基于级联神经网络的边缘提取方法及系统技术方案

本发明专利技术涉及一种基于级联神经网络的边缘提取方法及系统，本边缘提取方法分别使用三个改进的FCN网络进行深层的边缘语义信息的提取，三个改进的FCN全卷积层针对不同尺寸的原始待提取图像进行训练学习以及边缘语义信息的提取，从而获取不同尺寸下边缘语义信息，最后通过融合CNN网络实现对不同尺寸下边缘图之间的互补，从而进一步提高图像边缘提取的精度。本发明专利技术能够准确高效的提取图像中的边缘语义信息，有利于在复杂场景中目标的边缘提取，从而提高检测的准确率。

Edge Extraction Method and System Based on Cascaded Neural Network

The present invention relates to an edge extraction method and system based on cascaded neural network. The edge extraction method uses three improved FCN networks to extract deep edge semantic information, three improved FCN full convolution layers to train and learn different sizes of original images to be extracted and extract edge semantic information, so as to obtain edge semantic information in different sizes. Finally, by fusing CNN network, the complementarity of edge images with different sizes is realized, which further improves the accuracy of image edge extraction. The method can accurately and efficiently extract the edge semantic information in the image, is beneficial to the edge extraction of the target in the complex scene, and thus improves the detection accuracy.

【技术实现步骤摘要】
基于级联神经网络的边缘提取方法及系统
本专利技术属于图像处理
，具体涉及一种基于级联神经网络的图像边缘提取方法。
技术介绍
随着深度学习的发展和兴起，基于深度学习的图像检测技术也不断发展；显著性检测可分为自底向上的数据驱动模型和自顶向下的任务驱动模型两大类；自底向上的图像检测是指对于给定的任意一幅图像，找出图中引人注意的目标，该目标可为任何类型的对象；而自顶向下的图像检测方法通常从给定图片中找出给定类别的目标，并赋予不同的显著值。目前，对自底向上的图像检测方法的研究最多。图像边缘提取算法的研究一直是图像处理技术中重要的研究对象，传统的边缘提取算子在复杂场景中的检测效果不佳，随着深度学习算法在图像处理领域的普遍应用，越来越多的改进的深度学习算法被应用到图像边缘提取中，深度学习算法能够有效的提取出图像的语义信息，对复杂场景的图像、模糊的背景的图像也能够进行准确的语义提取；但是目前大部分的基于深度学习的边缘提取方法容易在图像边缘区域混杂背景噪声，无法准确的提取复杂背景图像中边缘信息，从而导致图像边缘提取模糊。
技术实现思路
本专利技术的目的是提供一种基于级联神经网络的边缘提取方法及系统。本文档来自技高网...

【技术保护点】
1.一种基于级联神经网络的边缘提取方法，其特征在于，包括如下步骤：步骤S1，预处理待提取图像；步骤S2，获取不同尺寸的待提取图像；步骤S3，构建改进的FCN网络；步骤S4，获得不同尺寸的待提取图像的边缘语义信息；以及步骤S5，对复杂场景图像的边缘信息提取。

【技术特征摘要】
1.一种基于级联神经网络的边缘提取方法，其特征在于，包括如下步骤：步骤S1，预处理待提取图像；步骤S2，获取不同尺寸的待提取图像；步骤S3，构建改进的FCN网络；步骤S4，获得不同尺寸的待提取图像的边缘语义信息；以及步骤S5，对复杂场景图像的边缘信息提取。2.根据权利要求1所述的边缘提取方法，其特征在于，所述步骤S1中预处理待提取图像的方法包括：对待提取边缘特征的图像进行如下公式(1)的均衡化处理，得到待提取图像A1；其中，参数n表示待提取图像的像素总数，rk表示归一化后的第k个灰度级，nk表示灰度级为rk的像素个数，Pk(rk)表示rk灰度级出现的概率，sk表示rk灰度级像素经过映射函数T(rk)均衡化后的像素值。3.根据权利要求2所述的边缘提取方法，其特征在于，所述步骤S2中获取不同尺寸的待提取图像的方法包括：对大小为N×N(N＝2h)，h为正整数的待提取图像A1，在所述待提取图像A1的水平和垂直方向上每间隔一个像素点进行下采样，得到大小为(N/2)×(N/2)的待提取图像A2，对所述待提取图像A2进行同样处理，得到大小为(N/4)×(N/4)的待提取图像A3。4.根据权利要求3所述的边缘提取方法，其特征在于，所述步骤3中构建改进的FCN网络的方法包括：将经典的FCN神经网络中的全连接层移除，替换为单层的边缘感知层，并将五个卷积层后的池化层去除，仅仅在边缘感知层的最后连接一个池化层，从而获得一个由五个卷积层后依次连接边缘感知层和一个池化层的改进FCN网络。5.根据权利要求4所述的边缘提取方法，其特征在于，所述步骤S4中获得不同尺寸的待提取图像的边缘语义信息的方法包括：分别将待提取图像A1、A2、A3输入至3个改进的FCN网络进行训练学习，形成FCN1深度学习网络、FCN2深度学习网络以及FCN3深度学习网络，并获得不同尺寸的待提取图像的边缘语义信息；其中，对于FCN1深度学习网络，其边缘感知层的输入为FCN1网络前五个卷积层的输出图像B11、B12、B13、B14、B15，以及对待提取图像Al进行边缘显著性处理后的图像Cl；类似地，对于FCN2深度学习网络，其边缘感知层的输入为FCN2网络前五个卷积层的输出图像B21、B22、B23、B24、B25，以及对待提取图像A2进行边缘显著性处理后的图像C2；对于FCN3深度学习网络，其边缘感知层的输入为FCN3网络前五个卷积层的输出图像B31、B32、B33、B34、B35，以...

【专利技术属性】
技术研发人员：吴正明，冷雪锋，
申请(专利权)人：常州轻工职业技术学院，
类型：发明
国别省市：江苏,32