[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

说明书

本发明公开了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，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，依次进行编码处理和解码处理，输出特征图，对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。本发明解决了高分辨率下图像下的边缘提取，实现无须对输入图像进行尺寸缩小情况下或输出特征相对于输入尺寸缩小情况下恢复同等尺寸的边缘提取结果；在保障边缘提取精度的同时，提高网络推演速度；本发明发明了全新的亚像素级的边缘平滑损失函数，克服了亚像素级的边缘不够平滑的缺点，提升了亚像素提取的精度；可摒弃目前边缘提取后处理方法，实现更高效的亚像素级别的边缘提取。

技术领域

本发明属于图像处理技术领域，具体涉及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。

背景技术

边缘提取是计算机视觉的一个基础研究领域，在工业检测、视觉测量、目标分割等领域具有广泛的应用。物体边缘主要是描述物体边界区域的灰度变化，通常采用灰阶梯度进行表示。传统的边缘表示主要采用边缘算子如sobel、canny等进行表示。Sobel采用简单的卷积核对图像进行处理，对于成像清晰、灰度变化明显的区域具有良好的提取效果，然而当图像存在噪声、光线不均匀的场景容易提取“伪边缘”。Canny算子采用双阈值进行噪声抑制，并采用非极大值剔除噪声边缘，可以取得更好的提取效果，但由于传统边缘提取算法均采用固定常数的卷积核，因此无法适应光照条件复杂、边缘模糊或噪声较多的图像。同时，由于边缘提取仅仅以灰度信息为依据，因此无法直接应用于存在物体遮挡及轮廓提取等具有语义边缘的使用场景。

在实际的工业应用中，人们更关注的是如物体轮廓等感兴趣区域的边缘，此类边缘的特点就是具有更强的语义特征，边缘忽略目标不同区域的灰度变化而将物体视作整体。传统算法由于以灰度为基础，因此需要对边缘进行进一步处理才能获得目标边缘，这无疑增加了边缘处理的复杂程度。随着深度学习算法在计算机视觉领域的快速发展，深度学习算法在边缘提取领域也进行了广泛的应用。虽然这些方法无需进行边缘提取，并且边缘提取精度取得了超越传统方法的效果，但仍存在一些亟待解决的问题：

首先是无法适用不同尺寸分辨率，尤其是高分辨率图像。目前已知的深度学习算法均采用相同的输入和输出分辨率，因此仅能获取像素级的边缘分辨率。由于网络参数与分辨率呈指数关系，在高分辨输入容易造成显存溢出，因此网络主干均采用简单的vgg网络，这极大的限制了神经网络的泛化能力，降低了边缘提取的准确率。其次，目前神经网络算法的推演速度较低，这同样是受限于等分辨率的输入和输出；同时由于复杂的跨尺度融合模块、反卷积操作均极大的降低了网络的速度，无法实现理想的速度和精度的平衡。最后，目前的神经网络算法的获得的边缘图像均为粗边缘，需要进行后处理才能得到像素级的边缘，边缘存在锯齿，无法满足亚像素级的更高精度的边缘提取要求。

综上所述，目前无论是传统的边缘提取算法还是基于深度学习的算法均存在不足。

发明内容

为解决现有技术中存在的技术问题，本发明的目的在于提供一种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，提升边缘提取的精度和速度。

为实现上述目的，达到上述技术效果，本发明采用的技术方案为：

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，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。