[发明专利]一种深度细化的多重信息嵌套边缘检测方法

说明书

本发明旨在提供一种深度细化的多重信息嵌套边缘检测方法，包括以下步骤：构建深度神经网络结构，深度神经网络结构具体如下：编码网络、解码网络；编码网络为VGG16网络，该VGG16网络去除了所有全连接层、pool5池化层，只保留了VGG16网络主体；解码网络分为三层，第一层包括压缩模块、重塑模块、调整模块；第二层为信息提取融合模块a、信息提取融合模块b、信息提取融合模块信息c、提取融合模块d；第三层为在横向细分轮廓网络模块。

技术领域

本发明涉及图像处理领域，具体涉及一种深度细化的多重信息嵌套边缘检测方法。

背景技术

轮廓检测是图像处理及计算机视觉中一个很重要组成部分。从复杂的背景中正确地检测物体轮廓是一个非常重要而困难的工作。在众多传统的图像处理方法中，应用于轮廓检测较成功的有Canny算子、活动轮廓模型和基于机器学习的轮廓模型等。这些方法主要利用了图像中的亮度，颜色，对比度信息进行检测，难以区分目标轮廓和其他杂乱边界。所以在面对图像中的对比度变化比较大、背景干扰比较多的情况时，这些方法很难得到比较满意的结果。上述算法需要相当多的领域专业知识和精细的处理算法设计，把原始图像数据转换成合适的表示或者特征向量，来构造一个轮廓分类器或者轮廓模型。近几年来，深度学习技术已经成为从原始数据中自动学习特征表示的高效方法。借助深度学习工具，尤其是卷积神经网络，轮廓检测任务有显著的性能提高。

近年来，深度学习的相关研究已形成较为完整的体系。其中，HED为我们展现了VGG16 网络五层侧面图的检测效果，发现浅层的轮廓效果较差，含有大量的纹理和噪声，传递过程中导致错误率上升，对实验效果产生巨大影响。且现有深度学习算法只是将卷积层直接相加或融合，缺乏生物视觉机制的理论支撑，而仿生学算法用数学模型描述细胞响应，不足以模拟视觉机制中各层间复杂的传递方式。

发明内容

本发明旨在提供一种深度细化的多重信息嵌套边缘检测方法，该方法克服现有技术缺陷，可以使轮廓更加清晰、准确。

本发明的技术方案如下：

所述的深度细化的多重信息嵌套边缘检测方法，包括以下步骤：

A、构建深度神经网络结构，包括编码网络、解码网络，具体结构如下：

编码网络为VGG16网络，该VGG16网络去除了所有全连接层、pool5池化层，只保留了VGG16网络主体；解码网络分为三层，第一层包括压缩模块、重塑模块和调整模块；第二层为信息提取融合模块a、信息提取融合模块b、信息提取融合模块信息c和信息提取融合模块d；第三层为在横向细分轮廓网络模块；

B、原始图像先经过VGG16网络卷积处理，获得VGG16的5个侧面输出图，然后将VGG16 的5个侧面输出图分别输入压缩模块和信息提取融合模块a；

在信息提取融合模块a中，将第1～5侧面输出图，经过再次卷积处理，使得输出通道数一致，获得第1-5侧面输出图的再次卷积图像；然后第2～5侧面输出图的再次卷积图像分别以第1侧面输出图再次卷积图像为基准，统一分辨率，获得2～5侧面输出图再次卷积图像的分辨率调整图像，将第1侧面输出图再次卷积图像与2～5侧面输出图再次卷积图像的分辨率调整图像融合，获得信息提取融合图像a，输入横向细分轮廓网络模块中；

C、在压缩模块中：对第1～5侧面输出图像进行二次卷积，其中1、2层卷积图像的二次卷积采用3*3卷积，3、4、5层卷积图像的二次卷积采用1*1卷积，统一特征通道数；将二次卷积后的1、2、3、4、5层卷积图像，依次两两组合形成4个组，每组中将高分辨率的输出图使用最大值池化至与低分辨率输出图相同，然后相加，获得四幅一次结合图像，分别为1-2、2-3、3-4、4-5结合图像，将该四幅图像分别输入重塑模块和信息提取融合模块b；