第一章 绪论
1.1 研究背景和意义
随着智能技术的普及，成像技术应运而生，图像不但成为信息数据的重要载体，也成为计算机获取外界信息的重要方式之一。近几十年来，计算机视觉技术在众多领域得到了广泛的应用，人们对利用计算机来实现人类的视觉功能的需求日益增长，如对象识别[1]、目标检测与跟踪[2]和图像检索等。人们在面对一幅或者几幅图像场景时，往往对图像中的目标区域最感兴趣，所以，在计算机视觉领域中，为了能够在有限的时间里对图像进行有效的识别和分析，需要对图像进行分割处理，将人们真正感兴趣的内容分离出来，在此基础上再对这些区域进行下一步的利用，如测量和计算等。简单来说，图像分割就是根据某些特征（如像素灰度值、颜色以及形状等）将图像拆分为若干个互不相交的区域，拆分之后属于同一区域的图像表现出相似性，属于不同区域的则表现出突变性。
图像分割一直是计算机视觉领域内极具挑战性的研究课题之一。关于图像分割的研究，最早可以追溯到上世纪七十年代。随着研究的不断深入，越来越多的图像分割算法[3]被相继提出，由于其发展迅速，并广泛运用到机器学习、模式识别以及人工智能领域中。图像分割的方法多种多样，为特定的对象选择合适的分割方法尤为重要。
在物理学中，电极面积是电容器的重要组成部分之一，通常需要以掩模板模具为工具，以传入电流的方式，在模具中的掩模板（又称薄膜材料或 MASK）上镀造电极，然后把镀造出的电极区域统一看作半径为 0.01（单位：cm）的圆形来计算数值面积。这种计算方法并不准确，当掩模板中的电极面积不同时，储能的结果也会不同，这种储能结果通常是指储能密度和储能效率（储能密度与总储能密度的比值）。所以，为了更准确的反映储能结果，本文提出用智能处理的方法准确计算电极面积，并把计算出的面积代替为最后的有效面积，这种智能处理的方法主要包括图像采集、图像预处理、图像分割以及面积具体计算。其中，图像分割是本文研究的重点，目的是为了将电极区域真正分离并且计算。
.......................
1.2 国内外研究现状
图像无处不在，它与人类的生活息息相关，图像分割问题一直是广大研究者所关注的热点问题之一，也是计算机视觉处理中的关键步骤。近几十年来，国内外的研究者为了解决不同的图像问题，提出了大量的图像分割方法，这些方法包括对原有方法的改进，以及将提出的新理论新技术融入到图像分割中去。迄今为止，图像分割方法几乎都存在着或多或少的问题，对图像进行良好的分割是后续图像处理过程的重要前提，所以选择合适的图像分割方法尤其重要。传统的图像分割方法主要是基于图像的视觉低阶信息，这些信息包括图像中像素间的灰度值，颜色，形状或者纹理间的不同来进行分割，分割方法主要分为以下几类：基于阈值的图像分割方法、基于边缘检测的图像分割方法、基于区域的图像分割方法以及基于特定理论的图像分割方法等。
传统的图像分割方法虽计算速度快，算法复杂度低，但都只是处理的图像的低阶视觉信息，例如像素间的灰度值，颜色或者形状等。随着智能信息技术日新月异的发展，深度学习受到学者的高度关注，利用卷积神经网络进行图像语义分割已成为必然趋势。图像语义分割不同于传统的图像分割方法，图像语义分割是指根据图像的颜色、纹理或形状等特征将图像中的语义信息不同的区域分离，进一步来说，它更是一种像素级标签分类任务，将具有相似视觉特征的像素分配给同一类标签。
1.2.1 基于阈值的图像分割方法
基于阈值的图像分割方法[4]-[7]，是指通过设定不同的特征阈值（这些特征常常包括来自于原始图像的灰度或彩色特征），把图像像素分为若干类，分离出图像中的目标和背景，以此来达到图像分割的目的。阈值的恰当选择关乎分割性能的好坏，根据阈值方法原理，可以将该类分割方法分为：基于点的全局阈值方法[8]、基于区域的全局阈值方法[9]、局部阈值法[10]和多阈值法[11]。
............................
