文章信息
- 赵兵, 冯全
- ZHAO Bing, FENG Quan
- 基于全卷积网络的葡萄病害叶片分割
- Segmentation of grape diseases leaf based on full convolution network
- 南京农业大学学报, 2018, 41(4): 752-759
- Journal of Nanjing Agricultural University, 2018, 41(4): 752-759.
- http://dx.doi.org/10.7685/jnau.201711021
-
文章历史
- 收稿日期: 2017-11-12
葡萄在自然生长的条件下, 由于受环境的复杂变化影响, 叶片上会经常出现病害, 从而严重影响葡萄的生长, 导致葡萄的质量和产量下降, 给农户带来巨大的损失。传统的预防和治理方法是通过有关专业人员的经验和对病理学的认知进行判断, 这样往往进展缓慢, 成本很高, 而且会错过防治叶片病害的最佳时期[1-2]。近几十年来, 随着农业信息化迅猛发展, 植物叶片的病害由于其致病病原物种类不同而导致叶片病斑的纹理、形状和颜色等不尽相同[3], 因此, 可通过计算机图像处理和模式识别技术进行复杂背景下叶片病害的自动识别, 其中, 如何对叶片的病害区域分割和提取, 是进行后续病害特征提取和识别的关键。
图像分割是进行图像处理和图像分析的核心步骤[4], 分割的好坏将直接对叶片病害的识别产生直接影响。国内外的研究人员对植物叶片的分割技术和方法进行了深入研究, 也提出了相应的模型和一系列改进的分割算法[5-10]。赵金阳[11]对自然条件下采集的葡萄病害叶片的分割进行了系统研究, 采用基于检测和图割算法结合的方法, 对多种自然成像条件下拍摄的葡萄叶片均具有较好的分割效果。但该算法采用混合高斯模型对叶片区域建模时, 采样区域仅限于叶片中部, 如果病症区域在叶片边缘时, 可能无法采样, 故对这类病害叶片分割效果不佳。
为了克服以往方法在病害叶片分割时的缺点, 本研究将一种基于全卷积网络(full convolution network, FCN)的图像语义分割(semantic segmentation)[12]算法运用于复杂背景下的葡萄病害叶片图像的自动分割。该算法是在传统的卷积神经网络(convolution neural network, CNN)[13-16]基础上将最后3个全连接层换成3个卷积层, 从而可接受任意大小图像的输入。同时, 不要求所有的训练图像和测试图像具有相同的尺寸, 避免了由于使用像素块而带来的重复储存和计算卷积的问题, 明显提高了效率, 为后期的病害识别奠定了较好的基础。
1 材料与方法 1.1 葡萄病害叶片图像采集与样本分类供试叶片来自于甘肃农业大学酿酒实验葡萄园大田(东经103.69°, 北纬36.08°)[17], 采集的1 000张叶片样本来自不同光照和天气条件, 其中单叶片400张, 多叶片600张, 单叶片的训练集与测试集分别是320和80;多叶片的训练集与测试集分别是500与100。为了能拍到清晰、分辨率高的图片, 选用的相机为Canon EDS 1200D, 拍摄的外部条件为无风。试验拍摄的样本可分为2类:分别是复杂背景下的病害单叶片和多叶片。图 1为随机选取4张病害叶片原始图像。
|
图 1 自然条件下4张葡萄病害叶片的原始图像 Figure 1 Original pictures of 4 diseased grape leaves under natural conditions |
本研究使用的FCN是对CNN的改进, 将原本只能做到图像级分类问题跨越到可以进行像素级分割, 从而解决了语义级别的图像分割问题。以VGG16模型为基础, 通过随机梯度下降算法(SGD)和反向传播算法[18-23], 用训练集对初始模型进行参数更新, 最后得到训练好的模型, 再以训练好的模型测试测试集中的原始图像, 完成图像的语义分割。图 2为具体的试验流程图。
|
图 2 全卷积网络算法流程图 Figure 2 The flow chart of full convolution network algorithm |
FCN具有包括全卷积化、上采样和跳跃结构3个特点。
全卷积化就是将CNN网络结构中的后3层全连接层改成卷积层, 当输入葡萄叶片图像时, 将会把原先输出的一维向量变为二维矩阵, 对于二维矩阵可以通过上采样将输出的特征图还原到原图大小。
