【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，尤其涉及一种图像边缘智能提取系统和方法。
技术介绍
1、目前，传统的图像边缘提取方法虽然被广泛应用，但在特殊场景下存在一定的问题。光照变化和物体颜色、材质的变化会引入不必要的噪声和干扰，导致边缘检测结果不准确。此外，传统方法通常采用手工设计的特征提取器和规则，无法适应复杂场景下的边缘提取需求。卷积神经网络能够通过学习大量图像数据来自动提取特征，并在边缘提取等任务中取得了显著的成果。然而，现有的深度学习方法大多数依赖于复杂的网络架构和大量的参数，导致计算资源和存储开销较大，限制其在实际应用中的使用。
2、故，针对现有技术的缺陷，实有必要提出一种技术方案以解决现有技术存在的技术问题。
技术实现思路
1、有鉴于此，确有必要提供一种图像边缘智能提取系统和方法，采用轻量级多尺度监督神经网络，能够在高效准确地提取图像边缘的同时，保持神经网络模型拥有较低的计算复杂度和模型参数量。
2、为了解决现有技术存在的技术问题，本专利技术的技术方案如下：
3、一种图像边缘智能提取系统，包括：图像输入模块(1)、多尺度特征提取模块(2)、亮度边缘类型解码器模块(3)、基于深度监督的多尺度边缘图融合模块(4)，其中，
4、图像输入模块(1)，用于处理输入图像数据，并形成统一格式的输出图像p；
5、多尺度特征提取模块(2)，用于提取图像p初始边缘特征，并丰富初始边缘特征和消除背景噪音，以获得多尺度边缘特征图q；
7、多尺度边缘图融合模块(4)，利用深度监督层对亮度边缘类型解码器模块(3)获得的边缘预测图m进行上采样和激活等操作后，然后根据损失函数计算损失值，进行反向传播，最终进行多尺度边缘图融合，以获得原始图像的最终边缘图k。
8、作为进一步的改进方案，图像输入模块(1)包括图像标准化模块、图像归一化模块和图像尺寸调整模块；
9、多尺度特征提取模块(2)包括特征提取层、紧凑膨胀卷积子模块和紧凑空间注意力子模块，特征提取层用于将图像输入模块的输出图像p提取初始边缘特征，紧凑膨胀卷积子模块和紧凑空间注意力子模块，用于丰富初始边缘特征和消除背景噪音，以此获得多尺度边缘特征图q。
10、作为进一步的改进方案，多尺度特征提取模块(2)中的特征提取层，为深度可分离卷积层，该层包括卷积、池化和残差连接子模块，在子模块的前向传播过程中，根据步幅的不同进行下采样，然后进行差分卷积操作，最后通过残差连接将下采样的特征与差分卷积后的特征相加得到最终输出。
11、作为进一步的改进方案，多尺度特征提取模块(2)中的紧凑膨胀卷积子模块，包括线性整流激活层(relu)、1x1卷积层和四个具有不同扩张率的3x3卷积层，扩张率分别为5、7、9、11，通过求和操作得到输出结果，具体紧凑膨胀卷积公式如下：
12、
13、其中，x是输入张量；relu(.)表示线性整流激活函数；conv1x1(.)表示1x1卷积操作；表示扩张率为i*2+3的3x3卷积操作。
14、作为进一步的改进方案，多尺度特征提取模块(2)中的紧凑空间注意力子模块，包括线性整流激活层(relu)、1x1卷积层、3x3卷积层和非线性激活层(sigmoid)，通过注意力权重与输入图像相乘得到增强后的输出结果。
15、作为进一步的改进方案，亮度边缘类型解码器模块(3)引入权重层机制，通过权重层生成融合特征，然后将融合特征被送入亮度边缘类型解码器，在不增加特征的维度下实现以一种可学习的方式自适应地融合低级特征和高级提示；设输入的低级特征为flow，高级提示为fhint，权重层为w，融合特征为ffusion，具体权重层和融合特征的公式如下表示：
16、w＝sigmoid(wlearnable(fhint))
17、ffusion＝w⊙flow+(1-w)⊙fhint
18、其中，wlearnable是参数学习函数，sigmoid用于将权重归一化到[0,1]范围，⊙表示逐元素相乘。
19、作为进一步的改进方案，亮度边缘类型解码器包括一个3x3卷积层、一个1x1卷积层、两个线性整流激活函数(relu)和两个批量归一化层，在融合特征图的基础上经过卷积，激活和批量归一化等层次的处理，以生成对应类型的边缘预测图。
20、作为进一步的改进方案，多尺度边缘图融合模块(4)，包括上采样层、非线性激活函数(sigmoid)、多尺度特征联合层、1x1卷积层和损失函数；对图像通过双线性插值方法进行上采样操作，放大图像的细节；然后经过sigmoid激活函数，得到概率图；接着通过损失函数计算损失值，并根据损失值来进行反向传播更新训练参数；最后进行图像多尺度融合和整合特征通道，以获得最终边缘图；
21、其中，损失函数公式如下：
22、
23、其中，预测概率为p，目标标签为y，样本总数为n，正类样本数为n1，负类样本数为n0，忽略的样本数为n2，负类样本权重为β，正类样本权重负类样本权重忽略样本权重ω2＝0，ignore(yi)是当yi为忽略样本标签时，取值为0；否则取值为1。
24、本专利技术还公开了一种图像边缘智能提取方法，包括以下步骤：
25、步骤s1：构建轻量级多尺度监督神经网络并训练得到图像边缘智能提取模型；
26、步骤s2：将图像数据输入步骤s1训练好的图像边缘智能提取模型进行图像处理输出边缘图像信息；其中，图像边缘智能提取模型包括图像输入模块(1)、多尺度特征提取模块(2)、亮度边缘类型解码器模块(3)和基于深度监督的多尺度边缘图融合模块(4)；
27、图像输入模块(1)，用于处理输入图像数据，并形成统一格式的输出图像p；
28、多尺度特征提取模块(2)，用于提取图像p初始边缘特征，并丰富初始边缘特征和消除背景噪音，以获得多尺度边缘特征图q；
29、亮度边缘类型解码器模块(3)采用深度学习网络结构，用于解析多尺度边缘特征图q，识别出不同亮度边缘类型，然后重新构建出高分辨率的边缘预测图m；
30、多尺度边缘图融合模块(4)，利用深度监督层对亮度边缘类型解码器模块(3)获得的边缘预测图m进行上采样和激活等操作后，然后根据损失函数计算损失值，进行反向传播，最终进行多尺度边缘图融合，以获得原始图像的最终边缘图k。
31、与现有技术相比较，本专利技术中的多尺度特征提取模块采用高效的深度可分离卷积,能有效地降低网络的计算复杂度,使网络能保持非常少的模型参数,同时增强了全局建模能力,扩大了感受野,不仅不增加计算负担,而且提升了特征提取的效果。因此，即使在嵌入式系统或移动设备上，也可以高效地运行我们的图像边缘提取算法，为各种应用提本文档来自技高网...
