摘 要

边缘中蕴含着一幅图像的大部分信息，能够较好的表征该图像。边缘检测是识别图像轮廓、获取基本信息的一种常用图像处理技术。早期用于检测边缘的算法,因为噪声等问题,存在丢失真实边缘、检测到伪边缘以及定位不准确等问题,需要引进新的边缘检测方法。

本文在学习机器学习和深度学习的基础上，选定整体嵌套边缘检测算法来进行深入研究。文章首先对整体嵌套边缘检测算法的原理及该算法的创新点进行了介绍，继而利用tensorflow和opencv搭建了边缘检测网络，对自然图像数据集BSDS500进行训练，使卷积网络学习自然图像的边缘结构特征。最后利用训练出的模型对图像进行边缘检测测试，并对边缘检测结果进行了分析。本文的研究结果对于改善边缘检测效果具有一定的指导意义。

关键词:边缘检测;深度学习;深度神经网络；整体嵌套边缘检测算法

Abstract

The edge contains most of the information of an image, which can better characterize the image. Edge detection is a common image processing technology to identify image contours and obtain basic information. Early algorithms for edge detection have many problems ,such as losing real edges, detecting false edges and inaccurate positioning due to noise and other problems. So,new edge detection methods need to be introduced.

On the basis of learning machine learning and deep learning, this paper selects the Holistically-Nested Edge Detection to do in-depth research. The paper first introduced the principle of the Holistically-Nested Edge Detection and the innovation points of the algorithm. Then I built an edge detection network using tensorflow and opencv to train the natural image dataset BSDS500. So that the convolution network can learn the edge structure features of natural images. Finally, the trained model is used to test the image edge detection, and the edge detection results are analyzed. The research results in this paper have certain guiding significance for improving the effect of edge detection.

Key words: Edge detection; Deep learning; Deep neural network; Holistically-Nested Edge Detection

目录

第1章 绪论 1

1.1 研究目的及意义 1

1.2 国内外研究现状 2

1.2.1 边缘检测研究现状 2

1.2.2深度学习研究现状 3

1.3 本文的研究内容及章节安排 5

第2章HED边缘检测算法原理 6

2.1 HED算法结构.........................................................................7

2.2 HED算法公式.........................................................................8

2.2.1 训练阶段 8

2.2.2测试阶段: 10

2.3 本章小结 10

第3章 整体嵌套边缘检测算法的实现 11

3.1 环境介绍 11

3.1.1 TensorFlow概述 11

3.1.2 TensorFlow框架特点 12

3.1.3 OpenCV概述 12

3.1.4 硬件环境介绍 13

3.2数据集介绍 13

3.3 tensorflow和opencv的环境的搭建 14

3.3.1软件安装 14

3.3.2环境搭建 15

3.4 代码原理及编写说明 16

3.4.1 HED网络搭建 16

3.4.2损失函数 19

3.4.3训练文件 19

3.4.4 验证文件 20

3.5 超参数设置 20

3.6 测试结果展示 21

3.6.1 HED算法测试结果 22

3.6.2 对比实验 24

3.7 结果分析 28

3.7.1 HED算法结果分析 28

3.7.2对比实验结果分析 29

3.8 本章小结 30

第4章 总结及展望 31

参考文献 32

致谢 34

第1章 绪论

1.1 研究目的及意义

人们在日常生活中可以通过多种方式获取信息，较为常见的有阅读字符、观看图片及倾听声音。而在这些从外部接收到的信息中，有接近八成是通过视觉获取的。因而，研究视觉方面的图像信息提取，是有较大意义的。

生活中的各个领域均有图像处理技术的应用。一幅图像中通常包含着各种各样的信息，除去对应用有价值的信息，往往还会有大量干扰信息残余。因而，从嘈杂信息中获取可以利用的部分就变得十分重要且基础。而作为图像像素发生局部剧烈变化的边缘，能够较清晰地表明待测物体局部特征的发生与终止，故而我们能够从中读取出图片的大量信息。而且图像中的物体边缘是稳定的、不变的。例如，实际生活当中图片也会受光照等因素影响，不同的光照强度会让我们产生不同的图片观感。但是光强等外部因素却不能改变一幅确定图像的边缘。故而边缘能够为图像识别提供重要的核心特征。^[1]

边缘检测是通过对图形边缘的不同区域进行分割，继而将其边缘特征提取出来的过程。图像边缘检测被看作是数字图像处理领域中最为基础的问题，因为图像中待测物的基本轮廓能够较清楚的被该技术识别出。这意味着被测物体的有用信息也就被成功获取了。该过程中可以过滤掉大部分对后续操作无用的信息。这将有效降低后期图像处理中的工作强度。所以较为精确的边缘检测能够为后期的区域形状提取等图像分析工作节省大量时间。

然而我们工作中所用图片的拍摄环境往往都不是最优的情况。图像被获取时极易受到方位变动、天气变化和外来噪音等的影响。如果不考虑这些因素就进行图像边缘的识别，结果会出现很多非目标物体的轮廓。边缘检测自二十世纪中叶被提出后，图像处理方面的学者从未停止对上述问题的优化。然而有些遗憾的是，能够被大规模普及的边缘检测算法依旧未被研发出来，能够在世界范围内被认可的检测效果评判标准也没有制定。造成这种现象的主要原因是图像存在大量的不确定性，这使得精确的图像边缘检测一直存在较大难度。作为模式识别、图像分析、计算机视觉等众多领域分析方法的工作前提及三维图形构建等新兴技术的重要环节，图像边缘检测算法的优化程度也会直接的影响到最终系统的性能评测。所以，边缘检测算法性能的优劣在选择阶段就显得尤为重要。