图 3给出了本研究采用的深度网络结构[24]。反卷积之前采用VGG16的网络结构, 卷积层1~7是对整幅图像的特征提取, 池化层则用来缩减特征的尺寸, 以达到减少网络参数的目的。反卷积层通过上采样, 从高维、小尺寸特征恢复出图像原始尺寸。最后对具有原始尺寸的特征进行逐像素分类, 从而确定原图像中每个像素位置的标签是背景还是前景。因只经过上采样处理后的分割图像会较粗糙, 所以将较为粗糙的原图通过跳跃结构, 再将局部信息与整体信息进行整合, 达到对分割结果进行精细化处理的目的。
|
图 3 全卷积网络模型 Figure 3 The model of full convolution network |
对于全卷积神经网络结构图, 前面几层的卷积池化运算和卷积神经网络是一致的, 本研究着重介绍反卷积之后的网络是如何进行信息整合的。在图 3中, 反卷积之后的网络输出尺寸与输入图像相同, 可以直接对每个像素进行前景/背景分类, 但若没有经过反卷积和跳跃2个步骤, 输出的结果较为粗糙, 像素的丢失比较严重。为了得到较为精细的分割结果, 采用了利用前向网络的池化层与反卷积层输出进行融合的方式, 其结构如图 4所示。通过在池化5层后进行1次32倍上采样, 得到1个预测池化4层, 该层与池化4层尺寸大小相同, 不同点在于池化4层图像的像素种类信息比较多, 而预测池化4层图像的像素种类少, 可通过2层的逐像素对比融合方式对信息进行整合。由于进行1次上采样后的图像还是较粗糙, 其后再进行1次16倍上采样, 得到1个预测池化层3, 通过同样的方式对2层进行整合, 最后通过1个分类器得到分割图像。通过2次上采样后, 得到的图像相比之前的有明显的改善作用。
|
图 4 跳跃层结构图 Figure 4 Skip layer structure diagram |
为了更形象地理解VGG16结构对于图像的尺寸变化, 给出如图 5的具体图像实例来说明。
|
图 5 VGG16图像尺寸变化实例图 Figure 5 Image size change instance of VGG16 |
Data层:输入原始图像, 图像格式为blob(N*C*H*W), 512*512的彩色图像结构为(1*3*512*512)
第1次卷积池化:
Conv1_1层:卷积核结构为(64*3*3*3), pad为100, 卷积后得到的特征图为(1*64*710*710)
Conv1_2层:卷积核(64*64*3*3), pad为1, 卷积后得到的特征图为(1*64*710*710)
Pool1层:池化核(2*2), 步长为2, 池化后结果为(1*64*355*355)
第2次卷积池化:
Conv2_1层:卷积核(128*64*3*3), pad为1, 卷积后结果(1*128*355*355)
Conv2_2层:卷积核(128*128*3*3), pad为1, 卷积后结果(1*128*355*355)
Pool2层:池化核(2*2), 步长为2, 池化后结果(1*128*178*178)
第3次卷积池化:
Conv3_1层:卷积核(256*128*3*3), pad为1, 卷积后结果(1*256*178*178)
Conv3_2层:卷积核(256*256*3*3), pad为1, 卷积后结果(1*256*178*178)
Conv3_3层:卷积核(256*256*3*3), pad为1, 卷积后结果(1*256*178*178)
Pool3层:池化核(2*2), 步长为2, 池化结果(1*256*89*89)
网络分支一:
分支1:Score_pool3层:卷积核(21*256*1*1), pad为0, 卷积后结果(1*21*89*89)
第4次卷积池化:
分支2:Conv4_1层:卷积核(512*256*3*3), pad为1, 卷积后结果(1*512*89*89)
Conv4_2层:卷积核(512*512*3*3), pad为1, 卷积后结果(1*512*89*89)
Conv4_3层:卷积核(512*512*3*3), pad为1, 卷积后结果(1*512*89*89)
Pool4层:池化核(2*2), 步长为2, 池化结果(1*512*45*45)
网络分支二:
分支1:Score_pool4层:卷积核(21*512*1*1), pad为0, 卷积后结果(1*21*45*45)
第5次卷积池化:
分支2:Conv5_1层:卷积核(512*512*3*3), pad为1, 卷积后结果(1*512*45*45)
Conv5_2层:卷积核(512*512*3*3), pad为1, 卷积后结果(1*512*45*45)
Conv5_3层:卷积核(512*512*3*3), pad为1, 卷积后结果(1*512*45*45)
