[发明专利]面向目标的自动化高精度边缘提取方法

摘要

本发明公开了一种面向目标的自动化高精度边缘提取方法，包括模型训练阶段与边缘提取阶段；其中模型训练阶段包括以下步骤A1）基于HAAR特征的级联分类器的训练；A2）基于Canny算子和ASM模型的训练；A3）主动轮廓模型的训练；边缘提取阶段包括以下步骤B1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；B2）结合Canny算子和ASM模型寻找目标边缘的初始位置；B3）采用主动轮廓模型对初始位置进行校准；B4）将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。

主权项

一种面向目标的自动化边缘提取方法，其特征在于，包括模型训练阶段与边缘提取阶段；其中模型训练阶段包括以下步骤：A1)基于HAAR特征的级联分类器的训练；首先选定某一边缘提取目标，准备足够多正样本和负样本，接着利用积分图计算图像HAAR特征，然后采用机器学习算法提取优秀的特征并形成一个强分类器，最后用级联结构将多个强分类器按级别分层组合成最终筛选器；A2)基于Canny算子和ASM模型的训练；包括以下步骤：Step1:先准备一组训练样本，该样本需要包括标定的特征点信息；标定特征点的过程是一个人机交互的过程，标注需要按照以下的原则进行：a、每幅图像标注的特征点必须相同；b、标注特征点的顺序也必须相同；Step2:计算每一个特征点的权重值，在所有选取的特征点中，各个点的重要性是不一样的，具体表现在有些点是相对固定的，而有些点的变化却比较大，特征点的权重值反映了不同位置特征点对于模型的重要性影响的不同；Step3:配准；配准的目的就是为了能够对来自不同图像样本的相同特征点进行比较，以此来建立统计形状模型，用以反映形状变化的规律；配准的基本操作首先是以某个形状为基础，将其他的形状进行放大、缩小、旋转、平移操作，目的是为了能够让那些图像的形状与基本的形状尽可能地接近；Step4:全局形状模型的训练；首先利用配准后的图像标定点位置建立形状向量，然后对形状向量进行主成分分析进行降维处理，得到的特征向量和特征空间就构成了ASM模型；Step5:局部特征的构建；ASM中采用近邻几个像元的梯度搜索为特征点寻找新的位置，采用更为严谨的梯度算子即Canny算子来进行位置的更新；Canny算子的实现步骤：Step1:用高斯滤波器平滑图像，去除图像噪声；选择方差为1.4的高斯函数模板和图像进行卷积运算；Step2:用一阶偏导的有限差分来计算梯度的幅值和方向；Step3:对梯度幅值应用非极大值抑制；幅值M越大，其对应的图像梯度值也越大，为确定边缘，必须细化幅值图像中的屋脊带，只保留幅值局部变化最大的点，生成细化的边缘；Step4:用双阈值算法检测并且连接边缘；双阈值法使Canny算子提取的边缘点更具有鲁棒性，高低阈值分别表示为Hth和Lth，对于高阈值Hth的选择，基于计算出的图像梯度值对应的直方图进行选取；在一幅图像中，非边缘点数目在总图像像素点数目中占的比例表示为Hratio，根据图像梯度值对应的直方图累加，累加数目达到Hratio时，对应的图像梯度值设置为Hth；低阈值Lth的选择通过Lth＝Hratio*Hth得到；最后通过对边缘点的标记和邻域关系进行连接得到最后的边缘检测图；A3)主动轮廓模型的训练；边缘提取阶段包括以下步骤：B1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；利用训练好的级联分类器子窗口对待提取图像进行滑动检测，由易到难，级联分类器的前几个分类器可以快速地将易分辨的非目标部分快速滤过，最后经过多层分类器的筛选，目标将会以尽可能少的干扰部分保存下来，以减少边缘提取的时间和误检率；B2)结合Canny算子和ASM模型寻找目标边缘的初始位置；截取下来的感兴趣区域将作为ASM模型的输入，经过图像对齐，模型内初始边缘确定，再借助Canny算子对邻域进行边缘矫正，最后得到一个较为精准的初始目标边缘；B3)采用主动轮廓模型对初始位置进行校准；B4)将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。