面向目標(biāo)的自動(dòng)化高精度邊緣提取方法
【專利摘要】本發(fā)明公開了一種面向目標(biāo)的自動(dòng)化高精度邊緣提取方法，包括模型訓(xùn)練階段與邊緣提取階段；其中模型訓(xùn)練階段包括以下步驟：A1）基于HAAR特征的級(jí)聯(lián)分類器的訓(xùn)練；A2）基于Canny算子和ASM模型的訓(xùn)練；A3）主動(dòng)輪廓模型的訓(xùn)練；邊緣提取階段包括以下步驟：B1)采用級(jí)聯(lián)結(jié)構(gòu)對(duì)待處理圖像中的非目標(biāo)成分進(jìn)行快速淘汰；B2）結(jié)合Canny算子和ASM模型尋找目標(biāo)邊緣的初始位置；B3）采用主動(dòng)輪廓模型對(duì)初始位置進(jìn)行校準(zhǔn)；B4）將未達(dá)到邊緣提取要求的樣本作為數(shù)據(jù)庫中的訓(xùn)練樣本用以反饋調(diào)節(jié)整個(gè)系統(tǒng)。
【專利說明】面向目標(biāo)的自動(dòng)化高精度邊緣提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像檢測(cè)技術(shù)，尤其涉及的是一種面向目標(biāo)的自動(dòng)化高精度邊緣提取方法。
【背景技術(shù)】
[0002]邊緣是是人們描述、識(shí)別圖像中目標(biāo)(比如人臉、手、各種物體等)最的重要特征參數(shù)。數(shù)字圖像邊緣信息的提取(edgeextraction),即邊緣檢測(cè)(edgedetection)在圖像分害I]、目標(biāo)整體操作(目標(biāo)選中、整體復(fù)制、剪切等)中具有重要意義。
[0003]目前的邊緣信息提取方法大多采用邊緣提取算子(如Sobel算子、Kirsch算子、Prewitt算子、Roberts算子、Canny算子等)。在基于邊緣提取算子的邊緣信息提取方法中，特定的算子只能檢測(cè)出特定方向的邊緣信息，并且對(duì)噪聲比較敏感，特別是復(fù)雜背景下邊緣提取精度較差。有些學(xué)者用小波技術(shù)進(jìn)行邊緣提取，還有基于數(shù)學(xué)形態(tài)學(xué)如非線性濾波等方法的邊緣信息提取方法。這些方法，雖然相對(duì)于算子類的方法有一定程度改進(jìn)，但邊緣提取精度仍離現(xiàn)實(shí)需求有較大差距。
[0004]還有研究者將主動(dòng)輪廓模型(ActiveContourModel)方法應(yīng)用在邊緣信息提取中。Kass等人在1987年提出了主動(dòng)輪廓模型，該模型通過在圖像力和外部約束力的共同作用下，可控連續(xù)變形曲線的運(yùn)動(dòng)得到最終目標(biāo)輪廓。但主動(dòng)輪廓模型存在2個(gè)問題:一是它對(duì)初始位置非常敏感；二是由于模型的非凸性，它有可能收斂到局部極值點(diǎn)甚至發(fā)散。
[0005]Canny邊緣提取算法有三個(gè)邊緣檢測(cè)準(zhǔn)則:1)好的檢測(cè)性能。不易漏檢真實(shí)邊緣，不把非邊緣點(diǎn)作為邊緣點(diǎn)檢出，使輸出的信噪比最大。2)好的定位精度。檢測(cè)到的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)位置最近。3)好的單邊緣響應(yīng)。算子檢測(cè)到的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)應(yīng)該是--對(duì)應(yīng)的。
