边缘检测方法、装置及电子设备制造方法及图纸

本申请公开了一种边缘检测方法、装置及电子设备，方法包括：获得目标图像，目标图像为对目标物进行采集所得到的图像；将目标图像输入边缘检测模型，以得到边缘边缘检测模型所输出的边缘图像，边缘图像中包含多个像素点检测结果，像素点检测结果表征对应像素点是否为目标物的边缘像素点；其中，边缘检测模型基于骨干网络构建，且边缘检测模型中至少包含多个特征层，在每个特征层上，分别按照不同的尺度参数对目标图像进行边缘特征提取，以得到边缘特征信息，每个特征层上提取到的边缘特征信息用于获得边缘图像。获得边缘图像。获得边缘图像。

【技术实现步骤摘要】
边缘检测方法、装置及电子设备


[0001]本申请涉及图像处理
，尤其涉及一种边缘检测方法、装置及电子设备。

技术介绍

[0002]在对拍照上传的文档图像进行智能分析的场景中，通常先在整个文档图像中找到文档所在的区域，即通过检测文档的边缘轮廓，经过剪裁以及缩放等操作之后，将文档图像处理成类似扫描件一样的图像效果。因此，对于文档的边缘检测的准确性要求较高。
[0003]目前的边缘检测方案中，通常采用基于深度学习的算法，使用包含边缘标记的训练样本对边缘检测模型进行深度学习的训练，使得边缘检测模型能够识别处文档图像中的文档边缘。
[0004]但是这种方案中仍然存在准确性较低的缺陷。

