相对于可见光图像边缘检测,目前针对红外图像边缘检测的研究较少,且大多基于传统方法,如边缘检测算子、数学形态学等,其本质上都是只考虑红外图像局部的急剧变化来检测边缘,因而始终受限于低层次特征.本文提出了一种基于深度学习的红外图像边缘检测算法,在DexiNed(Dense Extreme Inception Network for Edge Detection)的基础上,缩减了网络规模,并在损失函数中引入了图像级的差异,精心设置了损失函数的参数,进而优化了网络性能.此外,还通过调整自然图像边缘检测数据集来近似模拟红外图像边缘检测数据集,对改进后的模型进行训练,进一步提高了网络对红外图像中边缘信息的提取能力.定性评价结果表明,本文方法提取的红外图像边缘定位准确、层次清晰、细节丰富、贴合人眼视觉,使用了SSIM(Structural Similarity Index Measure)和FSIM(Feature Similarity Index Measure)指标的定量评价结果进一步体现了本文方法相比于其他方法的优越性.
展开▼
