一种图像轮廓检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112001403A(43)申请公布日2020.11.27(21)申请号202010802590.5(22)申请日2020.08.11(71)申请人北京化工大学地址100029北京市朝阳区北三环东路15号(72)发明人李瑞瑞翟新茹(74)专利代理机构北京君泊知识产权代理有限公司11496代理人王程远胡玉章(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书16页附图2页(54)发明名称一种图像轮廓检测方法及系统(57)摘要本发明公开了一种图像轮廓检测方法，所述方法包括：S1，对待检测图像进行多尺度特征提取，得到多个第一特征图；S2，对所述多个第一特征图进行多层次特征提取，得到多个第二特征图；S3，对所述多个第二特征图进行特征加权融合，得到轮廓检测图。本发明还公开了一种图像轮廓检测系统。本发明对不同尺度的特征图提取了全局特征和边界特征，将不同层次的特征图进行特征加权融合，实现浅层特征和深层特征的相互补充，并通过深监督进行训练，提高了图像轮廓检测的精度。CN112001403ACN112001403A权利要求书1/3页1.一种图像轮廓检测方法，其特征在于，所述方法包括：S1，对待检测图像进行多尺度特征提取，得到多个第一特征图；S2，对所述多个第一特征图进行多层次特征提取，得到多个第二特征图；S3，对所述多个第二特征图进行特征加权融合，得到轮廓检测图，其中，各第二特征图对应的权重不相同。2.如权利要求1所述的方法，其中，所述对待检测图像进行多尺度特征提取，得到多个第一特征图，包括：对待检测图像进行多尺度特征提取，得到多个特征图；对提取出的多个特征图分别进行全局特征提取，得到多个全局特征图；对所述多个全局特征图分别进行边界处理，得到所述多个第一特征图。3.如权利要求1所述的方法，其中，所述对所述多个第一特征图进行多层次特征提取，得到多个第二特征图，包括：将所述多个第一特征图中尺度相同的第一特征图分别进行特征融合，得到多个融合特征图；将所述多个融合特征图分别进行尺寸变换还原到原图像尺寸，得到所述多个第二特征图。4.如权利要求1所述的方法，其中，所述对所述多个第二特征图进行特征加权融合，得到轮廓检测图，包括：确定各第二特征图对应的权重，其中，各第二特征图对应的权重不相同；将所述多个第二特征图分别采用对应的权重进行特征加权融合处理，得到所述轮廓检测图。5.如权利要求1所述的方法，其中，所述方法通过神经网络实现，所述方法还包括：根据训练集训练所述神经网络，其中，所述神经网络包括多个第一卷积层、多个全局特征提取模块、多个边界细化模块、多个第二卷积层、多个反卷积层和融合层；所述多个第一卷积层、所述多个全局特征提取模块和所述多个边界细化模块用于对待检测图像进行多尺度特征提取，得到多个第一特征图；所述多个第二卷积层和所述多个反卷积层用于对所述多个第一特征图进行多层次特征提取，得到多个第二特征图；所述融合层用于对所述多个第二特征图进行特征加权融合，得到轮廓检测图。6.如权利要求5所述的方法，其中，所述训练集包括多个样本图像，每个样本图像包括多个轮廓标注图，其中，根据训练集训练所述神经网络，包括：对每个样本图像，将所述样本图像的多个轮廓标注图的特征向量相加取平均，生成所述样本图像的轮廓概率图，其中，所述轮廓概率图中每个像素点的像素轮廓概率的范围为0-1，其中，0表示像素点在多个轮廓标注图中均没有被标注，1表示像素点在多个轮廓标注图中均被标注。7.如权利要求6所述的方法，其中，根据训练集训练所述神经网络，包括：对每个样本图像，确定所述多个第二特征图和所述轮廓概率图的损失，得到多个第一2CN112001403A权利要求书2/3页损失函数；确定所述轮廓检测图和所述轮廓概率图的损失，得到第二损失函数；将所述多个第一损失函数和所述第二损失函数相加，得到目标损失函数；通过所述目标损失函数对所述神经网络进行参数优化；其中，所述目标损失函数为：式中，表示第二特征图的特征向量，i表示样本图像的序号，I表示样本图像的总数，k表示第二特征图的序号，K表示第二特征图的总数，W表示所述神经网络的参数，表示第一损失函数，表示轮廓检测图的特征向量，表示第二损失函数。8.如权利要求7所述的方法，其中，对每个样本图像，确定所述多个第二特征图和所述轮廓概率图的损失，得到多个第一损失函数，包括：对每个样本图像，确定所述轮廓概率图中的各正样本点和各负样本点，其中，各所述正样本点表示像素轮廓概率大于阈值η的像素点，各所述负样本点表示像素轮廓概率为0的像素点；对每个第二特征图，计算所述第二特征图中各像素点相对于所述轮廓概率图的损失