一种深度学习图像边缘强化的方法、相关装置及存储介质制造方法及图纸

本申请公开了一种深度学习图像边缘强化的方法、相关装置及存储介质，用于加强图像的边缘特征，使得图像特征信息更加全面。本申请方法包括：将初始特征输入至目标神经网络中，通过第一卷积模块生成至少一个分层特征；对所述分层特征进行Canny算子处理和差分处理，得到第一中间特征通过叠加模块对所述第一中间特征和所述初始特征进行通道叠加处理，得到叠加结果；通过第二卷积模块对所述叠加结果进行特征融合处理，得到第二中间特征；对所述第二中间特征进行Canny算子处理和差分处理，输出边缘信息强化后的目标特征。边缘信息强化后的目标特征。边缘信息强化后的目标特征。

【技术实现步骤摘要】
一种深度学习图像边缘强化的方法、相关装置及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种深度学习图像边缘强化的方法、相关装置及存储介质。

技术介绍

[0002]深度学习作为新兴技术在图像领域蓬勃发展，因其自主学习图像数据特征避免了人工设计算法的繁琐，精准的检测性能、高效的检测效率以及对各种不同类型的图像任务都有比较好的泛化性能，使得深度学习技术在图像领域得到广泛应用，包括图像检测、图像分类、图像重构等。而图像边缘检测作为图像样本的基本处理流程，在图像领域有着十分重要的地位，在深度学习图像处理中，图像边缘信息是整张图像特征信息的关键部分，在神经网络对图像特征提取方面有着不可替代的作用。
[0003]现有技术中，在深度学习中对图像边缘信息进行提取和强化一般采用前期图像边缘预处理的方式，即对原图像使用传统算子进行边缘强化处理，再将处理结果和原图一起直接送入神经网络。但这种方式将传统算法和深度学习分割开来，预处理信息只是和原图信息表面地拼接到一起，无法传递到神经网络提取图像特征的各个环节中，随着神经网络层次地加深，预处理的图像边缘信息逐渐丢失，最终导致图像特征信息的缺失，因此难以达到理想的检测效果。