[0006]根據(jù)以上三個(gè)準(zhǔn)則，Canny推導(dǎo)出最優(yōu)邊界檢測(cè)算子的一個(gè)近似實(shí)現(xiàn)，即邊界點(diǎn)位于圖像被高斯函數(shù)平滑后的梯度幅度的極大值點(diǎn)。Canny算法的實(shí)現(xiàn)方案如圖1所示。Canny邊緣提取方案的最大缺點(diǎn)是容易受到圖像噪聲的干擾而導(dǎo)致提取的邊緣不是或不完全是所要提取的目標(biāo)(如人的眼睛)的邊緣。
[0007]主動(dòng)輪廓模型主要用于解決圖像中目標(biāo)物體的分割操作。理論上是可以解決二維乃至多維的情況，不過最初的模型是在二維圖像上建立的。其主要思想為:1)在圖像中初始化一個(gè)閉合曲線輪廓。只要保證將目標(biāo)物體完全包含在曲線內(nèi)部即可；2)構(gòu)建能量方程。能量方程由兩部分組成。一是以規(guī)范化曲線形狀為目的的項(xiàng)，稱為內(nèi)能量(internalforce)；一是以靠近目標(biāo)物體邊緣為目的的項(xiàng)，稱為外能量(externalforce)。實(shí)際效果上來說,最小化內(nèi)能量使得曲線不斷向內(nèi)部緊縮且保持平滑，而外能量則是保證曲線緊縮到目標(biāo)物體邊緣時(shí)停止；3)根據(jù)能量方程，計(jì)算出表示曲線受力的歐拉方程(Eulerequation)。按照曲線各點(diǎn)的受力來對(duì)曲線進(jìn)行變形，直至受力為O。此時(shí)能量方程達(dá)到最小值，曲線收斂到目標(biāo)物體邊緣。
[0008] 能量方程依賴于曲線方程的參數(shù)化，不是曲線的本征(intrinsic)表示。因此不能處理變形過程中的拓?fù)渥兓?，從而不能用于檢測(cè)多目標(biāo)的情況。而且，主動(dòng)輪廓模型對(duì)初始位置非常敏感，對(duì)于復(fù)雜背景目標(biāo)邊緣信息的自動(dòng)化提取精度難以保障。

【發(fā)明內(nèi)容】

[0009]本發(fā)明所要解決的技術(shù)問題是:彌補(bǔ)上述現(xiàn)有技術(shù)的不足，首先采用基于級(jí)聯(lián)檢測(cè)方法確定目標(biāo)的大致位置，減少背景對(duì)目標(biāo)邊緣信息的干擾；然后用經(jīng)典的邊緣提取算子與ASM模型[4]融合的方法對(duì)圖像邊緣初步定位，解決主動(dòng)輪廓模型對(duì)初始位置敏感的問題；再用主動(dòng)輪廓模型提取邊緣信息，以解決傳統(tǒng)邊緣提取算子未利用目標(biāo)先驗(yàn)信息的問題；最后將邊緣提取過程中未達(dá)到預(yù)期的樣本回傳到模型訓(xùn)練子系統(tǒng)，并不斷地學(xué)習(xí)，使得整個(gè)系統(tǒng)變得越來越智能，解決了傳統(tǒng)方法缺乏智能性的問題。
[0010]本發(fā)明的技術(shù)方案如下:
[0011]一種面向目標(biāo)的自動(dòng)化高精度邊緣提取方法，包括模型訓(xùn)練階段與邊緣提取階段；其中模型訓(xùn)練階段包括以下步驟:A1)基于HAAR特征的級(jí)聯(lián)分類器的訓(xùn)練；A2)基于Canny算子和ASM模型的訓(xùn)練；A3)主動(dòng)輪廓模型的訓(xùn)練；邊緣提取階段包括以下步驟:B1)采用級(jí)聯(lián)結(jié)構(gòu)對(duì)待處理圖像中的非目標(biāo)成分進(jìn)行快速淘汰；B2)結(jié)合Canny算子和ASM模型尋找目標(biāo)邊緣的初始位置；B3)采用主動(dòng)輪廓模型對(duì)初始位置進(jìn)行校準(zhǔn)；B4)將未達(dá)到邊緣提取要求的樣本作為數(shù)據(jù)庫中的訓(xùn)練樣本用以反饋調(diào)節(jié)整個(gè)系統(tǒng)。
