【CN109886271A】融合深度学习网络和改进边缘检测的图像精确分割方法【专利】
图像处理中的边缘检测算法分析与优化
图像处理中的边缘检测算法分析与优化随着数字图像处理技术的不断发展，边缘检测在计算机视觉、模式识别和图像分割等领域中扮演着重要的角色。
边缘是图像中灰度变化较大的区域，通过检测边缘，我们可以提取图像的形状和结构信息，从而实现图像分析和理解。
本文将对常用的图像处理边缘检测算法进行分析，并探讨优化策略。
一、边缘检测算法概述1.1 Sobel算法Sobel算法是一种基于梯度的边缘检测算法，它通过计算图像梯度的大小和方向来确定边缘位置。
Sobel算法具有计算简单、鲁棒性较高的优点，但对噪声比较敏感，在图像边缘不够明显或存在噪声时容易引入误检。
1.2 Canny算法Canny算法是一种经典的边缘检测算法，它通过多个步骤来实现高效的边缘检测。
首先，通过高斯滤波器对图像进行平滑处理，以减少噪声的影响。
然后，计算图像的梯度幅值和方向，并进行非极大值抑制，以精确地定位边缘。
最后，通过滞后阈值法来进行边缘的连接和细化。
Canny算法具有良好的边缘定位能力和抗噪能力，在实际应用中被广泛使用。
1.3 Laplacian算子Laplacian算子是一种基于二阶导数的边缘检测算子，它通过计算图像的二阶导数来检测图像中的边缘。
Laplacian算子具有对灰度变化较大的边缘敏感的优点，但对噪声比较敏感，容易产生边缘断裂和误检。
为了提高Laplacian算子的效果，常常与高斯滤波器结合使用，以减少噪声的干扰。
二、边缘检测算法优化2.1 参数选择在边缘检测算法中，参数的选择对于最终的结果具有重要的影响。
例如，对于Canny算法来说，高斯滤波器的大小和标准差的选择直接影响到边缘的平滑程度和定位精度。
因此，在优化边缘检测算法时，需要根据具体的应用场景和图像特点选择合适的参数。
2.2 非极大值抑制非极大值抑制是Canny算法中的一种重要步骤，用于精确地定位边缘位置。
然而，在进行非极大值抑制时，会产生边缘断裂和不连续的问题。
为了解决这个问题，可以考虑使用像素邻域信息进行插值，从而减少边缘的断裂，并得到更连续的边缘。
图像识别中的边缘检测方法综述(三)
图像识别中的边缘检测方法综述引言：图像边缘检测是计算机视觉领域的基础任务之一，在目标检测、图像分割和特征提取等应用中起着重要作用。
边缘是图像中亮度、颜色或纹理等特征发生突变的区域，是图像中物体轮廓的重要线索。
本文将综述图像识别中常用的边缘检测方法，并对比其优劣，以期对该领域的研究提供一定的参考。
一、传统边缘检测方法Sobel算子Sobel算子是一种常用的基于梯度计算的边缘检测算法。
它通过计算图像中每个像素点的梯度幅值和方向来实现边缘检测。
然而，Sobel算子对噪声敏感，且只能检测垂直和水平方向的边缘，不能满足复杂场景的需求。
Canny算子Canny算子是一种基于多阶段操作的边缘检测算法，首先利用高斯滤波器对图像进行平滑处理，然后计算梯度幅值和方向，再进行非极大值抑制、双阈值处理和边缘连接等步骤。
Canny算子具有良好的抗噪能力和边缘定位精度，广泛应用于图像识别中。
二、深度学习边缘检测方法基于卷积神经网络的边缘检测随着深度学习的兴起，基于卷积神经网络的边缘检测方法也逐渐成为研究热点。
通过搭建深层卷积神经网络模型，可以实现端到端的边缘检测任务。
这些方法可以自动学习图像的特征表示，具有较好的泛化能力和鲁棒性。
基于生成对抗网络的边缘检测生成对抗网络（GAN）是一种用于生成数据的模型，近年来也被应用于图像边缘检测任务中。
通过训练生成器和判别器两个网络之间的博弈过程，生成对抗网络可以学习到图像的边缘特征，并生成高质量的边缘图像。
这些方法可以有效解决传统边缘检测方法无法处理的复杂场景。
三、边缘检测方法的评价指标为了评估不同边缘检测方法的性能，通常可以使用一些常见的评价指标。
其中最常用的指标是精度和召回率，它们分别表示检测到的边缘与真实边缘之间的重叠程度。
其他指标还包括F1分数、平均绝对误差和均方误差等。
结论：本文综述了图像识别中常用的边缘检测方法，包括传统方法和深度学习方法。
传统方法如Sobel算子和Canny算子具有一定的局限性，而基于卷积神经网络和生成对抗网络的方法具有更好的性能和泛化能力。