Pool5层:池化核(2*2), 步长为2, 池化结果(1*512*23*23)
全连接层:
Fc6层:卷积核(4 096*512*7*7), pad为0, 卷积后结果(1*4 096*17*17)
Fc7层:卷积核(4 096*4 096*1*1), pad为0, 卷积后结果(1*4 096*17*17)
Score_fr层:卷积核(21*4 096*1*1), pad为0, 卷积后结果(1*21*17*17)
反卷积层:
Upscore2层(转置卷积):先进行插值, 然后进行卷积, 卷积核(21*21*4*4), 步长为2, 输出(1*21*36*36)
Fuse_pool4层:将裁剪后的pool4层与upscore2层相加, 融合高维和低维的特征图, 输出(1*21*36*36)
Upscore_pool4层:卷积核(21*21*4*4), 步长为2, 输出(1*21*74*74)
Fuse_pool3层:将裁剪后的pool3层与upscore_pool4层相加, 输出(1*21*36*36)
Upscore8层:卷积核(21*21*16*16), 步长为8, 将图像上采样到近似原始尺寸大小, 输出(1*21*600*600)
Score层:由于conv1_1中对图像做了大小为100的pad, 所以最终上采样的upscore8层结果是比原图大, 这里将多余的pad部分裁剪掉, 输出(1*21*512*512)
2 结果与分析 2.1 图像分割算法的训练环境与方式为了检测图 4网络模型的分割效果, 选择了复杂背景下的样本图像作为训练集和测试集, 来达到具有普遍性的结果。训练的网络模型是在ubuntu下的开源深度学习架构caffe中搭建的, 而网络是在NVIDIA Tesla K20显卡上训练得到的。在训练上为了既能达到预期分割效果又能节约收敛所需要的时间, 采用了fine-tune方法, 对网络参数进行设置。在优化上采用了随机梯度下降的方法, 设置动量因子为0.99, 学习率为1×10-14。
对于事先采集的样本利用Photoshop Cs5进行标准人工分割, 并对背景、前景加以标注, 作为本算法评判好坏的基准。
2.2 图像分割算法评价指标基于本算法自动分割出的前景与背景图像, 将与以人工分割出的基准图像作对比, 以马修斯相关系数(MCC)与精确度(ACC)作为本算法分割精度的评价标准。其中MCC定义如式(1):
|
(1) |
式(1)中作为一种常用且成熟的测量两分类的机器学习评估指标, 也是评价一种分类器在最优参数情况下所拥有的预测性能指标。其中:TP为真阳性, 其表示已人工分割出的叶片前景区域像素和本算法自动分割出的叶片前景区域像素的重合数量; FP为假阳性, 其表示已人工分割出的叶片背景区域像素, 但本算法自动分割叶片时却标注为叶片前景区域像素数量; TN为真阴性, 其表示已人工分割出的叶片背景区域像素和本算法自动分割出的叶片背景区域像素的重合数量; FN为假阴性, 其表示已人工分割出的叶片前景区域像素, 但本算法自动分割时却标注为叶片背景区域像素数量。MCC值在[-1, 1]波动, 其数值越大, 分割越精细。
ACC的定义如下:
|
(2) |
式中:f表示人工分割所得的叶片基准区域; f0表示人工分割区域与本算法分割所得区域的交集。
2.3 葡萄病害叶片图像分割结果与分析 2.3.1 两种分割算法对比分析为了验证本算法对病害叶片的分割效果, 我们与文献[11]的方法进行了对比。该文献对各种成像条件下拍摄的葡萄叶片进行了系统的分割试验。首先以滑动窗口的扫描方式检测图像中的叶片, 对检测到的叶片区域中心像素作为初始前景, 叶片窗口以外区域作为背景, 用高斯混合模型(GMM)分别对前景和背景建立初始概率模型, 之后通过不断迭代的图像分割算法完成叶片的分割。该算法在分割正常叶片和病斑在叶片中部时, 能达到较好的效果, 但对于发病部位在叶片边缘的葡萄叶片则分割效果不理想。而本研究所使用的算法, 由于提前要进行训练, 只要该种病斑叶片样本足够, 就能训练出有该种病斑叶片的模型, 从而避免对比算法在分割病斑叶片时的局限性。
由于图像中目标的多少对分割结果影响很大, 本研究根据所采集的葡萄病害叶片图像叶片的数量, 将图像分为单叶片和多叶片两类, 进行了分类分割试验。
对于有病害的叶片, 分割试验结果如表 1所示。可以看出本算法对于有病害的单叶片和多叶片的MCC分割精度分别为0.821、0.747, 较对比算法分别提高了5.14%、4.39%;而ACC的分割精度分别可达到0.948、0.877, 较对比算法分别提高3.99%、3.18%。
