一种基于多尺度特征解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CN109035251A(43)申请公布日2018.12.18(21)申请号201810575641.8(22)申请日2018.06.06(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)发明人范影乐张明琦武薇蒋涯(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.G06T7/10(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于多尺度特征解码的图像轮廓检测方法(57)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。CN109035251ACN109035251A权利要求书1/1页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1相邻特征，相邻特征即为F1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4搭建解码模块，直到获得最后的单通道特征图F1；4步骤(4)将特征解码模块的单通道特征F1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。2CN109035251A说明书1/4页一种基于多尺度特征解码的图像轮廓检测方法技术领域[0001]本发明属于机器学习与视觉理解领域，涉及一种基于多尺度特征解码的图像轮廓检测方法。背景技术[0002]轮廓检测的目的在于提取图像中显著的边缘信息以及物体的主体轮廓，快速准确地提取图像的轮廓细节，对于后续图像理解以及高级视觉任务，例如目标检测和图像分割等有重要的意义。传统轮廓检测方法着重于提取图像局部的光强、对比度、颜色和梯度信息，或者手工设计不同形状的边缘特征块，并采用分类器对轮廓及非轮廓像素点进行分类。但是它们大都忽略了轮廓在整体层面上的意义，因此容易将噪声或背景纹理判断为轮廓信息，抑制效果较差，在检测的准确性方面来说，很难满足实际应用的需求。[0003]近年来，随着深度学习的迅速发展，深度卷积神经网络凭借其强大的特征提取以及对抽象信息的表达能力，在计算机视觉方向得到了广泛的应用。在轮廓检测领域，卷积神经网络从初级的边缘信息逐渐过渡到高级的抽象语义信息，从图像的局部细节过渡到整体的轮廓，改善了传统方法所存在的特征表达不完整性，在检测性能上有了较大的提高。但同时也存在着如下问题：(1)基于深度学习的轮廓检测任务由于输入图像需要经过大量的卷积层以及全连接层网络，因此在检测速度方面并不理想。(2)轮廓检测结果通常是由网络的最后一层输出得到，而忽略了中间卷积层的特征信息，导致检测到的主体轮廓较粗，局部模糊。事实上上述被忽略的特征包含了丰富的图像初级边缘信息以及高级语义信息，充分利用这些特征将有助于提高轮廓检测的准确性。(3)输入图像在卷积层中利用下采样去