数字图像处理中的边缘检测算法改进方法
数字图像处理中的边缘检测算法改进方法引言：边缘检测在数字图像处理中起着重要的作用，它能够有效地提取图像中的边缘信息，为后续的图像分析和识别任务提供重要的基础。
然而，传统的边缘检测算法存在一些问题，如对噪声敏感、边缘断裂等。
因此，人们提出了各种改进方法来解决这些问题。
本文将介绍几种常见的边缘检测算法改进方法，包括基于梯度的方法、基于模型的方法和基于深度学习的方法。
1. 基于梯度的方法改进基于梯度的边缘检测算法，如Sobel算子、Prewitt算子和Canny算子，对图像进行梯度运算来检测边缘。
然而，这些方法容易受到噪声的干扰，导致边缘检测结果不准确。
为了改进这个问题，人们提出了以下几种方法：a) 自适应阈值法：根据图像的局部统计特性，自适应地选择阈值。
通过动态调整阈值可以有效地抑制噪声的干扰。
b) 非极大值抑制：在梯度图像上对每个像素进行局部极大值的判断，剔除非边缘点，以得到更准确的边缘位置。
c) 双阈值法：将图像的梯度分为强边缘和弱边缘两部分，选择适当的阈值来判断边缘是否真正存在，以减少误检率。
2. 基于模型的方法改进基于模型的边缘检测算法将图像中的边缘视为一种特殊的线段或曲线，并通过拟合模型来检测边缘。
这些方法相对于基于梯度的方法更加稳定，能够有效地解决边缘断裂的问题。
以下是几种常见的基于模型的改进方法：a) Hough变换：将图像中的边缘点映射到Hough空间，通过寻找交点来检测直线或曲线。
b) CHT变换：基于Hough变换的思想，通过累积直线段的交点来检测直线。
c) Snake模型：基于活动轮廓模型，通过能量最小化的方法进行边缘检测，能够较好地适应边缘的变化。
3. 基于深度学习的方法改进近年来，深度学习技术的发展为图像处理提供了新的思路。
通过利用深度神经网络，可以自动从大量的训练数据中学习到图像边缘的特征表示，从而实现更准确的边缘检测。
以下是几种基于深度学习的改进方法：a) 卷积神经网络（CNN）：通过多层卷积和池化操作，对图像进行特征提取和学习，实现边缘检测。
深度学习技术在图像分割和边缘检测中的应用教程
深度学习技术在图像分割和边缘检测中的应用教程深度学习技术在计算机视觉领域中的应用已经取得了巨大的突破，其中图像分割和边缘检测是其中两个重要的任务。
本文将介绍深度学习技术在图像分割和边缘检测中的应用，并提供相应的教程。
一、图像分割图像分割是将一幅图像划分成多个具有语义意义的区域的过程。
深度学习技术在图像分割中的应用主要有两种方法：语义分割和实例分割。
1. 语义分割语义分割的目标是对图像中的每个像素进行分类，将其标记为属于不同的类别。
常用的深度学习模型包括FCN （全卷积网络）和U-Net。
下面是一个基于FCN的图像分割示例步骤：1）收集和准备数据集：获取一组已经标注好的图像，每一个像素都需要标记其所属的类别。
2）构建网络模型：使用卷积神经网络构建FCN模型，网络结构包含卷积层、池化层和反卷积层。
3）训练模型：使用已标记的数据集对模型进行训练，优化网络参数，使模型能够学习图像中像素的语义信息。
4）图像分割：使用训练好的模型对新的图像进行分割，将每个像素标记为所属的类别。
2. 实例分割实例分割的目标是对图像中的每个像素进行分类，并将同一类别的像素组成不同的实例。
常用的深度学习模型包括Mask R-CNN和YOLOv3。
下面是一个基于Mask R-CNN的实例分割示例步骤：1）数据集准备：获取一组已经标注好的图像，每一个像素都需要标记其所属的类别和实例。
2）构建网络模型：使用卷积神经网络构建Mask R-CNN模型，网络结构包含卷积层、RoI（感兴趣区域）池化层和掩码分支。
3）训练模型：使用已标记的数据集对模型进行训练，优化网络参数，使模型能够学习图像中像素的语义和实例信息。
4）实例分割：使用训练好的模型对新的图像进行实例分割，将每个像素标记为所属的类别和实例。
二、边缘检测边缘检测是在图像中寻找物体轮廓的过程。
深度学习技术在边缘检测中的应用主要有两种方法：基于卷积神经网络的边缘检测和基于边缘提取算法的边缘增强。
基于深度学习的高精度图像分割算法
