[发明专利]一种基于多尺度特征解码的图像轮廓检测方法

摘要

本发明涉及一种基于多尺度特征解码的图像轮廓检测方法。针对传统检测方法对轮廓细节检测的不精确问题，构造一种多尺度特征解码模型，以提高轮廓定位的准确性，并实现轮廓像素点的精细化。首先构建特征提取模块提取图像多尺度特征，该模块由四组基本单元串联构成，每组基本单元包括两个卷积层和一个下采样层的串联结构，因此特征提取模块可以提取四个不同尺度的特征信息。然后搭建多尺度特征解码模块，通过逐步融合相邻特征层之间的信息来挖掘各个尺度特征之间的差异和联系，从而达到精确定位图像轮廓的目的。

主权项

1.一种基于多尺度特征解码的图像轮廓检测方法，其特征在于，该方法具体包括以下步骤：步骤(1)构建特征提取模块用于提取图像多尺度特征；特征提取模块由八个卷积层和四个下采样层串联组成；每两个卷积层和一个下采样层构成一个特征提取基本单元，共有4个特征提取基本单元，因此图像经过特征提取模块后能得到一组多尺度特征F1,F2,F3,F4；步骤(2)将特征提取模块的输出作用于损失层；利用1×1‑1卷积将特征提取模块最后一层的多尺度特征F₄转变为单通道特征图然后经过sigmod函数激活后，与对应训练图像的已知标签进行损失运算，结果记为loss₁；步骤(3)构建多尺度特征解码模块；将步骤(1)中的多尺度特征F₁,F₂,F₃,F₄送入特征解码模块；特征解码模块以金字塔形式从下往上搭建，首先通过线性插值法将特征F₁,F₂,F₃,F₄缩放到原图像大小，并将其作为第一层特征对分别做卷积运算，得到然后将相邻特征，相邻特征即为F₁¹和和和将相邻特征中位于同一位置的像素点相加起来，并对相加后的特征再做卷积运算，得到一组特征按上述方式循环搭建解码模块，直到获得最后的单通道特征图F₁⁴；步骤(4)将特征解码模块的单通道特征F14经过sigmod函数激活后，与对应训练图像的已知标签进行损失运算，结果记为loss2；将loss1和loss2按权重相加得到最后总损失值Loss，根据总损失值Loss对模型进行反向传播，利用梯度下降法迭代更新整个模型的权重和偏置，使其收敛，获得训练模型；步骤(5)对测试图像进行N个尺度变换，将变换结果分别输入步骤(4)获得的训练模型，在特征解码模块中输出每个尺度下的轮廓响应，然后将轮廓响应插值恢复到与原图一致的尺寸，并进行融合运算，最后得到轮廓的检测结果。