[0012]所述的方法，所述步驟Al，首先選定某一邊緣提取目標(biāo)，準(zhǔn)備足夠多正樣本和負(fù)樣本，接著利用積分圖計(jì)算圖像HAAR特征，然后采用機(jī)器學(xué)習(xí)算法提取優(yōu)秀的特征并形成一個(gè)強(qiáng)分類器，最后用級(jí)聯(lián)結(jié)構(gòu)將多個(gè)強(qiáng)分類器按級(jí)別分層組合成最終篩選器。
[0013]所述的的方法，所述的ASM模型的訓(xùn)練包括以下步驟:
[0014]Stepl:先準(zhǔn)備一組訓(xùn)練樣本,該樣本需要包括標(biāo)定的特征點(diǎn)信息；標(biāo)定特征點(diǎn)的過程是一個(gè)人機(jī)交互的過程，標(biāo)注需要按照以下的原則進(jìn)行:a、每幅圖像標(biāo)注的特征點(diǎn)必須相同；b、標(biāo)注特征點(diǎn)的順序也必須相同；
[0015]Step2:計(jì)算每一個(gè)特征點(diǎn)的權(quán)重值，在所有選取的特征點(diǎn)中，各個(gè)點(diǎn)的重要性是不一樣的，具體表現(xiàn)在有些點(diǎn)是相對(duì)固定的，而有些點(diǎn)的變化卻比較大，特征點(diǎn)的權(quán)重值就是為了反映不同位置特征點(diǎn)對(duì)于模型的重要性影響的不同；
[0016]Step3:配準(zhǔn)；配準(zhǔn)的目的就是為了能夠?qū)碜圆煌瑘D像樣本的相同特征點(diǎn)進(jìn)行比較，以此來建立統(tǒng)計(jì)形狀模型，用以反映形狀變化的規(guī)律；配準(zhǔn)的基本操作首先是以某個(gè)形狀為基礎(chǔ)，而將其他的形狀進(jìn)行放大縮小、旋轉(zhuǎn)、平移等操作，目的是為了能夠讓那些圖像的形狀與基本的形狀盡可能地接近；
[0017]Step4:全局性狀模型的訓(xùn)練；首先利用配準(zhǔn)后的圖像標(biāo)定點(diǎn)位置建立形狀向量，然后對(duì)形狀向量進(jìn)行主成分分析進(jìn)行降維處理，得到的特征向量和特征空間就構(gòu)成了 ASM模型；
[0018]Step5:局部特征的構(gòu)建;ASM中采用近鄰幾個(gè)像元的梯度搜索為特征點(diǎn)尋找新的位置，采用更為嚴(yán)謹(jǐn)?shù)奶荻人阕蛹碈anny算子來進(jìn)行位置的更新；
[0019]Canny算子的實(shí)現(xiàn)步驟:
[0020]Stepl:用高斯濾波器平滑圖像，去除圖像噪聲；一般選擇方差為1.4的高斯函數(shù)模板和圖像進(jìn)行卷積運(yùn)算；[0021]Step2:用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向；
[0022]Step3:對(duì)梯度幅值應(yīng)用非極大值抑制；幅值M越大，其對(duì)應(yīng)的圖像梯度值也越大，為確定邊緣，必須細(xì)化幅值圖像中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，生成細(xì)化的邊緣；
[0023]Step4:用雙閾值算法檢測(cè)并且連接邊緣；雙閾值法使Canny算子提取的邊緣點(diǎn)更具有魯棒性，高低閾值分別表示為Hth和Lth，對(duì)于高閾值Hth的選擇，基于計(jì)算出的圖像梯度值對(duì)應(yīng)的直方圖進(jìn)行選??；在一幅圖像中，非邊緣點(diǎn)數(shù)目在總圖像像素點(diǎn)數(shù)目中占的比例表示為Hratio，根據(jù)圖像梯度值對(duì)應(yīng)的直方圖累加，累加數(shù)目達(dá)到總像素?cái)?shù)目的Hratio時(shí)，對(duì)應(yīng)的圖像梯度值設(shè)置為Hth ;低閾值Lth的選擇通過Lth=Lratio*Hth得到；最后通過對(duì)邊緣點(diǎn)的標(biāo)記和領(lǐng)域關(guān)系進(jìn)行連接得到最后的邊緣檢測(cè)圖。
