[發明專利]一種基于上下文增強網絡的感知邊緣檢測方法

有效

• 申請號: 202010965729.8
• 申請日: 2020-09-15
• 公開（公告）號: CN112070784B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 歐陽寧;韋羽;周宏敏;林樂平;莫建文;袁華
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

本發明公開了一種基于上下文增強網絡的感知邊緣檢測方法，其特征在于，包括如下步驟：1）獲取圖像訓練數據集訓練邊緣檢測模型；2）特征提取；3）降維加權；4）雙向遞歸；5）分類；6）輸出。這種方法通過捕捉多尺度上下文信息之間的內在聯系提升邊緣檢測的準確性，具有速度快的優點。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于上下文增強網絡的感知邊緣檢測方法。

背景技術

圖像邊緣是指其周圍像素灰度有階躍變化和屋頂變化的那些像素的集合，是圖像最基本的特征之一。圖像邊緣往往攜帶一幅圖像的大部分信息，邊緣檢測在計算機視覺、圖像處理等應用中起著重要的作用，是圖像分析與識別的重要環節,因此圖像的邊緣檢測一直是人們研究的熱門課題。

傳統的邊緣檢測方法通常以顏色以及亮度等特征來尋找圖像的邊緣點，如Canny、Sobel算子。但由于自然圖像的復雜性，僅利用梯度和顏色等特征難以實現準確的邊緣檢測，一些學者嘗試通過數據驅動的方式將梯度、顏色以及亮度等多種低級特征用于邊緣檢測，如gPb+UCM、StrucutredEdge等方法，雖然該類方法相較基于梯度的方法取得了一定的提高，但由于該類方法僅利用了圖像的低級特征，在特殊場景下難以實現檢測的魯棒性。為了捕捉圖像的高層次特征，一些學者嘗試利用卷積神經網絡來提取圖像塊特征，提出了一些經典的邊緣檢測方法，如N4Fields、DeepEdge等，得益于卷積神經網絡強大的特征提取能力，該類方法在檢測精度上得到了較好的提升，但圖像塊的處理方式不利于捕捉圖像的全局特征，基于此，xie等人提出一種端到端學習的邊緣檢測方法，通過結合多層次、多尺度特征，使得邊緣檢測精度得到了大幅提升，在此基礎上，Liu等人通過融合每個尺度中大小不同的感受野特征以提高每個尺度的表達能力，提高邊緣檢測的精度。

雖然近年來提出的一系列基于多尺度結合的邊緣檢測方法在檢測精度上取得了一定的提升，但是這些方法普遍存在著大尺度特征語義信息少，誤分類多，小尺度空間信息少，定位不精準等問題，而通過對不同尺度輸出加權的方式不能很好解決以上問題，如何對圖像多尺度特征進行信息互補、增強每個尺度的分類準確性是目前的一個難點。

發明內容

針對現有基于多尺度結構的邊緣檢測方法中各尺度特征互相獨立，存在著大尺度特征語義信息少，誤分類多，小尺度空間信息少，小目標信息丟失嚴重等問題，本發明提供一種基于上下文增強網絡的感知邊緣檢測方法。這種方法通過捕捉多尺度上下文信息之間的內在聯系提升邊緣檢測的準確性，具有速度快的優點。

實現本發明目的的技術方案是：

一種基于上下文增強網絡的感知邊緣檢測方法，包括如下步驟：

(1)獲取圖像訓練數據集訓練邊緣檢測模型：所述邊緣檢測模型包括特征提取過程、神經網絡雙向遞歸過程和分類過程，具體為：

特征提取過程：將樣本圖像x映射為5組具有d維的特征，特征提取網絡由5個CSU模塊組成，作為一個可訓練的特征提取網絡將輸入的樣本圖像x映射為5組具有21維的特征，即i∈{1～5}，其中CSU模塊里包含橫向和縱向兩個支路，每個CSU模塊的縱向支路數N從前到后分別為{2,2,3,3,3}，縱向支路負責提取高維圖像特征，橫向支路負責進行特征的聚合以及上采樣，過程可以通過公式(1)、公式(2)進行表示：

其中，i為第i個CSU模塊，n為CSU模塊中第n個縱向支路卷積，W為縱向卷積核參數，卷積核大小統一為3×3，下同，dW為橫向卷積核參數，卷積核大小統一為1×1，Φ為Relu激活函數，up(·)為雙線性插值函數，聚合操作采用1×1卷積實現；