[發明專利]一種基于素描標記的中層次特征提取快速邊緣檢測方法

在審

• 申請號: 202011191788.0
• 申請日: 2020-10-30
• 公開（公告）號: CN112287948A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 李云紅;喻曉航;李傳真;聶夢瑄;穆興;姚蘭
• 申請（專利權）人: 西安工程大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 寧文濤

1.一種基于素描標記的中層次特征提取快速邊緣檢測方法，其特征在于，具體按照以下步驟實施：

步驟1，定義素描標記。使用簡單且直接的一組素描來抽象表示圖像中可能存在的各種邊緣結構，提取素描圖像中固定大小的補丁，借用K-means方法聚集補丁，創建標記類的集合；

步驟2，檢測素描標記：對于標記類的集合，使用一個學習分類器來從輸入的訓練圖像中提取補丁，計算出特征向量；

步驟3，抽取每個標記類的輪廓補丁，每個圖像的無輪廓補丁，以訓練隨機森林分類器；隨機選取特征向量的一個子集來進行分類；

步驟4，輪廓檢測：根據檢測出來的中層素描標記所提供的局部邊緣結構估計，使用自上而下的策略對像素輪廓進行二值化標記；進行非極大值抑制處理；得出輪廓的峰值響應。

2.根據權利要求1所述的一種基于素描標記的中層次特征提取快速邊緣檢測方法，其特征在于，所述步驟1具體按照以下步驟實施：

步驟1.1，給定一組訓練圖像I，它們對應的二值圖像為S；

步驟1.2，通過聚類的方法提取二值圖像S的補丁s，定義為素描標記的集合；其中每個補丁s_i的大小是35×35像素，是恒定不變的；

步驟1.3，略去包含有標記輪廓且處在圖像邊緣位置的補丁，換句話說，也就是只考慮中心像素位置且有標記輪廓的補丁。

3.根據權利要求1所述的一種基于素描標記的中層次特征提取快速邊緣檢測方法，其特征在于，所述步驟2具體按照以下步驟實施：

步驟2.1，特征提取：采用多特征通道的方法對每幅圖像進行計算，這些通道的特征有兩種類型：直接索引通道特征和自相似性特征；

步驟2.2，分類：選用一個有效的隨機森林分類器來對圖像中的素描標記進行分類；

步驟2.3，按照每個標記類上千個輪廓補丁，每個訓練圖像幾百個無輪廓補丁，在BSDS數據集中訓練每棵隨機森林決策樹；

步驟2.4，利用基尼不純度隨機選取特征向量的一個子集，再對每一個分支節點進行特征決策。

4.根據權利要求3所述的一種基于素描標記的中層次特征提取快速邊緣檢測方法，其特征在于，所述步驟2.1中的特征提取具體為：

步驟2.1.1，第一類特征的定義：基于CIE-LUV顏色空間，對顏色、梯度和定向梯度信息的彩色圖像而言，計算出三個顏色通道，并將通道結果中的像素視為分類器的第一類特征。

步驟2.1.2，第二類特征的定義和計算：根據顏色或梯度信息去捕獲圖像中每個補丁相似度高的且有紋理的部分，對于通道k和網格單元i，j，自相似性特征f_ijk被定義為：

f_ijk＝s_jk-s_ik，(1)

其中，s_jk表示通道k中整個網格單元j的和值，s_ik表示通道k中整個網格單元i的和值。k是通道數，i和j表示的是網格單元；

通過計算出每個通道的自相似性特征的總數；求和可得到特征向量，最后使用這些特征向量中的小子集來學習模型。

5.根據權利要求3所述的一種基于素描標記的中層次特征提取快速邊緣檢測方法，其特征在于，所述步驟2.2，分類的具體步驟為：選取了一個滿足兩個必要條件且高效的隨機森林分類器，解決了多類別范疇領域的問題。隨機森林分類器的具體操作步驟為：

步驟2.2.1，對于一個決策樹的集合，從圖像中抽取13-15萬個輪廓補丁，其中每個標記類1000-2000個左右，15萬-16萬個無輪廓補丁(每個訓練的圖像700-800個)，以訓練每棵決策樹；

步驟2.2.2，利用基尼不純度從步驟2.1.2計算的特征向量中隨機地選取其中的一個子集，來為決策樹的每個分支節點選擇特征，并同時決定圖像的邊界。最后將所有的決策樹的結果取平均值得到最終的值。

6.根據權利要求1所述的一種基于素描標記的中層次特征提取快速邊緣檢測方法，其特征在于，所述步驟3，輪廓檢測，使用中層素描標記來預測輪廓的步驟為：

步驟3.1，使用隨機森林分類器預測圖像中屬于每個素描標記類的補丁的概率；

步驟3.2，求和每個素描標記的概率，來計算位于中心像素的輪廓概率，如公式(1)所示；

e_i＝∑_jt_ij＝1-t_i0(1)

其中，t_ij和t_i0分別指的是補丁x_i屬于標記j的概率，補丁x_i屬于無輪廓的概率，在這里零代表無輪廓；

步驟3.3，根據每個像素處的輪廓概率，用非極大值抑制方案找出輪廓的峰值響應。