图 6给出了几幅常见病害的葡萄叶片图像的分割实例, 可以看出本算法对各种病害叶片具有较好的分割效果。
|
图 6 典型葡萄病害叶片分割实例
Figure 6 Segmentation examples of typical grape leaves diseases
a(1)—a(5):褐斑病、白粉病、黑豆病、霜霉病和炭疽病; b(1)—b(5):人工分割; c(1)—c(5):本算法分割结果。 |
由表 2可以看出:本算法在分割几种典型葡萄病害时, 具有褐斑病的叶片, 分割精度最高, 效果最好, 其原因可能是该病斑特征相比于其他几种特征病害, 在纹理、颜色上易于分辨, 所以在测试时能达到较好的分割效果; 相比于褐斑病, 白粉病的病理特征在自然光下其病斑与背景不能形成明显的色度差, 因此在5种病害中, 白粉病的分割效果最差。
| 图像种类Image type | 本算法Paper algorithm | |
| MCC | ACC | |
| a(1) | 0.866 | 0.972 |
| a(2) | 0.774 | 0.906 |
| a(3) | 0.815 | 0.913 |
| a(4) | 0.839 | 0.947 |
| a(5) | 0.826 | 0.939 |
对于有病斑单叶片(图 7-a)来说, 对比算法图像[图 7-a(4)]有过分割现象, 将不具有病斑叶片图像分割出来了, 而本研究的分割算法就避免了这种情况[图 7-a(3)]; 对于有病斑的多叶片(图 7-b)来说, 两种算法的差异性就体现出来了, 对于叶片边缘的病斑, 对比算法把边缘部分默认为是背景从目标叶片中剔除了[图 7-b(4)], 这样很显然达不到我们分割病害叶片的效果, 而本算法就避免了这种漏分的情况[图 7-b(3)]。
|
图 7 本算法与对比算法对葡萄病害叶片的分割实例 Figure 7 Our algorithm in this paper and contrast algorithm applied to the segmentation of grapevine disease leaves 第1行:单叶片分割实例; 第2行:多叶片分割实例; a(1)—a(4)与b(1)—b(4):原图、人工分割、本算法分割结果、对比算法分割结果。 The first row:segmentation of a single leaf; The second row:example of multi blade segmentation; a(1)-a(4) and b(1)-b(4):the original image, ground truth, segmented by our algorithm, comparison algorithm segmentation results. |
本研究也对正常叶片样本进行了训练和测试, 由于对比算法在采用混合高斯模型对叶片区域建模时, 采样区域仅限于叶片中部, 当分割病害集中于边缘的叶片时, 没有较好的分割效果。但当分割正常的葡萄叶片时, 由于其整体颜色的无差异性, 该算法相比于本算法更加精细[图 8-(4)]。而本算法主要问题是在叶片边缘部分不如对比算法细致, 部分区域可能出现过分割现象。虽然如此, 但是在现实中, 对病害的判断和预防是以有病害的葡萄叶片作为分割目的的, 而本算法对于葡萄病害叶片的分割相比于对比算法更完整, 能为后续在叶片精准分割病害区域和提取病害特征创造了更好的条件。
|
图 8 正常葡萄叶片两种算法分割实例 Figure 8 Examples of 2 segmentation algorithms for normal grape leaves (1)—(4):原图、人工分割、本算法分割结果、对比算法分割结果。 (1)-(4):the original image, ground truth, segmented by our algorithm, comparison algorithm segmentation results. |
叶片的自动分割是基于机器视觉的农作物生长状态自动分析的基础。自然条件下光照变化、叶片和病害表观变化、摄像机视角、复杂背景等因素, 给从监控摄像机采集的叶片图像的完整分割带来了极大困难。本研究采用基于FCN的葡萄叶片图像的自动分割算法, 通过对卷积和反卷积网络的训练学习, 对病害叶片, 特别是其他算法较难处理的边缘具有病害的叶片, 达到较理想的分割效果。从实例分析可以看出, 无论是单叶片还是多叶片情形, 当叶片的边缘部分变枯时, 对比算法无法完整分割叶片, 而且当图像叶片有遮挡且好坏叶片混杂时, 容易漏割部分叶片, 而本算法克服了这些缺点, 能较完整地分割出整个叶片区域。但本算法也存在不足, 在处理葡萄叶片图像边缘部分时较为粗糙, 分辨率不够细致, 容易把贴近边缘葡萄叶片的部分背景当作前景保留下来。下一步, 我们将针对这一问题进行研究, 特别是结合条件随机场, 利用相邻像素的马尔可夫性, 提高叶片边缘部分的分割精度。
