1. 研究目的与意义（文献综述）

随着人工智能技术的不断发展和深入，人们越来越多的使用深度学习来帮助人们处理各种声音、文本或图像信息。深度学习的概念源于人工神经网络的研究，自从2006年hionton等人提出此概念以来，大量关于深度学习的论文被发表，深度学习也在各个领域内崭露头角，从传统的深度卷积网络（deep neural-network，简称dnn）到卷积神经网络（convolutional neural-network，简称cnn)，都取得了突破性的进展。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据或信息。深度学习的模型直接从图像、文本或声音中学习执行分类任务。通常使用神经网络架构实现深度学习。“深度”一词是指网络中的层数—层数越多，网络越深。传统的神经网络只包含2层或3层，而深度网络可能有几百层。

深度学习也可以理解为机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

2. 研究的基本内容与方案

本课题主要研究图像的分割，分别采用几种方法进行图形分割，并在数据集上进行编程验证得出结果。

本文在传统方法中选取灰度分割算法，区域合并算法。灰度分割算法的关键在于确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来，阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。该算法计算简单高效易理解，但对噪声较为敏感且边缘效果较差，非常适合处理有强烈对比语义信息的图像。边缘检测算法即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方，这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。该算法应用较广，难点在于处理抗噪性能与检测准确度之间的矛盾。

基于卷积神经网络的图像分割方法，该方法是近年来兴起的一个方法，其基于深度学习网络结构，深度学习核心为使用无监督学习训练每一层结构，并将训练结果输入下一层，最后使用最后的反馈来调整所有层的权值。卷积神经网络降低了输入权值。并且在实践中得到了较之以前大为改善的应用。cnn的算法实现步骤如下：这些层对数据执行三种类型操作中的一种，即卷积、池化或修正线性单元。卷积将输入图像放进一组卷积过滤器，每个过滤器激活图像中的某些特征。池化通过执行非线性下采样，减少网络需要学习的参数个数，从而简化输出。修正线性单元通过将负值映射到零和保持正数值，实现更快、更高效的训练。这三种操作在几十层或几百层上反复进行，每一层都学习检测不同的特征。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，初步了解熟悉caffe框架的搭建和matlab的使用。确定方案，完成开题报告。
第4－6周：阅读图像处理，深度学习，卷积神经网络领域的参考文献，学习卷积神经网络在图像分割的相关理论和算法。
第7－10周：编程实现在相关图像数据集上进行实验论证，分析比较基于传统方法和卷积神经网络方法的图像分割的异同和优异。
第11－13周：将程序模块进行整合，完成调试和测试。
第14－16周：完成并修改毕业论文。
第17周：准备论文答辩。

4. 参考文献（12篇以上）

[1] uijlings j，sande k，gevers t，et al．selective search for object recognition[j]．international journal of computer vision，2013，104(2)：154-171．

[2] pedro f，daniel p．efficient graph-based image segmentation[j]．international journal of computer vision，2004，59(2)：167–181．

[3] hinton g，osindero s，teh y．a fast learning algorithm for deep belief nets[j]．neural computation，2014，18(7)：1527-1554．