基于深度学习的图像边缘和轮廓提取

吃饱饭好干活

已于 2022-11-23 10:29:20 修改

阅读量8.1k

点赞数 11

文章标签：深度学习

于 2022-05-13 15:45:18 首次发布

本文链接：https://blog.csdn.net/weixin_42809268/article/details/124753324

版权

这篇博客汇总了深度学习在图像边缘检测领域的最新进展，包括论文、开源代码和数据集。介绍了HED（整体嵌套边缘检测）在OpenCV中的实现，以及多种边缘检测方法，如STEdge、PixelDifferenceNetworks等。此外，还讨论了边缘检测的评价指标ODS和OIS，并列举了不同类型的边缘。博客提供了各种资源链接，便于进一步研究。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

边缘检测论文简读、开源代码和数据集合集
 Awesome-Edge-Detection-Papers
基于深度学习的图像边缘检测算法综述
 边缘与轮廓的关系

数据集

http://mftp.mmcheng.net/liuyun/rcf/data/HED-BSDS.tar.gz
http://mftp.mmcheng.net/liuyun/rcf/data/PASCAL.tar.gz
http://mftp.mmcheng.net/liuyun/rcf/data/NYUD.tar.gz

OpenCV中基于深度学习的边缘检测

OpenCV在其全新（OpenCV 3.4.3或更高版本）的DNN模块中集成了基于深度学习的边缘检测技术。这种技术被称为整体嵌套边缘检测或HED，是一种基于学习的端到端边缘检测系统，使用修剪过的类似vgg的卷积神经网络进行图像到图像的预测任务。HED利用了中间层的输出称为side output，将所有5个卷积层的输出进行融合，生成最终的预测。由于在每一层生成的特征图大小不同，它可以有效地以不同的尺度查看图像。HED方法不仅比其他基于深度学习的方法更准确，而且速度也比其他方法快得多。
在这里插入图片描述

论文

STEdge: Self-training Edge Detection with Multi-layer Teaching and Regularization
Pixel Difference Networks for Efficient Edge Detection（轻量边缘检测）

1、基于深度学习方法

在这里插入图片描述

2、传统方法

2.1 基于梯度和拉布拉斯

在这里插入图片描述

2.2 基于人工特征提取

如多尺度特征边缘检测算法、结构化边缘检测算法

2.3 论文

在这里插入图片描述

3 评价指标ODS、OIS

模型输出一个边缘概率图（edge probability map）,需要一个阈值来得到二值边缘图（binary edge map），有两种方式来设置这个阈值，一种ODS（optimal dataset scale）即固定的阈值，使得整个数据集的F-score最大，另一种是OIS（optimal image scale），每一张图片，选取不同的阈值，使得F-score最大。
人力类视觉ODS为0.803

在这里插入图片描述