[发明专利]一种基于局部二值模式的像素差卷积边缘检测方法

说明书

本发明公开了一种基于局部二值模式的像素差卷积边缘检测方法，包括如下步骤：S1.构建像素差异卷积以替换深度卷积神经网络中的普通卷积层，建立像素差异卷积神经网络；S2.使用像素差异卷积神经网络对图像进行边缘检测，输出边缘检测结果。本发明将像素差异应用于受HED启发的三模块结构的主干网络中，提出了两类像素差异卷积神经网络，即RPD‑CNN和APD‑CNN，而没有引入任何额外的参数，以提高深度学习网络的检测边缘能力。基于像素差异卷积的主干网络可以为后续的侧面输出模块和特征融合模块提供初步的特征提取。

技术领域

本发明涉及边缘检测技术领域，具体涉及一种基于局部二值模式的像素差卷积边缘检测方法。

背景技术

作为计算机视觉中一个长期存在的、基础而具有挑战性的问题，边缘检测已经成为深度学习研究最广泛的问题之一，并且已经发表提出了许多典型方法。边缘检测旨在从图像中提取物体级别的轮廓和视觉上由亮度、颜色等产生的显著边缘。基于边缘检测也存在各种更高级别的应用，包括物体检测、检测建议生成和图像分割。

大多数传统的边缘检测方法首先会计算某些特征值的一阶导数，例如强度梯度，然后应用复杂的学习算法将每个像素标识为边缘还是非边缘。传统的边缘检测方法是基于低级特征的，并且所使用的学习算法通常较浅显，因此无法表示高级语义信息，故在富含语义信息的边缘检测任务中具有一定的局限性。

同其他许多计算机任务一样，自从深度卷积神经网络（DCNN）进入边缘检测领域以来，性能有了显著的进步。DCNN强大的能力可以自动学习多个抽象级别上的自然图像的特征表示，故DCNN特别擅长学习用于物体识别的更深层语义特征，然而由普通卷积构建的网络缺乏捕获细粒度图像模式的能力，从而限制了有效和高效地提取更丰富的边缘相关信息。

发明内容

本发明要解决的技术问题是针对现有技术的不足而提供一种基于局部二值模式的像素差卷积边缘检测方法，以提高深度学习网络的检测边缘能力。

为解决上述技术问题，本发明的内容包括：

一种基于局部二值模式的像素差卷积边缘检测方法，所述方法包括如下步骤：

S1. 构建像素差异卷积以替换深度卷积神经网络中的普通卷积层，建立像素差异卷积神经网络；所述像素差异卷积为径向像素差异卷积：在输入特征图上，依其内核大小，对局部邻域进行采样；在后续的聚合中，首先将局部邻域中的每个像素的强度值减去区域中心像素的强度值，然后再通过可学习的权重，以加权求和的方式来处理差值，即对中心像素及其圆对称邻域之间的差进行编码；

S2. 使用像素差异卷积神经网络对图像进行边缘检测，输出边缘检测结果。

进一步的，所述深度卷积神经网络使用VGG16结构作为主干网络，并在5个卷积阶段中均利用每一层的特征图，提供不同尺度的感知领域。

进一步的，所述径向像素差异卷积的输出特征图用公式表示为：

其中，表示局部区域中中心像素点的所在位置，表示枚举中的像素位置。

进一步的，综合强度语义信息后，所述径向像素差异卷积的输出特征图用公式表示为：

其中，超参数θ∈[0,1]为权衡强度信息和梯度信息对边缘检测预测结果的贡献，且其为可学习的值。

一种基于局部二值模式的像素差卷积边缘检测方法，所述方法包括如下步骤：

S1. 构建像素差异卷积以替换深度卷积神经网络中的普通卷积层，建立像素差异卷积神经网络；所述像素差异卷积为角向像素差异卷积：在输入特征图上，依其内核大小，对局部邻域进行采样；在后续的聚合中，对与当前位置相同的切比雪夫距离上的相邻像素之间的差值进行编码，以保留角度信息；