基于深度学习的高精度图像分割算法近年来，随着深度学习在计算机视觉领域的广泛应用，图像分割技术得到了迅猛的发展。
基于深度学习的高精度图像分割算法已经成为当今最先进的图像分割方法之一。
本文将详细介绍基于深度学习的高精度图像分割算法的原理、方法及其应用。
一、基于深度学习的高精度图像分割算法原理图像分割是指将一张图像分成若干个互不相交的区域，每个区域内的像素具有相似的特征。
基于深度学习的高精度图像分割算法主要利用卷积神经网络（CNN）进行特征提取，然后利用全卷积网络（FCN）进行像素级分类。
具体来说，基于深度学习的高精度图像分割算法首先将输入的图像送入卷积神经网络中，经过多层卷积和池化操作后，得到图像的特征图。
特征图可以有效地保留原始图像的空间信息和语义信息。
接着，利用全卷积网络对特征图进行上采样，得到和原始输入图像大小一致的特征图。
最后，利用softmax函数进行像素级别的分类，将图像分割为不同的区域。
在卷积神经网络中，主要有三种卷积层：普通卷积层、转置卷积层和池化层。
普通卷积层通过卷积核对特征图进行滤波，提取特征信息；转置卷积层通过对特征图进行上采样，恢复特征图的分辨率；池化层通过对特征图进行下采样，减少网络中的参数，同时也具有一定的正则化作用，防止过拟合现象的发生。
二、基于深度学习的高精度图像分割算法方法基于深度学习的高精度图像分割算法主要有两种方法：全卷积神经网络（FCN）和U-Net。
1. FCNFCN是最早出现的基于深度学习的图像分割算法，其核心思想是将传统的卷积神经网络改造成全卷积神经网络。
通过去掉最后几层全连接层，将池化层进行上采样操作，实现了像素级别的分类。
由于该方法没有使用池化层，可以有效地保留图像的分辨率，从而获得更好的分割结果。
2. U-NetU-Net是一个高效的基于深度学习的图像分割算法，其主要特点是采用了对称的编码器和解码器结构。
编码器用于提取图像的特征信息，解码器则通过反卷积的方式将特征图进行上采样，从而得到像素级别的分类结果。
图像处理中的边缘检测和图像分割
图像处理中的边缘检测和图像分割在计算机视觉领域中，图像处理是一项非常重要的技术。
其中，边缘检测和图像分割是两个关键环节。
本文将从边缘检测和图像分割的基本概念入手，详细介绍它们的原理和应用。
一、边缘检测1、基本概念边缘是指图像中亮度、颜色等性质发生突然变化的地方。
边缘检测就是在图像中寻找这些突然变化的地方，并将它们标记出来。
在实际应用中，边缘检测可以用于目标跟踪、物体检测等方面。
2、常见方法常见的边缘检测算法有Canny、Sobel、Laplacian等。
其中，Canny算法是一种广泛使用的边缘检测算法，其基本原理是通过计算图像中每个像素点的梯度值和方向，来判断该点是否为边缘。
Sobel算法则是利用了图像卷积的思想，先对图像进行卷积操作，再计算得到每个像素点的梯度值。
Laplacian算法则是通过计算图像中每个像素点的二阶导数，来寻找亮度突变的地方。
3、应用场景边缘检测常用于在图像中寻找物体的轮廓线，或者分离图像中的前景和背景等方面。
例如在计算机视觉中的人脸识别中，边缘检测可以用于提取人脸的轮廓线，以便于后续的特征提取和匹配。
二、图像分割1、基本概念图像分割是把图像中的像素点分成不同的区域，以便于更好地理解和处理图像。
分割的结果通常是一个二值图像，其中每个像素点被标记为前景或者背景。
在实际应用中，图像分割可以用于目标检测、图像识别等方面。
2、常见方法常见的图像分割算法有阈值分割、聚类分割、边缘分割等。
其中，阈值分割是一种较为简单且常用的分割算法，其原理是为图像中每个像素点设置一个阈值，大于阈值的像素点被标记为前景，小于阈值的则为背景。
聚类分割算法则是通过对图像中像素点进行聚类操作，来划分不同的区域。
边缘分割则是利用边缘检测的结果，将图像分成前景和背景两个部分。
3、应用场景图像分割可以应用于诸如目标检测、图像识别、医学图像分析等方面。
例如在医学图像分析中，图像分割可以用于将CT或MRI图像中的组织分割成肝、肿瘤等不同的部分，以便于医生更好地进行预测和治疗决策。
基于边缘检测的图像分割算法研究
基于边缘检测的图像分割算法研究摘要在计算机视觉领域中，图像分割技术是一项基本且重要的任务。
