[發明專利]基于深度學習的邊緣檢測濾波器優化方法

有效

• 申請號: 202011109798.5
• 申請日: 2020-10-16
• 公開（公告）號: CN112308870B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 尹仕斌;郭寅;郭磊;徐金辰
• 申請（專利權）人: 易思維（杭州）科技有限公司
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06N3/04;G06N3/08;G06T7/143
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于深度學習的邊緣檢測濾波器優化方法，包括：采集多張待測物圖像，記為訓練圖像集；分別框選各張圖像中的待測特征并標注，得到標注圖像；以第一張訓練圖像作為輸入圖像；對輸入圖像進行卷積，再計算各個像素點的梯度，輸入到Sigmiod函數中進行激活處理，得到輸出結果圖；將輸出結果圖記為新的輸入圖像，重復；利用softmax函數得到歸一化結果圖，計算歸一化結果圖與標注圖像的損失矩陣M_Loss和LOSS值；利用損失矩陣M_Loss進行反向傳播，得出修正后的各層邊緣檢測濾波器；以下一張訓練圖像作為輸入圖像并利用修正后的各層邊緣檢測濾波器繼續重復，直到LOSS值發生收斂；本方法邊緣檢測穩定更好，魯棒性高且計算量小。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于深度學習的邊緣檢測濾波器優化方法。

背景技術

圖像分割是計算機視覺領域的重要分支，其中，Sobel、Prewitt等邊緣檢測方法是圖像分割的經典檢測算法。隨著圖像分割任務的要求越來越高，單純的Sobel算子進行圖像分割時，容易出現分割不全面、誤分割的現象，無法滿足實際生產過程中的檢測需求；進而出現了：基于深度學習的圖像分割算法，其雖然在像素分類精度上有著很大提高，但是深層次的網絡模型帶來龐大的計算量，因此會使得算法十分依賴硬件設施，如GPU等。

發明內容

為了解決現有技術存在的問題，提供一種分割效果好且計算量小的分割方法，將深度學習思想應用到邊緣檢測濾波器的優化過程中，計算偏移量b，通過訓練圖像迭代出合適的邊緣檢測濾波器的參數，修正邊緣檢測因子，進行濾波器的優化，本方法將多個濾波器級聯形成最終的濾波器，使得邊緣檢測穩定更好，魯棒性提高。

為此，本發明的技術方案如下：

一種基于深度學習的邊緣檢測濾波器優化方法，包括以下步驟：

步驟一、采集多張待測物圖像，記為訓練圖像集；

分別框選各張圖像中的待測特征并標注每個像點的類別標簽，所述類別標簽為前景標簽或背景標簽；將經過上述處理的訓練圖像記為標注圖像；

以第一張訓練圖像作為初始的輸入圖像；

步驟二、分別利用不同方向的邊緣檢測因子對輸入圖像進行卷積處理，得到整幅圖像各個像素點的梯度，將其輸入到Sigmiod函數中進行激活處理，得到輸出結果圖；

步驟三、將輸出結果圖記為新的輸入圖像，重復步驟二N次，N＝1～5即：前一次的輸出結果圖作為下一次的輸入圖像；將最后一次得到的輸出結果圖記為最終結果圖；

將首次進行步驟二時的邊緣檢測因子記為第一層濾波器；第i次重復步驟二時的邊緣檢測因子記為第i+1層濾波器；i＝1,2…N；

步驟四、利用softmax函數歸一化處理最終結果圖中各點的像素值，記為歸一化結果圖，計算所述歸一化結果圖與所述輸入圖像的標注圖像各像點之間的交叉熵損失值，記為損失矩陣M_Loss；再將各個交叉熵損失值取均值記為LOSS值；

步驟五、利用損失矩陣M_Loss進行反向傳播，得出每層邊緣檢測濾波器的偏移量b；將不同方向的邊緣檢測因子加上對應的偏移量b，得出修正后的各層邊緣檢測濾波器；

以下一張訓練圖像作為輸入圖像并利用修正后的各層邊緣檢測濾波器繼續進行步驟二～步驟四，直到LOSS值發生收斂；

步驟六、將步驟五中最后得出的各層邊緣檢測濾波器級聯作為優化后的邊緣檢測濾波器。

進一步，步驟五中利用損失矩陣M_Loss進行反向傳播，得出每層邊緣檢測濾波器的偏移量b；具體為：