基于HED网络的快速纸张边缘检测方法

HED网络是目前边缘检测性能较好的深度学习网络模型之一,但使用HED网络进行纸张边缘检测时,检测速度较慢,达不到实时性要求。在保证检测精度的前提下,本文提出一种基于HED网络的快速纸张边缘检测方法。将轻量级网络MobileNetV2作为HED主干网,并去除MobileNetV2网络的后2个bottleneck模块和输出通道数较大的卷积层,进一步加快检测速度。此外,去除网络中的池化层,增加一个步长为1的5×5卷积层,提高检测精度。本文制作包含多种情况的纸张数据集MPDS,将本文方法在MPDS上进行训练和测试。实验结果表明,本文提出的模型将ODS和OIS指标分别提高到了0.867和0.876,检测速度可达42.68 FPS,本文方法可以快速准确地进行纸张边缘检测,满足桌面增强系统对纸张检测的要求。     

基于双通道多尺度注意力机制的光伏板裂缝检测方法

针对目前传统边缘检测方法提取出的图像边缘轮廓模糊、不连续等问题，提出一种基于双通道多尺度注意力机制的光伏板裂缝检测方法，实现对图像低级边缘、边界、目标轮廓的检测。首先构建了双通道主干网络，包含语义分支通道和空间细节分支通道；其次基于多尺度原则，构建了多尺度及注意力机制模块，对特征图像的高、宽、通道的维度变换，分配特征权重，在捕捉跨通道信息的同时，还能够捕捉方向感知和位置感知的信息；最后将空洞融合模块融合到语义分支通道中，提升网络提取特征信息的能力。实验结果表明，所提出的算法对光伏板图像边缘检测性能有提升，相较HED、RCF与FCN算法，F1值提升了2.83%、0.37%与1.54%，获得了较为清晰的裂缝图像。     

改进YOLOv4的遥感图像目标检测算法

为有效解决遥感图像目标检测算法在复杂背景下的检测效果不佳的问题,提出一种改进YOLOv4的目标检测算法。设计一种跨阶段残差结构,替换原主干网络的简单残差结构,降低模型参数量和计算负担;引入CBAM注意力机制,加强CSP模块间有效特征交互;使用跨阶段分层卷积模块重构特征融合阶段对深层特征图的处理方式,防止网络退化和梯度消失;采用Mish激活函数,增强融合网络对非线性特征的提取能力。在RSOD、DIOR数据集上的实验结果表明,改进YOLOv4算法的测试mAP相比原YOLOv4算法分别高出4.5%、7.3%,其检测速度分别达到48 fps、45 fps,在保证实时性的同时检测精度有较大提升。     

基于语义信息的精细化边缘检测方法

边缘检测是在图像中准确地提取视觉上显著的边缘像素,以得到图像的边缘信息,然而传统基于全卷积网络的边缘检测方法通常存在预测边缘粗糙、模糊等问题。提出一种语义信息指导的精细化边缘检测方法。通过图像分割子网络将学习到的图像语义信息传递给边缘检测子网络,同时利用图像语义信息指导边缘检测子网络,其引入具有注意力机制与残差结构的特征融合模块,以生成精细的图像边缘,增强不同尺度的特征融合。在此基础上,结合图像分割任务和图像边缘检测任务中的代价函数定义新的模型代价函数并进行训练,进一步提高网络边缘检测质量。在BSDS500数据集上的实验结果验证了该方法的有效性,结果表明,该方法的固定轮廓阈值与图像最佳阈值分别达到0.818和0.841,相比HED、RCF等主流边缘检测方法,能够预测更精细的边缘图像,且鲁棒性更优。     

一种煤矿井下输煤大块物检测方法

针对现有煤矿井下输煤大块物检测方法存在无法检测大块物数量且检测精度不高的问题,提出了一种基于改进HED神经网络融合Canny算子的煤矿井下输煤大块物检测方法。采用提取反射分量结合边缘保留滤波方法对采集的图像进行预处理,增强图像亮度、对比度,加深图像边缘信息;将预处理的图像代入改进的HED神经网络与Canny算子的融合模型中,得到连续的大块物边缘图像,根据边缘图像做非运算得到二值化填充图像;对二值化填充图像中的大块物进行矩形标注,计算出大块物像素个数与面积;统计大块物数量并判断大块物面积是否高于设定阈值,若高于设定阈值,则报警。实验结果表明,基于改进HED神经网络融合Canny算子的煤矿井下输煤大块物检测方法具有较好的边缘检测效果,能够有效降低图像边缘检测误差,有效统计出大块物数量,并能计算出大块物的面积。     

