神经网络图像分割算法，并进行了实验验证。实验结果显示，本文所提出的算法在分割精度、平均精确度、全局精确度三方面的表现均优于其他算法。

本算法具备一定的推广和应用价值，可以在多种行业的图像分割中使用，应用前景比较广阔。