[发明专利]基于深度学习的边缘检测滤波器优化方法

说明书

本发明公开了一种基于深度学习的边缘检测滤波器优化方法，包括：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，得到标注图像；以第一张训练图像作为输入图像；对输入图像进行卷积，再计算各个像素点的梯度，输入到Sigmiod函数中进行激活处理，得到输出结果图；将输出结果图记为新的输入图像，重复；利用softmax函数得到归一化结果图，计算归一化结果图与标注图像的损失矩阵M_Loss和LOSS值；利用损失矩阵M_Loss进行反向传播，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重复，直到LOSS值发生收敛；本方法边缘检测稳定更好，鲁棒性高且计算量小。

技术领域

本发明涉及图像处理领域，具体涉及一种基于深度学习的边缘检测滤波器优化方法。

背景技术

图像分割是计算机视觉领域的重要分支，其中，Sobel、Prewitt等边缘检测方法是图像分割的经典检测算法。随着图像分割任务的要求越来越高，单纯的Sobel算子进行图像分割时，容易出现分割不全面、误分割的现象，无法满足实际生产过程中的检测需求；进而出现了：基于深度学习的图像分割算法，其虽然在像素分类精度上有着很大提高，但是深层次的网络模型带来庞大的计算量，因此会使得算法十分依赖硬件设施，如GPU等。

发明内容

为了解决现有技术存在的问题，提供一种分割效果好且计算量小的分割方法，将深度学习思想应用到边缘检测滤波器的优化过程中，计算偏移量b，通过训练图像迭代出合适的边缘检测滤波器的参数，修正边缘检测因子，进行滤波器的优化，本方法将多个滤波器级联形成最终的滤波器，使得边缘检测稳定更好，鲁棒性提高。

为此，本发明的技术方案如下：

一种基于深度学习的边缘检测滤波器优化方法，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即：前一次的输出结果图作为下一次的输入图像；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。

进一步，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：