一种基于视觉整体和局部特征融合的轮廓检测方法技术

本发明专利技术涉及一种基于视觉整体和局部特征融合的轮廓检测方法。首先针对轮廓待检测图像，分别提取表征其整体特性的低分辨子图I1和表征其局部特征的边界响应子图I2。然后构建包含池化模块的卷积神经网络G，实现整体轮廓信息的快速提取。接着构建包含空洞卷积模块的卷积神经网络L，实现局部轮廓信息提取。其中L由四个单元、一个融合层和一个损失层构成；最后将I1和I2分别输入到网络G和网络L中，获得整体轮廓信息和局部轮廓信息。以L(i,j)的尺寸为基准，对G(i,j)进行双线性插值。根据L(i,j)各像素的对比度关系，对整体轮廓信息G(i,j)进行融合，从而获取精细轮廓。

【技术实现步骤摘要】
一种基于视觉整体和局部特征融合的轮廓检测方法
本专利技术属于机器视觉领域，具体涉及一种基于视觉整体和局部特征融合的轮廓检测方法。
技术介绍
图像中目标的显著性边缘构成了图像的轮廓信息，它是图像理解和分析的关键特征。传统的轮廓检测方法主要基于光强变化、对比度、方向选择以及固定大小的方向滤波模块，通常利用局部关联性实现轮廓像素的识别。而神经生理实验表明，生物视觉信息流在传递和处理过程中，一方面具有视网膜、外膝体和视皮层的分层特性，能够快速表达视觉的整体特征；另一方面并非只是简单的层层信息串行传递，多个通路所刻画的视觉信息传递到视皮层进行互补整合运算，用来精细表达视觉的细节特征。虽然近年来卷积神经网络成为了研究热点，通过卷积、池化和语义分类从全局理解轮廓的特征，利用网络深度来提高检测的准确性。但必须指出的是，现有的卷积神经网络更多地将视觉模型视为黑盒，检测任务只关注于输入与输出之间的匹配准确性，回避了视觉整体和局部特征融合的特性。
技术实现思路
本专利技术针对轮廓待检测图像，通过提取表征其整体特性的低分辨子图I1和表征其局部特征的边界响应子图I2，分别送入包含池化模块的卷积神经网络G和包含空洞本文档来自技高网...

【技术保护点】
1.一种基于视觉整体和局部特征融合的轮廓检测方法，其特征在于，该方法具体包括以下步骤：步骤(1)针对轮廓待检测图像，提取表征其整体特性的低分辨子图I1；首先利用双线性插值法，对轮廓待检测图像进行尺寸扩展，使扩展后图像I的长和宽相等，长和宽均等于M，其中M为2的整数幂次值；然后利用高斯金字塔方法，对I进行分解层数为n的尺度分解，得到分解后的低分辨率子图I1，用来表征轮廓待检测图像的整体特性；I1尺寸记为N1×N1，N1的默认值为64；因此可根据图像I的长和宽，获得分解层数n的具体数值；步骤(2)针对轮廓待检测图像，提取表征其局部特征的边界响应子图I2；设置具有方向选择特性的经典感受野，分别利用二...

【技术特征摘要】
1.一种基于视觉整体和局部特征融合的轮廓检测方法，其特征在于，该方法具体包括以下步骤：步骤(1)针对轮廓待检测图像，提取表征其整体特性的低分辨子图I1；首先利用双线性插值法，对轮廓待检测图像进行尺寸扩展，使扩展后图像I的长和宽相等，长和宽均等于M，其中M为2的整数幂次值；然后利用高斯金字塔方法，对I进行分解层数为n的尺度分解，得到分解后的低分辨率子图I1，用来表征轮廓待检测图像的整体特性；I1尺寸记为N1×N1，N1的默认值为64；因此可根据图像I的长和宽，获得分解层数n的具体数值；步骤(2)针对轮廓待检测图像，提取表征其局部特征的边界响应子图I2；设置具有方向选择特性的经典感受野，分别利用二维高斯导函数模型提取扩展后图像I在中心水平、中心垂直、正对角线、负对角线上的方向响应；然后针对I的任意像素，获得所有方向上的最大响应，并结合方向响应的响应强度系数确定最终的边界响应，从而得到具有局部特征的边界响应子图I2；步骤(3)构建包含池化模块的卷积神经网络G，实现整体轮廓信息快速提取；其中G由四个单元和一个损失层构成，前两个单元都分别由双层普通卷积层和池化层组成，第三个单元由双层普通卷积层组成，第四个单元由上采样层和单层普通卷积层组成；构建具有上述结构特性的卷积神经网络G，其中初始卷积核权重随机设置；将步骤(1)获得的低分辨子图I1训练样本输入卷积神经网络G，经sigmod函数激活后与训练样本轮廓标签做损失运算，沿损失减小方向反向传播更新卷积核权重，迭代多次，至损失值小于阈值￡,获得训练后的卷积神经网络G；步骤(4)构建包含空洞卷积模块的卷积神...

【专利技术属性】
技术研发人员：范影乐，谭明明，武薇，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33