[发明专利]一种基于素描标记的中层次特征提取快速边缘检测方法

说明书

本发明公开了一种基于素描标记的中层次特征提取快速边缘检测方法。根据训练图像，使用素描这种简单的标记来表示图像中的各种局部结构；从素描图像中提取补丁，并用聚类的方法构成标记类的集合；与标记类形成对照，采用分类器提取训练图像中的补丁；计算所有通道的特征向量；抽取特征向量中的小子集去训练方法模型；随机选取轮廓补丁和无轮廓补丁训练随机森林分类器；标记训练图像中的每一个像素并进行分类；计算训练图像中每个标记类的概率，选出属于轮廓的概率补丁；进行非极大值抑制处理；得出轮廓的峰值响应。本发明解决了有监督数据的收集会泛化问题；提升了检测器对边缘检测的精度和准确度；缩短了图像处理的时间。

技术领域

本发明属于图像处理技术领域，涉及一种基于素描标记的中层次水特征提取快速边缘检测方法。

背景技术

在计算机机器视觉中，对图像而言，低层特征一般指的是边缘、轮廓、颜色、纹理和形状等特征，该层特征可以反映出图像的内容。很多的计算机视觉问题都可以通过可靠的边缘提取来解决。图像的低层次特征信息虽然目标明确且位置准确，但是该层的信息比较少，只能作为某个部分单独看待，并不能做出整体性的评价。然而，高层次的特征指的是整体且复杂的结构，例如一张人脸就是高层次特征，而脸上的鼻子、眼睛和嘴巴都属于低层次特征。与低层次特征恰好相反，高层次特征提供的信息相当丰富，但是目标位置却十分粗略。所以形象的来说，中层次特征就相当于低层和高层特征之间的“桥梁”。有效的中层特征表示既能抽象出有用的像素信息，也可以过滤有噪声和不相关的信号。

在众多中层次特征的提取方法中，边缘信息的利用是早期的一种较为流行的方法。因为在某种程度上，人类可以很轻松地解释线条图和素描图像，即局部位置图像。从局部边缘结构中提取出来的中层特征，称为素描标记。素描标记的种类从简单的形状(如直线或点)到丰富的结构(如立方体或球)不等。对于给定大量潜在的边缘结构，为了简化计算量和缩短操作周期，就必须指定一个信息子集来表示素描标记类。以前的方法有使用手工定义的类、无监督的信息来表示，不过要在人工标记的自然图像的边缘中，来提取有监督的中层次信息，这十分困难，因为这些收集来的数据会泛化，不会特定地存在。以轮廓为中心的素描提取方法可以从图像中抽取并聚集成一组标记的类，这会产生有代表性及多样的素描标记集，但是该方法会模糊甚至忽略一些特定的结构，或区域的细节，而且计算量较大。对于边缘检测的方法来说，传统的方法有微分算子法、最优算子法和神经网络法等等。不管是基于Canny算子还是LOG算子的微分方法，漏检率和误检率都比较高，而且对噪声还很敏感；与微分算子法相似的最优算子法对图像中的某些细节处理不到位；最近兴起的神经网络方法虽然检测的效果不错，但是检测的结果直接受样本质量的影响，如果样本不好，效果肯定也不会好。

针对上述问题，采用基于中层次特征的提取方法可以有效地预测出给定输入彩色图像的素描标记，还可以过滤噪声和不相关的信号，与此同时，检测效率也比同类或其他类的检测器高出200倍以上。基于中层次特征提取的素描标记方法除了可以用在边缘检测上，还可以根据自下而上的方式用来完成行人检测和目标检测，用途广，泛化能力强。

发明内容

本发明的目的是提供一种基于素描标记的中层次特征提取快速边缘检测方法，解决了在现有技术中提取有监督中层次信息数据的时候，会受到噪声和不相关信号干扰的问题，提升了边缘检测的速度，精度和稳定性。

本发明所采用的技术方案是，

一种基于素描标记的中层次特征提取快速边缘检测方法，具体按照以下步骤实施：

步骤1，定义素描标记。使用简单且直接的一组素描来抽象表示图像中可能存在的各种边缘结构，提取素描图像中固定大小的补丁，借用K-means方法聚集补丁，创建标记类的集合。

步骤2，检测素描标记：对于标记类的集合，使用一个学习分类器来从输入的训练图像中提取补丁，计算出特征向量。

步骤3，抽取每个标记类的轮廓补丁，每个图像的无轮廓补丁，以训练随机森林分类器；随机选取特征向量的一个子集来进行分类。