[發明專利]一種基于局部二值模式的像素差卷積邊緣檢測方法

有效

• 申請號: 202110791743.5
• 申請日: 2021-07-13
• 公開（公告）號: CN113255704B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 劉文哲;蘇卓;劉麗;白亮
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06T7/13
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

本發明公開了一種基于局部二值模式的像素差卷積邊緣檢測方法，包括如下步驟：S1.構建像素差異卷積以替換深度卷積神經網絡中的普通卷積層，建立像素差異卷積神經網絡；S2.使用像素差異卷積神經網絡對圖像進行邊緣檢測，輸出邊緣檢測結果。本發明將像素差異應用于受HED啟發的三模塊結構的主干網絡中，提出了兩類像素差異卷積神經網絡，即RPD?CNN和APD?CNN，而沒有引入任何額外的參數，以提高深度學習網絡的檢測邊緣能力。基于像素差異卷積的主干網絡可以為后續的側面輸出模塊和特征融合模塊提供初步的特征提取。

技術領域

本發明涉及邊緣檢測技術領域，具體涉及一種基于局部二值模式的像素差卷積邊緣檢測方法。

背景技術

作為計算機視覺中一個長期存在的、基礎而具有挑戰性的問題，邊緣檢測已經成為深度學習研究最廣泛的問題之一，并且已經發表提出了許多典型方法。邊緣檢測旨在從圖像中提取物體級別的輪廓和視覺上由亮度、顏色等產生的顯著邊緣。基于邊緣檢測也存在各種更高級別的應用，包括物體檢測、檢測建議生成和圖像分割。

大多數傳統的邊緣檢測方法首先會計算某些特征值的一階導數，例如強度梯度，然后應用復雜的學習算法將每個像素標識為邊緣還是非邊緣。傳統的邊緣檢測方法是基于低級特征的，并且所使用的學習算法通常較淺顯，因此無法表示高級語義信息，故在富含語義信息的邊緣檢測任務中具有一定的局限性。

同其他許多計算機任務一樣，自從深度卷積神經網絡（DCNN）進入邊緣檢測領域以來，性能有了顯著的進步。DCNN強大的能力可以自動學習多個抽象級別上的自然圖像的特征表示，故DCNN特別擅長學習用于物體識別的更深層語義特征，然而由普通卷積構建的網絡缺乏捕獲細粒度圖像模式的能力，從而限制了有效和高效地提取更豐富的邊緣相關信息。

發明內容

本發明要解決的技術問題是針對現有技術的不足而提供一種基于局部二值模式的像素差卷積邊緣檢測方法，以提高深度學習網絡的檢測邊緣能力。

為解決上述技術問題，本發明的內容包括：

一種基于局部二值模式的像素差卷積邊緣檢測方法，所述方法包括如下步驟：

S1. 構建像素差異卷積以替換深度卷積神經網絡中的普通卷積層，建立像素差異卷積神經網絡；所述像素差異卷積為徑向像素差異卷積：在輸入特征圖上，依其內核大小，對局部鄰域進行采樣；在后續的聚合中，首先將局部鄰域中的每個像素的強度值減去區域中心像素的強度值，然后再通過可學習的權重，以加權求和的方式來處理差值，即對中心像素及其圓對稱鄰域之間的差進行編碼；

S2. 使用像素差異卷積神經網絡對圖像進行邊緣檢測，輸出邊緣檢測結果。

進一步的，所述深度卷積神經網絡使用VGG16結構作為主干網絡，并在5個卷積階段中均利用每一層的特征圖，提供不同尺度的感知領域。

進一步的，所述徑向像素差異卷積的輸出特征圖用公式表示為：

其中，表示局部區域中中心像素點的所在位置，表示枚舉中的像素位置。

進一步的，綜合強度語義信息后，所述徑向像素差異卷積的輸出特征圖用公式表示為：

其中，超參數θ∈[0,1]為權衡強度信息和梯度信息對邊緣檢測預測結果的貢獻，且其為可學習的值。

一種基于局部二值模式的像素差卷積邊緣檢測方法，所述方法包括如下步驟：

S1. 構建像素差異卷積以替換深度卷積神經網絡中的普通卷積層，建立像素差異卷積神經網絡；所述像素差異卷積為角向像素差異卷積：在輸入特征圖上，依其內核大小，對局部鄰域進行采樣；在后續的聚合中，對與當前位置相同的切比雪夫距離上的相鄰像素之間的差值進行編碼，以保留角度信息；