[發明專利]一種基于多級特征信道優化編碼的圖像輪廓檢測方法

有效

• 申請號: 201910080334.7
• 申請日: 2019-01-28
• 公開（公告）號: CN109903301B
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 范影樂;方琳靈;周濤;武薇;佘青山
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/13
• 分類號: G06T7/13
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明涉及一種基于多級特征信道優化編碼的圖像輪廓檢測方法。本發明針對輸入圖像I(x,y)，首先基于相似度指標獲取Gabor濾波器的最優尺度m_opt和方向θ_opt，并將m_opt和θ_opt作為NSCT的頻率分離參數；然后將經過NSCT得到的輪廓子圖與I(x,y)進行特征增強融合，實現對I(x,y)的初級輪廓檢測；最后針對性地設計全卷積神經網絡，包括由不同尺度FCN?32s、FCN?16s、FCN?8s網絡單元構成的特征編解碼器，利用特征編碼器的卷積與池化模塊實現網絡參數的主動學習，利用特征解碼器的反卷積與上采樣模塊得到與I(x,y)對應的圖像輪廓掩模圖，實現多級特征信道的優化編碼，完成圖像輪廓的高效準確檢測。

技術領域

本發明屬于機器學習和圖像處理領域，具體涉及一種基于多級特征信道優化編碼的圖像輪廓檢測方法。

背景技術

輪廓信息對于圖像數據的分割和識別具有重要意義，它將實現對圖像目標區域的快速勾勒，有助于在有限特征維度上對圖像進行分析和理解，因此圖像輪廓自動檢測是機器學習和圖像處理領域的重要研究內容之一。基于區域梯度信息的傳統檢測算法通常考慮圖像的線性濾波和局部方向性特征，例如基于圖像局部能量方法，但它們一般并不涉及主動輪廓、紋理邊緣以及區域邊界等重要信息。目前基于深度學習的輪廓檢測方法受到了關注，通過深度網絡結構模擬人類視覺感知系統對視覺信息的處理過程，主動進行特征學習，有效地簡化了原本復雜的特征提取和數據重建過程，但是這類方法普遍存在以下問題：(1)直接通過神經網絡進行圖像的分割和融合，會導致分割結果的不精細和特征信息的泛化。(2)未能將深度學習與傳統基于特征的方法相結合，檢測性能嚴重依賴于訓練樣本的數量和質量，對包括紋理背景在內的冗余信息過濾能力較弱。(3)部分方法雖然考慮了多源特征的提取問題，例如基于Gabor-NSCT和脈沖神經網絡的SAR圖像分割，它涉及了Gabor和NSCT在多尺度下的多源特征提取，然后將提取的Gabor特征和NSCT特征分別作為兩個脈沖神經網絡的輸入進行訓練，因此分割性能將嚴重依賴于Gabor和NSCT對于圖像內容的感知能力，并沒有充分利用多尺度下的多源特征信號融合編碼能力，另外脈沖神經網絡從模型層次和結構上也并不屬于深度學習的范疇。例如還有基于Gabor-NSCT和視覺機制的圖像輪廓提取方法，它同樣涉及不同尺度下的多源特征提取，但考慮到視覺機制模型的運算能力，通常采用一種簡化的融合編碼方式，本質上缺失了以卷積神經網絡訓練為代表的學習過程，因此并不能真正體現多源特征在表達輪廓上的有效性。

發明內容

本發明針對現有技術的不足，提出一種基于多級特征信道優化編碼的圖像輪廓檢測方法。

雖然NSCT變換在表征圖像細節方面具有優越的性能，但其通常采取在尺度和方向上對分解結果進行某種加權方式下的優化編碼，處理過程中加權參數的人為設定使得檢測結果具有較大的不確定性。考慮到Gabor濾波器在感知圖像目標尺度和方向時的有效性，因此本發明針對輸入圖像I(x,y)，首先計算Gabor濾波器對應的最優尺度m_opt和方向θ_opt，并將獲得的m_opt和θ_opt作為NSCT變換的頻率分離參數，改變了傳統上需要對Gabor和NSCT遍歷所有尺度和方向的冗余融合模式；另外本發明將NSCT得到的輪廓子圖與I(x,y)進行特征增強融合，有助于高效準確獲得I(x,y)的初級輪廓響應E(x,y)；接著將E(x,y)傳入至由FSC-32S、FSC-16S、FSC-8S網絡單元構成的全卷積神經網絡，利用特征編碼器的卷積與池化模塊實現網絡參數的主動學習，通過特征解碼器的反卷積與上采樣模塊得到與I(x,y)對應的圖像輪廓掩模圖，并與I(x,y)進行點乘操作，最終實現圖像輪廓的準確檢測。具體包括如下步驟：

步驟1:獲取輸入圖像I(x,y)的初級輪廓響應。首先計算輸入圖像I(x,y)的Gabor濾波器響應，結果記為如式(1)～(4)所示。