admin 管理员组

文章数量: 1086019


2024年3月10日发(作者：楞严咒祈请文和回向文)

JournalofComputerApplications

计算机应用,

2020,40(11):3280-3288

文章编号：1001-9081（2020）11-3280-09

ISSN1001⁃9081

CODENJYIIDU

2020⁃11⁃10

http：

//

DOI：10.11772/.1001-9081.2020030314

基于深度学习的图像边缘检测算法综述

2*

李翠锦

1，

，瞿中

2

（1.重庆工程学院电子信息学院，重庆400060；2.重庆邮电大学计算机科学与技术学院，重庆400065）

（∗通信作者电子邮箱190424278@）

摘要：边缘检测是将图像中的突变的重要信息提取出来的过程，是计算机视觉领域研究热点，也是图像分割、目

标检测与识别等多种中高层视觉任务的基础。近几年来，针对边缘轮廓线过粗以及检测精度不高等问题，业内提出

了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状，首

先，介绍了传统边缘检测的实现理论及方法；然后，总结了近年来基于深度学习的主要边缘检测方法，并依据实现技

术对这些方法进行了分类，对其涉及的关键技术进行分析，发现对多尺度多层次融合与损失函数的选择是重要的研

究方向。通过评价指标对各类方法进行了比较，可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集

规模（ODS）经过多年研究从0.598提高到了0.828，接近人类视觉水平。最后，展示了边缘检测算法研究的发展方向。

关键词：边缘检测；深度学习；卷积神经网络；损失函数；多尺度融合

中图分类号：TP391.41文献标志码：A

Reviewofimageedgedetectionalgorithmsbasedondeeplearning

（eofElectronicInformation，ChongqingInstituteofEngineering，Chongqing400060，China；

eofComputerScienceandTechnology，ChongqingUniversityofPostsandTelecommunications，Chongqing400065，China）

2*

LICuijin

1，

，QUZhong

2

Abstract:Edgedetectionisthe

researchhotspotinthefieldofcomputervisionandthebasisofmanymiddle-andhigh-levelvisiontaskssuchasimage

segmentation，ntyears，inviewoftheproblemsofthickedgecontourlinesandlow

detectionaccuracy，edgedetectionalgorithmsbasedondeeplearningsuchasspectralclustering，multi-scalefusion，and

rtomakemoreresearchersunderstandtheresearchstatusofedge

detection，firstly，theimpleme，themain

edgedetectionmethodsbasedondeeplearninginresentyearsweresummarized，andthesemethodswereclassified

analysisofthekeytechnologiesofthesemethodsshow

thatthemulti-scalemulti-levelfusmethods

eseenthattheOptimalDatasetScale（ODS）ofedge

detectionalgorithmontheBerkeleySegmentationDataSetandbenchmark500（BSDS500）wasincreasedfrom0.598to

0.828，y，thedevelopmentdirectionofedgedetectionalgorithmresearch

wasforecasted.

Keywords:edgedetection;deeplearning;ConvolutionalNeuralNetwork(CNN);lossfunction;multi-scalefusion