它是将一副图像分割成若干个具有特定语义的区域。
边缘检测技术是许多图像分割算法的基础。
本文主要研究了基于边缘检测的图像分割算法，并对其进行了比较分析。
第一章绪论图像分割是计算机视觉领域中的一个基本问题。
它是将一副图像划分成具有特定语义的子区域。
图像分割技术可用于许多应用领域，如医学图像分析、工业自动化和机器人视觉等。
边缘检测是许多图像分割算法的基础。
它是通过检测图像中边缘的位置来分割图像。
边缘是图像中灰度变化显著的区域，它是区分不同区域的重要标志。
第二章基于边缘检测的图像分割算法基于边缘检测的图像分割算法是一种常见的图像分割方法。
它通过将图像转换为边缘图像，然后将边缘连接起来形成物体的轮廓。
以下是几种基于边缘检测的图像分割算法。
2.1 基于Canny算法的图像分割Canny算法是一种经典的边缘检测算法，被广泛地应用于图像分割领域。
该算法分为四个步骤：噪声抑制、计算梯度幅值和方向、非极大值抑制和双阈值检测。
通过这四步操作，将得到一张二值化的边缘图像，然后可以通过边缘连接得到物体的轮廓。
2.2 基于Sobel算法的图像分割Sobel算法是一种基于梯度的边缘检测算法。
该算法将图像锐化，并通过计算梯度值来检测边缘。
在图像分割中，可以利用Sobel算法得到一张二值化的边缘图像，并通过边缘连接得到物体的轮廓。
2.3 基于Prewitt算法的图像分割Prewitt算法也是一种基于梯度的边缘检测算法。
它与Sobel算法相似，但是使用了不同的滤波器。
在图像分割中，可以利用Prewitt算法得到一张二值化的边缘图像，并通过边缘连接得到物体的轮廓。
第三章研究结果与分析本文通过实验比较了基于Canny算法、Sobel算法和Prewitt算法的图像分割效果。
比较了它们的边缘检测效果及图像分割效果。
实验结果表明，Canny算法的图像分割效果最好，其次是Sobel算法和Prewitt算法。
图像处理中的图像分割与边缘检测算法
图像处理中的图像分割与边缘检测算法图像处理是计算机视觉领域的一项重要技术，它可以对图像进行各种操作和分析。
其中，图像分割和边缘检测是图像处理中的两个关键任务，它们在许多应用中起着至关重要的作用。
图像分割是将图像划分成若干个具有独立语义的区域的过程。
在图像中，不同的物体或区域通常具有不同的颜色、纹理或亮度等特征。
通过对这些特征进行分析和提取，可以将图像中的不同区域分割出来，从而实现对图像的理解和分析。
图像分割在许多领域中都有广泛的应用，比如医学影像分析、目标识别和图像检索等。
边缘检测是图像处理中常用的一种技术，它可以检测出图像中物体的边缘轮廓。
边缘是图像中颜色、亮度或纹理等发生突变的地方，通过检测这些突变的地方，可以找到图像中物体的边界。
边缘检测在图像处理中有着广泛的应用，比如图像增强、目标检测和图像分割等。
在图像分割和边缘检测中，有许多经典的算法被广泛应用。
其中，基于阈值的分割算法是最简单和常用的一种方法。
该方法通过设置一个或多个阈值，将图像中的像素分为不同的类别。
这种方法简单直观，但对于复杂的图像，效果不佳。
因此，研究者们提出了许多基于区域的分割算法，如区域增长、区域分裂合并等。
这些算法通过对图像中的像素进行聚类，将相邻像素归为同一区域，从而实现图像的分割。
边缘检测算法有很多种，其中最经典的是Canny边缘检测算法。
Canny算法通过对图像进行平滑处理，然后计算图像中像素灰度的一阶和二阶导数，从而找到图像中的边缘。
该算法具有较高的准确性和稳定性，在实际应用中得到了广泛的应用。
此外，还有其他一些边缘检测算法，如Sobel算法、Laplacian算法等，它们也都有各自的特点和适用范围。
除了传统的图像分割和边缘检测算法，近年来深度学习技术在图像处理中也取得了重要的突破。
深度学习是一种基于神经网络的机器学习方法，它通过多层次的神经网络模型来学习图像的特征表示。
在图像分割和边缘检测任务中，深度学习方法可以通过大量的训练数据来学习图像的特征，从而实现更准确和鲁棒的分割和检测结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2
CN 109886271 A
说 明 书
1/4 页
