【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络性能,但仍存在检测效率低的缺点。因此,无人机在飞行过程中的障碍物检测的精度和效率低。
技术实现思路
[0005]本专利技术的目的是提供一种图像边缘检测方法及系统,提高了边缘检测的效率和精度,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。
[0006]为实现上述目的,本专利技术提供了如下方案:
[0007]一种图像边缘检测方法,所述方法包 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
‑
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。