摘要:本次论文针对于图像处理提出了，基于卷积神经网络的一种自动分割的方式。把图像进行去噪音处理，归因化，然后再进行标注。使用有效的融合多尺度和残差连接卷积神经网络器进行训练，进而得到一个被优化的卷积神经网络的分割模型，再把这个图像加载到一个优化的模型里面，把原图以及恢复分辨率以后的图像进行掩码，进而得到一个高清的分割结果。把最后处理结果和利用ps处理的结果进行对比，结果表明，本次研究中使用的方法非常可靠，得到的结果和标准结果很接近，而且能够实现自动分割，进而可以有效的解决在三维重建中的分割任务等问题。
关键词:图像分割;卷积神经网络;多尺度特征融合;残差连接;三维重建
1引言
在对于图像进行重建的过程中，目标分割的速度以及目标分割的准确性，很大程度上决定着重建的效率以及重建的质量。图像分割的技术应用非常广泛，比如说在气象，军事，医学等多个领域都有应用，图像分割是图像处理过程中的重点和难点问题。现在研究人员针对图像分割也提出了很多解决方法，比如说，边缘检测分割，阈值分割以及区域提取分割等这些理论。现在图像序列分割的过程中，使用ps软件，利用人工参与就会把三维重建效率降低，还没有找到有效的自动分割方式。
近年来科学技术在不断进步，在计算机领域出现了深度学习，卷积神经网络便是深度学习里面的一项内容，卷积神经网络在检索以及图像识别和分类语义的分割等这些方面应用非常广泛。卷积神经网络是利用的语义标注，对于图像分割以后的不同区域在进行进一步的区分，卷积神经网络也被称为图像语义上的分割。本次研究的过程中，针对上述文章出现的问题，利用卷积神经网络去改进图像序列的目标，实现自动分割。先利用高斯滤波，对于原来的图像，色彩做去做处理，然后再变成RGB的色彩模式，最后再对每一个图像做归一化以及标注，扩增数据，得到一个归一后的图像和一个完整的训练数据集。利用这一个数据集来对于融合的尺度进行表征。在充分训练卷积神经网络的基础之上，得到了一个优化的网络分割模型。把这个预分割的图像，经过了统一的压缩以后，加载到被优化的分割模型里面，经过了转基因网络的向前传播，进而就得到了一个目标分割的掩码图，利用三次样条差值法对这一掩码图进行处理，扩大到原来的图像大小以后再和原来的图像做自定义的掩码操作，进而能够得到一个分辨率比较高的结果。实验结果表明了，采用这个方法和参考的标准值非常接近，而且还能够进行批量的自动分割，有效的把三维重建里面目标分割任务比较重，这一问题解决。
2基于卷积神经网络去改进的图像自动分割
本次论文研究的过程中，对于一个原始图像做了预处理的操作以后制作成了一个数据集，然后把这一个数据已经放入到改进以后的卷积神经网络里面，经过了充分的训练以后，得到了一个被优化的分割神经的网络模型。
把经过规划压缩以后的图像输入到这一个模型里面，经过了向前一次传播，然后输出再分割，提升了图像的分辨率。
2.1建立数据集
本次研究的过程中使用的图像是，在三维重建的过程中拍摄的一系列的图像选择了具有代表性的一组物体。首先对于图像进行去噪处理，实际拍摄的过程中，因为物体的表面会反光，进而就产生了噪声，噪声会被分割时判断像素点带来干扰。HSV色彩空间模型里面有V通道，这一个通道表示的是颜色，明亮的程度，所以我们对这一个通道做了平滑的处理，应有效地去降低噪声。然后对图像进行操作，把经过了去燥处理以后的图像里面的像素中那些相关度较小背景去除以后，更有利于提出感兴趣的目标区域，进而让目标在整个图像里面所占的比例扩大。然后把图片压缩到了统一的一个尺寸。
2.2利用卷积神经网络操作
首先利用置换层把输入的图像经过分解以后，变成具备三个尺度的特征图，然后输入到下一个阶段，经过了分支以后便得到了对应的尺度，把得到的特征图，经过采样处理以后，利用像素相加的方式实现融合。现在卷积神经网络里面的结构尺寸比较固定，当使用比较大的卷积进行操作提取特征的过程中，如果目标比较小，当物体就会容易被忽略，卷积的尺寸比较小，目标有比较大的物体就会造成分割的结果出现间断这样的情况。所以在本次研究的过程中，利用了融合的多尺度特征，这样的方式，从图像的全局以及局部的信息出发，极大程度上去提升对于目标的鲁棒性。因为特征图的尺寸不同，细节信息也会不同，一些图像的分辨率比较低还有的信息就比较少一些，图像的分辨率比较高，还有的信息就比较多，比如说会含有语义上的信息。把不同尺度的信息融合以后，对于转接网络充分去利用这些信息带来一定保证，另外可以去提高卷机的宽度，有效的去降低深度进而可以降低网络的负担。为了可以有效的去降低，增加卷积深度带来的信息损耗和信息丢失这样的问题，本次研究的过程中采用的是残差连接的方式，把输入的信息经过了分支传送出去。也就是说，在不激活一部分的神经单元的前提下，也能够把信息传入到下一个层次，进而能够让信息保持完整，在很大程度上解决了出现的问题。本次研究中处理的方式，在两个相邻石化层之间加入了残差，有效地弥补了信息，让整个网络上的模型更加趋近于恒等映射，进而有效地降低损失。
4结束语
综上所述，对于一个图像序列里面的三维重建，里面多视角目标，需要进行人工参与，任务比较重这样的问题，本次研究提出了基于卷积神经网络的有效改进，图像自动分割的方法。融合了多尺度的特点，充分利用了全部以及局部的信息，在提取信息的过程中使用了参差连接补充神经网络去采集丢失的信息，然后利用三次样条的插值法提高了分辨率，得到了一个分辨率比较高的结果。和传统的ps相比较，这一方法时效性比较强，有效的解决了任务繁重的问题，提升了图像处理的效率。
参考文献
［1］赵永科．深度学习21天实战Caffe［M］．北京:电子工业出版社，2018．
［2］严静，潘晨，殷海兵．快速在线主动学习的图像自动分割方法［J］．模式识别与人工智能，2019，29(9):816-824．