[0024]所述的方法，所述的步驟BI，利用訓(xùn)練好的級(jí)聯(lián)分類器子窗口對(duì)待提取圖像進(jìn)行滑動(dòng)檢測(cè)，由易到難，級(jí)聯(lián)分類器的前幾個(gè)分類器可以快速地將易分辨的非目標(biāo)部分快速濾過，最后經(jīng)過多層分類器的篩選，目標(biāo)將會(huì)以盡可能少的干擾部分保存下來，以減少邊緣提取的時(shí)間和誤檢率。
[0025]所述的方法，其特征在于，所述的步驟B2，截取下來的感興趣區(qū)域?qū)⒆鳛锳SM模型的輸入，經(jīng)過圖像對(duì)齊，模型內(nèi)初始邊緣確定，再借助Canny算子對(duì)鄰域進(jìn)行邊緣矯正，最后得到一個(gè)較為精準(zhǔn)的初始目標(biāo)邊緣。
[0026]本發(fā)明的基于級(jí)聯(lián)檢測(cè)和多種邊緣提取算子融合的圖像邊緣提取技術(shù)，首先利用級(jí)聯(lián)分類器在待提取圖像中快速鎖定目標(biāo)，然后依托先驗(yàn)知識(shí)采用ASM與Canny算子相結(jié)合的方法對(duì)目標(biāo)邊緣進(jìn)行初定位，最后借助主動(dòng)輪廓模型提取最佳邊緣。
[0027]本發(fā)明較傳統(tǒng)方法有三個(gè)顯著的優(yōu)點(diǎn):1)級(jí)聯(lián)分類器的加入可以快速準(zhǔn)確地過濾圖像冗余信息，特別是在背景較為復(fù)雜的情況下；2)ASM與Canny算法的結(jié)合可以有效地補(bǔ)充Canny算法先驗(yàn)知識(shí)的不足并提高ASM中初始輪廓鄰域的搜索能力；3)最后一環(huán)節(jié)加入的主動(dòng)輪廓模型引入能量將上一步提取的輪廓進(jìn)一步優(yōu)化矯正，達(dá)到真正的目標(biāo)邊緣高精度提取的目的。
【專利附圖】

【附圖說明】
[0028]圖1Canny邊緣提取方案
[0029]圖2本發(fā)明技術(shù)方案整體框架圖；
[0030]圖3級(jí)聯(lián)分類器的訓(xùn)練
[0031]圖4HAAR特征的基本類型；
[0032]圖5積分圖；
[0033]圖6HAAR特征值計(jì)算；
[0034]圖7基于Canny算子和ASM模型的訓(xùn)練
[0035]圖8級(jí)聯(lián)分類器的工作方式；
[0036]圖9改進(jìn)前的人臉輪廓提取，左圖為sobel邊緣提取，右圖為Canny邊緣提??；
[0037]圖10改進(jìn)后的人臉輪廓提??；從左到右依次為人臉鎖定、特征點(diǎn)鎖定、邊緣提取。
[0038]其中矩形框代表人臉以及眼睛鼻子嘴巴大概位置的鎖定，中間圖中的圓點(diǎn)代表ASM模型對(duì)臉部特征點(diǎn)的捕捉，最后一幅圖的白色線條為臉部輪廓?！揪唧w實(shí)施方式】
[0039]以下結(jié)合具體實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0040]參考圖2，本發(fā)明技術(shù)方案包括模型訓(xùn)練階段與邊緣提取階段。其中模型訓(xùn)練階段包括:1)基于HAAR特征的級(jí)聯(lián)分類器的訓(xùn)練；2)基于Canny算子和ASM模型的訓(xùn)練；3)主動(dòng)輪廓模型的訓(xùn)練；邊緣提取階段包括:1)采用級(jí)聯(lián)結(jié)構(gòu)對(duì)待處理圖像中的非目標(biāo)成分進(jìn)行快速淘汰；2)結(jié)合Canny算子和ASM模型尋找目標(biāo)邊緣的初始位置；3)采用主動(dòng)輪廓模型對(duì)初始位置進(jìn)行校準(zhǔn)；4)將未達(dá)到邊緣提取要求的樣本作為數(shù)據(jù)庫中的訓(xùn)練樣本用以反饋調(diào)節(jié)整個(gè)系統(tǒng)。
