[发明专利]用于高分辨率图像的基于深度学习的亚像素边缘提取算法

权利要求书

1.用于高分辨率图像的基于深度学习的亚像素边缘提取算法，其特征在于，用于从高分辨率的边缘检测神经网络的降尺寸输出中恢复亚像素全尺寸边缘，包括以下步骤：

对全尺寸分辨率图像进行灰度归一化处理，随后输入至神经网络，通过神经网络中的特征提取网络依次进行编码处理和解码处理，输出降采样的特征图，降采样的特征图包括降采样边缘输出特征图和降采样偏移量输出特征图，对特征提取网络输出的特征图进行全尺寸边缘恢复，得到全尺寸的边缘图像，降采样边缘输出特征图采用热力图损失函数进行监督，降采样偏移量输出特征图采用偏移量损失函数进行监督，最终恢复得到的全尺寸边缘采用像素平滑的损失函数监督，三个监督损失进行融合得到整体损失。

2.根据权利要求1所述的用于高分辨率图像的基于深度学习的亚像素边缘提取算法，其特征在于，所述特征提取网络包括编码模块和解码模块，通过编码模块对输入神经网络的全尺寸分辨率图像进行编码处理，通过解码模块对编码模块传输的图像进行解码处理。

3.根据权利要求1所述的用于高分辨率图像的基于深度学习的亚像素边缘提取算法，其特征在于，所述特征提取网络输出的特征图的尺寸为输入神经网络的全尺寸分辨率图像尺寸的1/2ⁿ倍，n不小于1；

所述特征提取网络以降采样1/2ⁿ的边缘图像的高斯热力图作为输出真值，高斯热力图满足以下条件：边缘图像是连续的，对于相邻区域的高斯图像采用像素级的最大化，保障边缘的高斯热力图的连续性。

4.根据权利要求1所述的用于高分辨率图像的基于深度学习的亚像素边缘提取算法，其特征在于，所述偏移量损失函数采用以下步骤得到：

通过预测局部的像素偏移进行弥补降采样造成的离散化损失，设点p＝(p_x,p_y)是原始尺寸上的一点，点为降采样后边缘坐标，该点x轴方向的数值为整数，按照下述公式进行恢复：通过添加2ⁿ个局部偏移值进行补偿该点y轴方向的偏移值，局部偏移值记为：采用focal损失函数进行训练，得到偏移量损失函数L_off：

其中，表示降采样后边缘点真值。

5.根据权利要求1所述的用于高分辨率图像的基于深度学习的亚像素边缘提取算法，其特征在于，所述像素平滑的损失函数L_smooth为

其中，v_i和分别表示边缘上每个点的对应实际曲线梯度值和每点对应的真实曲线梯度值。

6.根据权利要求1所述的用于高分辨率图像的基于深度学习的亚像素边缘提取算法，其特征在于，所述降采样边缘输出采用热力图损失函数进行监督，降采样偏移量输出采用偏移量损失函数进行监督，最终恢复得到的全尺寸边缘采用像素平滑的损失函数监督，三个监督损失按照公式4进行融合：

L＝L_hm+λ_offL_off+λ_smoothL_smooth公式4

其中，λ_off、λ_smooth为对应的调节参数；L_hm为focal损失函数。