基于深度强化网络跳跃连接的轮廓检测方法技术

本发明专利技术旨在提供一种基于深度强化网络跳跃连接的轮廓检测方法，包括以下步骤：A、构建包含4个等级、5个阶段的深度神经网络结构；B、预设训练数据集，输入训练数据集中的训练图像及其真实轮廓图，训练深度神经网络；C、利用双线性插值算法对待检测图像进行处理，分别得到待检测放大图像、待检测缩小图像，分别输入深度神经网络得到输出响应，将各像素点在上述三个轮廓响应图中对应的特征值取平均值，得到各像素点最终轮廓响应特征值；D、对各像素点的最终轮廓响应特征值使用非极大值抑制和二值化处理，得到最终轮廓图。该方法克服现有技术缺陷，具有融合特征多、检测准确率高的特点。

【技术实现步骤摘要】
基于深度强化网络跳跃连接的轮廓检测方法
本专利技术涉及图像处理领域，具体涉及一种基于深度强化网络跳跃连接的轮廓检测方法。
技术介绍
轮廓检测是图像处理及计算机视觉中一个很重要组成部分。从复杂的背景中正确、地检测物体轮廓是一个非常重要而困难的工作。在众多传统的图像处理方法中，应用于轮廓检测较成功的有Canny算子、活动轮廓模型和基于机器学习的轮廓模型等。这些方法主要利用了图像中的亮度，颜色，对比度信息进行检测，难以区分目标轮廓和其他杂乱边界。所以在面对图像中的对比度变化比较大、背景干扰比较多的情况时，这些方法很难得到比较满意的结果。上述算法需要相当多的领域专业知识和精细的处理算法设计，把原始图像数据转换成合适的表示或者特征向量，来构造一个轮廓分类器或者轮廓模型。近几年来，深度学习技术已经成为从原始数据中自动学习特征表示的高效方法。借助深度学习工具，尤其是卷积神经网络，轮廓检测任务有显著的性能提高。现有的常用的卷积神经网络包括端到端的轮廓检测算法Holistically-NestedEdgeDetection(HED)以及ConvolutionalEncoder-DecoderNetwo本文档来自技高网...

【技术保护点】
1.一种基于深度强化网络跳跃连接的轮廓检测方法，其特征在于包括以下步骤：A、构建深度神经网络结构，深度神经网络结构具体如下：设定4个等级，分别为等级Ⅰ‑等级Ⅳ，其中，等级Ⅰ中包含5个阶段，分别为阶段Ⅰ‑阶段Ⅴ，所述的每个阶段中分别设置有一个以上的卷积层；所述的等级Ⅱ中设有5个卷积层，分别对应等级Ⅰ中的阶段Ⅰ阶段Ⅴ，设为卷积层Ⅰ‑卷积层Ⅴ；所述的等级Ⅲ设有3个卷积层，分别为卷积层Ⅵ‑卷积层Ⅷ；所述的等级Ⅳ设有1个卷积层Ⅸ；所述的阶段Ⅰ‑阶段Ⅴ以及等级Ⅱ的卷积层公式为m*n‑k conv+relu，其中，m*n表示卷积核的大小，k表示输出通道数，conv表示卷积公式，relu表示激活函数；m*n、...

【技术特征摘要】
1.一种基于深度强化网络跳跃连接的轮廓检测方法，其特征在于包括以下步骤：A、构建深度神经网络结构，深度神经网络结构具体如下：设定4个等级，分别为等级Ⅰ-等级Ⅳ，其中，等级Ⅰ中包含5个阶段，分别为阶段Ⅰ-阶段Ⅴ，所述的每个阶段中分别设置有一个以上的卷积层；所述的等级Ⅱ中设有5个卷积层，分别对应等级Ⅰ中的阶段Ⅰ阶段Ⅴ，设为卷积层Ⅰ-卷积层Ⅴ；所述的等级Ⅲ设有3个卷积层，分别为卷积层Ⅵ-卷积层Ⅷ；所述的等级Ⅳ设有1个卷积层Ⅸ；所述的阶段Ⅰ-阶段Ⅴ以及等级Ⅱ的卷积层公式为m*n-kconv+relu，其中，m*n表示卷积核的大小，k表示输出通道数，conv表示卷积公式，relu表示激活函数；m*n、k均为预设值；所述的卷积层Ⅵ-卷积层Ⅸ的卷积层公式为m*n-kconv；所述的阶段Ⅰ的第一卷积层的输入响应为原始图像，阶段Ⅰ的其他卷积层的输入响应为该阶段上一卷积层的输出响应；阶段Ⅱ-阶段Ⅴ中，除了该阶段中的第一卷积层的输入响应之外，该阶段中的其他卷积层的输入响应为上一卷积层的输出响应；阶段Ⅰ-阶段Ⅳ中最后一个卷积层的输出响应，一方面经过最大池化后作为下一个阶段的第一卷积层的输入响应；另一方面，作为输入响应分别输入到等级Ⅱ中对应的卷积层中，得到卷积层Ⅰ-卷积层Ⅳ的输出响应；阶段Ⅴ中最后一个卷积层的输出响应直接作为输入响应输入到卷积层Ⅴ，得到卷积层Ⅴ的输出响应；将卷积层Ⅲ和卷积层Ⅴ的输出响应分别反卷积处理后相加，并将相加结果反卷积之后作为卷积层Ⅷ的输入响应，得到卷积层Ⅷ的输出响应；将卷积层Ⅱ和卷积层Ⅳ的输出响应分别反卷积处理后相加，并将相加结果反卷积之后作为卷积层Ⅶ的输入响应，得到卷积层Ⅶ的输出响应；将卷积层Ⅲ的输出响应反卷积处理后与卷积层Ⅰ的输出响应相加，并将相加结果作为卷积层Ⅵ的输入响应，得到卷积层Ⅵ的输出响应；将卷积层Ⅵ-卷积层Ⅷ的输出响应相加，并将相加结果作为卷积层Ⅸ的输入响应，得到卷积层Ⅸ的输出响应，即为深度神经网络的输出响应；B、预设训练数据集，训练数据集包含训练图像及其对应的真实轮廓图，输入训练数据集中的训练图像及其真实轮廓图，预设图像批量大小，权重衰减参数，学习率，学习率衰减，最大迭代次数，优化方案和代价函数，以训练数据集中的训练图像作为输入，对应的真实轮廓图作为理想化输出，训练深度神经网络，确定使得深度神经网络输出响应最接近理想化输出的各个卷积核的参数，得到训练完毕的深度神经网络；C、利用双线性插值算法对待检测图像进行处理，分别得到尺寸是待检测图像2倍的待检测放大图像、尺寸是待检测图像0.5倍的待检测缩小图像，将待检测图像、待检测放大图像、待检测缩小图像分别作为深度神经网络的输入，经过深度神经网络输...

【专利技术属性】
技术研发人员：林川，崔林昊，万术娟，王垚，文泽奇，张玉薇，潘勇才，刘青正，曹以隽，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：广西,45