融合深度学习网络和改进边缘检测的图像精确分割方法
技术领域 [0001] 本发明涉及了一种在现有技术分割图像基础上进一步提高图像分割精度的方法， 具体涉及一种融合深度学习网络和改进边缘检测算法的图像精确分割方法。
背景技术 [0002] 图像分割是将图像区分为多个特定区域来代表不同的事物的过程，是目标识别中 重要的步骤。 [0003] 在猪的行为检测中，需要将猪从各种背景中识别出来，实现猪的图像分割，为进一 步的 行为分析打下基础。但由 于猪场内各 种设施的 存在及光照条件的 不断 变化 ，传统的图 像分割方法很容易失效。 [0004] 近年来，深度学习方法在图像分割中得到了应用。 [0005] FCN是图 像分 割最早的经典模型 (LONG J ,SHELHAMER E ,DARRELL T .Fully convolutional networks for semantic segmentation ；proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognition ,F ,2015) ，其主要思想是将图像识别的神经网络模型的最后一层全连接层替 换成全卷积层。使得原来输出单个识别结果的模型可以进行像素级别的图像识别。 [0006] MaskRCNN(HE K ,GKIOXARI G ,DOLLáR P ,et al .Mask r-cnn；proceedings of the Computer Vision(ICCV) ,2017IEEE International Conference on ,F ,2017[C] .IEEE .)是 在Faster R-CNN(EN S ,HE K ,GIRSHICK R ,et al .Faster R-CNN:towards real-time o bje c t d e te c tion wi th reg ion pro posa l ne two rks ；proceed ing s of the International Conference on Neural Information Processing Systems ,F ,2015)基础 上做了另一条类似FCN结构的分支，其在图像分割领域成绩不俗。 [0007] SegNet(KENDALL A ,BADRINARAYANAN V ,CIPOLLA R .Bayesian segnet:Model uncertainty in deep convolutional encoder-decoder architectures for scene understanding[J] .arXiv preprint arXiv:151102680 ,2015。RONNEBERGER O ,FISCHER P , BROX T .U-net:Convolutional networks for biomedical image segmentation ； proceedings of the International Conference on Medical image computing and computer-assisted intervention ,F ,2015[C] .Springer .)的权重比FCN小很多，同时还有 简化版的网络用于道路情况的实时分割，简化版的权重仅有5MB。除了原版的SegNet，作者 还结合了贝叶斯概率原理设计了Bayesian SegNet，它主要利用了Dropout将每次网络的输 出变成了不 确定的 结果 ，单次网络的 前向 传播得出预 测概率是先验概率 ，而通过多次 传播 得到多个输出来确定总体的后验概率，得出置信度。 [0008] CRFasRNN(ZHENG S ,JAYASUMANA S ,ROMERA-PAREDES B ,et al .Conditional random fields as recurrent neural networks；proceedings of the Proceedings of the IEEE international conference on computer vision ,F ,2015[C])使用FCN输出像 素判别为某一类的概率作为CRF能量方程的一元势能 ，并设计了一个标签相性函数、像素特
