专利交易市场

本发明属于图像处理技术领域，公开了一种图像边缘检测方法及装置。所述图像边缘检测方法包括如下步骤：1)获取待检测图像，计算图像中各个像素点的梯度值，其中，像素点A(i,j)的梯度值为G(i,j)；2)确定高梯度阈值high_thresh和低梯度阈值low_thresh；3)比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小，判断像素点A(i,j)是否为边缘像素点，全部所述边缘像素点组成所检测的边缘；其中，待检测图像的大小为m×n像素，所述i∈[1，m]，j∈[1，n]；在所述的步骤2)中，根据步骤1)中得到的梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh。本发明根据图像本身的多个梯度值确定用于判断边缘像素点的阈值，避免了图像亮度对检测结果的影响，所得边缘检测结果更加准确。

本发明为基于六阶样条尺度函数的图像边缘检测方法，解决传统小波变换很难根据图像变化，实时调整小波变换的分辨率，以及信号处理区域的问题。本发明将小波的边缘提取能力和神经网络的自适应能力结合起来，首先由六阶样条尺度函数及六阶样条小波函数得到矩阵Ψ1、Ψ2、Φ1、Φ2，然后由Ψ1、Ψ2、Φ1、Φ2得到矩阵再利用矩阵Q1、Q2得到矩阵进而基于及图像矩阵M得到矩阵最后使用得到图像边缘B；进而在图像边缘提取过程中实现小波变换分辨率和信号处理区域的动态调整，以获取更加细腻和准确的边缘。

本发明属于图像处理领域，具体涉及一种基于卷积神经网络的监督暗视觉图像边缘检测方法，该方法包括：获取暗视觉图像，将暗视觉图像输入到训练好的监督图像边缘检测模型中进行暗视觉图像边缘检测，得到边缘检测结果；所述监督图像边缘检测模型为优化的监督图像边缘检测模型，该模型由六个边缘检测模块和一个拼接模块构成；本发明通过增加模型的卷积层和引入残差结构单元，能更好地保留图像上一阶段学习的特征及边缘细节信息，使训练的优化模型能够进一步提高图像边缘检测的效果，图像边缘的连续性增强，输出的边缘检测图像更符合人眼观测效果。