【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种图像边缘裁剪方法及裁剪装置。
技术介绍
1、任意目标边缘裁剪算法主要用于从数字图像中精确地分割出感兴趣的目标物体，即将出现在背景图像中的任意目标物体提取出来。这种算法广泛应用在文档扫描、图像编辑、机器视觉、医学影像处理和卫星图像处理等领域。
2、在一些特定的应用场景下，例如高拍仪拍摄的卡证、文件或物体图像，用户需要把图像中的文字、图章、标签或其他特定物体独立提取出来，以便于进一步处理或分析。由于需要提取的目标存在各种各样的形状、大小和颜色，并且高拍仪拍摄的图像包含有不一致的光照条件、视角变形和噪声；同时，现有的高拍仪各式各样，例如，有无底板，底板大小为a3或a4纸尺寸，底板颜色和纹理各不相同；因此亟需一种能够智能化地准确识别和裁剪目标边缘的方法。
技术实现思路
1、本专利技术提供一种图像边缘裁剪方法及裁剪装置，用以解决现有技术中无法从高拍仪拍摄的图像中裁剪出目标图像的缺陷，实现对输入图像目标图像的智能化地准确识别和裁剪。
2、本专利技术提供一种图像边缘裁剪方法，其包括以下步骤：
3、获取样本图像；
4、对获取的样本图像进行归一化处理，得到归一化数据；
5、将归一化数据输入训练后的边缘裁剪网络中，得到边缘图和目标概率图；
6、对边缘图和目标概率图进行相加融合，得到最终二值图；
7、对最终二值图的边缘进行拟合，得到目标边框；
8、沿目标边框进行裁剪，得到目
9、根据本专利技术提供的一种图像边缘裁剪方法，所述边缘裁剪网络包括边缘检测模块、编码网络、边缘解码网络、拼接模块和空洞空间金字塔池化模块；
10、所述边缘检测模块用于对输入图像进行边缘检测，得到边缘二值图；所述编码网络用于对输入图像和边缘二值图进行编码处理，得到第一特征图和第二特征图；所述边缘解码网络用于对第二特征图进行解码处理的，得到边缘图；所述拼接模块用于对第一特征图和边缘图进行拼接处理，得到拼接特征图；所述空洞空间金字塔池化模块用于对拼接特征图进行多尺度的特征提取融合，得到目标概率图。
11、进一步地，所述编码网络包括依次连接的第一下采样卷积模块、第二下采样卷积模块、第三下采样卷积模块、第四下采样卷积模块和第五下采样卷积模块；所述边缘解码网络包括第一上采样卷积模块、第二上采样卷积模块、第三上采样卷积模块、第四上采样卷积模块和第五上采样卷积模块；
12、所述第三下采样卷积模块、第四下采样卷积模块和第五下采样卷积模块输出的特征均输入所述第五上采样卷积模块中，所述第五上采样卷积模块进行多层特征融合；
13、所述第三下采样卷积模块、第四下采样卷积模块和第五上采样卷积模块输出的特征均输入所述第四上采样卷积模块中，所述第四上采样卷积模块进行多层特征融合；
14、所述第二下采样卷积模块、第三下采样卷积模块、第四上采样卷积模块和第五上采样卷积模块输出的特征均输入所述第三上采样卷积模块中，所述第三上采样卷积模块进行多层特征融合；
15、所述第二下采样卷积模块、第三上采样卷积模块、第四上采样卷积模块和第五上采样卷积模块输出的特征均输入所述第二上采样卷积模块中，所述第二上采样卷积模块进行多层特征融合；
16、所述第二上采样卷积模块输出的特征输入所述第一上采样卷积模块中，所述第一上采样卷积模块进行多层特征融合；
17、所述第五上采样卷积模块输出的特征构成所述第一特征图；所述第二下采样卷积模块、第三下采样卷积模块、第四下采样卷积模块和第五下采样卷积模块输出的特征构成第二特征图；所述第一上采样卷积模块输出的特征构成边缘图。
18、进一步地，所述边缘裁剪网络是通过监督学习训练得到的，具体包括：
19、计算第一边缘裁剪网络的分割损失；
20、计算第二边缘裁剪网络的分割损失；其中，第二边缘裁剪网络和第一边缘裁剪网络采用相同的模型参数；
21、计算特征扰动抑制损失；
22、根据第一边缘裁剪网络的分割损失、第二边缘裁剪网络的分割损失和特征扰动抑制损失，计算边缘裁剪网络的整体损失；
23、其中，边缘裁剪网络的整体损失为：
24、ltotal＝αl(x)+βl(x′)+κlds(x,x′)，
25、式中，ltotal表示边缘裁剪网络的整体损失，l(x)表示第一边缘裁剪网络的分割损失，l(x′)表示第二边缘裁剪网络的分割损失，lds(x,x′)表示特征扰动抑制损失，α表示第一边缘裁剪网络的分割损失系数，β表示第二边缘裁剪网络的分割损失系数，κ表示特征扰动抑制损失系数；
26、根据边缘裁剪网络的整体损失，更新边缘裁剪网络的模型参数，得到训练后的边缘裁剪网络。
27、更进一步地，所述计算第一边缘裁剪网络的分割损失，具体包括：