步骤2 ：对步骤1获得的所有待测物图 像采 用DeepLa b神经网络进行模型 训练 ，得到待测 物识别模型；
步骤3：对待定图像用待测物识别模型进行识别，得到与待定图像大小一致的初始分割 图 ；并且对初始分割图中的待测物进行边缘提取 ，得到初始轮廓L ；
步骤4：采用下面的公式对待定图像进行灰度拉伸，得到灰度拉伸图像：
精确分割方法 ( 57 )摘要
本发明公开了一种融合深度学习网络和改 进边缘检测的图像精确分割方法。采用DeepLab 识别模型并对待定图像识别后得到初始分割图 和初始轮廓 ，对待定图像进行灰度拉伸后采用 Canny算法处理 ，得到边缘 ，用初始轮廓的各点在 边缘上搜索到的距离最小的点组成收敛边缘，利 用收 敛边缘E ，对初始分 割图 进行开运算等处理 后，得到二次分割图 ，再对二次分割图进行闭运 算等处理后得到三次分割图 ，将收敛边缘在三次 分 割图 上的 对应像素点标为0 ，并对三次分 割图 轮廓进行平滑 ，三次分 割图 上为1的区 域代表待 测物。本发明采用深度学习模型建立待测物核心 区域，再利用Canny算法检测边缘的优势，提高检 测精度。
式中，g ′x,y是灰度拉伸图像上像素点(x ,y)的灰度值，gx,y是待定图像上像素点(x ,y)的 灰度值，C表示非零参数，是正数常数；i表示与像素点相邻的像素点的行差序数，j表示与像 素点相邻的像素点的列差序数；
步骤5：对灰度拉伸图像采用Canny算法提取边缘，得到边缘N； 步骤6 ：对初始轮廓L上的 每个轮廓点 ，在边缘N上搜索与轮廓点距离最小的 点 ，组成收 敛边缘E； 步骤7：将收敛边缘E在初始分割图上对应相同位置的像素点灰度值均赋值为0，再利用 半径为2的圆形结构元对赋值后的 初始分 割图 做形态学开运算 ，并 将除 去最大面积连通域 以外的其他连通域均赋值为0 ，得到二次分割图 ； 步骤8 ：将收敛边缘E在二次分割图 上对应相同 位置的 像素点灰度值均赋值为1 ，利用半 径为2的圆 形结构元对赋值 后的 二次分 割图 做形态学闭 运算 ，并填充空 洞 ，得到三次分 割 图； 步骤9：将收敛边缘E在三次分割图上对应相同位置的像素点灰度值均赋值为0，最后利 用均值滤波优化处理三次分割图 ，并将除去最大面积连通域以外的其他连通域均赋值为0 ， 完成操作后获得精确分割图 ，精确分割图上赋值为1的区域代表待测物。 2 .根据权利要求1所述的一种融合深度学习网络和改进边缘检测的图像精确分割方 法，其特征在于：所述的图像为可见光图像。 3 .根据权利要求1所述的一种融合深度学习网络和改进边缘检测的图像精确分割方 法 ，其特征在于 ：所述步骤3的 初始分 割图 上 ，属于待测物的 像素点灰度值被赋值为1 ，不属 于待测物的像素点的灰度值被赋值为0。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910059024 .7
(22)申请日 2019 .01 .22
(71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号
(72)发明人 饶秀勤 宋晨波 张小敏 高迎旺 应义斌 泮进明 郑荣进
(74)专利代理机构 杭州求是专利事务所有限公 司 33200
代理人 林超
(51)Int .Cl . G06K 9/34(2006 .01) G06K 9/46(2006 .01)
(10)申请公布号 CN 109886271 A (43)申请公布日 2019.06.14
( 54 )发明 名称 融合深度学习网络和改进边缘检测的图像
权利要求书1页 说明书4页 附图3页
CN 109886271 A
CN 109886271 A
权 利 要 求 书
1/1 页
1 .一种融合深度学习网络和改进边缘检测的图像精确分割方法，其特征在于：包括如 下步骤：
步骤1 ：采集多幅不同 场景、不同时段、不同 拍摄 角度的 待测物图 像 ，对每一幅待测物图 像处理获得待测物初步轮廓，将待测物初步轮廓以外的图像区域变为黑色；