一种基于上下文增强网络的感知边缘检测方法技术

本发明专利技术公开了一种基于上下文增强网络的感知边缘检测方法，其特征在于，包括如下步骤：1）获取图像训练数据集训练边缘检测模型；2）特征提取；3）降维加权；4）双向递归；5）分类；6）输出。这种方法通过捕捉多尺度上下文信息之间的内在联系提升边缘检测的准确性，具有速度快的优点。

【技术实现步骤摘要】
一种基于上下文增强网络的感知边缘检测方法
本专利技术涉及图像处理领域，具体涉及一种基于上下文增强网络的感知边缘检测方法。
技术介绍
图像边缘是指其周围像素灰度有阶跃变化和屋顶变化的那些像素的集合，是图像最基本的特征之一。图像边缘往往携带一幅图像的大部分信息，边缘检测在计算机视觉、图像处理等应用中起着重要的作用，是图像分析与识别的重要环节,因此图像的边缘检测一直是人们研究的热门课题。传统的边缘检测方法通常以颜色以及亮度等特征来寻找图像的边缘点，如Canny、Sobel算子。但由于自然图像的复杂性，仅利用梯度和颜色等特征难以实现准确的边缘检测，一些学者尝试通过数据驱动的方式将梯度、颜色以及亮度等多种低级特征用于边缘检测，如gPb+UCM、StrucutredEdge等方法，虽然该类方法相较基于梯度的方法取得了一定的提高，但由于该类方法仅利用了图像的低级特征，在特殊场景下难以实现检测的鲁棒性。为了捕捉图像的高层次特征，一些学者尝试利用卷积神经网络来提取图像块特征，提出了一些经典的边缘检测方法，如N4Fields、DeepEdge等，得益于卷积本文档来自技高网...

【技术保护点】
1.一种基于上下文增强网络的感知边缘检测方法，其特征在于，包括如下步骤：/n(1)获取图像训练数据集训练边缘检测模型：所述边缘检测模型包括特征提取过程、神经网络双向递归过程和分类过程，具体为：/n特征提取过程：将样本图像x映射为5组具有d维的特征，特征提取网络由5个CSU模块组成，作为一个可训练的特征提取网络将输入的样本图像x映射为5组具有21维的特征，即

【技术特征摘要】
1.一种基于上下文增强网络的感知边缘检测方法，其特征在于，包括如下步骤：
(1)获取图像训练数据集训练边缘检测模型：所述边缘检测模型包括特征提取过程、神经网络双向递归过程和分类过程，具体为：
特征提取过程：将样本图像x映射为5组具有d维的特征，特征提取网络由5个CSU模块组成，作为一个可训练的特征提取网络将输入的样本图像x映射为5组具有21维的特征，即i∈{1～5}，其中CSU模块里包含横向和纵向两个支路，每个CSU模块的纵向支路数N从前到后分别为{2,2,3,3,3}，纵向支路负责提取高维图像特征，横向支路负责进行特征的聚合以及上采样，过程通过公式(1)、公式(2)进行表示：






其中，i为第i个CSU模块，n为CSU模块中第n个纵向支路卷积，W为纵向卷积核参数，卷积核大小统一为3×3，下同，dW为横向卷积核参数，卷积核大小统一为1×1，Φ为Relu激活函数，up(·)为双线性插值函数，聚合操作采用1×1卷积实现；
(2)将5个特征组[x1,x2,x3,x4,x5]按照正反序列方向分别有序输入到两个递归神经网络，得到前向递归神经网络的5个特征输出和后向递归神经网络的5个输出其中递归神经网络由5个CLSTM单元串联组成，CLSTM单元内部设有三部分，分别为输入单元it、输出单元ot、遗忘单元ft，递归过程如下所示：
输入：上一CLSTM单元的记忆特征ct-1，当前时刻输入xt，上一CLSTM单元输出ht-1，
2-1)由遗忘门ft对上一CLSTM单元的记忆特征ct-1进行筛选，输出c'为公式(3)：
c'＝ft·ct-1(3)，
ft＝σ(Wf*[xt,ht-1]+bf)(4)，
其中Wf为1×1卷积权重，bf为偏置项，xt为当前时刻输入，ht-1为上一CLSTM单元输出，σ为Sigmoid激活函数，ct-1为上一CLSTM单元的记忆特征，遗忘门旨在对上一单元的记忆特征选择筛选，上一单元通过1×1卷积将xt,ht-1的特征信息进行融合，经过Sigmoid激活函数生成一张权重图，并利用该权重图对记忆特征进行选择和筛选；
2-2)由输入门it对输入特征进行筛选，并与筛选后的记忆特征c'加权，得到当前CLSTM单元的记忆特征ct为公式(5)：
ct＝c'+(1+it)×Φ...

【专利技术属性】
技术研发人员：欧阳宁，韦羽，周宏敏，林乐平，莫建文，袁华，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45