1.一种基于视觉整体和局部特征融合的轮廓检测方法,其特征在于,该方法具体包括以下步骤:
步骤(1)针对轮廓待检测图像,提取表征其整体特性的低分辨子图I1;首先利用双线性插值法,对轮廓待检测图像进行尺寸扩展,使扩展后图像I的长和宽相等,长和宽均等于M,其中M为2的整数幂次值;然后利用高斯金字塔方法,对I进行分解层数为n的尺度分解,得到分解后的低分辨率子图I1,用来表征轮廓待检测图像的整体特性;I1尺寸记为N1×N1,N1的默认值为64;因此可根据图像I的长和宽,获得分解层数n的具体数值;
步骤(2)针对轮廓待检测图像,提取表征其局部特征的边界响应子图I2;设置具有方向选择特性的经典感受野,分别利用二维高斯导函数模型提取扩展后图像I在中心水平、中心垂直、正对角线、负对角线上的方向响应;然后针对I的任意像素,获得所有方向上的最大响应,并结合方向响应的响应强度系数确定最终的边界响应,从而得到具有局部特征的边界响应子图I2;
步骤(3)构建包含池化模块的卷积神经网络G,实现整体轮廓信息快速提取;其中G由四个单元和一个损失层构成,前两个单元都分别由双层普通卷积层和池化层组成,第三个单元由双层普通卷积层组成,第四个单元由上采样层和单层普通卷积层组成;构建具有上述结构特性的卷积神经网络G,其中初始卷积核权重随机设置;将步骤(1)获得的低分辨子图I1训练样本输入卷积神经网络G,经sigmod函数激活后与训练样本轮廓标签做损失运算,沿损失减小方向反向传播更新卷积核权重,迭代多次,至损失值小于阈值£,获得训练后的卷积神经网络G;
步骤(4)构建包含空洞卷积模块的卷积神经网络L,实现局部轮廓信息精细提取;其中L由四个单元、一个融合层和一个损失层构成,每个单元由单层普通卷积层和单层空洞卷积层组成,其中普通卷积核与空洞卷积核的个数相同,四个单元空洞卷积的dilated分别等于
2,2,4,4;构建具有上述结构特性的卷积神经网络L,其中初始卷积核权重随机设置;将步骤(2)获得的边界响应子图I2训练样本输入卷积神经网络L,经sigmod函数激活后与训练样本轮廓标签做损失运算,沿损失减小方向反向传播更新卷积核权重,迭代多次,至损失值小于阈值 获得训练后的卷积神经网络L;
步骤(5)实现整体和局部轮廓信息的融合,获取精细轮廓;首先将待检测图像经过步骤(1)和步骤(2)处理后,获得其所对应的低分辨子图I1和边界响应子图I2;将I1和I2分别输入到网络G和网络L中,获得整体轮廓信息G(i,j)和局部轮廓信息L(i,j);以L(i,j)的尺寸为基准,对G(i,j)进行双线性插值;根据L(i,j)各像素的对比度关系,对整体轮廓信息G(i,j)进行融合,从而获取精细轮廓;
具体处理过程如下:
①求出L(i,j)中每个像素点的对比度,此处用temp(i,j)表示;
②以图像坐标(u,v)处像素为例,当该点为轮廓点时,即temp(u,v)>ξ;
③当该点为非轮廓点时,即temp(u,v)≤ξ;
其中ξ表示轮廓像素点的对比度阈值,默认值为最大对比度的75%。
2.根据权利要求1所述一种基于视觉整体和局部特征融合的轮廓检测方法,其特征在于:步骤2中设置具有方向的默认设置8个方向:0°,45°,90°,135°,180°,225°,270°,315°。