[0041]實(shí)施例1模型訓(xùn)練階段
[0042]1.1級(jí)聯(lián)分類器的訓(xùn)練[0043]首先選定某一邊緣提取目標(biāo)，準(zhǔn)備足夠多正樣本(目標(biāo)圖像)和負(fù)樣本(不包含目標(biāo)的任何圖像)，接著利用積分圖計(jì)算圖像HAAR特征，然后采用機(jī)器學(xué)習(xí)算法提取優(yōu)秀的體征并形成一個(gè)強(qiáng)分類器，最后用級(jí)聯(lián)結(jié)構(gòu)將多個(gè)強(qiáng)分類器按級(jí)別分層組合成最終篩選器。
[0044]HAAR特征是一種梯度特征，這類特征模板都是由兩個(gè)或是多個(gè)全等的矩形相鄰組合而成，特征模板內(nèi)有白色和黑色兩種矩形，并將此特征模板的特征值定義為白色矩形像素和減去黑色矩形像素和。常用的幾種簡單特征及其旋轉(zhuǎn)特征分為:邊緣特征、線性特征、中心環(huán)繞特征(如圖4)。特別注意，根據(jù)具體情況我們需要設(shè)計(jì)更利于實(shí)用的新型特征類型。此外，HAAR特征也可以有其他特征替代。
[0045]對(duì)于圖像內(nèi)一點(diǎn)A(x, y),定義其積分圖1i (X，y)為
[0046]"(U和 Σ ,.(Λ.’,少’)；⑴
[0047]其中i (X’，f )為點(diǎn)(X’，f )處的“原始圖”，是此點(diǎn)的顏色值；對(duì)于灰度圖象，其值為0-255。s (x, y)為點(diǎn)(x，y)及其方向上所有原始圖像之和(如圖5)，稱為“列積分和”，可以定義為:
[0048].ν(Λ-,>') = Τ,?(χ,ν')..(2)
[0049]了解積分圖的原理之后，可以利用它對(duì)HAAR特征進(jìn)行快速計(jì)算。矩形特征的特征值計(jì)算。以圖4中的1(b)特征模板為例，按照之前定義的特征模板的特征值為白色區(qū)域像素和減去黑色區(qū)域像素和，由剛才的證明可知:
[0050]區(qū)域A 的像素值=Ufii1-Qi^ii3) ; (3)
[0051]區(qū)域B 的像素值=ii6+ii3-(ii4+ii5) ; (4)
[0052]所以此特征模板的特征值為:
[0053](ii4-1i3)-(ii2-1i1) + (ii4_ii3)_(ii6_ii5) ； (5)
[0054]待所有特征值計(jì)算完畢則可采用機(jī)器學(xué)習(xí)方法進(jìn)行分類器的訓(xùn)練，這里的機(jī)器學(xué)習(xí)算法有很多選擇，可以是神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹以及其他統(tǒng)計(jì)模型等。需要注意的是在訓(xùn)練過程中需要分層次訓(xùn)練，這樣可以構(gòu)建級(jí)聯(lián)結(jié)構(gòu)以便快速淘汰非目標(biāo)信息。
[0055]1.2基于Canny算子和ASM模型的訓(xùn)練
[0056]參考圖7，首先選取一組訓(xùn)練樣本，用一組特征點(diǎn)來描述樣本的形狀，然后對(duì)各樣本的形狀進(jìn)行配準(zhǔn)(使得形狀盡可能地相似)，對(duì)這些配準(zhǔn)后的形狀向量利用主分量分析方法進(jìn)行統(tǒng)計(jì)建模得到物體形狀的統(tǒng)計(jì)學(xué)描述，最后利用建立的模型在新的圖像中搜索物體輪廓，從而定位出目標(biāo)物體。ASM依靠一個(gè)由人工標(biāo)定特征點(diǎn)的訓(xùn)練集來得到一個(gè)平均的人臉形狀(MeanShape)之后，在平均形狀點(diǎn)的鄰接區(qū)域進(jìn)行搜索得到目標(biāo)形狀(Shape)。
