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，所述方法包括：
[0008]获取原始图像；所述原始图像为无人机所处环境的图像；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]可选地，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；
[0016]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；
[0017]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。
[0018]可选地，所述八向差分算子表示为：
[0019][0020]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；
[0021]g1(x,y)＝(|Δ
l
|+|Δ
r
|+|Δ
u
|+|Δ
d
|+|Δ
lu
|+|Δ
ld
|+|Δ
ru
|+|Δ
rd
|)
÷
8；
[0022]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)；
[0023]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
‑
1)为像素点(x,y
‑
1)的像素值，Δ
r
为第二像素差值，g(x,y+1)为像素点(x,y+1)的像素值，Δ
u
为第三像素差值，g(x
‑
1,y)为像素点(x
‑
1,y)的像素值，Δ
d
为第四像素差值，g(x+1,y)为像素点(x+1,y)的像素值，Δ
lu
为第五像素差值，g(x
‑
1,y
‑
1)为像素点(x
‑
1,y
‑
1)的像素值，Δ
ld
为第六像素差值，g(x+1,y
‑
1)为像素点(x+1,y
‑
1)的像素值，Δ
ru
为第七像素差值，g(x
‑
1,y+1)为像素点(x
‑
1,y+1)的像素值，Δ
rd
为第八像素差值，g(x+1,y+1)为像素点(x+1,y+1)的像素值；
[0024]T＝max(M
×
K+N
×
g
max
(x,y),g
ave
(x,y))；
[0025]T为输入所述八向差分算子的图像的像素单元的自适应阈值，所述像素单元由3行
×
3列的像素点组成；M和N均为常数，K为基于最大类间方差法对输入所述八向差分算子的图像的像素二值化分类得到的最佳阈值，g
max
(x,y)为所述像素单元的像素最大值，g
ave
(x,y)为像素单元的像素均值。
[0026]可选地，所述第一特征提取模块包括：依次连接的7*7卷积层、最大池化层和两个3*3卷积层。
[0027]可选地，所述边缘检测模型还包括：平均池化层；第1个所述多尺度特征融合网络的输出端与所述平均池化层的输入端连接。
[0028]一种图本文档来自技高网...

【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：