[发明专利]基于深度学习的边缘检测滤波器优化方法

权利要求书

1.一种基于深度学习的边缘检测滤波器优化方法，其特征在于，包括以下步骤：

步骤一、采集多张待测物图像，记为训练图像集；

分别框选各张图像中的待测特征并标注每个像点的类别标签，所述类别标签为前景标签或背景标签；将经过上述处理的训练图像记为标注图像；

以第一张训练图像作为初始的输入图像；

步骤二、分别利用不同方向的边缘检测因子对输入图像进行卷积处理，得到整幅图像各个像素点的梯度，将其输入到Sigmiod函数中进行激活处理，得到输出结果图；

步骤三、将输出结果图记为新的输入图像，重复步骤二N次，N＝1～5；将最后一次得到的输出结果图记为最终结果图；

将首次进行步骤二时的边缘检测因子记为第一层滤波器；第i次重复步骤二时的边缘检测因子记为第i+1层滤波器；i＝1,2…N；

步骤四、利用softmax函数归一化处理最终结果图中各点的像素值，记为归一化结果图，计算所述归一化结果图与所述输入图像的标注图像各像点之间的交叉熵损失值，记为损失矩阵M_Loss；再将各个交叉熵损失值取均值记为LOSS值；

步骤五、利用损失矩阵M_Loss进行反向传播，得出每层边缘检测滤波器的偏移量b；将不同方向的边缘检测因子加上对应的偏移量b，得出修正后的各层边缘检测滤波器；

以下一张训练图像作为输入图像并利用修正后的各层边缘检测滤波器继续进行步骤二～步骤四，直到LOSS值发生收敛；

步骤六、将步骤五中最后得出的各层边缘检测滤波器级联作为优化后的边缘检测滤波器。

2.如权利要求1所述的基于深度学习的边缘检测滤波器优化方法，其特征在于：步骤五中利用损失矩阵M_Loss进行反向传播，得出每层边缘检测滤波器的偏移量b；具体为：

经过反向传播，标记：第N+1层滤波器的损失矩阵Loss_N+1(x,y)＝M_Loss(x,y)，(x,y)表示损失矩阵中的单个点；

则第N层滤波器的损失矩阵Loss_N中各个点(x,y)的值：

Loss_N(x,y)＝sigmoid′(Loss_N+1(x,y))·softmax’(Loss_N+1(x,y))；

第N-1层滤波器的损失矩阵Loss_N-1中各个点(x,y)的值：

Loss_N-1(x,y)＝sigmoid′(Loss_N(x,y))·softmax’(Loss_N(x,y)),……

第一层滤波器的损失矩阵Loss₁各个点(x,y)的值：

Loss₁(x,y)＝sigmoid′(Loss₂(x,y))·softmax’(Loss₂(x,y))；

其中，sigmoid′表示Sigmiod函数的导数，softmax’表示softmax函数的导数；

利用各层滤波器的损失矩阵与其对应的输出结果图，卷积得出每层边缘检测滤波器对应的偏移量b。

3.如权利要求1所述的基于深度学习的边缘检测滤波器优化方法，其特征在于：所述边缘检测滤波器包括：sobel滤波器、Prewitt滤波器和scharr滤波器。

4.如权利要求1所述的基于深度学习的边缘检测滤波器优化方法，其特征在于：所述不同方向的边缘检测因子包括：水平方向边缘检测因子、竖直方向边缘检测因子、45°方向边缘检测因子，135°方向边缘检测因子。

5.如权利要求3或4所述的基于深度学习的边缘检测滤波器优化方法，其特征在于：步骤五中，将水平方向和竖直方向的sobel因子加上对应的偏移量b，得出修正后的各层sobel滤波器，具体为：

记原始水平方向的sobel因子：竖直方向的sobel因子：

则第一次修正后水平方向的sobel因子：竖直方向的sobel因子：

……如此重复，每次修正，均在前一次sobel因子的基础上加上新的偏移量。

6.如权利要求1所述的基于深度学习的边缘检测滤波器优化方法，其特征在于，为了使卷积后的图像与输入图像尺寸相同，对输入图像的边缘用0做填充处理，将输入图像尺寸从(Height,Width)变为(Height+1,Width+1)。