【技术保护点】
1.一种图像边缘智能提取系统，其特征在于，包括：图像输入模块(1)、多尺度特征提取模块(2)、亮度边缘类型解码器模块(3)、基于深度监督的多尺度边缘图融合模块(4)，其中，
2.根据权利要求1所述的图像边缘智能提取系统，其特征在于，图像输入模块(1)包括图像标准化模块、图像归一化模块和图像尺寸调整模块；
3.根据权利要求2所述的图像边缘智能提取系统，其特征在于，多尺度特征提取模块(2)中的特征提取层，为深度可分离卷积层，该层包括卷积、池化和残差连接子模块，在子模块的前向传播过程中，根据步幅的不同进行下采样，然后进行差分卷积操作，最后通过残差连接将下采样的特征与差分卷积后的特征相加得到最终输出。
4.根据权利要求3所述的图像边缘智能提取系统，其特征在于，多尺度特征提取模块(2)中的紧凑膨胀卷积子模块，包括线性整流激活层(ReLU)、1x1卷积层和四个具有不同扩张率的3x3卷积层，扩张率分别为5、7、9、11，通过求和操作得到输出结果，具体紧凑膨胀卷积公式如下：
5.根据权利要求4所述的图像边缘智能提取系统，其特征在于，多尺度特征提取模
6.根据权利要求5所述的图像边缘智能提取系统，其特征在于，亮度边缘类型解码器模块(3)引入权重层机制，通过权重层生成融合特征，然后将融合特征被送入亮度边缘类型解码器，在不增加特征的维度下实现以一种可学习的方式自适应地融合低级特征和高级提示；设输入的低级特征为Flow，高级提示为Fhint，权重层为W，融合特征为Ffusion，具体权重层和融合特征的公式如下表示：
7.根据权利要求6所述的图像边缘智能提取系统，其特征在于，亮度边缘类型解码器包括一个3x3卷积层、一个1x1卷积层、两个线性整流激活函数(ReLU)和两个批量归一化层，在融合特征图的基础上经过卷积，激活和批量归一化等层次的处理，以生成对应类型的边缘预测图。
8.根据权利要求7所述的图像边缘智能提取系统，其特征在于，多尺度边缘图融合模块(4)，包括上采样层、非线性激活函数(Sigmoid)、多尺度特征联合层、1x1卷积层和损失函数；对图像通过双线性插值方法进行上采样操作，放大图像的细节；然后经过Sigmoid激活函数，得到概率图；接着通过损失函数计算损失值，并根据损失值来进行反向传播更新训练参数；最后进行图像多尺度融合和整合特征通道，以获得最终边缘图；
9.一种图像边缘智能提取方法，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种图像边缘智能提取系统，其特征在于，包括：图像输入模块(1)、多尺度特征提取模块(2)、亮度边缘类型解码器模块(3)、基于深度监督的多尺度边缘图融合模块(4)，其中，
2.根据权利要求1所述的图像边缘智能提取系统，其特征在于，图像输入模块(1)包括图像标准化模块、图像归一化模块和图像尺寸调整模块；
3.根据权利要求2所述的图像边缘智能提取系统，其特征在于，多尺度特征提取模块(2)中的特征提取层，为深度可分离卷积层，该层包括卷积、池化和残差连接子模块，在子模块的前向传播过程中，根据步幅的不同进行下采样，然后进行差分卷积操作，最后通过残差连接将下采样的特征与差分卷积后的特征相加得到最终输出。
4.根据权利要求3所述的图像边缘智能提取系统，其特征在于，多尺度特征提取模块(2)中的紧凑膨胀卷积子模块，包括线性整流激活层(relu)、1x1卷积层和四个具有不同扩张率的3x3卷积层，扩张率分别为5、7、9、11，通过求和操作得到输出结果，具体紧凑膨胀卷积公式如下：
5.根据权利要求4所述的图像边缘智能提取系统，其特征在于，多尺度特征提取模块(2)中的紧凑空间注意力子模块，包括线性整流激活层(relu)、1x1卷积层、3x3卷积层和非线性激活层(sigmoid)，通过注意力权重与输入图像相乘得到...
【专利技术属性】
技术研发人员：赵建勇，黄利星，孙丹枫，陈佰平，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。