基于RCF的跨层融合特征的边缘检测

针对当前基于深度学习的边缘检测技术产生的边缘线条杂乱且模糊等问题,提出了一种基于RCF的端到端的跨层融合多尺度特征的边缘检测（CFF）模型。该模型使用RCF作为基线,在主干网络中加入CBAM,采用具有平移不变性的下采样技术,并且去除了主干网络中的部分下采样操作,以保留图像的细节信息,同时使用扩张卷积技术增大模型感受野。此外,采用跨层融合特征图的方式,使得高低层特征能够充分融合。为了平衡各阶段损失和融合损失之间的关系,以及避免出现多尺度特征融合之后低层细节过度丢失的现象,对每个损失添加了一个权重。在伯克利分割数据集（BSDS500）和PASCAL VOL Context数据集上进行了训练,在测试时使用图像金字塔技术提高边缘图像的质量。实验结果表明,CFF模型提取的轮廓比基线网络更加清晰,能够解决边缘模糊问题。在BSDS500基准上进行的评估表明,该模型将最佳数据集规模（ODS）和最佳图像比例（OIS）指标分别提高到0.818和0.839。     

煤岩显微图像划痕检测与去除方法

煤岩显微图像预处理主要包括煤岩划痕检测与去除。针对基于霍夫变换算法的煤岩划痕检测难以准确提取空间形状特征和有效细化边缘信息,容易出现漏检和误检的问题,提出了基于语义分割的煤岩划痕检测方法。该方法引入残差结构改进空间注意力模型,将该模型嵌入以VGG卷积层作为图像特征编码器的U-Net中,实现对煤岩划痕的语义分割。针对基于快速行进的图像修复算法使得煤岩划痕去除区域和周围区域存在纹理差异和视觉伪影的问题,提出了采用基于改进区域匹配的图像修复算法去除煤岩划痕。通过采用k个最近邻图像块查找、跨尺度及旋转角度搜索策略和基于欧氏距离的图像块偏移距离度量,实现煤岩划痕的有效去除。实验结果表明,基于语义分割的煤岩划痕检测方法能准确反映煤岩划痕的边缘细节,具有较好的空间特征解析性能,提高了煤岩划痕检测准确性;采用基于改进区域匹配的图像修复算法去除煤岩划痕能使煤岩划痕去除区域与周围区域的纹理特征更具有一致性,提升图像整体视觉效果。     

结构森林边缘检测与渗流模型相结合的混凝土表面裂缝检测

针对现有混凝土表面裂缝检测方法对不同环境下采集的裂缝图像集检测效果鲁棒性不强的问题,引入基于结构森林的学习框架来提取裂缝边缘,并融合改进的快速渗流算法检测裂缝,以保证检测精确率和效率。使用分段函数对彩色图像进行线性变换以增强裂缝,根据包含裂缝块的局部结构特征及彩色图像积分通道特征,利用结构森林边缘检测器快速提取裂缝边缘,同时结合改进的渗流模型快速渗流边缘并去噪。最后,利用形态学方法,连接较小断裂并填充孔洞。在收集的各类裂缝图像集上的实验结果表明,该算法处理速度快、鲁棒性好,且裂缝提取的精确度优于现有算法。     

结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法

针对图像超分辨率重建模型需要大量参数去捕获低分辨率（LR）图像和高分辨率（HR）图像之间的统计关系，以及使用L₁或L₂损失优化的网络模型不能有效恢复图像高频细节等问题，提出一种结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法。该方法基于由粗到细的思想，设计了一种两阶段的网络模型。第一阶段通过卷积神经网络（CNN）提取图像特征，并将图像特征上采样至HR大小，得到粗糙特征；第二阶段使用多尺度估计将低维统计模型逐步逼近高维统计模型，将第一阶段输出的粗糙特征作为输入来提取图像多尺度特征，并通过注意力融合模块逐步融合不同尺度特征，以精细化第一阶段提取的特征。同时，该方法引入一种更丰富的卷积特征用于边缘检测，并将其作为感知边缘约束来优化网络，以更好地恢复图像高频细节。在Set5、Set14和BSDS100等基准数据集上进行实验，结果表明与现有的基于CNN的超分辨率重建方法相比，该方法不但能够重建出更为清晰的边缘和纹理，而且在×3和×4放大因子下的峰值信噪比（PSNR）和结构相似度（SSIM）都取得了一定的提升。     

基于随机森林的层次行人检测算法

针对视频和图像中快速、准确的行人检测问题,提出了一种分层次的、全局信息和局部信息相结合的行人检测算法.该方法以随机森林分类器为基础,利用图像金字塔模型融合行人的多层信息.首先,在低尺度空间利用主方向模板(DOT)特征和随机森林算法训练行人的全局分类器,第一层检测在低尺度空间中进行,找到行人的候选区域;然后,在高尺度空间提取图像块集合,基于部件随机森林训练行人的局部外观和几何约束模型;最后,基于上层的候选区域,在高尺度空间利用霍夫投票进行第二层精确检测.实验结果表明,该方法有更低的时间复杂度,并提升了行人检测的准确率,全局信息和局部信息的层次融合,能有效解决快速、准确的行人检测问题.     