技术实现思路

[0005]有鉴于此，本申请提供一种边缘检测方法、装置及电子设备，用以解决目前进行边缘检测存在准确性低的缺陷。
[0006]本申请提供了一种边缘检测方法，所述方法包括：
[0007]获得目标图像，所述目标图像为对目标物进行采集所得到的图像；
[0008]将所述目标图像输入边缘检测模型，以得到所述边缘边缘检测模型所输出的边缘图像，所述边缘图像中包含多个像素点检测结果，所述像素点检测结果表征对应像素点是否为所述目标物的边缘像素点；
[0009]其中，所述边缘检测模型基于骨干网络构建，且所述边缘检测模型中至少包含多个特征层，在每个所述特征层上，分别按照不同的尺度参数对所述目标图像进行边缘特征提取，以得到边缘特征信息，每个所述特征层上提取到的边缘特征信息用于获得所述边缘图像。
[0010]上述方法，优选的，所述边缘检测模型还包含融合层、分别对应于每个所述特征层的卷积层、分别对应于每个所述特征层的反卷积层；
[0011]其中，所述边缘检测模型通过以下方式输出所述边缘图像：
[0012]在所述边缘检测模型中的每个特征层上，按照不同的尺度参数分别对所述目标图像进行边缘特征提取，以得到不同尺度的边缘特征图像；
[0013]在每个所述特征层对应的卷积层上，按照与所述尺度参数相对应的卷积核尺寸，分别对所述边缘特征图像进行卷积，以得到每个所述卷积层对应的卷积特征图像；
[0014]在每个所述特征层对应的反卷积层上，按照与所述尺度参数相对应的反卷积参数，分别对所述卷积特征图像进行反卷积，以得到每个所述反卷积层对应的尺寸还原图像；
[0015]在所述融合层上，将每个所述反卷积层对应的尺寸还原图像按照图像通道进行融合，以得到融合特征图像；
[0016]对所述融合特征图像进行卷积处理，以得到单图像通道的边缘图像，所述边缘图
像中包含多个像素点检测结果，每个所述像素点检测结果分别对应于所述目标图像中的每个像素点，所述像素点检测结果以第一像素值表征对应的像素点为所述目标物的边缘像素点，所述像素点检测结果以第二像素值表征所述像素点为非边缘像素点。
[0017]上述方法，优选的，在所述边缘检测模型中，至少有一个所述卷积层包含至少两个异形的卷积层，所述异形的卷积层对应有异形卷积核尺寸；
[0018]其中，在所述卷积层包含至少两个所述异形的卷积层的情况下，在每个所述特征层对应的卷积层上，按照与所述尺度参数相对应的卷积核尺寸，分别对所述边缘特征图像进行卷积，以得到每个所述卷积层对应的卷积特征图像，包括：
[0019]分别按照所述异形的卷积层对应的异形卷积核尺寸，对相应特征层对应的边缘特征图像进行卷积，以得到每个所述异形的卷积层对应的异形特征图像；
[0020]其中，在所述反卷积层对应的卷积层包含至少两个所述异形的卷积层的情况下，在每个所述特征层对应的反卷积层上，按照与所述尺度参数相对应的反卷积参数，分别对所述卷积特征图像进行反卷积，以得到每个所述反卷积层对应的尺寸还原图像，包括：
[0021]分别按照所述异形卷积核尺寸对应的反卷积参数，对所述异形特征图像进行反卷积，以得到每个所述异形的卷积层对应的异形还原图像；
[0022]将所述异形还原图像按照图像通道进行融合，以得到所述反卷积层对应的尺寸还原图像。
[0023]上述方法，优选的，所述边缘检测模型通过以下方式训练得到：
[0024]获得训练样本，训练样本包含训练图像和标准图像，所述训练图像为对训练物进行采集所得到的图像，所述标准图像包含多个像素点标准结果，所述像素点标准结果表征对应像素点是否为所述训练物的边缘像素点；
[0025]使用所述训练图像和所述标准图像，获得所述边缘检测模型在模型参数下的损失函数值；所述模型参数至少包含：所述特征层的层级权重参数；
[0026]根据所述损失函数值，对所述模型参数进行调整，以使得损失函数值满足模型收敛条件。
[0027]上述方法，优选的，使用所述训练图像和标准图像，获得所述边缘检测模型在模型参数下的损失函数值，包括：
[0028]根据所述边缘检测模型中的模型参数，获得所述训练图像和所述标准图像之间在每个像素点上的像素误差值；
[0029]根据所述边缘检测模型中的模型参数，获得所述训练图像和所述标准图像之间在每个像素点上的概率误差值，所述概率误差值为每个所述像素点被预测为所述训练物的边缘像素点的预测概率值的误差值；
[0030]根据所述像素误差值和/或所述概率误差值，获得所述边缘检测模型在模型参数下的损失函数值。
[0031]上述方法，优选的，根据所述边缘检测模型中的模型参数，获得所述训练图像和所述标准图像之间在每个像素点上的概率误差值，包括：
[0032]根据所述边缘检测模型中的模型参数，获得所述训练图像中每个像素点上对应于每个所述特征层的第一预测概率值，所述第一预测概率值为每个所述像素点在相应特征层上被预测为所述训练物的边缘像素点的预测概率值；
