图像语义分割是计算机视觉领域十分核心的一部分,对于图像处理后续工作具有重要的作用。图像语义分割是一种将图像分割成多个模块(每个模块由像素点或超像素点组成),并给每个像素点赋予其真实语义标签的过程。图像语义分割的目的是将图像简化并且赋予图像更多意义使其更容易被分析。目前全卷积神经网络是语义分割任务的主流方法,也衍生出了许多优秀的算法,其中DeepLab就是比较成熟的模型。但DeepLab没有考虑到网络中每一层包含的特征,只针对特定层进行了特征融合,且浅层特征在传播过程中丢失信息严重。而在图像边界处理时使用全连接CRF所占用的计算资源过大,计算时间过长。基于以上问题,本文以提高图像语义分割的精确度为目标,在第二个版本的DeepLab模型基础上进行改进,提出可以获取丰富的全局上下文信息的传播深度聚合算法和一种不会增加学习参数且结构简单的边界处理算法。具体介绍如下:(1)基于传播深度聚合的DeepLab模型语义分割方法,解决DeepLab无法对所有卷积通道和卷积模块进行特征融合和浅层信息在传播过程中丢失严重的问题。本文在DeepLab模型基础上,设计一个聚合结构用来连接所有的卷积模块并保证传播过程中浅层特征的完整性。该结构将网络按照分辨率分为多个阶段,阶段内采用层次深度聚合,阶段间采用迭代深度聚合。层次深度聚合是结合较深和较浅的卷积块来实现跨层级的特征融合,而迭代深度聚合是将浅层阶段的结果逐步向深层阶段聚合,最后迭代更新输出,这样可以保证浅层特征信息的完整性。使用经典数据集PASCAL VOC2012和PASCAL-Context进行测试,并且设计与其他优秀语义分割算法的对比实验,验证了本方法的可行性和有效性。(2)基于边界细化模块的DeepLab语义分割方法:不同于主流的边界处理方法,本文设计一种基于残差结构的边界细化模块,对图像边界进行细化操作。边界细化模块由两条支路组成,一条支路等值传递粗糙的特征映射,另一条支路设置了两个卷积层,利用图像主体部分与边界部分Heat Map激活值的残差推动两个卷积层去寻找边界位置,得到侧重学习精细的边缘信息的分割图。将两条支路的结果相融合实现边界细化的效果。在DeepLab模型中每一层输出后面连接一个边界细化模块,参考跳跃连接思想,将每一层边界细化模块得到的结果融合,利用每一卷积层包含的边界信息增强图像边界区域像素的精准定位。最后经过数据集测试和对比实验,验证了该算法的可行性与有效性。