[发明专利]一种生物启发式多级多层次反馈式轮廓检测方法

说明书

本发明旨在提供一种生物启发式多级多层次反馈式轮廓检测方法，包括以下步骤：构建深度神经网络结构，结构如下：编码网络、解码网络；其中，编码网络包括VGG16、预处理模块P、反馈网络；VGG16网络以池化层为分界线，分为五个阶段；预处理模块P对应VGG16网络中五个阶段设有5个；反馈网络设有依次连接的四个横向反馈阶段；解码网络包括多个反馈模块F和加法层；原始图像依次经过编码网络、解码网络，获得最终输出轮廓。本发明保证了目标轮廓的完整性，能够有效解决轮廓不连续问题。

技术领域

本发明涉及图像处理领域，具体涉及一种生物启发式多级多层次反馈式轮廓检测方法。

背景技术

轮廓检测旨在提取一幅图像中背景和目标之间的分界线，通常作为多种中、高级计算机视觉任务的前端处理的关键步骤，是计算机视觉研究领域的基本任务之一。目前，轮廓检测有以下两种方式：

深度学习方法：通常采用公开的VGG-Net、Res-Net等模型进行迁移学习，作为编码网络表征特征，然后研究并设计与之匹配的解码网络来解析特征最终得到目标轮廓。卷积神经网络本身受生物机制启发得到，但在后来的发展中没有很好的与之结合。

生物学方法：简单地模拟视觉系统中生理特性的一部分，在轮廓提取的过程中，对于一些视觉的动态特性并不能较好地进行模拟，造成了一定程度上轮廓信息的缺失以及纹理信息的增强这类问题，从而不能较好地保证目标轮廓的完整性。

应用于计算视觉任务中的卷积神经网络没有很好的与视觉机制相结合，而传统的仿生算法大多是通过公式来模拟细胞的某一项功能，无法达到普适性。如何克服两种方式本身所具有的缺陷，提升目标轮廓检测完整性，是本领域技术研发的一个重要方向。

发明内容

本发明旨在提供一种生物启发式多级多层次反馈式轮廓检测方法，该方法细化了卷积功能，为卷积神经网络设计和网络连接提供了新的思路，进一步消除了背景中纹理边缘的响应，减少了无关成分的影响，保证了目标轮廓的完整性，有效解决了不连续问题。

本发明的技术方案如下：

所述的生物启发式多级多层次反馈式轮廓检测方法，包括以下步骤：

A、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；

其中，编码网络包括VGG16、预处理模块P、反馈网络；

VGG16网络以池化层为分界线，分为五个阶段；

所述的预处理模块P对应VGG16网络中五个阶段设有5个；

所述的反馈网络设有依次连接的L1、L2、L3、L4四个横向反馈阶段，L1横向反馈阶段中设置4个反馈模块F，L2横向反馈阶段中设置3个反馈模块F，L3横向反馈阶段中设置2个反馈模块F，L4横向反馈阶段中设置1个反馈模块F；

所述的解码网络包括多个反馈模块F和加法层；

B、原始图像输入VGG16网络中，依次经五个阶段卷积处理，得到的输出结果分别输入预处理模块P，获得前馈信息FF₁、FF₂、FF₃、FF₄、FF₅；