[0033]针对每个所述像素点，对所有所述特征层上的第一预测概率值进行融合，以得到每个所述像素点被预测为所述训练物的边缘特征点的第二预测概率值；
[0034]根据所述标准图像中的像素点标准结果和所述第二预测概率值，获得所述训练图像和所述标准图像之间在每个像素点上的概率误差值。
[0035]上述方法，优选的，所述模型参数还包含：所述特征层的概率权重参数；
[0036]其中，针对每个所述像素点，对所有所述特征层上的第一预测概率值进行融合，以得到每个所述像素点被预测为所述训练物的边缘特征点的第二预测概率值，包括：
[0037]针对每个所述像素点，使用所述特征层的概率权重参数，对所有所述特征层上的第一预测概率值进行加权求和，以得到每个所述像素点被预测为所述训练物的边缘特征点的第二预测概率值。
[0038]上述方法，优选的，在所述边缘检测模型中的每个特征层上，按照不同的尺度参数分别对所述目标图像进行边缘特征提取，以得到不同尺度的边缘特征图像之前，所述方法还包括：
[0039]将所述目标图像处理为目标尺寸的图像；
[0040]其中，所述边缘图像中所包含的像素点检测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘检测方法，其特征在于，所述方法包括：获得目标图像，所述目标图像为对目标物进行采集所得到的图像；将所述目标图像输入边缘检测模型，以得到所述边缘边缘检测模型所输出的边缘图像，所述边缘图像中包含多个像素点检测结果，所述像素点检测结果表征对应像素点是否为所述目标物的边缘像素点；其中，所述边缘检测模型基于骨干网络构建，且所述边缘检测模型中至少包含多个特征层，在每个所述特征层上，分别按照不同的尺度参数对所述目标图像进行边缘特征提取，以得到边缘特征信息，每个所述特征层上提取到的边缘特征信息用于获得所述边缘图像。2.根据权利要求1所述的方法，其特征在于，所述边缘检测模型还包含融合层、分别对应于每个所述特征层的卷积层、分别对应于每个所述特征层的反卷积层；其中，所述边缘检测模型通过以下方式输出所述边缘图像：在所述边缘检测模型中的每个特征层上，按照不同的尺度参数分别对所述目标图像进行边缘特征提取，以得到不同尺度的边缘特征图像；在每个所述特征层对应的卷积层上，按照与所述尺度参数相对应的卷积核尺寸，分别对所述边缘特征图像进行卷积，以得到每个所述卷积层对应的卷积特征图像；在每个所述特征层对应的反卷积层上，按照与所述尺度参数相对应的反卷积参数，分别对所述卷积特征图像进行反卷积，以得到每个所述反卷积层对应的尺寸还原图像；在所述融合层上，将每个所述反卷积层对应的尺寸还原图像按照图像通道进行融合，以得到融合特征图像；对所述融合特征图像进行卷积处理，以得到单图像通道的边缘图像，所述边缘图像中包含多个像素点检测结果，每个所述像素点检测结果分别对应于所述目标图像中的每个像素点，所述像素点检测结果以第一像素值表征对应的像素点为所述目标物的边缘像素点，所述像素点检测结果以第二像素值表征所述像素点为非边缘像素点。3.根据权利要求2所述的方法，其特征在于，在所述边缘检测模型中，至少有一个所述卷积层包含至少两个异形的卷积层，所述异形的卷积层对应有异形卷积核尺寸；其中，在所述卷积层包含至少两个所述异形的卷积层的情况下，在每个所述特征层对应的卷积层上，按照与所述尺度参数相对应的卷积核尺寸，分别对所述边缘特征图像进行卷积，以得到每个所述卷积层对应的卷积特征图像，包括：分别按照所述异形的卷积层对应的异形卷积核尺寸，对相应特征层对应的边缘特征图像进行卷积，以得到每个所述异形的卷积层对应的异形特征图像；其中，在所述反卷积层对应的卷积层包含至少两个所述异形的卷积层的情况下，在每个所述特征层对应的反卷积层上，按照与所述尺度参数相对应的反卷积参数，分别对所述卷积特征图像进行反卷积，以得到每个所述反卷积层对应的尺寸还原图像，包括：分别按照所述异形卷积核尺寸对应的反卷积参数，对所述异形特征图像进行反卷积，以得到每个所述异形的卷积层对应的异形还原图像；将所述异形还原图像按照图像通道进行融合，以得到所述反卷积层对应的尺寸还原图像。4.根据权利要求1、2或3所述的方法，其特征在于，所述边缘检测模型通过以下方式训练得到：
获得训练样本，训练样本包含训练图像和标准图像，所述训练图像为对训练物进行采集所得到的图像，所述标准图像包含多个像素点标准结果，所述像素点标准结果表征对应像素点是否为所述训练物的边缘像素点；使用所述训练图像和所述标准图像，获得所述边缘检测模型在模型参数下的损失函数值；所述模型参数至少包含：所述特征层的层级权重参数；根据所述损失函数值，对所述模型参数进行调整，以使得损失函数值满足模型收敛条件。5.根据权利要求...

【专利技术属性】
技术研发人员：孙科，崔渊，瞿翊，
申请(专利权)人：上海金仕达软件科技有限公司，
类型：发明
国别省市：