五帧差分和边缘检测的运动目标检测

为了改进传统三帧差分的运动目标检测方法易出现的空洞和与虚假边缘的现象, 提出了一种基于五帧差分和边缘检测相融合的运动目标检测方法。该算法首先利用优化的Canny边缘检测算法快速提取五帧连续图像的边缘图像, 然后对五帧连续的边缘图像进图像的五帧差分运算, 最后通过阈值分割和形态学处理完成对目标的提取。该方法计算简单, 实验结果表明, 该算法准确率高, 连通性好, 能满足实时性检测的要求。     

面向模糊医学图像边缘检测的卷积网络

考虑到传统边缘检测算法难以处理模糊的医学图像, 提出一种基于深度学习的边缘检测网络ECENet. 首先, 本文网络基于CHRNet模型, 对其最后两层进行剪枝, 使模型更加高效和轻量化. 其次, 在网络的特征提取阶段加入注意力模块SKSAM, 优化图像特征的自适应提取, 并降低噪声的影响. 最后, 在多尺度的网络输出上采用上下文感知融合块进行连接, 帮助模型更好地理解图像的结构和语义信息. 此外, 综合考虑像素级别的准确性和边界的平滑性, 优化了损失函数, 为模型训练提供更好的梯度信号. 实验结果表明: 本文算法在最佳数据集规模(ODS)和最佳图像比例(OIS)指标分别提高到0.816和0.823; 相关边缘指标参数显著提高, PSNR提高了16.8%, SSIM提高了37.6%.     

基于轮廓合成的人耳图像边缘检测

人耳识别技术作为一种新的研究在生物特征识别领域提出一种新思路。边缘检测是图像特征分析识别的基础,检测质量直接影响系统识别率。本文针对人耳图像的局部特征和识别要求提出一种基于轮廓合成的边缘检测方法。该算法对采集到的图像预处理,将Sobel算子与阈值法得出的边缘图像合成,最后根据统计结果用去除干扰技术处理非边缘。这种方法得出的耳朵边缘图像清晰完整无干扰,比单一采用其他方法效果好,为后续特征提取及识别提供较好基础。     

一种基于Tsallis熵的彩色图像边缘检测方法*

通过引入Tsallis熵,提出了一种新的彩色图像边缘检测方法.该方法首先将彩色图像从RGB空间转换到YCbCr空间,分别求出三个子空间中像素在3×3邻域内的最大边缘强度值;然后采用Tsallis熵求取每一个子空间的最佳边缘强度阈值对亮度子空间Y和颜色信息子空间Cb、Cr分别进行边缘提取,最后将三个子空间中获取的边缘点进行融合,从而完成整幅图像的边缘检测.实验结果表明,与采用Shannon熵的边缘检测方法相比,该方法具有更好的灵活性和可行性.     

图像边缘检测效果的边缘连续性评价算法

边缘检测是图像处理的一个重要环节,边缘检测效果的好坏直接决定图像处理结果的好坏,但对于边缘检测结果缺乏一个标准的数值化的评价方式,因此提出了一种对边缘检测结果的边缘连续性量化评价方法。以边缘的连续性作为图片边缘提取效果的评价指标,并且使用边缘段凸包面积与边缘段长度的乘积的平均值来数值化评价边缘连续性。设计了多种实验对同一图片采用不同的边缘检测算法在不同边缘检测参数下进行检测,并与所提算法进行评价对比。实验证明该算法能数值化地快速、有效地评价图片边缘检测的效果好坏,评价结果符合人的视觉感知特征,对于高层次的图像处理与自动化图像处理环节具有较好的应用价值。     

Mean-shift滤波和直方图增强的图像弱边缘提取

准确定位大脑中的功能区域需要我们对fMRI图像中头骨等生物组织精确提取,但由于核磁共振仪等现有条件的限制,头骨等弱边缘信息难于提取。针对这一问题,提出一种弱边缘提取的有效方法。首先利用Mean-shift聚类特性,在不损失目标信息的情况下,削弱图像中的噪声干扰;根据滤波后像素灰度的区域分布特性,对头骨区域进行直方图增强,最后应用边缘检测算法将头骨边缘提取出来。实验的结果表明,该方法可以有效地将fMRI图像中的头骨弱边缘信息提取出来。