| [1] |
张芳, 王璐, 付立思, 等. 复杂背景下黄瓜病害叶片的分割方法研究[J].
浙江农业学报, 2014, 26(5): 1346-1355.
Zhang F, Wang L, Fu L S, et al. Segmentation method for cucumber disease leaf images under complex background[J]. Acta Agriculturae Zhejiangensis, 2014, 26(5): 1346-1355. (in Chinese with English abstract) |
| [2] |
王献锋, 张善文, 王震, 等. 基于叶片图像和环境信息的黄瓜病害识别方法[J].
农业工程学报, 2014, 30(14): 148-153.
Wang X F, Zhang S W, Wang Z, et al. Recognition of cucumber diseases based on leaf image and envi ronmental information[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(14): 148-153. DOI: 10.3969/j.issn.1002-6819.2014.14.019 (in Chinese with English abstract) |
| [3] |
刘媛, 冯全. 葡萄病害的计算机识别方法[J].
中国农机化学报, 2017, 38(4): 99-104.
Liu Y, Feng Q. Identification method of grape diseases based on computer technology[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(4): 99-104. (in Chinese with English abstract) |
| [4] |
王玉德, 张学志. 复杂背景下甜瓜果实分割算法[J].
农业工程学报, 2014, 30(2): 176-181.
Wang Y D, Zhang X Z. Segmentation algorithm of muskmelon fruit with complex background[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(2): 176-181. (in Chinese with English abstract) |
| [5] |
刁智华, 王欢, 宋寅卯, 等. 复杂背景下棉花病叶害螨图像分割方法[J].
农业工程学报, 2013, 29(5): 147-152.
Diao Z H, Wang H, Song Y M, et al. Segmentation method for cotton mite disease image under complex background[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(5): 147-152. (in Chinese with English abstract) |
| [6] |
袁媛, 李淼, 吴娜, 等. 黄瓜病害图像分割评价方法试验研究[J].
农机化研究, 2014(10): 160-163.
Yuan Y, Li M, Wu N, et al. Research on evaluation methods for image segmentation of cucumber disease[J]. Agricultural Mechanization Research, 2014(10): 160-163. (in Chinese with English abstract) |
| [7] |
刘志强, 梁琨, 沈明霞, 等. 基于无线传感网络的植物生长图像传输和分割算法研究[J].
南京农业大学学报, 2014, 37(4): 170-176.
