超声图像分割技术对于黄牛卵泡的监测起着重要的作用,通过对黄牛卵泡的监测,寻找最佳受孕时机进行配种,能够有效提高黄牛的繁殖能力。随着养牛业的日渐成熟,为了追求更大的经济效益,对于超声图像分割技术提出了更高的要求。本文根据连续超声卵泡图像集的特点,分析比较了一些常用的图像分割算法及在超声图像分割中的应用。超声图像含有大量斑点噪声,边缘模糊,传统的图像分割算法很难在超声图像上得到较好的分割结果。支持向量机(SVM)作为一种有监督式的机器学习方法,通过样本集的训练能很好地学习样本的特征,从而得到较高的分割准确率。但是传统的SVM模型在处理连续数据集时,只能分别为每幅图像训练分割模型,因此需要对每幅图像进行样本提取,费时费力。本文改进了传统的SVM模型,通过提取能表征图像连续性的特征与图像像素的特征进行组合,训练一个能对整个图像集中图像进行分割的模型。该模型在保证一定分割精度的情况下,大幅降低了提取样本的工作量。本文在ROI区域的自动选择上也进行一定的研究,基于深度学习的图像分割模型Mask R-CNN将目标监测与分割结合起来,不需要人为选择ROI区域;但是该模型中的RPN层所训练的候选框不太适合图像分割任务;本文又针对了图像分割任务所需候选框的特点,改进了Mask R-CNN的RPN层,使得训练的候选框更适合图像分割任务。实验结果证明,在选择了合适参数的情况下,改进RPN层后的Mask R-CNN模型相比原模型分割准确率更高。