[0057]由ASM訓(xùn)練得到的平均形狀模型能很好地覆蓋各種人臉幾何外形子空間，具有較高的定位精度；同時(shí)，采用灰度和梯度信息指導(dǎo)形狀模型收斂速度也較快，并且可以提高收斂的概率。而前文介紹的Canny算子可以替換ASM中的領(lǐng)域搜索算法進(jìn)行目標(biāo)形狀的搜索，從而優(yōu)化ASM模型，提高目標(biāo)邊緣初始位置的精度。
[0058]ASM訓(xùn)練實(shí)施步驟:
[0059]Stepl:要先準(zhǔn)備一組訓(xùn)練樣本,該樣本需要包括標(biāo)定的特征點(diǎn)信息。標(biāo)定特征點(diǎn)的過程是一個(gè)人機(jī)交互的過程，一般是采取手工標(biāo)注的方式，標(biāo)注需要按照以下的原則進(jìn)行:1、每幅圖像標(biāo)注的特征點(diǎn)必須相同；2、標(biāo)注特征點(diǎn)的順序也必須相同。
[0060]Step2:計(jì)算每一個(gè)特征點(diǎn)的權(quán)重值，我們知道在所有選取的特征點(diǎn)中，各個(gè)點(diǎn)的重要性是不一樣的，具體表現(xiàn)在有些點(diǎn)是相對(duì)固定的，而有些點(diǎn)的變化卻比較大，特征點(diǎn)的權(quán)重值就是為了反映不同位置特征點(diǎn)對(duì)于模型的重要性影響的不同。
[0061]St印3:配準(zhǔn)。樣本空間中的所有圖像，在手工標(biāo)注完成以后，就形成了一個(gè)特征點(diǎn)的模型庫，但這些模型的大小、方向以及位置都不相同，無法對(duì)其進(jìn)行統(tǒng)計(jì)建模，也不能找出它們之間存在著的變形規(guī)律。配準(zhǔn)的目的就是為了能夠?qū)碜圆煌瑘D像樣本的相同特征點(diǎn)進(jìn)行比較，以此來建立統(tǒng)計(jì)形狀模型，用以反映形狀變化的規(guī)律。配準(zhǔn)的基本操作首先是以某個(gè)形狀為基礎(chǔ)，而將其他的形狀進(jìn)行放大縮小、旋轉(zhuǎn)、平移等操作，目的是為了能夠讓那些圖像的形狀與基本的形狀盡可能地接近。
[0062]Step4:全局性狀模型的訓(xùn)練。首先利用配準(zhǔn)后的圖像標(biāo)定點(diǎn)位置建立形狀向量，然后對(duì)形狀向量進(jìn)行主成分分析進(jìn)行降維處理，得到的特征向量和特征空間就構(gòu)成了 ASM模型。
[0063]Step5:局部特征的構(gòu)建。ASM中采用近鄰幾個(gè)像元的梯度搜索為特征點(diǎn)尋找新的位置，而本發(fā)明則采用更為嚴(yán)謹(jǐn)?shù)奶荻人阕?Canny算子)來進(jìn)行位置的更新。
[0064]Canny算法的實(shí)現(xiàn)步驟:
[0065]Stepl:用高斯濾波器平滑圖像，去除圖像噪聲。一般選擇方差為1.4的高斯函數(shù)模板和圖像進(jìn)行卷積運(yùn)算。
[0066]Step2:用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向。
[0067]Step3:對(duì)梯度幅值應(yīng)用非極大值抑制。幅值M越大，其對(duì)應(yīng)的圖像梯度值也越大，但這還不足以確定邊緣，因?yàn)檫@里僅把圖像快速變化的問題轉(zhuǎn)化成求幅值局部最大值問題，為確定邊緣，必須細(xì)化幅值圖像中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，生成細(xì)化的邊緣。