Liu Z Q, Liang K, Shen M X, et al. Research of plant growth image transmission based on wireless sensor network and segmentation algorithm[J]. Journal of Nanjing Agricultural University, 2014, 37(4): 170-176. DOI: 10.7685/j.issn.1000-2030.2014.04.025 (in Chinese with English abstract) |
| [8] | Abdul-Nasir A S, Mashor M Y, Mohamed Z. Colour image segmentation approach for detection of malaria parasites using various colour models and K-means clustering[J]. Wseas Transactions on Biology and Biomedicine, 2013, 10(1): 41-55. |
| [9] | Guijarro M, Pajares G, Riomoros I, et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers and Electronics in Agriculture, 2011, 75(1): 75-83. DOI: 10.1016/j.compag.2010.09.013 |
| [10] | Hashemi A B, Meybodi M R. A note on the learning automata based algorithms for adaptive parameter selection in PSO[J]. Applied Soft Computing, 2011, 11(1): 689-705. DOI: 10.1016/j.asoc.2009.12.030 |
| [11] |
赵金阳. 自然条件下葡萄叶片图像的自动分割方法研究[D]. 兰州: 甘肃农业大学, 2017.
Zhao J Y. Research on automatic segmentation of grape leaf image under natural condition[D]. Lanzhou: Gansu Agricultural University, 2017(in Chinese with English abstract). |
| [12] | Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Patern Analysis and Machine Intelligence, 2014, 39(4): 640-651. |
| [13] |
程玉柱, 陈勇, 张浩. 基于MMC与CV模型的苗期玉米图像分割算法[J].
农业机械学报, 2013, 44(11): 266-270.
Cheng Y Z, Chen Y, Zhang H. Color image segmentation algorithm of corn based on MMC and CV model[J]. Transactions of the Chinese Society of Agricultural Machinery, 2013, 44(11): 266-270. DOI: 10.6041/j.issn.1000-1298.2013.11.045 (in Chinese with English abstract) |
| [14] |
陈鸿翔. 基于卷积神经网络的图像语义分割[D]. 杭州: 浙江大学, 2016.
Chen H X. Semantic segmentation based on convolutional neural networks[D]. Hangzhou: Zhejiang University, 2016(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10335-1016063691.htm |
| [15] |
吕力兢. 基于卷积神经网络的结肠病理图像中的腺体分割[D]. 南京: 东南大学, 2016. Lü L J.
Gland segmention in colon histology images using the convolutional neural networks[D]. Nanjing: Southeast University, 2016(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10286-1016328630.htm |
| [16] |
李巧玲, 关晴骁, 赵险峰. 基于卷积神经网络的图像生成方式分类方法[J].
网络与信息安全学报, 2016, 2(9): 40-48.
Li Q L, Guan Q X, Zhao X F. Image generation classification method based on convolution neural network[J]. Chinese Journal of Network and Information Security, 2016, 2(9): 40-48. DOI: 10.11959/j.issn.2096-109x.2016.00096 (in Chinese with English abstract) |
| [17] |
杨森, 冯全, 杨梅, 等. 彩色叶片图像去尘算法[J].
计算机辅助设计与图形学学报, 2016, 28(8): 1224-1231.
Yang S, Feng Q, Yang M, et al. An algorithm of dust removal for color leaves image[J]. Journal of Computer-Aided Design and Computer Grapahics, 2016, 28(8): 1224-1231. (in Chinese with English abstract) |
| [18] | Zhang J, Huang M, Jin X, et al. A real-time chinese traffic sign detection algorithm based on modified YOLOv2[J]. Algorithms, 2017, 10(4): 127. DOI: 10.3390/a10040127 |
| [19] | Ren S, He K, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149. DOI: 10.1109/TPAMI.2016.2577031 |
| [20] | Zhou J, Wang H, Zhao Z, et al. CNNH_PSS:protein 8-class secondary structure prediction by convolutional neural network with highway[J]. BMC Bioinformatics, 2018, 19(4): 60. |
| [21] | He K, Sun J, Tang X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353. DOI: 10.1109/TPAMI.2010.168 |
| [22] | Siano P, Cecati C, Yu H, et al. Real time operation of smart grids via FCN networks and optimal power flow[J]. IEEE Transactions on Industrial Informatics, 2012, 8(4): 944-952. DOI: 10.1109/TII.2012.2205391 |
| [23] | Maheswari S, Jeya R, Rameshwaran K. BPN based segmentation of blood vessels in retinal images using combined filters[J]. International Journal of Applied Engineering Research, 2015, 10(20): 15531-15536. |
| [24] | Chen L C, Papandreou G, Kokkinos I, et al. DeepLab:semantic image segmentation with deep convolutional nets, atrous convolution and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848. DOI: 10.1109/TPAMI.2017.2699184 |