[发明专利]基于机器学习方法的图像轮廓检测算法

摘要

本发明公开了一种基于机器学习方法的一种图像轮廓检测算法，根据测试集图像计算得到的三层特征和gPb提供的图像特征，利用监督学习进行分类器交叉验证训练，得到预测模型。基于该模型可对新输入的图像进行预测，得到该图像的精确轮廓，摆脱过去图像轮廓检测算法中对于人的主观设置的依赖。该方法判断图像轮廓时，兼顾了图像多通道下的局部特征以及图像像素间的全局特征，得到的图像轮廓具有优秀的显著性。采用本发明的基于机器学习方法的图像轮廓检测算法，相对于gPb轮廓检测算法具有更高的准确率以及召回率，能有效地捕捉复杂环境下图像的轮廓信息。

主权项

一种基于机器学习思想的图像边缘轮廓检测算法，该方法在考虑gPb轮廓检测算法提供的104个图像像素特征的同时，利用面向方向的轮廓检测算法消除gPb在计算时产生的冗余问题，再对图像像素间的走势方向方面的特征进行补充形成260个新特征，共364个特征。采用机器学习方法，经过交叉验证得到线性模型。根据模型对新输入的图片的图像像素特征进行计算与预测后，得到图像轮廓。其期特征在于，(1)对于测试集中每一张图片的像素特征信息，根据gPb轮廓检测算法进行计算得到104个特征。(2)计算新的三层特征。对于每一个像素点，根据半径画圆，在圆中依据圆心角，通过中心对称的方式，找到一组对称点，以及对称点3x3的邻域，计算两像素点之间RGB三通道上的欧几里得距离，得到第一层特征。(半径和角度具有多个值)(3)找到第一层特征值和最小和最大的方向，并把最小方向上下θ邻域内的像素点的第二层特征赋值为0，最大和与最小和作为圆心像素点的第二层特征。(4)通过中心对称的方式，找到一组对称点，但是并不再与其邻域计算距离。仅仅计算两个对称点之间在RGB三个通道的色差距离。然后，找到特征值和最小的方向，并把最小方向上以及其上下θ邻域内的像素点的特征更改为0，得到像素点第三层特征。三层特征一共有260个。(5)将上述364个特征作为机器学习分类器的输入，根据交叉验证获得训练模型。(6)对于新的待预测图片，其像素特征经计算后，作为分类器输入，根据之前获得的训练模型，进行预测，根据预测的结果获得图片轮廓。