基于HED边缘检测的彩色图像融合的制作方法

基于hed边缘检测的彩色图像融合
技术领域
1.本发明属于一种图像处理技术，特别是一种基于hed边缘检测的彩色图像融合方法。


背景技术：

2.图像融合(image fusion)是通过多幅图像冗余数据互补得到新的一幅图像，在这幅图像中能反应多重原始图像中的信息，一般情况下图像融合由低到高分为：信号级融合、数据级融合、特征级融合和决策级融合。
3.图像融合(image fusion)技术在遥感探测、安全导航、医学图像分析、反恐检查、环境保护、交通监测、清晰图像重建、灾情检测与预报等领域都具有重大的应用价值。医学融合图像中，往往需要对目标区域的边缘进行精确的定位，图像融合技术与边缘检测技术结合有助于提高目标区域的边缘定位精度。


技术实现要素：

4.本发明的目的在于提供一种基于hed图像边缘检测的彩色图像融合方法，包括以下步骤：通过离散小波变换算法将同一场景的多张图像分解成多张高频子图像和多张低频子图像；使用所述多张高频子图像进行整体嵌套的边缘检测（hed）模型训练。使用训练好的模型对需要处理的彩色图像的高频子图像进行边缘检测，得到边缘检测结果。取高频子图像中与边缘检测结果空间位置对应的像素点的值，获得高频子图像；使用加权平均法对多张低频子图像中对应相同空间位置的多个像素点进行计算，将得到的值作为低频子图像在该空间位置的像素点的值，获得低频子图像在每个空间位置的像素点的值，从而获得低频子图像；利用小波逆变换对所述高频子图像和低频子图像进行逆变换，获得融合图像。
5.本发明使用的hed边缘检测方法使用新颖的神经网络边缘检测方法对图像进行边缘检测，是基于整个图像进行的多尺度、多水平的特征学习；而且是基于fcn和vgg的改进，通过多个side output输出不同scale的边缘，然后通过一个训练好的权重融合函数得到最终的边缘输出结果，效果比传统的如canny和sobel算子的边缘检测效果更好；本发明在保留图像原始信息的同时尽可能增强了图像的细节。在小波变换的基础上，利用hed边缘检测方法对图像边缘检测的能力，实现图像边缘提取的目的，降低了噪声干扰，从而解决了由于融合算法而引起的图像细节丢失问题，提高了图像质量。
附图说明
6.图1为本发明的所述的hed边缘检测步骤。
7.图2为图像融合具体流程。
具体实施方式
8.本发明从深度学习边缘检测算法出发，用训练好的hed边缘检测模型对彩色图像进行边缘检测，并进行后处理，得到精确的图像边缘检测结果，该方法相比于普通边缘检测方法能更为准确地确定图像中对象的边界。
9.下面结合附图来对本发明进行详细说明；步骤1，如图1，本发明使用的基于深度学习边缘检测的图像分割方法，首先制作边缘训练样本，然后进行hed边缘检测模型训练。之后用该模型进行边缘检测，最后进行一系列后处理得到最后结果；所述hed边缘检测模型的优化器选择adam，代价函数选择sigmoid函数，权重参数设置为背景和边缘像素值的比值；步骤2，将彩色图像进行小波分解，处理后得到各自的不同频率的信息，即高频和低频两部分信息;步骤3，由于高频子图像包含的是原图像的边缘等信息，所以对高频图像进行hed边缘检测，得到边缘检测结果，获得图像中与检测得到的边缘相对应的所有像素点的值，从而获得高频子图像；步骤4，对于低频图像，使用加权平均法进行处理，得到低频子图像；使用加权平均法处理图像会使得融合过程更简单，减少运算时间，提高融合效率；步骤5，对步骤3和步骤4中得出的高频子图像和低频子图像，利用小波逆变换获得最终融合图像，具体流程如图2。
10.以上所述仅是本发明对其实施方式进行的相关描述，该描述没有局限性，具体实施时可以根据需要自由组合，所以对于本技术领域的技术人员来说，在不脱离本发明原理的情况下，还可以做出若干优化，不经创造性的提出与该技术方案相似的技术方案与实施例，均应属于本发明的保护范围。


技术特征：
1.一种基于hed边缘检测的彩色图像融合方法，其特征在于，具体步骤如下：步骤1，通过离散小波变换算法将同一场景的多张彩色图像分解成多张高频子图像和多张低频子图像；步骤2，使用所述多张高频子图像进行整体嵌套的边缘检测（hed）模型训练。2.使用训练好的模型对需要处理的彩色图像的高频子图像进行边缘检测，得到边缘检测结果。3.取高频子图像中与边缘检测结果空间位置对应的像素点的值，获得高频子图像；步骤3，使用加权平均法对多张低频子图像中对应相同空间位置的多个像素点进行计算，将加权平均值作为低频子图像在该空间位置的像素点的值，得到低频子图像在每个空间位置的像素点的值，获得低频子图像；步骤4，通过小波逆变换算法将所述高频子图像与低频子图像融合成一张图像。4.如权利要求1所述的hed边缘检测方法，其特征在于：步骤s1，根据收集的多张彩色图像构建高频子图像训练集；步骤s2，通过所述高频子图像训练集训练hed边缘检测模型；步骤s3，使用训练好的边缘检测模型对需要处理的彩色图像的高频子图像进行边缘检测，生成边缘结果图，然后进行后处理得到所需的高频子图像。5.如权利要求2所述的一种基于hed的边缘检测方法，其特征在于，所述步骤s1的具体过程为：步骤s11，勾绘出所述高频子图像内每个目标对象的边界，并将结果保存为矢量数据格式；步骤s12，将所述矢量数据进行栅格化后转换为边缘图像，根据原图像和所述边缘图像按固定尺寸制作边缘训练样本。6.如权利要求2所述的基于hed的边缘检测方法，其特征在于，在步骤s2中，训练所述hed边缘检测模型时，优化器选择adam，代价函数选择sigmoid，其权重参数设置为背景与边缘的参数比值，学习率采用按照全局训练轮数逐渐递减的策略，从1
×
线性递减为1
×
，训练所述hed边缘检测模型直到所述代价函数收敛。

技术总结
本发明公开了一种基于HED边缘检测的彩色图像融合方法。该方法在收集到一定数量的彩色图像样本后，对样本中图像进行小波分解得到高频子图像和低频子图像，然后使用这些高频子图像进行HED边缘检测模型训练；使用训练好的边缘检测模型对需要处理的彩色图像的高频子图像进行边缘检测，得到边缘检测结果。对低频子图像用加权平均法处理。保留高频子图像中与边缘检测结果对应的绝对值大的点的值，与低频子图像经过小波逆变换得到融合后的彩色图像。本发明提出的图像融合方法可突出彩色图像中的边缘信息，提高图像质量，而且所采用的边缘检测方法不需要调节参数，分割效率更高。分割效率更高。


技术研发人员：迟崇巍 田捷 何坤山
受保护的技术使用者：珠海市迪谱医疗科技有限公司
技术研发日：2021.06.09
技术公布日：2022/12/8