28、获取常规样本图像，各常规样本图像构成常规数据集；
29、将常规数据集的训练集中的常规样本图像输入第一边缘裁剪网络中，得到常规样本图像对应的边缘图和目标概率图；
30、利用常规样本图像对应的边缘图、目标概率图以及掩膜标签，计算得到第一边缘裁剪网络的分割损失；
31、其中，第一边缘裁剪网络的分割损失l(x)为：
32、l(x)＝λ1lbce(edgex,edgey)+λ2lce(x,y)+λ3ldice(x,y)，
33、式中，lbce(edgex,edgey)表示第一边缘裁剪网络的边缘交叉熵损失，λ1表示边缘交叉熵损失的系数，edgex表示第一边缘裁剪网络输出的边缘图，edgey表示掩膜标签中的边缘图；lce(x,y)表示第一边缘裁剪网络的运用logistic回归的交叉熵损失，λ2表示运用logistic回归的交叉熵损失的系数；ldice(x,y)表示第一边缘裁剪网络的dice损失，λ3表示dice损失的系数；x表示第一边缘裁剪网络输出的目标概率图，y表示掩膜标签。
34、更进一步地，所述计算第二边缘裁剪网络的分割损失，具体包括：
35、根据常规样本图像生成背景相似样本图像，各背景相似样本图像构成困难数据集；
36、将背景相似样本图像输入第二边缘裁剪网络中，得到背景相似样本图像对应的边缘图和目标概率图；
37、利用背景相似样本图像对应的边缘图、目标概率图以及掩膜标签，计算得到第二边缘裁剪网络的分割损失；
38、其中，第二边缘裁剪网络的分割损失l(x′)为：
39、l(x′)＝λ1lbce(edgex′,edgey)+λ2lce(x′,y)+λ3ldice(x′,y)，
40、式中，lbce(edgex′,edgey)表示第二边缘裁剪网络的边缘交叉熵损失，edgex′表示第二边缘裁剪网络输出的边缘图；lce(x′,y)表示第二边缘裁剪网络的运用logistic回归的交叉熵损失；ld本文档来自技高网...
【技术保护点】
1.一种图像边缘裁剪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像边缘裁剪方法，其特征在于，所述边缘裁剪网络包括边缘检测模块、编码网络、边缘解码网络、拼接模块和空洞空间金字塔池化模块；
3.根据权利要求2所述的图像边缘裁剪方法，其特征在于，所述编码网络包括依次连接的第一下采样卷积模块、第二下采样卷积模块、第三下采样卷积模块、第四下采样卷积模块和第五下采样卷积模块；所述边缘解码网络包括第一上采样卷积模块、第二上采样卷积模块、第三上采样卷积模块、第四上采样卷积模块和第五上采样卷积模块；
4.根据权利要求2所述的图像边缘裁剪方法，其特征在于，所述边缘裁剪网络是通过监督学习训练得到的，具体包括：
5.根据权利要求4所述的图像边缘裁剪方法，其特征在于，所述计算第一边缘裁剪网络的分割损失，具体包括：
6.根据权利要求5所述的图像边缘裁剪方法，其特征在于，所述计算第二边缘裁剪网络的分割损失，具体包括：
7.根据权利要求6所述的图像边缘裁剪方法，其特征在于，所述根据常规样本图像生成背景相似样本图像，具体包括：
8.一种图像边缘裁剪装置，其特征在于，包括图像获取模块、归一化模块、边缘裁剪模块、融合模块、拟合模块和目标裁剪模块；
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像边缘裁剪方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像边缘裁剪方法。
...【技术特征摘要】
1.一种图像边缘裁剪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像边缘裁剪方法，其特征在于，所述边缘裁剪网络包括边缘检测模块、编码网络、边缘解码网络、拼接模块和空洞空间金字塔池化模块；
3.根据权利要求2所述的图像边缘裁剪方法，其特征在于，所述编码网络包括依次连接的第一下采样卷积模块、第二下采样卷积模块、第三下采样卷积模块、第四下采样卷积模块和第五下采样卷积模块；所述边缘解码网络包括第一上采样卷积模块、第二上采样卷积模块、第三上采样卷积模块、第四上采样卷积模块和第五上采样卷积模块；
4.根据权利要求2所述的图像边缘裁剪方法，其特征在于，所述边缘裁剪网络是通过监督学习训练得到的，具体包括：
5.根据权利要求4所述的图像边缘裁剪方法，其特征在于，...
【专利技术属性】
技术研发人员：彭明莎，贺银苹，王贤良，孟凡军，
申请(专利权)人：北京海鑫智圣技术有限公司，
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。