技术实现思路

[0004]本申请提供了一种深度学习图像边缘强化的方法、相关装置及存储介质，用于加强图像的边缘特征，使得图像特征信息更加全面。
[0005]本申请第一方面提供了一种深度学习图像边缘强化的方法，包括：将初始特征输入至目标神经网络中，通过第一卷积模块生成至少一个分层特征；对所述分层特征进行Canny算子处理和差分处理，得到第一中间特征；通过叠加模块对所述第一中间特征和所述初始特征进行通道叠加处理，得到叠加结果；通过第二卷积模块对所述叠加结果进行特征融合处理，得到第二中间特征；对所述第二中间特征进行Canny算子处理和差分处理，输出边缘信息强化后的目标特征。
[0006]可选的，所述对所述分层特征进行Canny算子处理和差分处理，得到第一中间特征包括：对所述分层特征进行去噪处理，并计算得到所述分层特征的梯度图像；根据所述梯度图像进行非极大值抑制处理、双阈值检测和滞后边界跟踪处理，得到边缘特征；对所述边缘特征与所述分层特征进行差分处理，得到第一中间特征。
[0007]可选的，所述根据所述梯度图像进行非极大值抑制处理、双阈值检测和滞后边界
跟踪处理，得到边缘特征，包括：遍历所述梯度图像中的每个像素点，判断当前像素点是否为周围像素点中具有相同梯度方向的最大值，若是则保留，若否则将该像素点的值归零；通过高低阈值确定强边缘像素和弱边缘像素；根据所述强边缘像素和弱边缘像素的连接关系确定所述分层特征的边缘信息，得到边缘特征。
[0008]可选的，在所述通过叠加模块对所述第一中间特征和所述初始特征进行通道叠加处理，得到叠加结果之前，所述方法还包括：对所述第一中间特征进行双线性插值处理，以使得所述第一中间特征的大小与所述初始特征相同。
[0009]可选的，所述第一卷积模块包括BatchNorm
‑
3*3Conv
‑
ReLU层，所述通过第一卷积模块生成至少一个分层特征包括：通过所述第一卷积模块中的BatchNorm
‑
3*3Conv
‑
ReLU层对所述初始特征进行卷积特征提取，生成所述初始特征的分层特征，所述分层特征的大小为所述初始特征的一半，所述分层特征的通道数为所述初始特征的两倍。
[0010]可选的，所述第二卷积模块包括BatchNorm
‑
1*1Conv
‑
ReLU层，所述通过第二卷积模块对所述叠加结果进行特征融合处理，得到第二中间特征包括：通过所述第二卷积模块中的BatchNorm
‑
1*1Conv
‑
ReLU层对所述叠加结果进行特征的通道融合，得到第二中间特征，所述第二中间特征的大小及通道数与所述初始特征相同。
[0011]可选的，所述通过第一卷积模块生成至少一个分层特征包括：通过四个第一卷积模块依次生成四个分层特征，每个分层特征的大小为前一层的一半，每个分层特征的通道数为前一层的两倍。
[0012]本申请第二方面提供了一种深度学习图像边缘强化的装置，包括：分层单元，用于将初始特征输入至目标神经网络中，通过第一卷积模块生成至少一个分层特征；第一边缘强化单元，用于对所述分层特征进行Canny算子处理和差分处理，得到第一中间特征；叠加单元，用于通过叠加模块对所述第一中间特征和所述初始特征进行通道叠加处理，得到叠加结果；融合单元，用于通过第二卷积模块对所述叠加结果进行特征融合处理，得到第二中间特征；第二边缘强化单元，用于对所述第二中间特征进行Canny算子处理和差分处理，输出边缘信息强化后的目标特征。
[0013]可选的，所述第一边缘强化单元具体用于：对所述分层特征进行去噪处理，并计算得到所述分层特征的梯度图像；根据所述梯度图像进行非极大值抑制处理、双阈值检测和滞后边界跟踪处理，得到边缘特征；对所述边缘特征与所述分层特征进行差分处理，得到第一中间特征。
[0014]可选的，所述第一边缘强化单元具体还用于：遍历所述梯度图像中的每个像素点，判断当前像素点是否为周围像素点中具有相同梯度方向的最大值，若是则保留，若否则将该像素点的值归零；通过高低阈值确定强边缘像素和弱边缘像素；根据所述强边缘像素和弱边缘像素的连接关系确定所述分层特征的边缘信息，得到边缘特征。
[0015]可选的，所述叠加单元还用于：对所述第一中间特征进行双线性插值处理，以使得所述第一中间特征的大小与所述初始特征相同。
[0016]可选的，所述第一卷积模块包括BatchNorm
‑
3*3Conv
‑
ReLU层，所述分层单元具体用于：通过所述第一卷积模块中的BatchNorm
‑
3*3Conv
‑
ReLU层对所述初始特征进行卷积特征提取，生成所述初始特征的分层特征，所述分层特征的大小为所述初始特征的一半，所述分层特征的通道数为所述初始特征的两倍。
[0017]可选的，所述第二卷积模块包括BatchNorm
‑
1*1Conv
‑
ReLU层，所述融合单元具体用于：通过所述第二卷积模块中的BatchNorm
‑
1*1Conv
‑
ReLU层对所述叠加结果进行特征的通道融合，得到第二中间特征，所述第二中间特征的大小及通道数与所述初始特征相同。
[0018]可选的，所述分层单元具体用于：通过四个第一卷积模块依次生成四个分层特征，每个分层特征的大小为前一层的一半，每个分层特征的通道数为前一层的两倍。
[0019]本申请第三方面提供了一种深度学习图像边缘强化的装置，所述装置包括：处理器、存储器、输入输出单元以及总线；所述处理器与所述存储器、所述输入输出单元以及所述总线相连；所述存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习图像边缘强化的方法，其特征在于，所述方法包括：将初始特征输入至目标神经网络中，通过第一卷积模块生成至少一个分层特征；对所述分层特征进行Canny算子处理和差分处理，得到第一中间特征；通过叠加模块对所述第一中间特征和所述初始特征进行通道叠加处理，得到叠加结果；通过第二卷积模块对所述叠加结果进行特征融合处理，得到第二中间特征；对所述第二中间特征进行Canny算子处理和差分处理，输出边缘信息强化后的目标特征。2.根据权利要求1所述的方法，其特征在于，所述对所述分层特征进行Canny算子处理和差分处理，得到第一中间特征包括：对所述分层特征进行去噪处理，并计算得到所述分层特征的梯度图像；根据所述梯度图像进行非极大值抑制处理、双阈值检测和滞后边界跟踪处理，得到边缘特征；对所述边缘特征与所述分层特征进行差分处理，得到第一中间特征。3.根据权利要求2所述的方法，其特征在于，所述根据所述梯度图像进行非极大值抑制处理、双阈值检测和滞后边界跟踪处理，得到边缘特征，包括：遍历所述梯度图像中的每个像素点，判断当前像素点是否为周围像素点中具有相同梯度方向的最大值，若是则保留，若否则将该像素点的值归零；通过高低阈值确定强边缘像素和弱边缘像素；根据所述强边缘像素和弱边缘像素的连接关系确定所述分层特征的边缘信息，得到边缘特征。4.根据权利要求1所述的方法，其特征在于，在所述通过叠加模块对所述第一中间特征和所述初始特征进行通道叠加处理，得到叠加结果之前，所述方法还包括：对所述第一中间特征进行双线性插值处理，以使得所述第一中间特征的大小与所述初始特征相同。5.根据权利要求1所述的方法，其特征在于，所述第一卷积模块包括BatchNorm
‑
3*3Conv
‑
ReLU层，所述通过第一卷积模块生成至少一个分层特征包括：通过所述第一卷积模块中的BatchNorm
‑
3*3Conv
‑
ReLU层对所述初始特征进...

【专利技术属性】
技术研发人员：乐康，罕方平，杨硕，张滨，徐大鹏，曹保桂，
申请(专利权)人：深圳精智达技术股份有限公司，
类型：发明
国别省市：