[0068]Step4:用雙閾值算法檢測(cè)并且連接邊緣。雙閾值法使Canny算子提取的邊緣點(diǎn)更具有魯棒性，高低閾值分別表示為Hth和Lth，對(duì)于高閾值Hth的選折，基于計(jì)算出的圖像梯度值對(duì)應(yīng)的直方圖進(jìn)行選取。在一幅圖像中，非邊緣點(diǎn)數(shù)目在總圖像像素點(diǎn)數(shù)目中占的比例表示為Hratio，根據(jù)圖像梯度值對(duì)應(yīng)的直方圖累加，累加數(shù)目達(dá)到總像素?cái)?shù)目的Hratio時(shí)，對(duì)應(yīng)的圖像梯度值設(shè)置為Hth。低閾值Lth的選擇通過Lth=Lratio*Hth得到。最后通過對(duì)邊緣點(diǎn)的標(biāo)記和領(lǐng)域關(guān)系進(jìn)行連接得到最后的邊緣檢測(cè)圖。
[0069]1.3主動(dòng)輪廓模型(ACM)的構(gòu)建
[0070]首先提供樣本目標(biāo)圖像的初始輪廓的位置，并對(duì)其定義一個(gè)初始能量函數(shù)，使輪廓沿能量降低的方向靠近。當(dāng)初始能量函數(shù)達(dá)到最小的時(shí)候，提供的初始輪廓收斂到圖形中目標(biāo)的真實(shí)輪廓。通過遺傳算法或其他參數(shù)優(yōu)化算法，選出該模型中最佳的一組參數(shù)用以確定該模型。
[0071]在實(shí)際應(yīng)用中，我們需要對(duì)Snake模型離散化，計(jì)算的是曲線的各個(gè)控制點(diǎn)的能量值，定義的能量函數(shù)如下:
【權(quán)利要求】
1.一種面向目標(biāo)的自動(dòng)化高精度邊緣提取方法，其特征在于，包括模型訓(xùn)練階段與邊緣提取階段；其中模型訓(xùn)練階段包括以下步驟:A1)基于HAAR特征的級(jí)聯(lián)分類器的訓(xùn)練；A2)基于Canny算子和ASM模型的訓(xùn)練；A3)主動(dòng)輪廓模型的訓(xùn)練；邊緣提取階段包括以下步驟:B1)采用級(jí)聯(lián)結(jié)構(gòu)對(duì)待處理圖像中的非目標(biāo)成分進(jìn)行快速淘汰；B2)結(jié)合Canny算子和ASM模型尋找目標(biāo)邊緣的初始位置；B3)采用主動(dòng)輪廓模型對(duì)初始位置進(jìn)行校準(zhǔn)；B4)將未達(dá)到邊緣提取要求的樣本作為數(shù)據(jù)庫中的訓(xùn)練樣本用以反饋調(diào)節(jié)整個(gè)系統(tǒng)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟Al，首先選定某一邊緣提取目標(biāo)，準(zhǔn)備足夠多正樣本和負(fù)樣本，接著利用積分圖計(jì)算圖像HAAR特征，然后采用機(jī)器學(xué)習(xí)算法提取優(yōu)秀的特征并形成一個(gè)強(qiáng)分類器，最后用級(jí)聯(lián)結(jié)構(gòu)將多個(gè)強(qiáng)分類器按級(jí)別分層組合成最終篩選器。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的ASM模型的訓(xùn)練包括以下步驟: Stepl:先準(zhǔn)備一組訓(xùn)練樣本,該樣本需要包括標(biāo)定的特征點(diǎn)信息；標(biāo)定特征點(diǎn)的過程是一個(gè)人機(jī)交互的過程，標(biāo)注需要按照以下的原則進(jìn)行:a、每幅圖像標(biāo)注的特征點(diǎn)必須相同；b、標(biāo)注特征點(diǎn)的順序也必須相同； Step2:計(jì)算每一個(gè)特征點(diǎn)的權(quán)重值，在所有選取的特征點(diǎn)中，各個(gè)點(diǎn)的重要性是不一樣的，具體表現(xiàn)在有些點(diǎn)是相對(duì)固定的，而有些點(diǎn)的變化卻比較大，特征點(diǎn)的權(quán)重值就是為了反映不同位置特征點(diǎn)對(duì)于模型的重要性影響的不同； Step3:配準(zhǔn)；配準(zhǔn)的目的就是為了能夠?qū)碜圆煌瑘D像樣本的相同特征點(diǎn)進(jìn)行比較，以此來建立統(tǒng)計(jì)形狀模型，用以反映形狀變化的規(guī)律；配準(zhǔn)的基本操作首先是以某個(gè)形狀為基礎(chǔ)，而將其他的形狀進(jìn)行放大縮小、旋轉(zhuǎn)、平移等操作，目的是為了能夠讓那些圖像的形狀與基本的形狀盡可能地接近； Step4:全局性狀模型的訓(xùn)練；首先利用配準(zhǔn)后的圖像標(biāo)定點(diǎn)位置建立形狀向量，然后對(duì)形狀向量進(jìn)行主成分分析進(jìn)行降維處理，得到的特征向量和特征空間就構(gòu)成了 ASM模型； Step5:局部特征的構(gòu)建;ASM中采用近鄰幾個(gè)像元的梯度搜索為特征點(diǎn)尋找新的位置，采用更為嚴(yán)謹(jǐn)?shù)奶荻人阕蛹碈anny算子來進(jìn)行位置的更新； Canny算子的實(shí)現(xiàn)步驟: Stepl:用高斯濾波器平滑圖像，去除圖像噪聲；一般選擇方差為1.4的高斯函數(shù)模板和圖像進(jìn)行卷積運(yùn)算； Step2:用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向； Step3:對(duì)梯度幅值應(yīng)用非極大值抑制；幅值M越大，其對(duì)應(yīng)的圖像梯度值也越大，為確定邊緣，必須細(xì)化幅值圖像中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，生成細(xì)化的邊緣；Step4:用雙閾值算法檢測(cè)并且連接邊緣；雙閾值法使Canny算子提取的邊緣點(diǎn)更具有魯棒性，高低閾值分別表示為Hth和Lth，對(duì)于高閾值Hth的選擇，基于計(jì)算出的圖像梯度值對(duì)應(yīng)的直方圖進(jìn)行選??；在一幅圖像中，非邊緣點(diǎn)數(shù)目在總圖像像素點(diǎn)數(shù)目中占的比例表示為Hratio，根據(jù)圖像梯度值對(duì)應(yīng)的直方圖累加，累加數(shù)目達(dá)到總像素?cái)?shù)目的Hratio時(shí)，對(duì)應(yīng)的圖像梯度值設(shè)置為Hth ;低閾值Lth的選擇通過Lth=Lratio*Hth得到；最后通過對(duì)邊緣點(diǎn)的標(biāo)記和領(lǐng)域關(guān)系進(jìn)行連接得到最后的邊緣檢測(cè)圖。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟BI，利用訓(xùn)練好的級(jí)聯(lián)分類器子窗口對(duì)待提取圖像進(jìn)行滑動(dòng)檢測(cè)，由易到難，級(jí)聯(lián)分類器的前幾個(gè)分類器可以快速地將易分辨的非目標(biāo)部分快速濾過，最后經(jīng)過多層分類器的篩選，目標(biāo)將會(huì)以盡可能少的干擾部分保存下來，以減少邊緣提取的時(shí)間和誤檢率。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟B2，截取下來的感興趣區(qū)域?qū)⒆鳛锳SM模型的輸入，經(jīng)過圖像對(duì)齊，模型內(nèi)初始邊緣確定，再借助Canny算子對(duì)鄰域進(jìn)行邊緣矯正，最后得到一個(gè)較`為精準(zhǔn)的初始目標(biāo)邊緣。
【文檔編號(hào)】G06T7/00GK103886589SQ201410067772
【公開日】2014年6月25日 申請(qǐng)日期:2014年2月27日 優(yōu)先權(quán)日:2014年2月27日
【發(fā)明者】徐精文, 劉雙 申請(qǐng)人:四川農(nóng)業(yè)大學(xué)