第二章 基于区域生长的电极图像分割
2.1 相关背景介绍
在物理学中，电极面积是电容器的重要组成部分之一，为了能够其面积，通常需要以掩模板模具为工具，以传入电流的方式，在模具中的掩模板（又称薄膜材料或 MASK）上镀造电极，把镀造出的电极区域看作圆形来计算其数值面积，面积为 3.14×0.01mm2。但是这种方法并不准确，当掩模板中的点面积不同时，储能的结果会完全不同，这种储能结果通常指的是储能密度和储能效率。所以，为了更准确的反映储能结果，本文提出用智能处理的方法准确计算电极面积，并把计算出的面积代替为最后的有效面积，这种智能处理的方法主要包括图像采集、图像预处理、图像分割以及面积具体计算。其中，图像分割是本文研究的重点，目的是为了将电极区域真正分离并且计算。
图 2.1 是模具正反表面图，图( b) 中螺丝旋钮对镀膜槽封闭用力。
图 2.1 模具正反表面图
2.2 图像采集
利用光学显微镜进行图像采集，为了便于处理，把一整张掩模板图像分为四个区域，分别为：左上、右上、左下以及右下区域。为了便于后续计算，采集的每一张图像的像素都为640×480。分别在四部分区域原图上进行电极截取，保证让每个电极不重复出现，如图 2.6 所示：
图 2.6 掩模板四部分区域图
...........................
第三章 基于聚类分割与区域生长的电极图像分割.......................... 22
3.1 基于聚类的分割方法............................................... 22
3.2 基于聚类与区域生长的图像分割方法.................................. 23
第四章 基于全卷积网络的电极图像语义分割........................................... 32
4.1 全卷积神经网络相关理论.......................................... 32
4.2 全卷积神经网络结构................................... 33
第五章 基于级联融合的可变池化与空洞卷积的全卷积网络图像语义分割.............................. 49
5.1 基于可变池化的全卷积网络.................................. 49
5.1.1 池化方式.......................................... 49
5.1.2 池化步长对感受野的影响.................................. 50
第五章 基于级联融合的可变池化与空洞卷积的全卷积网络图像语义分割
5.1 基于可变池化的全卷积网络
5.1.1 池化方式
池化方式分为平均池化、最大池化以及随机池化等，其中平均池化和最大池化是卷积神经网络中最常用的两种池化方式。关于两种方式的池化过程在第四章中 4.2.3 小节已经介绍过，这里将不再赘述。平均池化能保留图像的完整性信息，而最大池化能保留图像的纹理性特征。本章提出的基于可变池化的全卷积网络是指在全五层的池化层中，以平均池化和最大池化两种方式代替 FCN 中全部采用最大池化的方式，以保留更多的图像完整性和纹理性。
5.1.2 池化步长对感受野的影响
在卷积神经网络中，感受野( Receptive Field) 是指卷积神经网络中的每一层输出的特征图( Feature Map) 上的像素点（也可称为神经元）对应于上一层（输入图片）所映射的区域大小。简言之就是指输出特征图上的一个像素点对应输入层的区域，如图 5.2 所示：
图 5.2 理解感受野概念示例图
第六章 总结与展望
6.1 总结
随着信息技术的不断革新，大数据时代到来，网络成为了人们获取信息的手段。图像作为承载信息的重要媒介，如何从海量的网络信息数据中获取到需要的图像信息，图像处理的诸多方法则受到了广大研究者的青睐。在图像处理领域中，图像分割问题一直是研究的热点问题，其分割方法多种多样，特定的对象选择合适的分割方法显得尤为重要，针对图像分割问题，本文进行了如下研究内容：
1. 利用区域生长的分割方法对掩模板中的电极区域进行分割并进行数值面积计算。实验表明，该方法分割准确度相对准确，但是分割不平滑，对于较大的电极区域存在不完全分割和过度分割的问题。
2. 针对方法 1 中存在的问题，接着提出了一种基于聚类分割与区域生长相结合的方法。该方法首先对图像进行聚类分割，再对聚类分割图进行区域生长分割，最后对电极区域进行面积计算。实验结果表明，分割精度有了显著的提升，分割较为平滑，妥善解决了方法 1 中存在的问题。实验结果表明，电极区域分割规则且边缘较平滑，分割准确度较高。
3. 以 2 中的分割结果图作为标签，将原图和分割结果图切割单独电极图像作为数据集，将此类图像应用于 FCN 网络与 UNet 网络。实验结果表明，电极区域分割规则且边缘较平滑，分割准确度较高，但电极数值面积偏小，可能是由于丢失细节信息。
4. 本文又提出了一种基于 FCN 的图像语义分割改进算法，该方法针对传统 FCN 存在图像细节丢失问题，采用了空洞卷积代替标准卷积，扩大感受野区域；可变池化尺寸尽量捕捉稠密信息；深浅层级联融合上下文信息。数据集采用电极图像数据集以及遥感卫星观测道路公共数据集。实验结果表明，在两种数据集上，改进算法相较于传统 FCN，分割准确度得到了有效的提升。对于电极类数据，将此数据集应用于全卷积神经网络，效果不尽如人意；而对于道路数据集的分割无论是准确度还是分割可视化结果本章方法都具有较大的优势。
参考文献（略）