一种图像边缘检测方法及系统技术方案

本发明专利技术公开了一种图像边缘检测方法及系统，涉及边缘检测技术领域，所述方法包括：获取原始图像；原始图像为无人机所处环境的图像；将原始图像输入至边缘检测模型中，得到原始图像的边缘图；边缘图用于无人机进行障碍物检测；边缘检测模型包括第一特征提取模块、第二特征提取模块、筛选模块和特征融合模块；第二特征提取模块由深度可分离卷积网络构建得到；筛选模块由基于自适应阈值法的八向差分算子构建得到。本发明专利技术引入深度可分离卷积网络，提高了边缘检测的效率；基于利用自适应阈值法对八向差分算子改进，且引入多尺度特征融合网络，提高了边缘检测的精度，进而提高了无人机在飞行过程中的障碍物检测的精度和效率。在飞行过程中的障碍物检测的精度和效率。在飞行过程中的障碍物检测的精度和效率。

【技术实现步骤摘要】
一种图像边缘检测方法及系统


[0001]本专利技术涉及边缘检测
，特别是涉及一种图像边缘检测方法及系统。

技术介绍

[0002]随着无人机(Unmanned Aerial Vehicle，UAV)领域的开放，UAV避障研究日益受到重视，将边缘检测应用到UAV飞行过程中的障碍物检测环节能够有效促进UAV自主防碰撞技术的发展与应用。
[0003]图像边缘通常是指图像纹理、颜色发生跃变的像素点的集合，是图像特征信息的集中体现。传统的边缘检测算法主要基于形态学和微分算子，然而基于形态学的算法结构元素单一，易造成轮廓移位与合并且计算复杂度大；基于微分算子的算法受噪声影响较大，低灰度值边缘点易丢失。
[0004]近年来，卷积神经网络在边缘检测领域取得了重要突破。例如：采用多个子神经网络分别学习同一图像在不同尺度下的边缘知识；基于VGG16网络，利用边缘差异图和注意力机制提取图像边缘特征。但上述方法仍存在检测精度低等问题；此外，随着网络层数的加深，会出现梯度爆炸或消失现象，导致边缘检测的准确率下降；ResNet网络通过引入残差结构保证网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像边缘检测方法，其特征在于，所述方法包括：获取原始图像；所述原始图像为无人机所处环境的图像；将所述原始图像输入至边缘检测模型中，得到所述原始图像的边缘图；所述边缘图用于所述无人机进行障碍物检测；所述边缘检测模型包括第一特征提取模块、第二特征提取模块、筛选模块和特征融合模块；所述第二特征提取模块由深度可分离卷积网络构建得到；所述筛选模块由基于自适应阈值法的八向差分算子构建得到；所述第一特征提取模块用于对所述原始图像进行边缘检测，得到初始特征图；所述第二特征提取模块用于对所述初始特征图进行边缘检测，得到多张二次提取特征图；所述筛选模块用于对每张所述二次提取特征图进行像素点筛选，得到多张筛选后的特征图；所述特征融合模块用于将每张所述筛选后的特征图进行叠加融合，得到所述边缘图。2.根据权利要求1所述的图像边缘检测方法，其特征在于，所述第二特征提取模块包括A个所述深度可分离卷积网络，所述筛选模块包括A+1个所述八向差分算子；所述特征融合模块包括A个多尺度特征融合网络；A为正整数；所述第一特征提取模块的第一输出端与第1个所述深度可分离卷积网络的输入端连接，所述第一特征提取模块的第二输出端与第1个所述八向差分算子的输入端连接；第m个所述深度可分离卷积网络的第一输出端与第m+1个所述深度可分离卷积网络的输入端连接，第m个所述深度可分离卷积网络的第二输出端与第m+1个所述八向差分算子的输入端连接；第m个所述八向差分算子的输出端与第m+1个所述多尺度特征融合网络的第一输入端连接，第m+1个所述多尺度特征融合网络的输出端与所述第m个所述多尺度特征融合网络的第二输入端连接；1≤m＜A。3.根据权利要求1所述的图像边缘检测方法，其特征在于，所述八向差分算子表示为：其中，g1(x,y)为输入所述八向差分算子的图像的像素点(x,y)的八向差分值；g1(x,y)＝(|Δ
l
|+|Δ
r
|+|Δ
u
|+|Δ
d
|+|Δ
lu
|+|Δ
ld
|+|Δ
ru
|+|Δ
rd
|)
÷
8；Δ
l
＝g(x,y
‑
1)
‑
g(x,y)，Δ
r
＝g(x,y+1)
‑
g(x,y)，Δ
u
＝g(x
‑
1,y)
‑
g(x,y)，Δ
d
＝g(x+1,y)
‑
g(x,y)，Δ
lu
＝g(x
‑
1,y
‑
1)
‑
g(x,y)，Δ
ld
＝g(x+1,y
‑
1)
‑
g(x,y)，Δ
ru
＝g(x
‑
1,y+1)
‑
g(x,y)，Δ
rd
＝g(x+1,y+1)
‑
g(x,y)；g(x,y)为像素点(x,y)的像素值，Δ
l
为第一像素差值，g(x,y
‑

【专利技术属性】
技术研发人员：张毅，杨秀霞，王晨蕾，刘伟，李文强，韩庆田，于浩，姜子劼，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：