图像边缘检测是图像处理和计算机视觉领域中最关键的

技术问题之一。已有的许多研究工作表明，边缘检测在图像

高阶特征提取、特征描述、目标识别和图像分割等诸多领域都

具有重要意义。如何快速准确地定位和提取图像边缘特征信

息成为研究热点之一。针对这两个问题，研究者进行了大量

的研究，提出了各种边缘检测方法，这些方法大致可以分为两

类：传统方法和基于深度学习的方法，图1列出了图像边缘检

测研究的经典传统方法（时间轴上方）和基于深度学习的方法

（时间轴下方）。

由于图像边缘包含大量的背景信息和重要的结构信息，

传统的边缘检测方法往往将手工制作的底层特征（如颜色、亮

0引言

度、纹理、梯度）作为边缘检测的优先级，比如：1）早期开拓性

的方法，如Sobel算子

［1］

、Prewitt算子

［2］

，以及广泛采用的Canny

算子

［3］

；2）基于信息理论人工设计得出特征的方法，如gPb-

owl-ucm算法

［4］

、SCG（SparseCodeGradients）算法

［5］

；3）结构化

虽然利用低层次特征的边缘检测方法已经取得了很大的进

步，但其局限性也是显而易见的。随着深度学习技术

［7］

的发

展，尤其是卷积神经网络（ConvolutionalNeuralNetwork，CNN）

的出现，CNN具有在自动学习自然图像的高级表示方面具有

强大的能力等优势，利用CNN进行边缘检测已成为一种新的

趋势。2015年，Xie等

［8］

提出了整体嵌套边缘检测

（Holistically-nestedEdgeDetection，HED），用于以嵌套方式检

边缘检测算法：如SE（StructuredforestsEdgedetection）算法

［6］

。

收稿日期：2020⁃03⁃19；修回日期：2020⁃06⁃23；录用日期：2020⁃06⁃29。

基金项目：重庆工程学院高科技人才计划项目（2019gckv04）；重庆工程学院校内科研基金资助项目（2019xzky06，2018xzky12）。

作者简介：李翠锦（1984—），女，河南濮阳人，副教授，博士研究生，主要研究方向：数字图像处理、数字媒体；瞿中（1972—），男，重庆人，教

授，博士，CCF高级会员，主要研究方向：数字图像处理、数字媒体、云计算。

第11期李翠锦等：基于深度学习的图像边缘检测算法综述

3281

测和提取自然图像的边缘；2015年，Bertasius等

［9］

将全卷积应

用在语义分割，从而为全卷积在轮廓检测中奠定了基础；2015

年，Bertasius等

［10］

提出了一个端到端的卷积架构DeepEdge；

2016年，Wang等

［11］

提出了基于卷积神经网络的深度条件随机

域立体匹配方法；2017年，Yu等

［12］

提出了多尺度运动目标的

边缘检测技术；2017年，Chadha等

［13］

提出了使用VLAD

（VectorofLocallyAggregatedDescriptor）和基于深度学习的描

述符进行高效兴趣区域检索的方法；2018年，Liu等

［14］

提出了

基于五层特征多样性的更丰富的卷积特征图像边缘检测提取

算法；2018年，Wang等

［15］

提出了一种基于快速R-CNN

（Region-CNN）框架的端到端边缘保留神经网络（称为区域

网），用于突出的目标检测；2019年，Fu等

［16］

提出了一种用于

显著目标检测的细分网络。

上述算法需要相当多的专业知识、精细的处理算法和网

络架构设计，才能把原始图像数据转换成合适的特征向量，以

此来构造边缘检测模型和分类器。近几年，利用深度学习技

［7］

术边缘检测任务有显著的性能提升。例如，在伯克利大学

提出的数据集（BerkeleySegmentationDataSetandbenchmark

［17］

500，BSDS500）

中，F-measure最优数据集规模（Optimal

DatasetScale，ODS）的检测性能从0.598

［18］

提高到0.828

［19］

。

尽管如此，边缘检测依旧是一个很有挑战性的技术问题，原因

在于：

1）弱监督和无监督边缘检测：基于深度学习的边缘检测

器的训练通常依赖于大量注释良好的图像。注释过程是耗

时、昂贵和低效的。在弱监督检测技术中，只使用图像级的标

注或部分使用包围盒标注对检测器进行训练，对于降低劳动

成本和提高检测灵活性具有重要意义。

2）小目标边缘检测：在大场景中检测小目标一直是一个

挑战。这一研究方向的一些潜在应用包括利用遥感图像对野

生动物种群进行统计，以及检测一些重要军事目标的状态。

3）动态视频边缘检测：高清视频中的实时目标/跟踪边缘

检测对于视频监控和自动驾驶具有重要意义。一般的边缘检

测通常是针对图像而设计的，而忽略了视频帧之间的相关性。

利用时空相关性进行改进检测是一个重要的研究方向。

1.1

1传统边缘检测方法

Fig.1Traditionalmethods（abovethetimeline）anddeeplearning-basedmethods（belowthetimeline）

图1传统方法（时间轴上方）和基于深度学习的方法（时间轴下方）研究历程

度和拉普拉斯的边缘检测采用了滤波对图像进行卷积计算，

从而得出图像灰度变化情况，根据原理的不同，大致可分为两

类：一阶边缘检测算子和二阶边缘检测算子。

表1列出了典型边缘检测算子及它们的优缺点。

边缘检测的本质是对图像中发生突变的部分进行识别和

表1

基于梯度和Laplacian边缘检测

定位，突变的部分表示图像的重要信息（灰度变化）。基于梯

Tab.1

分类算子名称

Robert算子

［20］

一阶边缘

Sobel算子

［1］

检测算子

IsotropicSobel算子

［21］

Prewitt算子

［2］

Laplacian算子

［22］

Canny算子

［3］

Marri-Hildreth算子

［23］

ComparisonofgradientbasedandLaplacebasededgedetectionoperators

优缺点

对具有陡峭的低噪声图像处理效果较好，但利用提取边缘比较粗，定位不是很准确

对灰度渐变和噪声较多的图像处理效果较好，对边缘定位较准确

位置加权系数更为准确，检测不同方向的边沿时梯度的幅度一致

对灰度渐变和噪声较多的图像处理效果较好，对边缘的定位不如Roberts算子

对图像中的阶跃性边缘点定位准确，丢失一部分边缘的方向信息，造成一些不连续的检测边

缘，但对噪声非常敏感

不容易受噪声的干扰，能够检测到真正的弱边缘。该算子使用两种不同的阈值分别检测强

边缘和弱边缘，并且仅当弱边缘与强边缘相连时，才将弱边缘包含在输出图像中，因此，该算

法不容易被噪声“填充”，但编程较为复杂且运算较慢

能够给出封闭的边缘边界，能够避免延后Threshold的递归计算

经常出现双边缘像素边界，而且该检测方法对噪声比较敏感，因此，很少用LOG算子检测边

缘，一般用来判断边缘像素是位于图像明区还是暗区

增加高斯函数差分，从而增强去噪能力

基于梯度和拉普拉斯的边缘检测算子对比

二阶边缘

检测算子

LOG（LaplacianofGaussian）算子

［24］

1.2基于人工特征提取的边缘检测

图像边缘检测算子虽然具有使用简单、效果良好的优点，

但是这些算子都是通过将灰度图像与局部导数滤波器进行卷

积来检测边缘，仅仅考虑了图像的梯度特性，忽视了图像纹理

等变化，容易造成边缘模糊及噪声敏感等问题。通过对高阶

DOG（DifferenceofGaussian）算子

［25］

统计量的显式定向分析来抑制以上问题，提出了基于人工特

征提取的边缘检测算法，如多尺度特征检测算法

［26］

、结构化边

缘检测算法

［27］

。

1.2.1多尺度特征边缘检测算法

2011年，Arbeláez等

［4］

将多尺度局部亮度、颜色和纹理结


本文标签： 边缘 检测 图像

版权声明：本文标题：基于深度学习的图像边缘检测算法综述 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/b/1710052882a555493.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。