一种基于多级特征信道优化编码的图像轮廓检测方法.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CN109903301A(43)申请公布日2019.06.18(21)申请号201910080334.7(22)申请日2019.01.28(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人范影乐方琳灵周涛武薇佘青山(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人朱月芬(51)Int.Cl.G06T7/13(2017.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于多级特征信道优化编码的图像轮廓检测方法(57)摘要本发明涉及一种基于多级特征信道优化编码的图像轮廓检测方法。本发明针对输入图像I(x,y)，首先基于相似度指标获取Gabor滤波器的最优尺度mopt和方向θopt，并将mopt和θopt作为NSCT的频率分离参数；然后将经过NSCT得到的轮廓子图与I(x,y)进行特征增强融合，实现对I(x,y)的初级轮廓检测；最后针对性地设计全卷积神经网络，包括由不同尺度FCN-32s、FCN-16s、FCN-8s网络单元构成的特征编解码器，利用特征编码器的卷积与池化模块实现网络参数的主动学习，利用特征解码器的反卷积与上采样模块得到与I(x,y)对应的图像轮廓掩模图，实现多级特征信道的优化编码，完成图像轮廓的高效准确检测。CN109903301ACN109903301A权利要求书1/3页1.一种基于多级特征信道优化编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:获取输入图像I(x,y)的初级轮廓响应；首先计算输入图像I(x,y)的Gabor滤波器响应，结果记为如式(1)～(4)所示；式中：表示图像I(x,y)经过Gabor滤波器在尺度m，方向θ＝nπ/K上得到的Gabor特征信息；σx,σy分别表示Gabor小波基函数沿x轴和y轴的标准偏差；ω为高斯函数的复调制频率；以ψ(x,y)为母小波，通过对其进行尺度和旋转变换，得到Gabor滤波器ψm,n(x,y)；其中，u,v是ψm,n(x,y)的模板尺寸；m＝0,...,S-1，n＝0,...,K-1，S和K分别表示尺度数和方向数；α为ψ(x,y)的尺度因子，式中：α＞1；基于相似度指标SSIM，计算Gabor滤波器对应的最优尺度mopt和方向θopt，如式(5)～(8)所示；其中表示滤波器响应与已知的轮廓标记图像Imark之间的相似度，当取极大值时，获得最优尺度mopt和方向θopt；和分别表示与Imark之间在亮度、对比度mark和结构上的定量相似性度量；uGabor、umark分别表示图像和I的亮度均值，δGabor、δmark分别表示图像和Imark的亮度标准差，分别表示图像和Imark的亮度方mark差，δG,m代表图像和I的亮度协方差；为了避免由于式(6)～(8)中的各项分母接近零值时所引起的系统不稳定，C1、C2和C3设置为某个正常数，小于滤波器响应亮度均值的2CN109903301A权利要求书2/3页3％；将mopt和θopt作为NSCT的频率分离参数，NSCT对图像I(x,y)分解得到轮廓子图由于NSCT分解过程尺寸保持不变，因此将与I(x,y)直接进行像素级的特征增强融合操作，最终获得输入图像I(x,y)的初级轮廓响应E(x,y)，如式(9)和(10)所示；式中，表示尺度mopt和方向θopt参数条件下的非下采样轮廓波变换，表示对应的NSCT轮廓子图；t表示轮廓子图的亮度均值；max表示取最大值函数，下同；步骤2：将步骤1获得的初级轮廓响应E(x,y)，传输至全卷积神经网络，获得分别由FCN-32S、FCN-16S、FCN-8S网络单元训练得到的热图F5，F4，F3；全卷积神经网络分为特征编码器和特征解码器两部分，整个网络包含8个卷积块，5个最大池化层，5个上采样和2个卷积层；具体结构如下：1.特征编码器以VGG-16作为基础网络进行全卷积神经网络的优化改造；为实现网络计算速度的提高，增强泛化能力，在卷积块(3×3、1×1、3×3)结构中，每两个3×3的卷积核中加入1×1卷积核；为加强学习图像特征的非线性和平移不变性，每层卷积模块后面加入最大池化层；同时E(x,y)经过池化层Maxpool5处理后，尺寸变成I(x,y)的1/32，记为表示经过FCN-32S网络单元训练后输出的特征图；E(x,y)经过池化层Maxpool4和卷积层1×1，尺寸变成I(x,y)的1/16，记为表示经过FCN-16S网络单元训练后输出的特征图；同理，E(x,y)经过池化层Maxpool3和卷积层1×1，尺寸变成I(x,y)的1/8，记为表示经过FCN-8S网络单元训练后输出的特征图；其中每个池化层输出利用Relu激活函数实